基于振动分析的风机齿轮箱轴承故障诊断方法的研究

摘要

由于风电机组工作环境恶劣，工况复杂，在风电大规模发展的同时，风电机组运行的安全和稳定性问题也愈加突出。当齿轮箱轴承故障导致故障停机时，其停机时间在各部件中是最长的。因此，对齿轮箱轴承故障诊断方法进行研究，为能够及时发现轴承故障，避免风电机组发生严重事故并降低维修费用，保证机组运转的稳定性，提供了重要的理论指导和技术保证。 本文是在国家科技支撑计划项目(2015BAA06B03)“大型风电场智能化运行维护关键技术研究及示范”的资助下完成的。针对风电机组的传感器振动数据，提出了两种基于振动分析的齿轮箱轴承故障诊断算法： （1）提出一种新的变分模态分解（Variational Mode Decomposition，VMD）结合奇异值能量差分谱的风机齿轮箱轴承故障诊断方法。该方法第一步利用变分模态分解算法获得一组本征模态函数分量（Intrinsic Mode Function，IMF）。然后按照联合因子，即峭度-相关系数指标提取敏感IMF，并通过其奇异值能量差分谱，确定有效奇异值个数并重构源信号。最后采用Hilbert包络解调提取故障特征并诊断故障。 （2）提出一种新的高维空间故障数据处理方法——张量分解法，并应用于轴承故障诊断。首先采用IMF-SVD(Singular Value Decomposition，SVD)方法对振动观测信号进行源数估计。然后利用振动信号形成观测矩阵，并将其张量化形成三阶张量，利用张量分解得到源数个低秩的张量子项，并将子项的1-维和2-维向量空间用于“源”的重构。最后对源信号包络解调，提取故障特征频率，以判定故障类型。 基于 MATLAB 环境，实现了以上算法的编程，并对实际的振动监测数据进行了分析，结果表明，本文提出的VMD-奇异值能量差分谱方法和张量分解方法，均能有效地诊断风电机组齿轮箱滚动轴承故障，与包络谱分析、独立成分分析(Independent Component Analysis，ICA)方法相比，本文方法具有明显的优势。

目录

第一个书签之前

摘要

Abstract

第1章 绪论

1.1 课题研究背景和意义

1.2 风机齿轮箱轴承故障诊断的研究现状

1.2.1 基于时域的诊断方法

1.2.2 基于频域的诊断方法

1.2.3 基于时频域的诊断方法

1.2.4 现代故障诊断方法

1.3 本论文的主要工作

第2章 滚动轴承的故障类型和振动信号特征分析

2.1 引言

2.2 滚动轴承的基本结构和主要失效形式

2.4 滚动轴承的振动信号特征分析

2.4.1 滚动轴承的振动机理

2.4.2 滚动轴承的固有振动频率

2.4.3 滚动轴承的故障特征频率

2.5 本章小结

第3章 VMD结合奇异值能量差分谱的齿轮箱轴承故障诊断方法

3.1 变分模态分解原理

3.2 奇异值能量差分谱

3.2.1 奇异值分解

3.2.2 信号重构

3.3 实验信号分析

3.3.1 内圈故障分析

3.3.2 滚动体故障分析

3.4 本章小结

第4章 基于张量分解的滚动轴承故障诊断方法

4.1 概述

4.2 IMF-SVD源数估计

4.3 张量分解

4.3.1 张量定义

4.3.2 张量的秩

4.3.3 秩分解及其唯一性

4.4 基于张量分解的轴承故障诊断

4.4.1 盲源分离问题

4.4.2 振动信号的Hankel张量分解

4.4.3 源信号恢复

4.5 仿真分析

4.6 实验分析

4.7 本章小结

第5章 结论与展望

5.1 结论

5.2 展望

参考文献

攻读硕士学位期间发表的论文及其它成果

攻读硕士学位期间参加的科研工作

致谢