基于振动信号稀疏分解的风电机组故障诊断方法研究

摘要

风电机组由于运行工况恶劣，所受载荷复杂多变，导致机组故障率较高，利用率与利用小时数低，运维费用高。为了保证机组的安全运行，提高风力发电的经济性和市场竞争力，对风电机组关键设备实施状态监测和故障诊断很有必要。
　　风电机组状态监测系统（简称CMS）通过对机组传动链部件的振动监测实现故障诊断，振动信号分析的主要方法建立在傅里叶变换、小波变换等正交线性变换的基础上，这类分析方法往往会将故障信息分解到过多的基函数中，不利于故障特征的提取。稀疏分解是基于冗余的基函数库（也叫过完备字典或冗余字典），将信号分解成一系列基函数的线性组合形式，在进行信号分解时可以根据信号的特点自适应地选取与之结构特性最为匹配的原子（基函数）。由于字典具有高度冗余性，稀疏分解表征复杂振动信号时，可以实现用较少的基函数组合表示信号，故障特征不会分散到过多的基函数中。
　　本文针对风电机组传动链振动信号早期微弱故障特征提取的问题，将稀疏分解方法引入到风电机组振动信号的处理中，采用最小熵解卷积方法与稀疏分解结合的方法用于增强提取信号中的故障成分，对该方法的效果进行了仿真信号和实测信号的验证。本文的主要研究内容如下:
　　(1)研究分析了稀疏分解实现过程中的两个关键问题:即稀疏分解算法和过完备字典的构建。通过分析仿真信号和实际振动信号，比较了不同稀疏分解算法和冗余字典的组合在故障特征提取上的特点。
　　(2)介绍了最小熵解卷积(MED)的理论及其实现，将MED滤波与稀疏分解方法相结合用于提取故障特征频率，通过对仿真信号与实际振动信号的分析，验证了所选方法在齿轮箱、轴承等测点振动信号早期故障特征提取上的有效性。
　　(3)将发生故障之前一段时间的轴承振动数据按照一定的时间间隔进行筛选，采用MED与稀疏分解相结合的方法提取所选数据中的故障特征成分，按照信号的时间顺序生成故障特征幅值变化趋势，与常用的时域特征值的趋势对比，证明所选方法能有效表征故障发展趋势。
　　上述研究证明稀疏分解方法在风电机组早期故障信号的特征提取领域有较好的应用前景。

目录

声明

摘要

1．1 选题背景及意义

1．2 国内外研究现状及发展动态分析

1．2．1 风电机组的状态监测与故障诊断

1．2．2 信号稀疏分解的国内外研究现状

1．3 论文主要研究内容

第2章 信号稀疏分解的基本理论及实现

2．1 引言

2．2 信号的稀疏分解

2．2．1 信号的分解

2．2．2 正交分解

2．2．3 信号的稀疏分解定义

2．2．4 稀疏分解算法

2．3 过完备字典的构建

2．3．1 分析字典

2．3．2 学习字典

2．4 轴承信号稀疏分解仿真

2．4．1 滚动轴承故障特征频率

2．4．2 仿真信号描述

2．4．3 仿真信号稀疏分解

2．5 齿轮信号稀疏分解仿真

2．5．1 齿轮故障特征描述

2．5．2 齿轮分布型故障仿真信号稀疏分解

2．5．3 齿轮集中型故障仿真信号稀疏分解

2．5 本章小结

第3章 风电机组传动链故障信号稀疏分解

3．1 概述

3．2 双馈型风电机组传动链

3．2．1 传动链结构描述

3．2．2 传动链CMS描述

3．3 信号分析案例

3．3．1 案例一：齿轮箱振动

3．3．2 案例二：齿轮箱振动

3．3．3 案例三：发电机驱动端振动

3．3．4 案例四：发电机驱动端振动

3．3．5 案例五：发电机驱动端振动

3．4 本章小结

第4章 基于MED与稀疏分解相结合的分析方法

4．1 概述

4．2 最小熵解卷积

4．2．1 概述

4．2．2 最小熵解卷积方法及实现

4．2．3 MED参数选择

4．3 基于MED和稀疏分解结合的信号处理方案

4．3．1 MED滤波处理流程

4．3．2 MED与稀疏分解方法的诊断流程

4．4 仿真信号分析

4．5 风电机组实际信号故障分析

4．5．1 风电机组齿轮箱故障信号

4．5．2 风电机组发电机轴承故障信号

4．6 本章小结

第5章 基于稀疏分解的故障趋势分析

5．1 概述

5．2 特征提取方法描述

5．3 分析案例

5．3．1 对象描述

5．3．2 故障趋势数据描述

5．3．2 故障趋势数据特征提取效果

5．4 本章小结

第6章 结论与展望

6．1 结论

6．2 展望

参考文献

攻读硕士期间发表论文及其它成果

致谢