CN108204895A - 一种风电机组变速齿轮箱故障诊断方法及系统 - Google Patents
一种风电机组变速齿轮箱故障诊断方法及系统 Download PDFInfo
- Publication number
- CN108204895A CN108204895A CN201711227236.9A CN201711227236A CN108204895A CN 108204895 A CN108204895 A CN 108204895A CN 201711227236 A CN201711227236 A CN 201711227236A CN 108204895 A CN108204895 A CN 108204895A
- Authority
- CN
- China
- Prior art keywords
- gear box
- change gear
- failure
- wind turbines
- symptom
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Abstract
本发明涉及一种风电机组变速齿轮箱故障诊断方法及系统,基于预先建立的多元模糊识别模型,确定采集到的待识别变速齿轮箱异常状态所对应的故障模式;所述预先建立的多元模糊识别模型包括:风电机组变速齿轮箱故障模式集、故障征兆特征值库和标准多元模糊征兆集。本发明充分考虑了变速齿轮箱系统各部件的振动机理、融合了多元监测参数并建立了多元模糊识别模型以实现风电机组变速齿轮箱准确诊断。
Description
技术领域
本发明涉及一种新能源发电领域,具体涉及一种风电机组变速齿轮箱故障诊断方法及系统。
背景技术
随着风电机组容量的不断扩大,变速齿轮箱作为风电机组中大型的机械传动系统,其复杂生产过程的监测控制与运维等存在诸多方面的问题:
(1)风电机组变速齿轮箱机理多元化的干扰性。
风电机组变速齿轮箱运行过程中存在多种多样机理复杂的干扰,影响着整台机组甚至场站级的经济运行,传统的诊断手段通常忽略这些不可预知也无法消除的影响因素,在实际应用中的效果和预期的理想效果相去甚远。
(2)风电机组变速齿轮箱监测参数之间的强耦合性。
风电机组变速齿轮箱的正常运行既包含了SCADA系统运行参数又存在多测点振动数据,风电变速齿轮箱是一个存在多种动力因素的耦合体,运行参数之间都不是孤立存在的,它们相互影响,具有强耦合性,任何一个运行参数的变化都有可能引起变速齿轮箱整体运行状态的波动。变速齿轮箱运行情况与各个参数的变化密切相关,而参数之间的强耦合性使得工业流程错综复杂,大大增加了对风电机组变速齿轮箱故障精确化诊断的困难程度。
(3)风电机组变速齿轮箱系统运行的非线性。
风电机组变速齿轮箱是一个非线性、非平稳性的复杂旋转系统。对非线性较强的运行过程,如果采用像对非线性较弱的系统当作线性系统来处理的处理方法,结果将会和预期产生很大的偏差,因此,需要比较准确的诊断模型来处理风电机组变速齿轮箱运行的问题。
发明内容
针对影响风电机组变速齿轮箱故障诊断中的机理多元化干扰、监测参数之间的强耦合性、系统运行过程中的非线性问题,本发明的目的是提供一种风电机组变速齿轮箱故障诊断方法及系统,充分考虑了变速齿轮箱系统各部件的振动机理、融合了多元监测参数并建立了多元模糊识别模型以实现风电机组变速齿轮箱准确诊断。
本发明的目的是采用下述技术方案实现的:
本发明提供一种风电机组变速齿轮箱故障诊断方法,其改进之处在于:
基于预先建立的多元模糊识别模型,确定采集到的待识别变速齿轮箱异常状态所对应的故障模式;
所述预先建立的多元模糊识别模型包括:风电机组变速齿轮箱故障模式集、故障征兆特征值库和标准多元模糊征兆集。
进一步地:所述预先建立多元模糊识别模型包括:
基于风电机组变速齿轮箱结构和振动机理构建风电机组变速齿轮箱故障模式集;
基于所述风电机组变速齿轮箱故障历史数据,提取故障征兆特征值,构建故障征兆特征值库;
对所述故障征兆特征值库中的故障征兆特征值进行模糊量化,建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集。
进一步地:所述基于所述风电机组变速齿轮箱结构和振动机理构建风电机组变速齿轮箱故障模式集包括:
分析风电机组变速齿轮箱结构和振动机理;
解析各部件振动特征与典型故障之间的关联性,构建风电机组变速齿轮箱故障模式集。
进一步地:所述基于所述风电机组变速齿轮箱故障历史数据,提取故障征兆特征值,构建故障征兆特征值库包括:
确定振动信号时域特征值和振动信号频域特征值;
确定SCADA系统参数特征值;
所述振动信号时域特征值、振动信号频域特征值和SCADA系统参数特征值组成故障征兆特征值库。
进一步地:所述振动信号时域特征值,包括:描述风电机组变速齿轮箱冲击能量大小的峭度系数和偏度系数、运用盒维数反映振动信号变化情况的相似性因子特征值;
所述峭度系数、偏度系数和相似性因子表达式分别如下:
Ff=dimBF
式中:xi为数据列中第i个数据的值,σ为数据标准差,n为数据个数,K为峭度系数,SK为偏度系数,Ff为相似性因子,dimBF为曲线图形集合F的盒维数,dimBF表达式如下:
式中:lnN(F,δ)为以e为底N(F,δ)的对数,ln(1/δ)为以e为底1/δ的对数,N(F,δ)为最大直径为δ且能覆盖F集合的最小数;
所述振动信号频域统计特征值包括:变速齿轮箱平行轮系和行星轮系故障特征频率。
进一步地:所述SCADA系统参数特征值,包括:描述油温与基准区间的偏离度油温特征值。
进一步地:对所述故障征兆特征值库中的故障征兆特征值进行模糊量化,建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集包括:
计算各故障征兆特征值的模糊隶属度,建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集;所述计算各故障征兆特征值的模糊隶属度,包括:
计算振动信号时域特征值的模糊隶属度,计算式如下:
计算振动信号频域特征值模糊隶属度,计算式如下:
式中:Mi(Xj)为故障模式Mi对应的振动信号时域故障征兆特征值Xj模糊隶属度;xi-故障模式Mi的振动信号时域特征值;xo-正常模式下振动信号时域特征值;Mi(Xj')为故障模式Mi对应的振动信号频域故障征兆特征值Xj'模糊隶属度;Ak-各振动信号频域特征的振动幅值;Xj为振动信号时域故障征兆特征值;Xj'为振动信号频域故障征兆特征值。
进一步地:所述基于预先建立的多元模糊识别模型,确定采集到的待识别变速齿轮箱异常状态所对应的故障模式包括:
将待识别风电变速齿轮箱异常状态,按照所述标准多元模糊征兆集里面选定的异常征兆,转化成待识别的模糊征兆集,计算与所述标准多元模糊征兆集的贴近度;
所述贴近度最大值对应的故障模式为所述待识别风电变速齿轮箱异常状态对应的故障模式。
进一步地:所述计算与所述标准多元模糊征兆集的贴近度包括:
所述待识别的模糊征兆集为M',M'={X1,X2,X3,...Xn};
所述标准多元模糊征兆集的第i个模糊征兆为Mi;
采用欧几里得贴近度来计算所述M'和Mi的相似程度,计算公式如下:
式中:M'为待识别风电机组变速齿轮箱故障模式的模糊征兆集,Mi为对应标准多元模糊征兆集;N为贴近度;j为第j个故障征兆指标,n为故障征兆指标总数;i为第i个模糊征兆,m征兆集总数;X1为峭度特征值、X2为偏度特征值、X3为相似性因子特征值、X4、X5、X6…X13为频域特征值、X14为SCADA特征值。
进一步地:所述贴近度最大值对应的故障模式为所述待识别风电变速齿轮箱异常状态对应的故障模式,包括:
根据最大隶属原则,将待识别风电机组变速齿轮箱故障模式的模糊征兆集M'与对应标准多元模糊征兆集Mi得出的贴近度N最大值对应的故障模式M诊断为风电机组变速齿轮箱故障模式。
进一步地:所述变速齿轮箱平行轮系和行星轮系故障包括:平行轮系的大齿轮故障和小齿轮故障,以及行星轮系的太阳轮故障、行星轮故障和大齿圈故障。
本发明还提供一种风电机组变速齿轮箱故障诊断系统,其改进之处在于:
确定模块,用于基于预先建立的多元模糊识别模型,确定采集到的待识别变速齿轮箱异常状态所对应的故障模式;
所述预先建立的多元模糊识别模型包括:风电机组变速齿轮箱故障模式集、故障征兆特征值库和标准多元模糊征兆集。
进一步地:还包括构建模块,用于预先建立多元模糊识别模型,所述构建模块包括:
第一建立单元,用于基于风电机组变速齿轮箱结构和振动机理构建风电机组变速齿轮箱故障模式集;
获取单元,基于风电机组变速齿轮箱故障历史数据,提取故障征兆特征值,构建故障征兆特征值库;
第二建立单元,用于对所述故障征兆特征值库中的故障征兆特征值进行模糊量化,建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集。
进一步地:所述第一建立单元,包括:
分析子单元,用于分析风电机组变速齿轮箱结构和振动机理;
解析子单元,用于解析各部件振动特征与典型故障之间的关联性,构建风电机组变速齿轮箱故障模式集。
进一步地:所述获取单元,包括:
第一确定子单元,用于确定振动信号时域特征值和振动信号频域特征值;
第二确定子单元,用于确定SCADA系统参数特征值;
组成子单元,用于将所述振动信号时域特征值、振动信号频域特征值和SCADA系统参数特征值组成故障征兆特征值库。
进一步地:所述第二建立单元,包括:
第一计算子单元,用于计算各故障征兆特征值的模糊隶属度;
建立子单元,用于建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集。
进一步地:所述确定模块,包括:
计算单元,用于将待识别风电变速齿轮箱异常状态,按照所述标准多元模糊征兆集里面选定的异常征兆,转化成待识别的模糊征兆集,计算与所述标准多元模糊征兆集的贴近度;
识别单元,用于识别所述贴近度最大值对应的故障模式为所述待识别风电变速齿轮箱异常状态对应的故障模式。
与最接近的现有技术相比,本发明提供的技术方案具有的有益效果是:
1、本发明基于预先建立的多元模糊识别模型,确定采集到的待识别变速齿轮箱异常状态所对应的故障模式;所述预先建立的多元模糊识别模型包括:风电机组变速齿轮箱故障模式集、故障征兆特征值库和标准多元模糊征兆集,实现风电机组变速齿轮箱对应的故障模式准确诊断。
2、本发明分析风电机组变速齿轮箱基本结构形式和振动机理,将变速齿轮箱的故障形式划分为基于行星轮系和平行轮系各部件的分布式与局部故障,考虑了风电机组变速齿轮箱振动时域、频域信号和SCADA系统采集信号,构建了风电机组变速齿轮箱故障征兆特征值库,并建立风电机组变速齿轮箱故障模式集,为实现变速齿轮箱故障精确诊断提供知识库支持,解决了传统风电机组变速齿轮箱故障诊断信息不够全面、准确的问题
3、本发明应用多元模糊识别模型判定风电机组变速齿轮箱故障模式,融合了振动时域、频域以及SCADA信号,解决齿轮箱多征兆映射多故障状态的难题,实现风电机组变速齿轮箱的精确化诊断。
附图说明
图1是本发明提供的风电机组变速齿轮箱故障诊断简易流程图;
图2是本发明提供的风电机组变速齿轮箱故障诊断详细流程图;
图3是本发明提供的风电机组变速齿轮箱故障模式集示意图;
图4是本发明提供的风电机组变速齿轮箱多元模糊识别诊断流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的组件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围,以及权利要求书的所有可获得的等同物。在本文中,本发明的这些实施方案可以被单独地或总地用术语“发明”来表示,这仅仅是为了方便,并且如果事实上公开了超过一个的发明,不是要自动地限制该应用的范围为任何单个发明或发明构思。
实施例一、
本发明所述诊断方法流程包括构建变速齿轮箱故障模式集、确定故障征兆特征值库、建立变速齿轮箱故障多元模糊识别模型、获得故障诊断结果四个阶段,风电机组变速齿轮箱故障诊断整体简易流程图和详细流程分别如图1和2所示。
基于预先建立的多元模糊识别模型,确定采集到的待识别变速齿轮箱异常状态所对应的故障模式;
所述预先建立的多元模糊识别模型包括:风电机组变速齿轮箱故障模式集、故障征兆特征值库和标准多元模糊征兆集。
所述预先建立多元模糊识别模型包括:
S101、基于风电机组变速齿轮箱结构和振动机理构建风电机组变速齿轮箱故障模式集;
分析风电机组变速齿轮箱结构和振动机理,确定主要故障模式集合。变速齿轮箱虽然型式各异,但基本都由行星轮系和平行轮系组成。由于行星轮系与平行轮系结构不一,振动信号传递路径不同,振动测点的安装位置有差别,针对行星轮系及平行轮系振动机理,解析各部件振动特征与典型故障(①分布式故障、②局部故障)之间的关联性,构建了风电机组变速齿轮箱故障模式集,故障模式集如图3所示。
S102、基于所述风电机组变速齿轮箱故障历史数据,提取故障征兆特征值,构建故障征兆特征值库;
建立风电机组变速齿轮箱故障征兆特征库的前提需要分析监测数据特性,对监测数据进行分类、筛选、提取。针对振动信号分别进行时域和频域信号特征值提取。对于SCADA系统采集信号,本发明结合环境温度、风速、齿轮箱油温得到齿轮箱故障特征值。
(1)振动时域统计特征值
时域统计指标中,无量纲参数在不同工况下可进行对比。齿轮发生故障时,振动能量会有较大变化。峭度系数和偏度系数指标反映了冲击能量的大小,是较好的诊断齿轮故障的常用指标;在非线性系统中,分形维数描述了系统耗散能量,能够反映振动信号的不规则性和不稳定性,相似性因子则运用了盒维数的概念能反映故障信号的变化情况。
峭度系数:
偏度系数:
式中,xi为数据列中第i个数据的值;σ为数据标准差;n为数据个数。
相似性因子:首先为了降低对幅值变化的敏感,需要将数据作标准化处理,其公式为:
其中,xλ(ti)表示时间时刻ti下的记录幅值;xλ(ti)max表示时间序列中记录幅值的最大值,j={1,2…n};K>1,K是一个比例放大因子,一般取整数,可根据经验确定。分形盒维数定义为设F是实数集合Rn中任一非空有限子集,记N(F,ξ)表示最大直径为ξ且能覆盖F集合最小数,则F的盒维数定义为(In()表示以e为底的对数)。
即取相似性描述因子Ff=dimBF。
(2)振动频谱特征值
利用动力学建模并分析变速齿轮箱振动机理,得到行星轮系与平行轮系主要部件的故障特征频率。故障特征频率与部件实际结构和齿轮设计相关参数相关,本发明在下表1列出了各部件故障特征频率计算值。
表1变速齿轮箱故障特征频率
其中以角标r、p、s分别表示行星轮系齿圈、行星轮、太阳轮,n表示转速,Z表示齿数,N表示行星轮个数,角标a、b分别表示平行轮系大小齿轮,fm表示啮合频率,fn表示小齿轮转频。
(3)SCADA参数特征值
对于SCADA系统采集信号,本发明主要利用环境温度、风速、齿轮箱油温得到风电机组变速齿轮箱故障SCADA特征值。通过历史数据训练,得到不同工况(风速区间、温度区间)下的齿轮箱油温基准区间,将实时油温值与所处工况下的基准区间进行比较,将油温与基准区间的偏离度作为齿轮箱故障SCADA特征值。
风电变速齿轮箱故障诊断特征值:峭度、偏度、相似性因子、各级特征频率值、油温特征值。
S103、对所述故障征兆特征值库中的故障征兆特征值进行模糊量化,建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集:
风电机组变速齿轮箱故障诊断通过实际测得的故障诊断特征值变化与已知故障模式进行匹配,来诊断出齿轮箱故障模式。风电机组变速齿轮箱由于其工作环境和工作性质的原因,某一故障模式往往会对应着多种故障征兆,同时,同一种故障征兆也会对应着多种故障模式,如果仅仅通过一种故障征兆就对其运行状态进行判定,容易引起故障模式的误判。而基于多元模糊识别的齿轮箱故障诊断能够对每种齿轮箱故障模式从多种故障征兆来建立模糊向量,进行模糊模式识别,实现对齿轮箱多元异常征兆的融合,提高齿轮箱故障诊断的准确性。
故障征兆库中一共包含14种故障征兆,每个故障模式都有对应特定的14个故障征兆值,这些值是通过故障历史数据进行训练获得,分析各征兆属性并进行征兆量化获得各征兆值的模糊隶属度,即建立了各故障模式的标准多元模糊征兆集。
故障征兆隶属度的量化过程:计算各故障模式状态下振动时域特征值(峭度、偏度、相似性因子)与正常模式时域特征值偏离度、计算各故障特征频率分振幅与振动通频振幅的比值、计算SCADA特征值(齿轮箱油温与正常模式下的偏离度)。
所述对提取到的风电机组变速齿轮箱故障征兆特征进行模糊量化,包括:
假设系统的故障模式集为Q,Q中包含有m个故障模式Mi,则有Mi∈Q,(i=1,2,…,m)。每个故障模式Mi对应故障征兆集X1,X2,…Xj,…,Xn,Mi(Xj)为多元征兆模糊集中故障模式Mi对应故障征兆Xj隶属度的值。
计算振动信号时域特征值的模糊隶属度,计算式如下:
计算振动信号频域特征值模糊隶属度,计算式如下:
式中:Mi(Xj)为故障模式Mi对应的振动信号时域故障征兆特征值Xj模糊隶属度;xi-故障模式Mi的振动信号时域特征值;xo-正常模式下振动信号时域特征值;Mi(Xj')为故障模式Mi对应的振动信号频域故障征兆特征值Xj'模糊隶属度;Ak-各振动信号频域特征的振动幅值;Xj为振动信号时域故障征兆特征值;Xj'为振动信号频域故障征兆特征值。
风电机组变速齿轮箱多元模糊识别诊断方法的流程如图4所示。
第一步,变速齿轮箱故障的标准多元模糊征兆集的建立。
对提取到的变速齿轮箱故障征兆进行模糊量化,建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集。
第二步,变速齿轮箱故障的模糊模式识别。
将待识别齿轮箱故障模式的多元模糊征兆集与标准多元模糊征兆集计算贴近度,按照选定的模糊模式识别原则,确定待识别变速齿轮箱异常状态所对应的故障模式。通过贴近度计算待识别故障模式与已知故障模式集中贴近度,贴近度最大值对应的故障模式为待识别异常状态对应的故障模式。
S104、基于预先建立的多元模糊识别模型,确定采集到的待识别变速齿轮箱异常状态所对应的故障模式
将待识别风电变速齿轮箱异常状态,按照标准多元模糊征兆集里面选定的异常征兆,转化成待识别的模糊征兆集M'={X1,X2,X3,...Xn},按照选定方法来计算M'与Mi(i=1,2,...m)的贴近度,来判断M'与Mi的相似程度。本发明选定的是欧几里得贴近度来进行计算两个模式之间的相似程度。
式中:M'为待识别模式下的模糊征兆集,Mi为对应标准多元征兆集;N为贴近度;j为第j个征兆指标,n为征兆指标总数;i为第i个征兆集,m征兆集总数;X1为峭度、X2为偏度、X3为相似性因子、X4、X5、X6…X13为频率特征值、X14为SCADA特征值。
征兆集是由每个指标作为元素构成的,即征兆集={峭度X1、偏度X2、相似性因子X3、频率特征值X4、X5、X6…X13(10个故障模式特征频率分振幅与振动通频振幅的比值)、SCADA特征值X14(齿轮箱油温偏离度)},共14个元素。不同故障模式都有相应的标准征兆集,即不同确定故障模式下,征兆集里各元素取值可能不尽相同。通过计算待识别状态下各元素值与10个故障模式对应的标准征兆集各元素值之间关联程度,即应用多元模糊识别模型实现变速齿轮箱的故障诊断。
模糊模式识别的原则采用的是最大隶属原则,即待识别风电机组变速齿轮箱故障模式属于M'与Mi(i=1,2,...,m)计算出的贴近度最大值对应的故障模式,实现了风电机组变速齿轮箱故障模式诊断。
本发明将风电机组复杂的变速齿轮箱系统故障诊断问题简化成了三个部分:建立故障模式集、量化故障征兆特征值库、采用多元模糊识别模型实现故障模式诊断。首先以风电机组变速齿轮箱为对象,分析设备结构特点与运行特征,建立变速齿轮箱可能发生的主要故障模式集合;第二步则针对风电机组变速齿轮箱运行数据包括振动数据及SCADA系统监测数据进行分类、整理、分析,挖掘变速齿轮箱可能发生故障的征兆并进行量化,构建风电机组变速齿轮箱故障征兆特征值库;最后利用多元模糊识别模型,根据变速齿轮箱当前所示征兆确定故障模式,实现风电机组变速齿轮箱故障诊断。
实施例二、
基于同样的发明构思,本发明还提供一种风电机组变速齿轮箱故障诊断系统,包括:
确定模块,用于基于预先建立的多元模糊识别模型,确定采集到的待识别变速齿轮箱异常状态所对应的故障模式;
所述预先建立的多元模糊识别模型包括:风电机组变速齿轮箱故障模式集、故障征兆特征值库和标准多元模糊征兆集。
进一步地:还包括构建模块,用于预先建立,多元模糊识别模型,所述构建模块包括:
第一建立单元,用于基于风电机组变速齿轮箱结构和振动机理构建风电机组变速齿轮箱故障模式集;
获取单元,基于风电机组变速齿轮箱故障历史数据,提取故障征兆特征值,构建故障征兆特征值库;
第二建立单元,用于对所述故障征兆特征值库中的故障征兆特征值进行模糊量化,建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集。
进一步地:所述第一建立单元,包括:
分析子单元,用于分析风电机组变速齿轮箱结构和振动机理;
解析子单元,用于解析各部件振动特征与典型故障之间的关联性,构建风电机组变速齿轮箱故障模式集。
进一步地:所述获取单元,包括:
第一确定子单元,用于确定振动信号时域特征值和振动信号频域特征值;
第二确定子单元,用于确定SCADA系统参数特征值;
组成子单元,用于将所述振动信号时域特征值、振动信号频域特征值和SCADA系统参数特征值组成故障征兆特征值库。
进一步地:所述第二建立单元,包括:
第一计算子单元,用于计算各故障征兆特征值的模糊隶属度;
建立子单元,用于建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集。
进一步地:所述确定模块,包括:
计算单元,用于将待识别风电变速齿轮箱异常状态,按照所述标准多元模糊征兆集里面选定的异常征兆,转化成待识别的模糊征兆集,计算与所述标准多元模糊征兆集的贴近度;
识别单元,用于识别所述贴近度最大值对应的故障模式为所述待识别风电变速齿轮箱异常状态对应的故障模式。
本发明将传统齿轮箱故障诊断中独立分析的振动时域特征值、频域特征值和SCADA信号特征值进行了融合,为风电机组变速齿轮箱故障诊断提供丰富全面的数据支撑。采用多元模糊识别模型对风电机组变速齿轮箱故障征兆进行识别,以实现对风电机组变速齿轮箱的精确化诊断。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (17)
1.一种风电机组变速齿轮箱故障诊断方法,其特征在于:
基于预先建立的多元模糊识别模型,确定采集到的待识别变速齿轮箱异常状态所对应的故障模式;
所述预先建立的多元模糊识别模型包括:风电机组变速齿轮箱故障模式集、故障征兆特征值库和标准多元模糊征兆集。
2.如权利要求1所述的故障诊断方法,其特征在于:所述预先建立多元模糊识别模型包括:
基于风电机组变速齿轮箱结构和振动机理构建风电机组变速齿轮箱故障模式集;
基于所述风电机组变速齿轮箱故障历史数据,提取故障征兆特征值,构建故障征兆特征值库;
对所述故障征兆特征值库中的故障征兆特征值进行模糊量化,建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集。
3.如权利要求2所述的故障诊断方法,其特征在于:所述基于所述风电机组变速齿轮箱结构和振动机理构建风电机组变速齿轮箱故障模式集包括:
分析风电机组变速齿轮箱结构和振动机理;
解析各部件振动特征与典型故障之间的关联性,构建风电机组变速齿轮箱故障模式集。
4.如权利要求2所述的故障诊断方法,其特征在于:所述基于所述风电机组变速齿轮箱故障历史数据,提取故障征兆特征值,构建故障征兆特征值库包括:
确定振动信号时域特征值和振动信号频域特征值;
确定SCADA系统参数特征值;
所述振动信号时域特征值、振动信号频域特征值和SCADA系统参数特征值组成故障征兆特征值库。
5.如权利要求4所述的故障诊断方法,其特征在于:所述振动信号时域特征值,包括:描述风电机组变速齿轮箱冲击能量大小的峭度系数和偏度系数、运用盒维数反映振动信号变化情况的相似性因子特征值;
所述峭度系数、偏度系数和相似性因子表达式分别如下:
Ff=dimBF
式中:xi为数据列中第i个数据的值,σ为数据标准差,n为数据个数,K为峭度系数,SK为偏度系数,Ff为相似性因子,dimBF为曲线图形集合F的盒维数,dimBF表达式如下:
式中:lnN(F,δ)为以e为底N(F,δ)的对数,ln(1/δ)为以e为底1/δ的对数,N(F,δ)为最大直径为δ且能覆盖F集合的最小数;
所述振动信号频域特征值包括:变速齿轮箱平行轮系和行星轮系故障特征频率。
6.如权利要求4所述的故障诊断方法,其特征在于:所述SCADA系统参数特征值,包括:描述油温与基准区间的偏离度油温特征值。
7.如权利要求4所述的故障诊断方法,其特征在于:对所述故障征兆特征值库中的故障征兆特征值进行模糊量化,建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集包括:
计算各故障征兆特征值的模糊隶属度,建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集;所述计算各故障征兆特征值的模糊隶属度,包括:
计算振动信号时域特征值的模糊隶属度,计算式如下:
计算振动信号频域特征值模糊隶属度,计算式如下:
式中:Mi(Xj)为故障模式Mi对应的振动信号时域故障征兆特征值Xj模糊隶属度;xi-故障模式Mi的振动信号时域特征值;xo-正常模式下振动信号时域特征值;Mi(Xj')为故障模式Mi对应的振动信号频域故障征兆特征值Xj'模糊隶属度;Ak-各振动信号频域特征的振动幅值;Xj为振动信号时域故障征兆特征值;Xj'为振动信号频域故障征兆特征值。
8.如权利要求1至4任一项所述的故障诊断方法,其特征在于:所述基于预先建立的多元模糊识别模型,确定采集到的待识别变速齿轮箱异常状态所对应的故障模式包括:
将待识别风电变速齿轮箱异常状态,按照所述标准多元模糊征兆集里面选定的异常征兆,转化成待识别的模糊征兆集,计算与所述标准多元模糊征兆集的贴近度;
所述贴近度最大值对应的故障模式为所述待识别风电变速齿轮箱异常状态对应的故障模式。
9.如权利要求8所述的故障诊断方法,其特征在于:所述计算与所述标准多元模糊征兆集的贴近度包括:
所述待识别的模糊征兆集为M',M'={X1,X2,X3,...Xn};
所述标准多元模糊征兆集的第i个模糊征兆为Mi;
采用欧几里得贴近度来计算所述M'和Mi的相似程度,计算公式如下:
式中:M'为待识别风电机组变速齿轮箱故障模式的模糊征兆集,Mi为对应标准多元模糊征兆集;N为贴近度;j为第j个故障征兆指标,n为故障征兆指标总数;i为第i个模糊征兆,m征兆集总数;X1为峭度特征值、X2为偏度特征值、X3为相似性因子特征值、X4、X5、X6…X13为频域特征值、X14为SCADA特征值。
10.如权利要求8所述的故障诊断方法,其特征在于:所述贴近度最大值对应的故障模式为所述待识别风电变速齿轮箱异常状态对应的故障模式,包括:
根据最大隶属原则,将待识别风电机组变速齿轮箱故障模式的模糊征兆集M'与对应标准多元模糊征兆集Mi得出的贴近度N最大值对应的故障模式M诊断为风电机组变速齿轮箱故障模式。
11.如权利要求5所述的故障诊断方法,其特征在于:所述变速齿轮箱平行轮系和行星轮系故障包括:平行轮系的大齿轮故障和小齿轮故障,以及行星轮系的太阳轮故障、行星轮故障和大齿圈故障。
12.一种风电机组变速齿轮箱故障诊断系统,其特征在于:
确定模块,用于基于预先建立的多元模糊识别模型,确定采集到的待识别变速齿轮箱异常状态所对应的故障模式;
所述预先建立的多元模糊识别模型包括:风电机组变速齿轮箱故障模式集、故障征兆特征值库和标准多元模糊征兆集。
13.如权利要求12所述的故障诊断系统,其特征在于:还包括构建模块,用于预先建立多元模糊识别模型,所述构建模块包括:
第一建立单元,用于基于风电机组变速齿轮箱结构和振动机理构建风电机组变速齿轮箱故障模式集;
获取单元,基于风电机组变速齿轮箱故障历史数据,提取故障征兆特征值,构建故障征兆特征值库;
第二建立单元,用于对所述故障征兆特征值库中的故障征兆特征值进行模糊量化,建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集。
14.如权利要求13所述的故障诊断系统,其特征在于:所述第一建立单元,包括:
分析子单元,用于分析风电机组变速齿轮箱结构和振动机理;
解析子单元,用于解析各部件振动特征与典型故障之间的关联性,构建风电机组变速齿轮箱故障模式集。
15.如权利要求13所述的故障诊断系统,其特征在于:所述获取单元,包括:
第一确定子单元,用于确定振动信号时域特征值和振动信号频域特征值;
第二确定子单元,用于确定SCADA系统参数特征值;
组成子单元,用于将所述振动信号时域特征值、振动信号频域特征值和SCADA系统参数特征值组成故障征兆特征值库。
16.如权利要求13所述的故障诊断系统,其特征在于:所述第二建立单元,包括:
第一计算子单元,用于计算各故障征兆特征值的模糊隶属度;
建立子单元,用于建立包括变速齿轮箱所有故障模式的标准多元模糊征兆集。
17.如权利要求13所述的故障诊断系统,其特征在于:所述确定模块,包括:
计算单元,用于将待识别风电变速齿轮箱异常状态,按照所述标准多元模糊征兆集里面选定的异常征兆,转化成待识别的模糊征兆集,计算与所述标准多元模糊征兆集的贴近度;
识别单元,用于识别所述贴近度最大值对应的故障模式为所述待识别风电变速齿轮箱异常状态对应的故障模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711227236.9A CN108204895A (zh) | 2017-11-29 | 2017-11-29 | 一种风电机组变速齿轮箱故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711227236.9A CN108204895A (zh) | 2017-11-29 | 2017-11-29 | 一种风电机组变速齿轮箱故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108204895A true CN108204895A (zh) | 2018-06-26 |
Family
ID=62603512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711227236.9A Pending CN108204895A (zh) | 2017-11-29 | 2017-11-29 | 一种风电机组变速齿轮箱故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108204895A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110044624A (zh) * | 2019-04-24 | 2019-07-23 | 华东交通大学 | 一种齿轮箱轴承故障检测方法及系统 |
CN110794683A (zh) * | 2019-11-27 | 2020-02-14 | 中国大唐集团科学技术研究院有限公司华中电力试验研究院 | 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法 |
CN110926809A (zh) * | 2019-06-19 | 2020-03-27 | 山西大学 | 一种基于大数据分析的风电机组传动链故障预警方法 |
CN110940514A (zh) * | 2018-09-20 | 2020-03-31 | 中车株洲电力机车研究所有限公司 | 风机齿轮箱散热故障的早期诊断模型构建方法及诊断方法 |
CN111855195A (zh) * | 2019-04-29 | 2020-10-30 | 富士通株式会社 | 用于齿轮箱的异常检测方法以及信息处理设备 |
CN112362344A (zh) * | 2020-11-09 | 2021-02-12 | 广东石油化工学院 | 一种变速箱齿轮故障分析方法 |
CN114252250A (zh) * | 2021-12-09 | 2022-03-29 | 郑州恩普特科技股份有限公司 | 一种基于部件分解的机械故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101174715A (zh) * | 2007-09-28 | 2008-05-07 | 深圳先进技术研究院 | 一种集控制与保护功能的动力电池管理系统及方法 |
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN103033359A (zh) * | 2012-12-19 | 2013-04-10 | 西安交通大学 | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 |
CN105806614A (zh) * | 2016-03-07 | 2016-07-27 | 大唐淮南洛河发电厂 | 基于嵌入式双服务器的火电厂旋转机械故障诊断方法及系统 |
-
2017
- 2017-11-29 CN CN201711227236.9A patent/CN108204895A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101174715A (zh) * | 2007-09-28 | 2008-05-07 | 深圳先进技术研究院 | 一种集控制与保护功能的动力电池管理系统及方法 |
CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
CN103033359A (zh) * | 2012-12-19 | 2013-04-10 | 西安交通大学 | 一种多特征多级综合评判的风电机组主传动装置故障诊断方法 |
CN105806614A (zh) * | 2016-03-07 | 2016-07-27 | 大唐淮南洛河发电厂 | 基于嵌入式双服务器的火电厂旋转机械故障诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
张鑫瑞: ""风电机组传动系统故障预警与健康管理"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110940514A (zh) * | 2018-09-20 | 2020-03-31 | 中车株洲电力机车研究所有限公司 | 风机齿轮箱散热故障的早期诊断模型构建方法及诊断方法 |
CN110044624A (zh) * | 2019-04-24 | 2019-07-23 | 华东交通大学 | 一种齿轮箱轴承故障检测方法及系统 |
CN111855195A (zh) * | 2019-04-29 | 2020-10-30 | 富士通株式会社 | 用于齿轮箱的异常检测方法以及信息处理设备 |
CN111855195B (zh) * | 2019-04-29 | 2022-08-30 | 富士通株式会社 | 用于齿轮箱的异常检测方法以及信息处理设备 |
CN110926809A (zh) * | 2019-06-19 | 2020-03-27 | 山西大学 | 一种基于大数据分析的风电机组传动链故障预警方法 |
CN110926809B (zh) * | 2019-06-19 | 2021-07-27 | 山西大学 | 一种基于大数据分析的风电机组传动链故障预警方法 |
CN110794683A (zh) * | 2019-11-27 | 2020-02-14 | 中国大唐集团科学技术研究院有限公司华中电力试验研究院 | 基于深度神经网络和峭度特征的风电齿轮箱状态评估方法 |
CN112362344A (zh) * | 2020-11-09 | 2021-02-12 | 广东石油化工学院 | 一种变速箱齿轮故障分析方法 |
CN112362344B (zh) * | 2020-11-09 | 2022-09-02 | 广东石油化工学院 | 一种变速箱齿轮故障分析方法 |
CN114252250A (zh) * | 2021-12-09 | 2022-03-29 | 郑州恩普特科技股份有限公司 | 一种基于部件分解的机械故障诊断方法 |
CN114252250B (zh) * | 2021-12-09 | 2023-08-01 | 郑州恩普特科技股份有限公司 | 一种基于部件分解的机械故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108204895A (zh) | 一种风电机组变速齿轮箱故障诊断方法及系统 | |
CN106444703B (zh) | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 | |
Saidi et al. | An integrated wind turbine failures prognostic approach implementing Kalman smoother with confidence bounds | |
CN107153929A (zh) | 基于深度神经网络的风电机组齿轮箱故障监测方法及系统 | |
CN101446827A (zh) | 一种流程工业系统的过程故障分析装置及方法 | |
CN103020438A (zh) | 一种基于混合威布尔分布的航空发动机可靠性监测方法 | |
CN110674842A (zh) | 一种风电机组主轴轴承故障预测方法 | |
CN107016235A (zh) | 基于多特征自适应融合的设备运行状态健康度评估方法 | |
KR102355777B1 (ko) | 프로세스의 이상 상태 진단 장치 및 이상 상태 진단 방법 | |
CN105466693B (zh) | 基于灰色模型的柴油机燃油系统故障预诊断方法 | |
EP1938165A1 (en) | Aggregation of asset use indices within a process plant | |
CN106250709A (zh) | 基于传感器关联网络的燃气轮机异常检测与故障诊断算法 | |
CN106934126A (zh) | 基于循环神经网络融合的机械零部件健康指标构造方法 | |
CN106203637A (zh) | 一种基于马氏距离和健康指数的机载系统健康评估方法 | |
TWI491801B (zh) | 風力發電故障預測系統及其方法 | |
Owolabi et al. | FEM and ANN approaches to wind turbine gearbox monitoring and diagnosis: a mini review | |
CN113114748A (zh) | 一种基于数据分析的智能预测系统 | |
Yacout | Logical analysis of maintenance and performance data of physical assets, ID34 | |
CN107727392B (zh) | 基于信号检测和roc分析的状态指数评估和优化方法 | |
CN109613851B (zh) | 一种基于多阶组合的网络化在线监控方法 | |
CN115962100A (zh) | 一种风电机组状态监测系统 | |
Ye et al. | Dynamic prediction for accuracy maintaining reliability of superprecision rolling bearing in service | |
Shi | Data fusion for in-process quality improvement | |
CN103854075A (zh) | 一种针对电子单机热待机环境下的故障预测方法及预测设备 | |
Zhao et al. | Research on fault diagnosis knowledge representation method of hydraulic system based on ontology-production rule |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180626 |