CN110988472A - 基于电流信号的风力发电机变桨传动齿轮故障诊断方法 - Google Patents
基于电流信号的风力发电机变桨传动齿轮故障诊断方法 Download PDFInfo
- Publication number
- CN110988472A CN110988472A CN201911298609.0A CN201911298609A CN110988472A CN 110988472 A CN110988472 A CN 110988472A CN 201911298609 A CN201911298609 A CN 201911298609A CN 110988472 A CN110988472 A CN 110988472A
- Authority
- CN
- China
- Prior art keywords
- frequency
- current signal
- fault
- gear
- instantaneous
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
Abstract
本发明涉及一种基于电流信号的风力发电机变桨传动齿轮故障诊断方法,包括:获取变桨齿轮传动系统主动轴电机定子电流信号;对所述电机定子电流信号进行预处理,使其满足监测系统要求;获取所述电机定子电流信号的基频所在的低频部分;获取电流信号的基频所在的低频部分的连续瞬时频率;根据所述连续瞬时频率变换得到从动齿轮瞬时角度,进行等角度循环求根,得到等角度采样的解;将等角度采样的解进行求和得到角域下的电流信号,消除速度波动产生的影响;利用数据分析方法对角域下的电流信号进行数据处理,得到频谱图;在频谱图的两个倍频分量峰值之间侦测到故障边频峰值时,判定为存在传动齿轮的故障。
Description
技术领域
本发明涉及故障诊断的技术领域,特别涉及一种基于电流信号的风力发电机变桨传动齿轮故障诊断方法。
背景技术
近年来,全球变暖的问题日益受到重视。清洁能源是应对全球气候变化,实现可持续能源供给的核心议题。风力发电机几十年来取得了快速的发展,特别是近年来风电建设的重点由陆上转变到海上,风电的并网规模越来越大,风机的单机容量与桨叶大小也与日俱增。风力发电机组经过几十年快速发展,风力发电机的生命周期一般在20年到30年,现有风场的部分机组已进入到了运维的中后期,加之早期风机技术的相对不成熟,导致近年来风力发电机的故障率居高不下,故障导致运维成本的增加使得以风力发电为代表的新能源发电难以与传统的化石能源发电相竞争,大规模的风机故障脱网事故甚至会威胁到整个电网的安全稳定运行。
为了尽可能的捕获风能,并且在紧急情况下实现制动收桨,保证风力发电机的安全,现有的风力发电机组都装有变桨系统。变桨系统是一种风力发电机桨叶角度调节装置,风力较大时,通过变桨系统使桨距角增大,使桨叶吸收的风能减小;风力小时,通过变桨系统使桨距角减小,使桨叶获取的风能增大,维持风力发电机的功率在额定功率附近运行。风机的变桨系统由变桨电机、变桨轴承、齿轮箱等部分组成,变桨传动系统是变桨系统中损坏概率较大的部件,而且变桨系统在维修的过程中要拆卸桨叶,导致维修成本高昂,如何及时的了解变桨系统的工作状况,将故障解决在早期阶段,是风力发电机变桨系统状态监测与故障诊断的核心问题。
一类基于振动信号的风力发电机变桨传动齿轮故障诊断方法,变桨传动齿轮上装额外的振动信号传感器,如图1所示。对采集到的加速度原始信号进行初步的判断与滤波,得到预处理的信号。利用时频域分析方法提取振动信号中的故障特征峰值,与理论计算出的故障特征频率相比较,分析变桨传动齿轮是否存在故障。
图2为图1所示装置的实验结果。
针对风力发电系统常用的故障检测技术,国内外现在的研究状况主要是集中在基于机械振动信号的故障检测技术。
现有的技术方案存在以下技术缺陷:需要额外的用于监测系统的传感器,不仅增加了成本而且传感器本身也存在着失效的风险;未实现监测系统与控制系统的集成一体化,制约了智慧风电场的建设;针对变速变负载实际工况下的故障诊断缺乏理论解释与实验研究。
发明内容
本发明的目的在于提出一种基于电流信号的风电机组变桨传动齿轮的故障诊断方法。无需附加多余的传感器,采用风电运维中已经采集的电流信号,即可实现复杂工况下,实时监测传动齿轮的状态,进行故障诊断。
本发明提出了一种基于电流信号的风力发电机变桨传动齿轮故障诊断方法,包括:
获取变桨齿轮传动系统主动轴电机定子电流信号;
对所述电机定子电流信号进行预处理;
获取所述电机定子电流信号的基频所在的低频部分;
获取电流信号的基频所在的低频部分的连续瞬时频率;
根据所述连续瞬时频率变换得到从动齿轮瞬时角度,进行等角度循环求根,得到等角度采样的解;
将等角度采样的解进行求和得到角域下的电流信号;
对角域下的电流信号进行数据处理,得到阶次谱;
阶次谱的两个倍频分量峰值之间存在故障边频峰值时,判定为存在传动齿轮的故障。
进一步的,其特征在于,所述电机定子电流信号由变桨齿轮传动系统的控制系统得到。
进一步的,其特征在于,所述的预处理包括采用滤波器滤除超高频谐波并将采集数据进行归一化。
进一步的,获取所述电机定子电流信号的基频所在的低频部分包括:对电机定子电流信号进行低通滤波。
进一步的,获取电流信号的基频部分的连续瞬时频率包括:利用锁相环对所述电流信号的基频所在的低频部分进行频率追踪,得到离散时间域瞬时频率,对离散时间域瞬时频率进行数据拟合或积分得到连续瞬时频率。
进一步的,根据所述连续瞬时频率进行变换得到从动齿轮瞬时角度包括:所述连续电流信号瞬时频率乘以60/(p*k)得到从动齿轮瞬时机械转速,p为电机极对数,k为主动齿轮与从动齿轮齿数比。
进一步的,所述故障边频峰值在多个故障特征频率上发生,所述故障特征频率与所述电机定子电流信号的基频成正比。
进一步的,所述数据处理包括快速傅里叶变换或小波变换。
进一步的,还包括判定为存在传动齿轮的故障后,进行预警的步骤,以及检修的步骤。
进一步的,风力发电机处于变速变负载工况。
本发明与现有技术相比具有如下优点:
(1)本发明利用风力发电机变桨系统本身已知的电流信号实现对传动齿轮的故障诊断与在线监测,实现监测系统与控制系统的集成一体化的智慧风电厂运维。基于此,无需额外安装其他测试装置,达到非入侵式监测目的。
(2)针对变速变负载实际工况下的风力发电机变桨传动齿轮故障,提出了仅仅依赖于电流信号的故障诊断方法。将已知的电流信号分为基频信号与高频信号,高频信号用于估算瞬时机械频率,高频信号作为故障信息的载体。
(3)提出了机械故障与电流信号之间的因果关系链,从机械信号到扭矩信号再到电流信号之间的因果关系被完整的推导出来,提出了机械故障在电流信号中表现的故障特征频率。
(4)本发明提出一种专门针对于变速变负载实际工况下的风力发电机变桨齿轮故障诊断方法,实现风力发电机变桨系统非侵入性的在线监测,实时掌握变桨系统运行状态,降低故障发生率,实现风电场的智能感知与智慧运维。
(5)本发明采用阶次谱进行故障诊断,实现了变工况情况下基于电流信号进行齿轮故障诊断。
附图说明
图1为现有技术的基于振动信号的风力发电机故障诊断流程图;
图2为图1所示装置的振动信号频谱图;
图3为风力发电机变桨传动齿轮原理图;
图4为健康情况下电机定子电流波形;
图5为健康情况下电机定子电流频谱;
图6为故障情况下电机定子电流频谱;
图7为复杂转速波动下电机定子电流频谱图;
图8为基于PLL的电机定子电流瞬时频率追踪;
图9为复杂转速波动下电机定子电流阶次谱图;
图10为基于电流信号的阶次追踪流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
风力发电机变桨传动齿轮原理图如图3所示,通过电机驱动主动齿轮,主动齿轮带动啮合驱动从动齿轮,带动桨叶转动。
针对恒速恒负载下的风力发电机的故障诊断是实际工况下的基础。给定额定频率50Hz,额定转速为1500r/min,加30%的额定负载。健康工况下的时域波形与经过FFT变换后的频谱图如4和图5所示。
从图4与图5可以得知,在实物实验中,由于受到变频器与驱动电机的影响,即使是正常工况下的时域电流波形也并非完全正弦样式的波形,时域情况下有一定的畸变率。在时域波形下很难区分健康与故障工况下的波形区别。同时在定子电流频谱图中,可以看到明显的在100Hz、150Hz、200Hz、250Hz、300Hz、350Hz等倍频处存在峰值,这是由于变频器本身变频输出的过程中存在着基频50Hz的倍频分量,其中尤以5倍频与7倍频分量最高。在频谱图中还可以看到主动齿轮的啮合频率25Hz与从动齿轮的啮合频率12Hz。
计算风力发电机变桨传动齿轮断齿故障下对应的故障特征频率。从动齿轮上注入断齿故障。
给定驱动电机的转速n1=1500r/min,负载转矩为额定转矩,即5N·m。主动齿轮与从动齿轮的转速比为0.48。则变桨电机的定子电流基频、主动齿轮的啮合转频、从动齿轮的啮合转频可分别表示为:
其中,p为变桨驱动电机的极对数,由于断齿故障位于从动齿轮上,所以故障特征频率fe等于从动齿轮的转频fr2。
图6为故障情况下电机定子电流频谱,从图6中可以看到明显的断齿故障下对应的边频带。
由于受到风力变化与自身重力的影响,变桨电机的转速是不断变化的,这种复杂的实际工况为风力发电机变桨齿轮故障诊断带来的困难。接下来分析复杂变速变负载工况下的齿轮断齿故障诊断。复杂变速工况即在采集周期内不仅存在转速增加而且存在速度减小,采集周期内转速变化并不是单调的。实验中设定电机负载在2N·m和3N·m之间波动,在采集的时间50秒内,变频器的给定频率在20Hz到30Hz之间来回波动。
图7是直接用FFT分析收集到的电机定子电流信号得到的频谱。
图8为利用熟知的锁相环实现对电流基频信号的瞬时频率实时追踪,从图8中可以看出,机械转速呈现为一种往复波动的形式。
阶次追踪是二十世纪九十年代发展起来的应用于旋转机械部件故障诊断的。最初是应用于汽车工业中的噪声与振动信号分析。引入阶次分析的概念,定义:
其中,O定义为阶次,f为采集到的频率时变的原始电流信号,n为估算得到的瞬时转速信号,风力发电机的齿轮箱由于受到风速与自身重力的影响,处于的工况是变速变负载的,利用传统的时域与时频域分析方法难以起到效果,会导致故障频率的混叠现象,因此必须引入阶次分析。
结合图10,本发明基于电流信号的风力发电机变桨传动齿轮故障诊断方法,包括以下步骤:
S100获取变桨齿轮传动系统主动轴电机定子电流信号I,可以由变桨齿轮传动系统的控制系统引出电机定子电流信号I,而不必增加新的电流传感器。
S200对该电机定子电流信号I进行预处理,得到离散的电机定子电流信号,满足监测系统要求;预处理包括利用滤波器滤除原始信号中的超高频谐波分量,对采集数据进行归一化统一。
S300对离散的电机定子电流信号进行滤波,滤除高频信号,得到所述电机定子电流信号包含基频分量的低频段信号。
S400获取电流信号的基频部分的连续瞬时频率;利用锁相环对所述基频部分进行瞬时频率追踪,得到离散时间域瞬时频率,进行数据拟合得到连续瞬时频率。
S500用得到的电流连续瞬时频率去表示齿轮的瞬时转速,并进行等角度循环求根,得到等角度采样的解;
根据所述连续瞬时频率进行变换得到从动齿轮瞬时角度,进行等角度循环求根,得到等角度采样的解;所述连续电流信号瞬时频率乘以60/(p*k)得到从动齿轮瞬时机械转速,p为电机极对数,k为主动齿轮与从动齿轮齿数比。
S600利用等角度采样对应的解进行求和,参见公式(7),得到角域下的电流信号。对所述电机定子电流信号进行等角度离散,将电流信号变换至角域。
S700对角域下的电流信号进行数据处理,得到阶次谱;数据处理包括快速傅里叶变换或小波变换。
S800在阶次谱的两个倍频分量峰值之间存在故障边频峰值时,判定为存在传动齿轮的故障。所述的两个倍频分量峰值之间的故障边频峰值在多个故障特征频率上发生。
进一步的,可以采用和正常工作式的阶次谱对比,判断是否在两个倍频分量峰值之间存在故障边频峰。
进一步的,故障边频峰值对应的故障特征频率与所述基频部分成正比。
假设采集到瞬时变桨电机电流信号为ir(t),则:
其中Δt=1/fsr是时间域下的采样时间间隔,fsr是实验中设定的采样频率,I(ti)是齿轮从t0时刻旋转到ti时刻对应的电流信号,T为采样周期。
用得到的电流瞬时频率去表示齿轮的瞬时转速。首对采集到的电流信号进行模拟滤波得到基频电流信号,利用锁相环算法,实现电流频率信息的实时追踪,得到离散时间域瞬时频率信号,如式(4)所示。
将得到的离散时间域瞬时频率信号输入到MATLAB的workspace中进行数据拟合,得到连续时间域下的瞬时频率信号,如式(5)所示。
对得到的连续瞬时频率信号进行积分,得到连续瞬时角度信号,如式(6)所示。
对连续瞬时角度信号进行等角度循环求根,得到等角度采样对应的从动齿轮瞬时机械转速fr(θ),从而得到等角度采样下的电流信号如式子(7)所示:
式(7)为等角域下的电流信号表达式,由以上数据处理过程可以消除速度量改变的影响,使电流信号由依赖时间信号变为依赖于角域信号,只需将得到的角域信号进行传统的数据分析即可实现变速变负载复杂工况下的齿轮箱故障诊断。
进一步的,步骤S800后还可以选择性地包括,进行预警的步骤,以及检修的步骤。
等角度采样的解进行求和得到角域下的电流信号。消除速度波动产生的影响;利用数据分析方法,得到频谱图;在频谱图的两个倍频分量峰值之间侦测到故障边频峰值时,判定为存在传动齿轮的故障。
利用阶次分析得到的复杂转速波动下电机定子电流阶次谱图如图9所示,从图9中可以看到,在两个倍频分量峰值之间有4个故障边频峰值,故障峰值之间的横坐标距离为0.24,距离基频较近的峰值差为10dB,较远的峰值差为3dB,因此验证了,可以利用阶次谱的两个倍频分量峰值之间是否存在故障边频峰值,判定为存在传动齿轮是否存在故障。实验结果表明,即使在复杂转速波动下,利用阶次分析仍然能在电机定子电流中侦测到故障特征边频带。
以上分析可以表明,发明提出的基于电流信号的风力发电机变桨传动齿轮故障诊断方法具有科学性与合理性。
针对需要安装额外测试装置:本发明提出的风力发电机变桨齿轮故障诊断方法无需附加额外的传感器,所需的电流信号只需从控制电路获得,不仅节省了成本而且避免了传感器本身失效的风险;
针对变速变负载的实际工况:提出了阶次分析的数据处理方法,对采集的电流信号进行数据处理,将其分为包含基频的低频信号与高频信号,包含基频的低频信号用于估算瞬时机械转速,高频信号作为故障信息的载体,实现了单一信号源的在线监测与故障诊断;
针对机械故障在电流信号中的表现形式:推导了振动信号、扭矩信号与电流信号的因果关系链,分析了齿轮故障在电流信号中对应的故障特征频率。
综上,本发明针对风力发电机变速变负载的实际工况,利用变桨电机控制系统采集的电流信号作为辅助信号去估算传动齿轮的瞬时机械转速信号。电流信号的瞬时频率可以利用锁相环实现实时跟踪,在变桨电机传动系统中,机械转速为电流的瞬时频率乘以相关系数,由此实现了利用电流辅助信号估算瞬时机械转速信号。对传统的数据处理方法进行改造,振动信号除以对应的瞬时机械转速信号得到角度域下的振动信号,实现了真实工况下的风力发电机变桨传动齿轮故障诊断。
应当理解的是,本发明的具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种基于电流信号的风力发电机变桨传动齿轮故障诊断方法,其特征在于,包括:
获取变桨齿轮传动系统主动轴电机定子电流信号;
对所述电机定子电流信号进行预处理;
获取所述电机定子电流信号的基频所在的低频部分;
获取电流信号的基频所在的低频部分的连续瞬时频率;
根据所述连续瞬时频率变换得到从动齿轮瞬时角度,进行等角度循环求根,得到等角度采样的解;
将等角度采样的解进行求和得到角域下的电流信号;
对角域下的电流信号进行数据处理,得到阶次谱;
阶次谱的两个倍频分量峰值之间存在故障边频峰值时,判定为存在传动齿轮的故障。
2.如权利要求1所述的基于电流信号的风力发电机变桨传动齿轮故障诊断方法,其特征在于,所述电机定子电流信号由变桨齿轮传动系统的控制系统得到。
3.如权利要求1或2所述的基于电流信号的风力发电机变桨传动齿轮故障诊断方法,其特征在于,所述的预处理包括采用滤波器滤除超高频谐波并将采集数据进行归一化。
4.如权利要求1或2所述的基于电流信号的风力发电机变桨传动齿轮故障诊断方法,其特征在于,获取所述电机定子电流信号的基频所在的低频部分包括:对电机定子电流信号进行低通滤波。
5.如权利要求1或2所述的基于电流信号的风力发电机变桨传动齿轮故障诊断方法,其特征在于,获取电流信号的基频所在的低频部分的连续瞬时频率包括:利用锁相环对所述电流信号的基频部分进行频率追踪,得到离散时间域瞬时频率,对离散时间域瞬时频率进行数据拟合或积分得到连续瞬时频率。
6.如权利要求1或2所述的基于电流信号的风力发电机变桨传动齿轮故障诊断方法,其特征在于,根据所述连续瞬时频率进行变换得到从动齿轮瞬时角度包括:所述连续电流信号瞬时频率乘以60/(p*k)得到从动齿轮瞬时机械转速,p为电机极对数,k为主动齿轮与从动齿轮齿数比。
7.如权利要求1或2所述的基于电流信号的风力发电机变桨传动齿轮故障诊断方法,其特征在于,所述故障边频峰值在多个故障特征频率上发生,所述故障特征频率与所述电机定子电流信号的基频成正比。
8.如权利要求1或2所述的基于电流信号的风力发电机变桨传动齿轮故障诊断方法,其特征在于,所述数据处理包括快速傅里叶变换或小波变换。
9.如权利要求1所述的基于电流信号的风力发电机变桨传动齿轮故障诊断方法,其特征在于,还包括判定为存在传动齿轮的故障后,进行预警的步骤,以及检修的步骤。
10.如权利要求1所述的基于电流信号的风力发电机变桨传动齿轮故障诊断方法,其特征在于,风力发电机处于变速变负载工况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298609.0A CN110988472B (zh) | 2019-12-17 | 2019-12-17 | 基于电流信号的风力发电机变桨传动齿轮故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911298609.0A CN110988472B (zh) | 2019-12-17 | 2019-12-17 | 基于电流信号的风力发电机变桨传动齿轮故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110988472A true CN110988472A (zh) | 2020-04-10 |
CN110988472B CN110988472B (zh) | 2021-02-12 |
Family
ID=70094349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911298609.0A Active CN110988472B (zh) | 2019-12-17 | 2019-12-17 | 基于电流信号的风力发电机变桨传动齿轮故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110988472B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112269349A (zh) * | 2020-10-12 | 2021-01-26 | 首钢京唐钢铁联合有限责任公司 | 一种检测精炼rh四台电机驱动钢水车的方法及系统 |
CN113189483A (zh) * | 2021-04-25 | 2021-07-30 | 西安交通大学 | 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法 |
JP2021173685A (ja) * | 2020-04-28 | 2021-11-01 | 三菱重工業株式会社 | 風力発電装置用の状態監視装置及び状態監視方法 |
CN113761675A (zh) * | 2021-07-23 | 2021-12-07 | 东北大学 | 基于边频分布规律的行星轮轮齿裂纹故障特征判定方法 |
CN113985276A (zh) * | 2021-10-18 | 2022-01-28 | 上海电气风电集团股份有限公司 | 风力发电机组的故障诊断方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103759891A (zh) * | 2014-01-22 | 2014-04-30 | 华北电力大学 | 一种双馈风力发电机叶片不平衡在线故障诊断方法 |
US20160033580A1 (en) * | 2012-05-29 | 2016-02-04 | Board Of Regents Of The University Of Nebraska | Detecting Faults in Turbine Generators |
CN105403402A (zh) * | 2015-11-12 | 2016-03-16 | 科诺伟业风能设备(北京)有限公司 | 风力发电机组传动链系统扭振状态的监测方法 |
CN105756864A (zh) * | 2016-04-15 | 2016-07-13 | 浙江运达风电股份有限公司 | 基于双馈风力发电机组定子电流的桨叶不平衡故障诊断方法 |
CN108278184A (zh) * | 2017-12-22 | 2018-07-13 | 浙江运达风电股份有限公司 | 基于经验模态分解的风电机组叶轮不平衡监测方法 |
-
2019
- 2019-12-17 CN CN201911298609.0A patent/CN110988472B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160033580A1 (en) * | 2012-05-29 | 2016-02-04 | Board Of Regents Of The University Of Nebraska | Detecting Faults in Turbine Generators |
CN103759891A (zh) * | 2014-01-22 | 2014-04-30 | 华北电力大学 | 一种双馈风力发电机叶片不平衡在线故障诊断方法 |
CN105403402A (zh) * | 2015-11-12 | 2016-03-16 | 科诺伟业风能设备(北京)有限公司 | 风力发电机组传动链系统扭振状态的监测方法 |
CN105756864A (zh) * | 2016-04-15 | 2016-07-13 | 浙江运达风电股份有限公司 | 基于双馈风力发电机组定子电流的桨叶不平衡故障诊断方法 |
CN108278184A (zh) * | 2017-12-22 | 2018-07-13 | 浙江运达风电股份有限公司 | 基于经验模态分解的风电机组叶轮不平衡监测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021173685A (ja) * | 2020-04-28 | 2021-11-01 | 三菱重工業株式会社 | 風力発電装置用の状態監視装置及び状態監視方法 |
CN112269349A (zh) * | 2020-10-12 | 2021-01-26 | 首钢京唐钢铁联合有限责任公司 | 一种检测精炼rh四台电机驱动钢水车的方法及系统 |
CN113189483A (zh) * | 2021-04-25 | 2021-07-30 | 西安交通大学 | 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法 |
CN113189483B (zh) * | 2021-04-25 | 2022-10-28 | 西安交通大学 | 一种转频谱峰与电流极差联合推断轴流风机故障诊断方法 |
CN113761675A (zh) * | 2021-07-23 | 2021-12-07 | 东北大学 | 基于边频分布规律的行星轮轮齿裂纹故障特征判定方法 |
CN113761675B (zh) * | 2021-07-23 | 2023-09-22 | 东北大学 | 基于边频分布规律的行星轮轮齿裂纹故障特征判定方法 |
CN113985276A (zh) * | 2021-10-18 | 2022-01-28 | 上海电气风电集团股份有限公司 | 风力发电机组的故障诊断方法和装置 |
CN113985276B (zh) * | 2021-10-18 | 2024-02-27 | 上海电气风电集团股份有限公司 | 风力发电机组的故障诊断方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110988472B (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110988472B (zh) | 基于电流信号的风力发电机变桨传动齿轮故障诊断方法 | |
Saidi et al. | Wind turbine high-speed shaft bearings health prognosis through a spectral Kurtosis-derived indices and SVR | |
CN103645052B (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
Li et al. | A new noise-controlled second-order enhanced stochastic resonance method with its application in wind turbine drivetrain fault diagnosis | |
Yoon et al. | On the use of a single piezoelectric strain sensor for wind turbine planetary gearbox fault diagnosis | |
Daneshi-Far et al. | Review of failures and condition monitoring in wind turbine generators | |
Wang et al. | Multiscale filtering reconstruction for wind turbine gearbox fault diagnosis under varying-speed and noisy conditions | |
CN110940917B (zh) | 一种电动机故障预警方法及系统 | |
WO2018222341A1 (en) | Wind turbine fault detection using acoustic, vibration, and electrical signals | |
CN104865400A (zh) | 一种风电机组转速的检测识别方法及系统 | |
CN102441579B (zh) | 热连轧轧机运行状态的在线监测方法 | |
CN110988471B (zh) | 基于电流信号的风力发电机变桨传动皮带故障诊断方法 | |
CN111927717B (zh) | 一种风机机舱传动链噪声在线监测系统及方法 | |
CN114061948A (zh) | 一种风力发电机组齿轮箱的故障诊断方法 | |
CN108278184B (zh) | 基于经验模态分解的风电机组叶轮不平衡监测方法 | |
CN105548595A (zh) | 一种提取风电齿轮箱各级轴转速检测方法 | |
CN102305714B (zh) | 基于振动等效幅值风力发电机组传动链定量故障检测方法 | |
Yao et al. | Fault detection of complex planetary gearbox using acoustic signals | |
KR102226971B1 (ko) | 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치 | |
CN111461497A (zh) | 一种具有智能诊断功能的风电机组预警方法及系统 | |
He et al. | Enhanced wind turbine main drivetrain gearbox and bearing monitoring and diagnostics via information fusion of acoustic, electrical, and vibration signatures | |
Saidi et al. | Wind turbine high-speed shaft bearing degradation analysis for run-to-failure testing using spectral kurtosis | |
EP3771823B1 (en) | Systems and methods for detecting damage in rotary machines | |
Wang et al. | Dynamic characteristics of the planetary gear train excited by time-varying meshing stiffness in the wind turbine | |
CN110633686B (zh) | 一种基于振动信号数据驱动的设备转速识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |