面向風(fēng)電機(jī)組的齒輪箱軸承故障診斷技術(shù)研究.pdf

1、齒輪箱是風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的重要組成部分，齒輪箱的滾動(dòng)軸承是傳動(dòng)鏈中故障率較高的部件之一。軸承發(fā)生故障不但影響機(jī)組的正常運(yùn)行，甚至波及供電側(cè)電網(wǎng)的安全平穩(wěn)運(yùn)行。因此對(duì)風(fēng)電機(jī)組齒輪箱軸承故障進(jìn)行快速診斷具有重要的現(xiàn)實(shí)意義和使用價(jià)值。本文在深入分析風(fēng)力發(fā)電機(jī)組的基本組成結(jié)構(gòu)、故障機(jī)理、故障特征及其特征頻率的基礎(chǔ)上采用經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition)改進(jìn)閾值方法對(duì)滾動(dòng)軸承出現(xiàn)故障時(shí)的振動(dòng)信號(hào)進(jìn)行降噪預(yù)處理

2、，然后提取故障特征，分析故障類型。將剛頻域分析技術(shù)和旋轉(zhuǎn)機(jī)械故障理論知識(shí)結(jié)合起來，針對(duì)風(fēng)力發(fā)電機(jī)組的機(jī)械傳動(dòng)系統(tǒng)出現(xiàn)的常見機(jī)械故障問題，如斷齒、點(diǎn)蝕、磨損、偏心、軸承內(nèi)圈、外圈、滾動(dòng)體損壞等故障問題進(jìn)行綜合分析研究，并采用智能分類算法支持向量機(jī)(Support Vector Machines)對(duì)風(fēng)電機(jī)組的齒輪箱軸承進(jìn)行故障分析和分類研究，采用實(shí)測(cè)實(shí)驗(yàn)?zāi)M故障數(shù)據(jù)驗(yàn)證故障診斷算法的可行性和準(zhǔn)確性，為風(fēng)力發(fā)電機(jī)組故障診斷提供一種新的解決方法

3、。研究內(nèi)容和結(jié)論如下:
　　(1)從機(jī)械故障診斷的基本原理出發(fā)分析研究風(fēng)力發(fā)電機(jī)組齒輪箱滾動(dòng)軸承機(jī)械振動(dòng)故障機(jī)理，分析出各個(gè)部件出現(xiàn)故障的特征頻率，明確不同部件故障所對(duì)應(yīng)的故障特征，為后續(xù)故障診斷和分類實(shí)驗(yàn)驗(yàn)證提供數(shù)據(jù)支撐和理論依據(jù)。
　　(2)在獲得故障測(cè)試數(shù)據(jù)之后，采用小波分解與EMD分解閾值方法進(jìn)行降噪處理、頻譜和包絡(luò)譜分析，觀察分析頻譜圖中的故障特征量，提出了改進(jìn)EMD閾值降噪方法，并驗(yàn)證其可行性和優(yōu)越性。
　

4、　(3)在故障數(shù)據(jù)中選取峰-峰值、有效值、方差和峭度值指標(biāo)作為故障特征量，采用支持向量機(jī)分類識(shí)別算法對(duì)所選取的故障特征量組成的訓(xùn)練樣本進(jìn)行訓(xùn)練，構(gòu)成故障診斷基本模型，然后采用網(wǎng)格搜索方法、遺傳算法、粒子群算法這三種參數(shù)優(yōu)化算法對(duì)支持向量機(jī)診斷模型的參數(shù)進(jìn)行優(yōu)化，以獲取齒輪箱滾動(dòng)軸承的故障點(diǎn)的精確定位和故障類型的有效辨識(shí)，仿真結(jié)果表明，網(wǎng)格搜索法雖然計(jì)算速度相對(duì)較快一些，但是故障類型分類準(zhǔn)確率較低。遺傳算法容易陷入局部最優(yōu)并且計(jì)算速度相對(duì)