CN113468809B - 一种风电齿轮箱平行级齿根裂纹模式识别方法 - Google Patents

一种风电齿轮箱平行级齿根裂纹模式识别方法 Download PDF

Info

Publication number
CN113468809B
CN113468809B CN202110739824.0A CN202110739824A CN113468809B CN 113468809 B CN113468809 B CN 113468809B CN 202110739824 A CN202110739824 A CN 202110739824A CN 113468809 B CN113468809 B CN 113468809B
Authority
CN
China
Prior art keywords
parallel
tooth root
wind power
gear box
root crack
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
Application number
CN202110739824.0A
Other languages
English (en)
Other versions
CN113468809A (zh
Inventor
朱才朝
毕玉
谭建军
冉峯
宋朝省
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202110739824.0A priority Critical patent/CN113468809B/zh
Publication of CN113468809A publication Critical patent/CN113468809A/zh
Application granted granted Critical
Publication of CN113468809B publication Critical patent/CN113468809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种风电齿轮箱平行级齿根裂纹模式识别方法，它包括步骤：1、按穿透型和非穿透型的齿根裂纹模式，计算风电齿轮箱平行级齿轮副时变啮合刚度；2、采用风电机组整机仿真软件FAST获取输出轴的转速及转矩；3、建立风电齿轮箱平行级齿轮传动系统动力学模型；4、计算不同风况、不同齿根裂纹模式下的输入轴、输出轴各节点振动响应的位移向量；5使用步骤4中位移振动信号的时频域特征。构建风电齿轮箱平行级齿根裂纹故障振动特征集；6、建立风电齿轮箱平行级齿根裂纹模式识别模型，将步骤5中的齿根裂纹故障振动特征集作为齿根裂纹模式识别模型的输入，获得步骤1所确定的风电齿轮箱平行级齿根裂纹模式。

Description

一种风电齿轮箱平行级齿根裂纹模式识别方法
技术领域
本发明属于风力发电技术领域，具体涉及一种风电齿轮箱平行级齿根裂纹模式识别方法。
背景技术
风电齿轮箱是风电机组的关键核心传动部件，常安装在狭窄的机舱内部，需要在阵风、湍流风等恶劣环境下长期运行，会受到输入扭矩波动、时变啮合刚度以及时变传动误差等复杂的多源内外激励影响，造成风电齿轮箱传动系统中齿轮、轴等构件承受明显的交变载荷。在风电齿轮箱齿轮啮合过程中，弯曲应力循环和应力集中效应容易导致齿根产生裂纹甚至断齿故障。因此开展风电齿轮箱平行级齿根裂纹故障振动特性分析有助于提前发现风电齿轮箱早期故障，保障风电机组运行安全。
为了了解齿轮裂纹故障的产生激励，进而有效的进行故障诊断，国内外许多研究文献进行含裂纹故障的齿轮系统动力学建模。大多数文献记载的技术手段是将齿根过渡圆弧简化为直线，降低了时变啮合刚度计算的精度，且假设齿根裂纹贯穿整个齿面。然而在实际工程中，初始裂纹为非贯穿式裂纹，宽度及深度较小；在含齿根裂纹的齿轮传动系统动力学建模方面，这些研究文献忽略了传动轴柔性变形，常用齿轮中心等效线性支撑刚度表示轴与轴承的综合弹性变形，此类模型动态响应计算精度较低。由于环境因素、结构参数的不确定性及实验误差等，系统动态响应具有显著的不确定性，极大地增加了齿轮传动系统裂纹故障的识别难度。根据“Parallel distributed processing:Explorations in themicrostructure of cognition”，RUMELHART,DE,HINTON,GE,WILLIAMS,RJ.Language,1986,63(4):45-76.记载了一种用于裂纹模式识别的人工神经网络模型，该模型的各参数均为定值，无法包含不确定信息，因此现有人工神网络模型经对故障模式识别的准确性尚需提升。
发明内容
针对现有技术存在的问题，本发明所要解决的技术问题就是提供一种风电齿轮箱平行级齿根裂纹模式识别方法。它构建了广义BP神经网络对稳态和湍流风况下的齿根裂纹模式进行识别，解决实际运行工况下由于环境因素及结构参数的不确定性问题，提高了识别精度。
本发明所要解决的技术问题是通过这样的技术方案实现的，它包括以下步骤：
步骤1、基于势能法，建立考虑齿根过渡圆弧、裂纹扩展方向及路径的齿轮时变啮合刚度模型，得到不同深度的穿透型齿根裂纹和不同扩展宽度的非穿透型齿根裂纹下，风电齿轮箱平行级齿轮副时变啮合刚度；
步骤2、采用风电机组整机仿真软件FAST获取几组稳态风况及几组湍流风况下风电齿轮箱平行级齿轮传动系统输出轴的转速及转矩；
步骤3、利用有限单元法，在步骤1的基础上考虑传动轴柔性、轴承支撑刚度及传动误差，建立风电齿轮箱平行级齿轮传动系统动力学模型；
步骤4、将步骤2中得到稳态和湍流风况下的转速及转矩作为步骤3中所建立的风电齿轮箱平行级齿轮传动系统动力学模型的外部载荷输入，得到不同风况、不同齿根裂纹模式下的平行级输入轴、输出轴各节点振动响应的位移向量；
步骤5、使用步骤4中风电齿轮箱平行级输入轴与输出轴各节点处位移振动信号的时频域特征，构建风电齿轮箱平行级齿根裂纹故障振动特征集，包含6个时域特征量、5个频域特征量；
步骤6、采用广义BP神经网络结构建立风电齿轮箱平行级齿根裂纹模式识别模型，将步骤5中所构建的风电齿轮箱平行级齿根裂纹故障振动特征集作为齿根裂纹模式识别模型的输入，获得稳态和湍流风况下步骤1所确定的风电齿轮箱平行级齿根裂纹模式。
本发明的优点是：考虑了实际运行工况下由于环境因素及结构参数带来的不确定性问题及风电齿轮箱所运行的实际工况，建立了风电齿轮箱平行级齿根裂纹模式识别模型，能有效识别稳态风况、湍流风况下穿透型齿根裂纹深度及非穿透型齿根裂纹扩展宽度。
附图说明
本发明的附图说明如下：
图1为风电齿轮箱平行级齿轮传动系统有限单元模型；
图2为齿廓的几何模型；
图3为裂纹沿深度方向扩展齿根裂纹模型；
图4为裂纹沿齿宽方向扩展齿根裂纹模型；
图5为4种穿透型齿根裂纹下齿轮副时变啮合刚度；
图6为4种非穿透型齿根裂纹下齿轮副时变啮合刚度；
图7为湍流风模型下平均风速为11m/s时风电齿轮箱平行级输入轴的输入转矩及转速；
图8为裂纹模式1-4下时域特征量归一化值；
图9为纹模式1-4下频域特征量归一化值；
图10为广义BP神经网络对稳态风况下裂纹模式识别结果；
图11为广义BP神经网络对湍流风况下裂纹模式识别结果。
具体实施方式
下面结合附图和实例对本发明作进一步说明：
本发明包括以下步骤：
步骤1、基于势能法，建立考虑齿根过渡圆弧、裂纹扩展方向及路径的齿轮时变啮合刚度模型，得到4种不同深度的穿透型齿根裂纹和4种不同扩展宽度的非穿透型齿根裂纹下，风电齿轮箱平行级齿轮副时变啮合刚度。
如图1所示，风电齿轮箱平行级齿轮传动系统的离散节点示意图，共计15个节点。图2为齿廓的几何模型，基于势能法，计算考虑齿根过渡圆弧、裂纹扩展方向及路径的齿轮时变啮合刚度。根据“基于改进能量法的直齿轮时变啮合刚度计算”马辉,逄旭,宋溶泽,杨健.东北大学学报:自然科学版,2014(35):866，啮合齿轮势能通常包括赫兹能Uh、弯曲势能Ub、径向压缩变形能Ua和剪切变形能Us，计算公式如下：
Figure BDA0003141003340000031
Figure BDA0003141003340000032
Figure BDA0003141003340000033
Figure BDA0003141003340000034
式中，F为啮合点处的作用力；kh为赫兹刚度；kb为弯曲刚度；ka为径向压缩刚度；ks为剪切刚度；Fb＝Fcosβ，Fa＝Fsinβ；xβ为啮合点距齿轮中心线的距离，yβ为啮合点距原点的水平距离；yC与yD表示为过渡曲线起始点与终止点的水平坐标；I1、A1、I2、A2分别表示过渡曲线和渐开线上任意位置处的截面惯性矩和横截面积；E为弹性模量；v为泊松比；G为剪切模量；L为齿宽；M1和M2别为啮合力对于过渡曲线和渐开线上任意一点产生的力矩。
考虑齿根裂纹贯穿式和非贯穿式两种形式，用4个参数对齿根裂纹进行表征，包括发生角ψ、延伸角υ、长度q0以及齿宽
Figure BDA0003141003340000044
。图3和图4分别为穿透型裂纹及非穿透型裂纹的扩展模型，当齿根存在裂纹时，齿轮的截面积和惯性矩均会发生改变。
根据“Dynamic simulation of spur gear with tooth root crackpropagating along tooth width and crack depth”Chen Z,Shao Y.EngineeringFailure Analysis,2011,18(8):2149-2164(“齿根裂纹沿齿宽和裂纹深度扩展的直齿轮动力学仿真”Chen Z,Shao Y，Engineering Failure Analysis,2011,18(8):2149-2164)推导得图3中的贯穿式裂纹时齿轮截面积A和惯性矩I表达式为
Figure BDA0003141003340000041
Figure BDA0003141003340000042
式中，xQ为裂纹起始点距齿轮中心线的水平坐标；
Figure BDA0003141003340000045
为齿宽方向上裂纹深度；L为齿宽；ψ为裂纹发生角；从裂纹根部作y轴平行线交齿廓与点G，yG为点G距原点的水平距离；P点为齿根裂纹在齿根深度上扩展终止点；yP为点P距原点的水平距离；x为动点距原点的垂直距离。
根据“Dynamic simulation of spur gear with tooth root crackpropagating along tooth width and crack depth”Chen Z,Shao Y.EngineeringFailure Analysis,2011,18(8):2149-2164(“齿根裂纹沿齿宽和裂纹深度扩展的直齿轮动力学仿真”Chen Z,Shao Y，Engineering Failure Analysis,2011,18(8):2149-2164)，推导得图4中的非贯穿式裂纹时齿轮截面积A和惯性矩I表达式为
Figure BDA0003141003340000043
Figure BDA0003141003340000051
式中，LC为裂纹沿齿宽方向扩展的长度。
下标1、2分别表示主、从动齿轮，一对啮合齿轮的总刚度k可表示为
Figure BDA0003141003340000052
kh、kb、ka、ks由式(1)-(4)计算得到。
由式(9)计算得到不同裂纹模式下的齿轮时变啮合刚度，图5为裂纹深度分别为0mm、3mm、6mm、9mm下(分别计为模式1-4)4种穿透型齿根裂纹下齿轮时变啮合刚度，齿轮产生裂纹时，刚度减小，并且随着裂纹深度的增加，齿轮刚度逐渐降低。
图6为裂纹沿齿宽长度分别为0mm、155mm、217mm、219mm下(分别计为模式1、5-7)4种非穿透型裂纹下齿轮的时变啮合刚度，随着裂纹在齿宽方向上扩展宽度增加，齿轮刚度逐渐降低。
步骤2、采用风电机组整机仿真软件FAST获取4组稳态风况及6组湍流风况下风电齿轮箱平行级齿轮传动系统输出轴的转速及转矩。
稳态风模型风速和风向都不随时间的变化而变化，其风速设置为常数。其转速和转矩参见步骤4，可直接在5MW风电机组发电机转速-转矩反馈曲线中获取，但大多数情况应当采用风电机组整机仿真软件FAST获取转速和转矩。
从平均风速概率密度分布图中得出当平均风速大于20m/s时，其概率密度几乎趋近于0。选取位于切入和切出风速之间的平均风速为5m/s、8m/s、11m/s、14m/s、17m/s、20m/s(对应风况1-6)的湍流风进行分析。
根据IEC 61400-3标准，使用Kaimal模型并结合相干函数，建立湍流风速模型。其中，Kaimal模型的方程表达式为
Figure BDA0003141003340000053
式中，下标d代表速度分量的方向(d＝u,v,w)；Sd为功率谱密度；f为湍流风的循环频率；σd为风速分量标准差；Ld为积分尺度参数；νhub为轮毂高度处10分钟之内的平均风速。
通过风电机组整机仿真软件FAST计算得到图7所示平均风速为11m/s的湍流风速下风电齿轮箱平行级输入转矩与转速。
步骤3、利用有限单元法，在步骤1的基础上考虑传动轴柔性、轴承支撑刚度及传动误差，建立风电齿轮箱平行级齿轮传动系统动力学模型；
根据“Effects of flexibility and suspension configuration of mainshaft on dynamic characteristics of wind turbine drivetrain”，TAN J J,ZHU C C,SONG C S,et al.Chinese Journal of mechanical engineering,2019,32(02):224-238.(“主轴柔性和悬挂形式对风力发电机传动系统动态特性的影响”，TAN J J,ZHU C C,SONGC S,et al，Chinese Journal of mechanical engineering,2019,32(02):224-238)，采用Timoshenko梁单元对平行级轴建模。平行级齿轮传动系统中轴段i的运动微分方程为
Figure BDA0003141003340000061
式中，
Figure BDA0003141003340000062
为轴段质量矩阵；
Figure BDA0003141003340000063
为轴段刚度矩阵；
Figure BDA0003141003340000064
为轴段阻尼矩阵；
Figure BDA0003141003340000065
为轴段载荷矩阵；
Figure BDA0003141003340000066
为位移向量。
齿轮副啮合单元运动微分方程为
Figure BDA0003141003340000067
式中，Km为齿轮副质量矩阵，Mm为齿轮副啮合刚度矩阵；Cm为齿轮副阻尼矩阵；Fe为由齿轮副误差产生的激振力；e为齿轮传动误差；qm为齿轮副位移列向量。
根据有限元法的思想，将平行级齿轮传动系统中各轴段的运动微分方程、齿轮副啮合单元运动微分方程及轴承支撑刚度方程进行组装，可得风电齿轮箱平行级齿轮系统运动微分方程
Figure BDA0003141003340000068
式中，M为系统整体质量矩阵，包括轴段质量和齿轮质量；C为系统整体阻尼矩阵；X为平行级齿轮传动系统的整体位移向量；K为系统整体刚度矩阵，包括轴段刚度、啮合刚度和轴承刚度；Ts为输入扭矩和负载向量；Fe为由齿轮副误差产生的激振力。
步骤4、将步骤2中得到稳态和湍流风况下的转速及转矩作为步骤3中所建立的风电齿轮箱平行级齿轮传动系统动力学模型的外部载荷输入，得到不同风况、不同齿根裂纹模式下的平行级输入轴、输出轴各节点振动响应的位移向量。
平稳风况下，根据“Definition of a 5-MW reference wind turbine foroffshore system development”，JONKMAN J,BUTTERFIELD S,MUSIAL W,et al.NationalRenewable Energy Lab.(NREL),Golden,CO(United States),2009.(“定义海上系统开发用5MW参考风力机”，JONKMAN J,BUTTERFIELD S,MUSIAL W,et al，National RenewableEnergy Lab.(NREL),Golden,CO(United States),2009)中记载的5MW风电机组发电机转速-转矩反馈曲线，分别获得平行级输出轴转速为900r/min、960r/min、1080r/min、1200r/min下所对应的输出扭矩，将其作为步骤3中所建立的平行级系统运动微分方程的外部载荷输入，得到稳态风况下，穿透型/非穿透型齿根裂纹模式下输入轴、输出轴各节点处振动响应的位移向量。
将步骤2中得到的平均风速分别为5m/s、8m/s、11m/s、14m/s、17m/s、20m/s湍流风况下的转速及转矩作为步骤3中所建立的平行级齿轮系统运动微分方程的外部载荷输入，得到湍流风况下穿透型/非穿透型齿根裂纹模式下的平行级输入轴、输出轴各节点振动响应的位移向量。传动轴柔性会使振动响应的冲击幅值产生较明显的衰减。
步骤5、使用步骤4中风电齿轮箱平行级输入轴与输出轴各节点处位移振动信号的时频域特征，构建风电齿轮箱平行级齿根裂纹故障振动特征集，包含6个时域特征量、5个频域特征量。
为了获得对齿轮裂纹故障敏感的特征量，对不同齿根裂纹模式下的风电齿轮箱平行级输入轴与输出轴各轴段节点处y向的位移响应进行时频域分析。根据“Faultidentification of gearbox degradation with optimized wavelet neural network”，CHEN H X,LU Y J,TU L.Shock&vibration,2015,20(2):247-262.(“用优化的小波神经网络对齿轮箱退化故障进行识别”，CHEN H X,LU Y J,TU L，Shock&vibration,2015,20(2):247-262.)列出所采用的11个时频域特征参数的表达式
时域特征参数：
Figure BDA0003141003340000071
Figure BDA0003141003340000081
p3＝max|x(n)| (16)
Figure BDA0003141003340000082
Figure BDA0003141003340000083
Figure BDA0003141003340000084
x代表不同齿根裂纹模式下的风电齿轮箱平行级输入轴与输出轴各轴段节点处y向的位移响应幅值，
Figure BDA0003141003340000085
为均值，x(n)为时间序列，n＝1,2，…，N；N为时间序列的总长度；
对不同齿根裂纹模式下的风电齿轮箱平行级输入轴与输出轴各轴段节点处y向的位移响应进行时频域分析，得到其频域响应。频域特征参数为：
Figure BDA0003141003340000086
Figure BDA0003141003340000087
Figure BDA0003141003340000088
Figure BDA0003141003340000089
Figure BDA00031410033400000810
式中，fk为第k条谱线的频率幅值，s(k)为时间序列频谱中第k条谱线对应的频率，k＝1,2，…，K，K为谱线数量。
针对风电齿轮箱振动信号的非平稳性特点，采用角域重采样的方法对湍流风况下的风电齿轮箱平行级传动系统位移响应进行处理分析，将其时域内的非平稳振动信号运用角域重采样的方法转换为角域内等角度间隔的平稳信号；后续对角域信号进行阶次谱分析，得到振动信号的阶次谱，进而提取湍流风况下输入轴、输出轴各节点处的齿根裂纹故障特征集。
图8为输出轴转速为1200r/min、输出扭矩对应为3.68×104Nm时图1中所示输入轴节点5与输出轴节点8、节点11和节点13处齿根裂纹模式1-4下(穿透型齿根裂纹)的振动位移响应的时域特征量p1-p6归一化结果。从图8中可以看出：随着齿根裂纹深度的增加，各节点的时域特征量值均呈现随之增加的趋势，即能较好的反映裂纹深度的变化，因此可以作为识别裂纹深度的特征量。
图9为图1中所示输入轴节点5与输出轴节点8、节点11和节点13处齿根裂纹模式1-4下(穿透型齿根裂纹)的振动位移响应进行FFT得到其频域信息并对其频域特征量p7-p11进行归一化所得到的结果。从图9中可以看出：各个节点处各频域特征量随着齿根裂纹深度的增加，其频域特征量值相应增大，呈逐渐增大的趋势。各节点处的振动响应的位移由于传动轴柔性的影响会有不同程度的衰减，但针对单个节点来说，其特征量的归一化值均随裂纹深度/宽度的增加而增大，因此各节点的特征量归一化值从图8、9中看起来差别不大。
步骤6、采用广义BP神经网络结构建立风电齿轮箱平行级齿根裂纹模式识别模型，将步骤5中所构建的风电齿轮箱平行级齿根裂纹故障振动特征集作为齿根裂纹模式识别模型的输入，获得稳态和湍流风况下步骤1所确定的风电齿轮箱平行级齿根裂纹模式。
建立基于广义BP神经网络的风电齿轮箱传动系统齿根裂纹模式识别模型，该模型分为输入层、隐含层及输出层；其中广义BP神经网络模型输入层节点为步骤5中所列的时频域特征向量的个数，共11个；根据模型收敛速度及最小误差原则，通过不断试验最终选择隐含层节点数为8个；输出层节点数为4个，对应裂纹模式的个数(如果裂纹模式为1，则4个节点的输出分别为[1,1],[0,0],[0,0],[0,0])，即裂纹模式1-4(或模式1、5-7)四种，网络的目标输出见表1和表2，其中表1为穿透型裂纹识别模型目标输出结果，表2为非穿透型裂纹识别模型目标输出结果。
表1广义BP神经网络目标输出(穿透型裂纹)
Figure BDA0003141003340000091
Figure BDA0003141003340000101
表2广义BP神经网络目标输出(非穿透型裂纹)
Figure BDA0003141003340000102
采用sigmoid函数作为转移函数，其表达式为
Figure BDA0003141003340000103
对步骤4中平稳风况下平行级输出轴转速分别为900r/min、960r/min、1080r/min、1200r/min时平行级各轴节点处的位移响应取±5％的误差将其转换为包含不确定性因素的广义区间量。选取输入轴节点5、输出轴节点8、11和13处振动位移响应的11个时频域特征量的归一化结果作为广义BP神经网络训练样本。设置广义BP神经网络训练次数为4000。以平行级输出轴转速960r/min时齿根裂纹模式1-4下输入轴节点5、输出轴节点8、11和13处y向振动位移响应的时、频域特征量作为测试样本。图10为广义BP神经网络对稳态风况下穿透型齿根裂纹/非穿透型齿根裂纹的裂纹模式识别结果，例如：样本1其输出结果为[0.8881,0.9026]，[0.0252,0.0279]，[0.0501,0.0584，[0.0373,0.0414]，对应裂纹模式为case1；其识别结果正确。
对于湍流风况，对步骤4中所得到的平均风速分别为5m/s、8m/s、11m/s、17m/s和20m/s湍流风模型下的位移响应取±5％的误差将其转换为包含不确定性因素的广义区间量。选取步骤5中所示的输入轴节点5、输出轴节点8、11和13处位移响应的11个时频域特征量的归一化结果作为广义BP神经网络训练样本。以平均风速为14m/s湍流风模型下节点5、节点8、11和13处位移响应的时频域特征量作为测试样本。图11为广义BP神经网络对湍流风况下两种裂纹扩展路径下的裂纹模式识别结果，其识别结果均正确。图10与图11输出结果并不相同，但由于其数值差异不大导致从图中看到的颜色深浅大致相似。
本发明的有益效果是：
1、在建立齿轮时变啮合刚度模式时考虑了齿根过渡圆弧曲线，并且在齿根裂纹扩展时考虑了齿根扩展路径及扩展方向两个因素，能更准确的反映裂纹扩展情况；
2、本方法中广义BP神经网络考虑了系统动态响应的不确定性，可以对稳态工况及变速变载工况下振动信号所提取出的故障特征集进行裂纹模式识别，具有识别准确率高、应用范围广的特点。

Claims (6)

1.一种风电齿轮箱平行级齿根裂纹模式识别方法，其特征是，包括以下步骤：
步骤1、基于势能法，建立考虑齿根过渡圆弧、裂纹扩展方向及路径的齿轮时变啮合刚度模型，得到不同深度的穿透型齿根裂纹和不同扩展宽度的非穿透型齿根裂纹下，风电齿轮箱平行级齿轮副时变啮合刚度；
步骤2、采用风电机组整机仿真软件FAST获取几组稳态风况及几组湍流风况下风电齿轮箱平行级齿轮传动系统输出轴的转速和转矩；
步骤3、利用有限单元法，在步骤1的基础上考虑传动轴柔性、轴承支撑刚度及传动误差，建立风电齿轮箱平行级齿轮传动系统动力学模型；该模型是将平行级齿轮传动系统中各轴段的运动微分方程、齿轮副啮合单元运动微分方程及轴承支撑刚度方程进行组装，得到系统运动微分方程为：
Figure FDA0003797017070000011
式中，M为系统整体质量矩阵，C为系统整体阻尼矩阵；X为平行级齿轮传动系统的整体位移向量；K为系统整体刚度矩阵；Ts为输入扭矩和负载向量；Fe为由齿轮副误差产生的激振力；
步骤4、将步骤2中得到稳态和湍流风况下的转速及转矩作为步骤3中所建立的风电齿轮箱平行级齿轮传动系统动力学模型的外部载荷输入，得到不同风况、不同齿根裂纹模式下的平行级输入轴、输出轴各节点振动响应的位移向量；
步骤5、使用步骤4中风电齿轮箱平行级输入轴与输出轴各节点处位移振动信号的时频域特征，构建风电齿轮箱平行级齿根裂纹故障振动特征集，包含6个时域特征量、5个频域特征量；
步骤6、采用广义BP神经网络结构建立风电齿轮箱平行级齿根裂纹模式识别模型，将步骤5中所构建的风电齿轮箱平行级齿根裂纹故障振动特征集作为齿根裂纹模式识别模型的输入，获得稳态和湍流风况下步骤1所确定的风电齿轮箱平行级齿根裂纹模式。
2.根据权利要求1所述的风电齿轮箱平行级齿根裂纹模式识别方法，其特征是，在步骤1中，所述齿轮时变啮合刚度模型为：
Figure FDA0003797017070000012
式中，k为啮合齿轮的总刚度，kh为赫兹刚度，kb为弯曲刚度，ka为径向压缩刚度，ks为剪切刚度，下标1、2分别表示主、从动齿轮。
3.根据权利要求2所述的风电齿轮箱平行级齿根裂纹模式识别方法，其特征是，在步骤5中，所述6个时域特征参数为：
Figure FDA0003797017070000021
Figure FDA0003797017070000022
p3＝max|x(n)|
Figure FDA0003797017070000023
Figure FDA0003797017070000024
Figure FDA0003797017070000025
式中，x代表不同齿根裂纹模式下的风电齿轮箱平行级输入轴与输出轴各轴段节点处y向的位移响应幅值，
Figure FDA0003797017070000026
为均值，x(n)为时间序列，n＝1,2，…，N；N为时间序列的总长度；
对不同齿根裂纹模式下的风电齿轮箱平行级输入轴与输出轴各轴段节点处y向的位移响应进行时频域分析，得到其频域响应，所述5个频域特征参数：
Figure FDA0003797017070000027
Figure FDA0003797017070000028
Figure FDA0003797017070000029
Figure FDA00037970170700000210
Figure FDA0003797017070000031
式中，fk为第k条谱线的频率幅值，s(k)为时间序列频谱中第k条谱线对应的频率，k＝1,2，…，K，K为谱线数量。
4.根据权利要求3所述的风电齿轮箱平行级齿根裂纹模式识别方法，其特征是，在步骤6中，所述齿根裂纹模式识别模型有输入层、隐含层和输出层，输入层节点为步骤5中所列的时频域特征向量的个数，共11个，隐含层节点数为8个；输出层节点数为4个。
5.根据权利要求1-4任一所述风电齿轮箱平行级齿根裂纹模式识别方法，其特征是：所述穿透型齿根裂纹和非穿透型齿根裂纹各设有4种模式。
6.根据权利要求5所述的风电齿轮箱平行级齿根裂纹模式识别方法，其特征是：稳态风况下仿真获取输出轴的转速和转矩有4组，湍流风况下仿真获取输出轴的转速和转矩有6组。
CN202110739824.0A 2021-06-30 2021-06-30 一种风电齿轮箱平行级齿根裂纹模式识别方法 Active CN113468809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110739824.0A CN113468809B (zh) 2021-06-30 2021-06-30 一种风电齿轮箱平行级齿根裂纹模式识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110739824.0A CN113468809B (zh) 2021-06-30 2021-06-30 一种风电齿轮箱平行级齿根裂纹模式识别方法

Publications (2)

Publication Number Publication Date
CN113468809A CN113468809A (zh) 2021-10-01
CN113468809B true CN113468809B (zh) 2022-10-04

Family

ID=77876806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110739824.0A Active CN113468809B (zh) 2021-06-30 2021-06-30 一种风电齿轮箱平行级齿根裂纹模式识别方法

Country Status (1)

Country Link
CN (1) CN113468809B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106697187A (zh) * 2016-12-26 2017-05-24 武汉理工大学 基于智能机舱的船舶动力系统工况模拟和诊断实验平台
CN108444696A (zh) * 2018-03-09 2018-08-24 武汉工程大学 一种齿轮箱故障分析方法
CN112703457A (zh) * 2018-05-07 2021-04-23 强力物联网投资组合2016有限公司 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统
CN112836319A (zh) * 2021-03-11 2021-05-25 西南交通大学 一种考虑非均匀分布齿根裂纹故障的仿真方法
CN112861787A (zh) * 2021-03-09 2021-05-28 上海电力大学 一种风电机组行星齿轮箱故障诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108956143B (zh) * 2018-06-25 2020-09-25 西安理工大学 一种转子-轴承系统的横向裂纹故障特征量提取方法
CN108694302A (zh) * 2018-08-03 2018-10-23 宝鸡文理学院 一种基于齿轮传动系统非线性稳定性的故障诊断方法
US11599103B2 (en) * 2019-02-21 2023-03-07 Dodge Industrial, Inc. Method and system for data driven machine diagnostics
US11460003B2 (en) * 2019-09-18 2022-10-04 Inventus Holdings, Llc Wind turbine damage detection system using machine learning
CN111610024A (zh) * 2020-06-29 2020-09-01 常州信息职业技术学院 一种基于振动信号的齿轮裂纹故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106697187A (zh) * 2016-12-26 2017-05-24 武汉理工大学 基于智能机舱的船舶动力系统工况模拟和诊断实验平台
CN108444696A (zh) * 2018-03-09 2018-08-24 武汉工程大学 一种齿轮箱故障分析方法
CN112703457A (zh) * 2018-05-07 2021-04-23 强力物联网投资组合2016有限公司 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统
CN112861787A (zh) * 2021-03-09 2021-05-28 上海电力大学 一种风电机组行星齿轮箱故障诊断方法
CN112836319A (zh) * 2021-03-11 2021-05-25 西南交通大学 一种考虑非均匀分布齿根裂纹故障的仿真方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Detection of Gear Tooth Crack in a Wind Turbine Planetary Gearbox;Rachna Joshi等;《International Conference on Rotor Dynamics. Springer》;20181231;520–533 *
Dynamic simulation of spur gear with tooth root crack propagating along tooth width and crack depth;Chen Z等;《Engineering Failure Analysis》;20111231;第18卷(第8期);2149-2164 *
Neural Network-Based Prediction Model to Investigate the Influence of Temperature and Moisture on Vibration Characteristics of Skew Laminated Composite Sandwich Plates;Kallannavar V等;《Materials》;20210609;第14卷(第12期);1-27 *
基于PCA和灰色关联的齿根裂纹损伤程度识别;刘杰等;《机械传动》;20200915;第44卷(第9期);133-139,152 *
基于代理模型的高速列车齿轮箱裂纹识别研究;王清波;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20180915(第9期);C033-200 *
基于改进能量法的直齿轮时变啮合刚度计算;马辉等;《东北大学学报(自然科学版)》;20140630;第35卷(第6期);863-866 *
直齿轮系齿根裂纹损伤程度检测方法;孙琦等;《振动.测试与诊断》;20190415(第02期);99-105+216-217 *

Also Published As

Publication number Publication date
CN113468809A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
Shen et al. Fatigue failure mechanism of planetary gear train for wind turbine gearbox
Wang et al. Effects of gear modifications on the dynamic characteristics of wind turbine gearbox considering elastic support of the gearbox
Moghadam et al. Theoretical and experimental study of wind turbine drivetrain fault diagnosis by using torsional vibrations and modal estimation
CN112836319B (zh) 一种考虑非均匀分布齿根裂纹故障的仿真方法
Luo et al. Vibration mechanism and improved phenomenological model of the planetary gearbox with broken ring gear fault
Luo et al. An improved phenomenological model of the planetary gearbox based on meshing vibration characteristics
CN113654756A (zh) 一种海上浮式风机的主动式实时混合模型试验方法
Shinagam et al. Vibration and noise studies on wind turbine generator for reduction of vibrations and noise
CN113468809B (zh) 一种风电齿轮箱平行级齿根裂纹模式识别方法
Sun et al. Mesh stiffness and dynamic response analysis of modified gear system with thin web and weight reduction holes
Sheng et al. Research on gear crack fault diagnosis model based on permanent magnet motor current signal
Liu et al. Parametric modelling of vibration response for high-speed gear transmission system
Wang et al. Dynamic characteristics of the planetary gear train excited by time-varying meshing stiffness in the wind turbine
Han et al. Dynamics and vibration analyses of gearbox in wind turbine
Clarke et al. Loading on a wind turbine high-speed shaft gearbox bearing: Ultrasonic field measurements and predictions from a multi-body simulation
Jiang et al. Effect of friction coefficients on the dynamic response of gear systems
Yi et al. Multi-objective genetic algorithms based structural optimization and experimental investigation of the planet carrier in wind turbine gearbox
Grosvenor et al. Performance and condition monitoring of tidal stream turbines
Shen et al. Vibration fault detection of vehicle transmission gearbox based on time-frequency analysis of non-stationary signals
Wang et al. Understanding theories and methods on fault diagnosis for multi-fault detection of planetary gears
van Binsbergen et al. Dynamic model development of wind turbine drivetrains by using sensor measurements
Antoniadou Accounting for nonstationarity in the condition monitoring of wind turbine gearboxes
Kalinin Dynamic loading of spur gears with linear tooth profile modification: modelling and experimental comparisons
Kaplan et al. Rotor dynamic modeling of gears and geared systems
Handikherkar et al. Vibration Analysis Based Spalling Defect Severity Assessment of Spur Gearbox Using a Dynamic Model

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