CN112035789B - 一种风力发电机齿轮传动系统故障诊断方法 - Google Patents
一种风力发电机齿轮传动系统故障诊断方法 Download PDFInfo
- Publication number
- CN112035789B CN112035789B CN202010808378.XA CN202010808378A CN112035789B CN 112035789 B CN112035789 B CN 112035789B CN 202010808378 A CN202010808378 A CN 202010808378A CN 112035789 B CN112035789 B CN 112035789B
- Authority
- CN
- China
- Prior art keywords
- fault
- frequency
- order
- driven generator
- wind driven
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明提供一种风力发电机齿轮传动系统故障诊断方法,属于旋转机械故障诊断技术领域。所述方法包括:确定风力发电机的发电频率;计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列;针对故障阶次序列中的每一故障阶次,通过广义解调将时变故障频率成分转化为固定频率成分,并计算该固定频率成分的幅值与广义解调所得信号中所有频率成分幅值的平均值的比值;以故障阶次序列为横坐标、每一故障阶次对应的幅值比为纵坐标,得到只包含故障特征的阶次谱;根据阶次谱中故障阶次幅值比的大小,对风力发电机齿轮传动系统进行故障诊断。采用本发明,能够提高风力发电机传动系统故障诊断的效率。
Description
技术领域
本发明涉及旋转机械故障诊断技术领域,特别是指一种风力发电机齿轮传动系统故障诊断方法。
背景技术
风力发电作为重要的清洁能源方式,在近年来得到了迅猛发展。然而由于风力发电机长时间在非平稳转速与负荷下运行,其传动系统性能退化较快,若未能及时发现并排除故障,容易造成传动失效甚至灾难性事故。对风力发电机传动系统进行故障诊断,对于推动风电产业发展、保障我国能源安全具有重要意义。
风电齿轮箱是风力发电机传动系统的核心部件,由于齿轮故障导致的停机时间长且维修成本高,因此迫切需要对风力发电机的齿轮传动系统进行有效的故障诊断。目前常用的齿轮箱故障诊断途径主要包括油液检测和振动分析。然而,振动信号采集要求传感器直接接触齿轮箱表面并尽可能靠近故障发生位置,需要在数十米高的风电齿轮箱壳体表面布置多个振动传感器,采集设备本身的维护成本较高;油液分析的实时性较差且难以准确定位故障发生位置,故障诊断效率较低。
基于电气信号分析的机械故障诊断是近年来提出的一种新思路。该方法对电机的电压或电流信号进行采集,并从中提取可能存在的故障特征,从而进行传动系统的故障诊断。其中,电流测试只需要在电气传输线路上的任意位置进行单相或三相电气信号的采集,即可对整个传动系统的健康状态进行监测,因此基于电流分析的故障诊断简单高效。中国发明专利201410474695.7公开了一种基于双馈风力发电机定子电流分析的叶轮不平衡故障诊断方法,首先,采集发电机的任意一相定子电流信号;其次,采集叶轮转速信号,并计算叶轮不平衡故障的特征频率;最后,对电流信号进行频谱分析,并通过监测频谱中叶轮不平衡故障特征频率的幅值变化,检测可能出现的叶轮不平衡故障。然而,由于实际风速多变,齿轮故障特征频率也呈现时变特点,但常用的傅里叶(Fourier)频谱无法准确表达时变的故障频率特征,不适合于时变转速工况下的故障诊断任务。
阶次分析能将一系列互成比例的时变频率成分表达为某个时变参照频率的倍数关系,即阶次谱,从而揭示时变故障特征频率的幅值水平。中国发明专利201410253655.X公布了一种基于等角度重采样阶次分析的风电齿轮箱故障诊断方案。首先,对采集到的时变信号进行时频分析,得到时频分布图;其次,根据脊线提取算法,从时频分布图中拟合主轴转速的瞬时频率曲线;进而,根据等时间间隔的瞬时频率计算等角度键相时标,并对原始信号进行等角度插值重采样;然后,对等角度重采样的信号进行快速Fourier变换,得到阶次谱;最后,通过检测阶次谱中故障特征阶次的幅值大小,对故障进行检测与诊断。上述方法的特点是能够直观地将时变的信号特征以谱峰的形式表现出来,易于简明地识别故障强弱。然而,该方法涉及复杂的多项式拟合与插值过程,对于较长的信号而言,拟合插值过程的计算量大,所需时间长,使得故障特征提取的效率降低。此外,常规的阶次谱中除了故障特征阶次外,还存在其余非故障成分。这些非故障阶次成分的揭示对故障诊断的贡献较小,且当非故障阶次成分的幅值较大时,还可能对故障特征识别造成干扰。
发明内容
本发明实施例提供了一种风力发电机齿轮传动系统故障诊断方法,能够提高风力发电机传动系统故障诊断的效率。所述技术方案如下:
一方面,提供了一种风力发电机齿轮传动系统故障诊断方法,该方法包括:
确定风力发电机的发电频率;
计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列;
针对故障阶次序列中的每一故障阶次,通过广义解调将时变故障频率成分转化为固定频率成分,并计算该固定频率成分的幅值与广义解调所得信号中所有频率成分幅值的平均值的比值;
以故障阶次序列为横坐标、每一故障阶次对应的幅值比为纵坐标,得到只包含故障特征的阶次谱;
根据阶次谱中故障阶次幅值比的大小,对风力发电机齿轮传动系统进行故障诊断。
进一步地,所述确定风力发电机的发电频率包括:
等时间间隔采集风力发电机的任意一相定子电流信号、定子电压信号、转子电流信号或转子电压信号;
对采集的信号进行时频分析,得到时频分布;
从时频分布中,利用脊线提取或多点拟合方法得到风力发电机的发电频率。
进一步地,所述确定风力发电机的发电频率包括:
等时间间隔采集风力发电机的定子电流信号,并同步采集发电机的转速信号,将转速信号近似为风力发电机的发电频率。
进一步地,所述计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列包括:
根据风力发电机极对数及齿轮传动系统中各齿轮的齿数,计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列。
进一步地,从时频分布中,利用脊线提取或多点拟合方法得到风力发电机的发电频率之后,所述方法还包括:
确定采集的信号的幅值包络x(t),其中,x(t)表示为:
其中,s(t)表示采集的任意一相的定子电流信号、定子电压信号、转子电流信号或转子电压信号,H(·)表示希尔伯特变换,t表示时刻。
进一步地,所述针对故障阶次序列中的每一故障阶次,通过广义解调将时变故障频率成分转化为固定频率成分,并计算该固定频率成分的幅值与广义解调所得信号中所有频率成分幅值的平均值的比值包括:
A1,对于故障阶次pk,计算其对应的时变故障频率成分pkfm(t),将pkfm(t)对时间积分得到对应的时变故障相位∫pkfm(t)dt,其中,k=1,2,…K,K表示故障特征频率数量,fm(t)表示发电频率,t表示时刻;
A2,对于故障阶次pk,根据得到的时变故障相位∫pkfm(t)dt,将幅值包络x(t)中对应的时变故障频率成分转化为固定频率成分Fs/4,得到广义解调后的信号yk(t),其中,Fs表示采样频率;
A3,对信号yk(t)进行傅里叶变换,计算固定频率成分Fs/4对应的幅值与信号yk(t)中所有频率成分幅值的平均值的比值rk,rk表示幅值比;
A4,重复步骤A1-A3,计算故障阶次序列中每一故障阶次对应的幅值比rk。
进一步地,yk(t)表示为:
yk(t)=H[x(t)]exp[-i2π∫pkfm(t)dt+iπFs/2]。
进一步地,幅值比rk表示为:
其中,f∈(0,Fs/2]表示分析频率,|·|表示复数的模,mean(·)表示求平均。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,构造阶次谱时不需要进行常规的等角度插值重采样运算,而是利用广义解调方法针对性地将时变故障频率成分转化为固定频率成分,并计算该固定频率成分的幅值与广义解调所得信号中所有频率成分幅值的平均值的比值,得到只包含故障特征的阶次谱。这样,相比于传统的阶次谱分析方法而言,本方案构造阶次谱的耗费时间更短,并且所得到的阶次谱不存在非故障信息的潜在干扰,因此能够实现高效的风力发电机齿轮传动系统故障诊断。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的风力发电机齿轮传动系统故障诊断方法的流程示意图;
图2为本发明实施例提供的风力发电机齿轮传动系统故障诊断方法的详细流程示意图;
图3为本发明实施例提供的传统的阶次谱分析方法构造的阶次谱及其计算耗费的时间示意图;
图4为本发明实施例提供的风力发电机齿轮传动系统故障诊断方法构造的阶次谱及其计算耗费的时间示意图。
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,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明实施例提供了一种风力发电机齿轮传动系统故障诊断方法,如图1所示,该方法包括以下步骤:
S101,确定风力发电机的发电频率;
S102,计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列;
S103,针对故障阶次序列中的每一故障阶次,通过广义解调将时变故障频率成分转化为固定频率成分,并计算该固定频率成分的幅值与广义解调所得信号中所有频率成分幅值的平均值的比值;
S104,以故障阶次序列为横坐标、每一故障阶次对应的幅值比为纵坐标,得到只包含故障特征的阶次谱;
S105,根据阶次谱中故障阶次幅值比的大小,对风力发电机齿轮传动系统进行故障诊断。
本实施例提供的所述风力发电机齿轮传动系统故障诊断方法,构造阶次谱时不需要进行常规的等角度插值重采样运算,而是利用广义解调方法针对性地将时变故障频率成分转化为固定频率成分,并计算该固定频率成分的幅值与广义解调所得信号中所有频率成分幅值的平均值的比值,得到只包含故障特征的阶次谱。这样,相比于传统的阶次谱分析方法而言,本方案构造阶次谱的耗费时间更短,并且所得到的阶次谱不存在非故障信息的潜在干扰,因此能够实现高效的风力发电机齿轮传动系统故障诊断。
优选地,所述确定风力发电机的发电频率包括:
等时间间隔采集风力发电机的任意一相定子电流信号、定子电压信号、转子电流信号或转子电压信号;
对采集的信号进行时频分析,得到时频分布;
从时频分布中,利用脊线提取或多点拟合方法得到风力发电机的发电频率。
优选地,所述确定风力发电机的发电频率包括:
等时间间隔采集风力发电机的定子电流信号,并同步采集发电机的转速信号,将转速信号近似为风力发电机的发电频率。
优选地,所述计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列包括:
根据风力发电机极对数及齿轮传动系统中各齿轮的齿数,计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列。
优选地,从时频分布中,利用脊线提取或多点拟合方法得到风力发电机的发电频率之后,所述方法还包括:
确定采集的信号的幅值包络x(t),其中,x(t)表示为:
其中,s(t)表示采集的任意一相的定子电流信号、定子电压信号、转子电流信号或转子电压信号,H(·)表示希尔伯特变换,t表示时刻。
优选地,如图2所示,所述针对故障阶次序列中的每一故障阶次,通过广义解调将时变故障频率成分转化为固定频率成分,并计算该固定频率成分的幅值与广义解调所得信号中所有频率成分幅值的平均值的比值(S103)包括:
A1,对于故障阶次pk,计算其对应的时变故障频率成分pkfm(t),将pkfm(t)对时间积分得到对应的时变故障相位∫pkfm(t)dt,其中,k=1,2,…K,K表示故障特征频率数量,fm(t)表示发电频率,t表示时刻;
A2,对于故障阶次pk,根据得到的时变故障相位∫pkfm(t)dt,将幅值包络x(t)中对应的时变故障频率成分转化为固定频率成分Fs/4,得到广义解调后的信号yk(t),其中,Fs表示采样频率;
A3,对信号yk(t)进行傅里叶变换,计算固定频率成分Fs/4对应的幅值与信号yk(t)中所有频率成分幅值的平均值的比值rk,rk表示幅值比;
A4,重复步骤A1-A3,计算故障阶次序列中每一故障阶次对应的幅值比rk。
优选地,yk(t)表示为:
yk(t)=H[x(t)]exp[-i2π∫pkfm(t)dt+iπFs/2]。
优选地,幅值比rk表示为:
其中,f∈(0,Fs/2]表示分析频率,|·|表示复数的模,mean(·)表示求平均。
本实施例中,对于信号长度为N的离散信号而言,分析频率间隔为Fs/N。
图3是某风电行星齿轮箱实验台测得的单相电流信号幅值包络的传统阶次谱分析方法构造的阶次谱及其计算耗费的时间,包括健康状态和太阳轮故障状态下的两种结果。图4是利用本发明实施例提供的风力发电机齿轮传动系统故障诊断方法构造的阶次谱及其计算耗费的时间。由图3和图4可以看出,本发明实施例提供的风力发电机齿轮传动系统故障诊断方法能够更加快速地构造更为稀疏直观的阶次谱,因而能够提高风力发电机齿轮传动系统的故障诊断效率。
下面通过四个具体的实施例对本发明方法进行详细的阐述。
实施例一
1)等时间间隔采集风力发电机的任意一相定子电流信号s(t);
2)对采集的定子电流信号进行短时傅里叶变换(或连续小波变换,或Wigner-Ville分布等其它时频分析方法),得到时频分布;
3)从时频分布中,利用脊线提取(或多点拟合方法)得到风力发电机的发电频率;
4)计算采集的定子电流信号s(t)的幅值包络x(t);
5)根据风力发电机极对数及齿轮传动系统中各齿轮的齿数,计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列;
6)针对故障阶次序列中的每一故障阶次,通过广义解调将时变故障频率成分转化为固定频率成分,并计算该固定频率成分的幅值与广义解调所得信号中所有频率成分幅值的平均值的比值,即执行步骤A1-A4;
7)以故障阶次序列为横坐标、每一故障阶次对应的幅值比为纵坐标,得到只包含故障特征的阶次谱;
8)根据阶次谱中故障阶次幅值比的大小,对风力发电机齿轮传动系统进行故障诊断。
实施例二(利用转速信号采集替代脊线提取或多点拟合)
1)等时间间隔采集风力发电机的定子电流信号s(t),并同步采集风力发电机的转速信号,将转速信号近似为风力发电机的发电频率;
2)计算采集的定子电流信号s(t)的幅值包络x(t);
3)根据风力发电机极对数及齿轮传动系统中各齿轮的齿数,计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列;
4)针对故障阶次序列中的每一故障阶次,通过广义解调将时变故障频率成分转化为固定频率成分,并计算该固定频率成分的幅值与广义解调所得信号中所有频率成分幅值的平均值的比值,即执行步骤A1-A4;
5)以故障阶次序列为横坐标、每一故障阶次对应的幅值比为纵坐标,得到只包含故障特征的阶次谱;
6)根据阶次谱中故障阶次幅值比的大小,对风力发电机齿轮传动系统进行故障诊断。
实施例三(采集定子电压信号、转子电流或电压信号替代定子电流信号)
本发明实施例提供了一种风力发电机齿轮传动系统故障诊断方法,该方法包括:
1)等时间间隔采集风力发电机的任意一相定子电压信号、转子电流信号或转子电压信号s(t);
2)对采集到的定子电压信号、转子电流信号或转子电压信号进行短时傅里叶变换(或连续小波变换,或Wigner-Ville分布等其它时频分析方法),得到时频分布;
3)从时频分布中,利用脊线提取(或多点拟合方法)得到风力发电机的发电频率;
4)计算采集的定子电压信号、转子电流信号或转子电压信号s(t)的幅值包络;
5)根据风力发电机极对数及齿轮传动系统中各齿轮的齿数,计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列;
6)针对故障阶次序列中的每一故障阶次,通过广义解调将时变故障频率成分转化为固定频率成分,并计算该固定频率成分的幅值与广义解调所得信号中所有频率成分幅值的平均值的比值,即执行步骤A1-A4;
7)以故障阶次序列为横坐标、每一故障阶次对应的幅值比为纵坐标,得到只包含故障特征的阶次谱;
8)根据阶次谱中故障阶次幅值比的大小,对风力发电机齿轮传动系统进行故障诊断。
实施例四(跳过幅值包络计算,直接分析电流信号本身)
本发明实施例提供了一种风力发电机齿轮传动系统故障诊断方法,该方法包括:
1)等时间间隔采集风力发电机的任意一相定子电流信号s(t);
2)对采集的定子电流信号进行短时傅里叶变换(或连续小波变换,或Wigner-Ville分布等其它时频分析方法),得到时频分布;
3)从时频分布中,利用脊线提取(或多点拟合方法)得到风力发电机的发电频率;
4)根据风力发电机极对数及齿轮传动系统中各齿轮的齿数,计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列;
5)针对故障阶次序列中的每一故障阶次,通过广义解调将时变故障频率成分转化为固定频率成分,并计算该固定频率成分的幅值与广义解调所得信号中所有频率成分幅值的平均值的比值,即是将原信号s(t)作为x(t)执行步骤A1-A4;
6)以故障阶次序列为横坐标、每一故障阶次对应的幅值比为纵坐标,得到只包含故障特征的阶次谱;
7)根据阶次谱中故障阶次幅值比的大小,对风力发电机齿轮传动系统进行故障诊断。
综上,本实施例提供的所述风力发电机齿轮传动系统故障诊断方法具有以下优点:
1)构造阶次谱时不需要进行等角度插值重采样运算,即避免了插值拟合运算,因此构造阶次谱的耗费时间更短,效率更高;
2)传统阶次谱中除了故障阶次特征,还包含其他频率特征,本实施例中构造的阶次谱只包含故障阶次特征,不存在非故障信息的潜在干扰,因此,故障诊断更加方便。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种风力发电机齿轮传动系统故障诊断方法,其特征在于,包括:
确定风力发电机的发电频率;
计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列;
针对故障阶次序列中的每一故障阶次,通过广义解调将时变故障频率成分转化为固定频率成分,并计算该固定频率成分的幅值与广义解调所得信号中所有频率成分幅值的平均值的比值;
本步骤包括:
A1,对于故障阶次pk,计算其对应的时变故障频率成分pkfm(t),将pkfm(t)对时间积分得到对应的时变故障相位∫pkfm(t)dt,其中,k=1,2,…K,K表示故障特征频率数量,fm(t)表示发电频率,t表示时刻;
A2,对于故障阶次pk,根据得到的时变故障相位∫pkfm(t)dt,将幅值包络x(t)中对应的时变故障频率成分转化为固定频率成分Fs/4,得到广义解调后的信号yk(t),其中,Fs表示采样频率;
A3,对信号yk(t)进行傅里叶变换,计算固定频率成分Fs/4对应的幅值与信号yk(t)中所有频率成分幅值的平均值的比值rk,rk表示幅值比;
A4,重复步骤A1-A3,计算故障阶次序列中每一故障阶次对应的幅值比rk;
以故障阶次序列为横坐标、每一故障阶次对应的幅值比为纵坐标,得到只包含故障特征的阶次谱;其中,每一故障阶次对应的幅值比是指:针对故障阶次序列中的每一故障阶次,通过广义解调将时变故障频率成分转化为固定频率成分,计算得到的该固定频率成分的幅值与广义解调所得信号中所有频率成分幅值的平均值的比值;
根据阶次谱中故障阶次幅值比的大小,对风力发电机齿轮传动系统进行故障诊断。
2.根据权利要求1所述的风力发电机齿轮传动系统故障诊断方法,其特征在于,所述确定风力发电机的发电频率包括:
等时间间隔采集风力发电机的任意一相定子电流信号、定子电压信号、转子电流信号或转子电压信号;
对采集的信号进行时频分析,得到时频分布;
从时频分布中,利用脊线提取或多点拟合方法得到风力发电机的发电频率。
3.根据权利要求1所述的风力发电机齿轮传动系统故障诊断方法,其特征在于,所述确定风力发电机的发电频率包括:
等时间间隔采集风力发电机的定子电流信号,并同步采集发电机的转速信号,将转速信号近似为风力发电机的发电频率。
4.根据权利要求1所述的风力发电机齿轮传动系统故障诊断方法,其特征在于,所述计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列包括:
根据风力发电机极对数及齿轮传动系统中各齿轮的齿数,计算各齿轮的故障特征频率与发电频率的比例关系,得到故障阶次序列。
6.根据权利要求1所述的风力发电机齿轮传动系统故障诊断方法,其特征在于,yk(t)表示为:
yk(t)=H[x(t)]exp[-i2π∫pkfm(t)dt+iπFs/2]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010808378.XA CN112035789B (zh) | 2020-08-12 | 2020-08-12 | 一种风力发电机齿轮传动系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010808378.XA CN112035789B (zh) | 2020-08-12 | 2020-08-12 | 一种风力发电机齿轮传动系统故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112035789A CN112035789A (zh) | 2020-12-04 |
CN112035789B true CN112035789B (zh) | 2021-08-03 |
Family
ID=73578673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010808378.XA Active CN112035789B (zh) | 2020-08-12 | 2020-08-12 | 一种风力发电机齿轮传动系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112035789B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761466B (zh) * | 2021-09-09 | 2022-08-02 | 北京科技大学 | 一种旋转机械振动信号阶比谱构造方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106950058A (zh) * | 2017-02-28 | 2017-07-14 | 哈尔滨理工大学 | 基于负载转矩特征分析法的齿轮故障诊断装置 |
KR20200006671A (ko) * | 2018-07-11 | 2020-01-21 | 현대자동차주식회사 | Sbw 변속기 차량의 제어방법 |
-
2020
- 2020-08-12 CN CN202010808378.XA patent/CN112035789B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112035789A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Cost-effective condition monitoring for wind turbines | |
EP2565658B1 (en) | Fault detection based on current signature analysis for a generator | |
CN104865400B (zh) | 一种风电机组转速的检测识别方法及系统 | |
EP3557050B1 (en) | Doubly-fed wind turbine blade imbalance detection method based on stator current data | |
CN105784366A (zh) | 一种变转速下的风电机组轴承故障诊断方法 | |
CN113009334B (zh) | 一种基于小波包能量分析的电机故障检测方法及系统 | |
CN103827683B (zh) | 确定用于机电系统诊断的平稳信号的方法 | |
CN111397877B (zh) | 一种旋转机械拍振故障检测与诊断方法 | |
CN108760294B (zh) | 旋转机械设备自动诊断系统及方法 | |
CN106055734A (zh) | 一种风电齿轮箱故障诊断方法 | |
CN106382238A (zh) | 一种离心泵空化诊断的方法及其装置 | |
CN110940917A (zh) | 一种电动机故障预警方法及系统 | |
CN108278184B (zh) | 基于经验模态分解的风电机组叶轮不平衡监测方法 | |
JP7198089B2 (ja) | 電力変換装置、回転機システム、及び診断方法 | |
Guo et al. | Gear fault diagnosis of wind turbine based on discrete wavelet transform | |
CN113391235B (zh) | 一种同步发电机转子动态匝间短路故障检测系统及方法 | |
Lin et al. | A review and strategy for the diagnosis of speed-varying machinery | |
CN112035789B (zh) | 一种风力发电机齿轮传动系统故障诊断方法 | |
Wang et al. | Tacholess order-tracking approach for wind turbine gearbox fault detection | |
Guo et al. | Fault diagnosis of wind turbine bearing using synchrosqueezing wavelet transform and order analysis | |
CN110376437B (zh) | 一种克服非阶次频率成分干扰的阶次分析方法 | |
CN104459186A (zh) | 基于稀疏分段拟合与积分逼近的无转速计阶比分析方法 | |
CN115856621A (zh) | 一种异步电机转子断条故障诊断方法及系统 | |
CN113029232B (zh) | 一种旋转机械时变全息特征表达方法及系统 | |
CN113447267B (zh) | 一种基于振动信号分析的齿轮箱整机状态评估方法和系统 |
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 |