本发明专利技术考虑风力发电机组齿轮箱振动信号的非平稳特征、故障程度识别与故障部位诊断等重要因素，提出了一种基于LMD(Local mean decomposition，局部均值分解)和优化K均值聚类算法的风力发电机组齿轮箱故障诊断方法，该方法首先采集风力发电机组齿轮箱各测点的原始振动加速度信号，然后采用LMD方法将原始振动加速度信号分解为若干个PF(Product function，简称PF)分量，再以相关系数最大为原则选取PF分量进行信号重构，并对重构后的信号进行Hilbert包络解调分析，以便进一步提取故障特征量，最后应用优化K均值聚类算法进行故障部位和故障程度分类。
【技术实现步骤摘要】
本专利技术属于风电
，具体涉及一种风力发电机组齿轮箱的故障诊断方法， 该故障诊断方法基于LMD和优化K均值聚类算法。
技术介绍
风能作为一种可再生、无污染的新型绿色能源，已被国内外广泛认为是一种具有 巨大开发和利用前景的新型能源利用方式。在目前国际上能源短缺日益严重的情况下， 大力发展风电技术是解决能源短缺和环境污染问题的有效途径和必然趋势之一。2013 年，中国（不包括台湾地区），新增装机容量16088. 7丽，同比增长24. 1% ;累计装机容量 91412. 89MW，同比增长21. 4%。新增装机和累计装机两项数据均居世界第一。 近年来，在风力发电快速发展的同时，风力发电机组安全、稳定运行逐渐引起了国 内外的高度重视。目前，风力发电机组主要包括三种类型：双馈型风力发电机组，直驱型风 力发电机组和半直驱型风力发电机。双馈型风力发电机组依靠齿轮箱来实现增速，其生产 技术较成熟，该种风力发电机是目前的主流机型。直驱机型是没有齿轮箱的，它避免了由 于齿轮箱而造成的高故障率和维修成本的下降，但直驱机型也有其不可避免的缺点：永磁 发电机型所需的稀土资源少、直驱机组的电机重量大造成运输装配十分困难等，ENERC0N公 司在汉堡的一台6WM机型，吊装耗时长达3个月之久。半直驱风机结合了双馈机型和直驱 机型的优势，在满足传动和载荷设计的同时，结构更为紧凑，重量轻。2011年歌美飒推出 的最新的G10X-4. 5丽风电机，采用两档变速箱加永磁同步发电机；维斯塔斯推出的最新 V164-7. OMW风电机的齿轮箱也采用3级增速改为2级增速，电机技术也采用了永磁技术； 在国内，金风科技3MW的风电机也采用了半直驱技术，考虑到风电机组大型化的趋势，半直 驱的时代可能正在到来。因此，针对双馈机型和半直驱机型的齿轮箱故障进行研宄有重要 的理论指导价值和工程应用意义。 由于风电机多位于野外，要经受各种恶劣天气、风速风向变化无常所产生的冲击 载荷和工况不断变化等因素的影响，根据1997-2005年期间四个风场（瑞典两个风场、芬兰 一个风场和德国一个风场）的数据，齿轮箱成为风力发电机组故障率较高的部件之一，由 齿轮箱故障所造成的停机时间所占比例最大，约占总停机时间为32%。风力发电机齿轮箱 一旦发生故障，其拆装、运输及维修费用高达近100万元，海上风力机的拆装还要动用大型 轮船和坦克吊车，甚至直升机，其维修和维护成本更高。因此，对风力发电机组齿轮箱的在 线监测和故障诊断必须引起足够的重视，才能进一步减少风电场的维护成本、增加风电场 的效率。可见，在风力发电机组中有齿轮箱故障引起的停机时间最长，所以对风力发电机组 中的齿轮箱故障进行研宄具有重要意义。 在中国，2012年07月11日公开的申请号为102564568A，名称为"大型旋转机械复 杂工况下的早期故障搜索方法"的专利技术公布了一种用于能源、钢铁、煤炭、运输等行业的大 型旋转机械设备的早期故障搜索方法，此系统通过对振动时间序列进行预处理、提取故障 特征因子、故障征兆匹配等环节实现早期故障危险点的搜索。由于风力发电机组多位于野 外，要经受各种恶劣天气、风速风向变化无常所产生的冲击载荷和工况不断变化等因素的 影响，采集的振动信号含有很多的背景噪声，因此常规旋转机械故障监测方法在风力发电 机组上的应用效果不理想。
技术实现思路
基于
技术介绍
中所提及的问题，本专利技术考虑风力发电机组齿轮箱振动信号的非 平稳特征、故障程度识别与故障部位诊断等重要因素，提出了一种基于LMD(Local mean decomposition，局部均值分解）和优化K均值聚类算法的风力发电机组齿轮箱故障诊断方 法，具体方案如下： 本专利技术的方法包括以下步骤： 步骤1 :采用振动加速度传感器采集原始振动信号，测点包括：齿轮箱输入轴轴 承、齿轮箱行星齿轮侧、齿轮箱中间轴侧、齿轮箱高速轴轴承各自的水平和垂直位置； 步骤2 :对采集到的原始振动信号按时间标签提取η个样本点，对提取到的原始振 动信号X (t)进行LMD方法分解，可得若干个瞬时频率具有物理意义的PF分量，即【主权项】1. 一种，其特征在于，包括w下步骤： 步骤1;通过加速度传感器采集原始振动信号，齿轮箱传感器测点包括齿轮箱输入轴 轴承、齿轮箱行星齿轮侧、齿轮箱中间轴侧和齿轮箱高速轴轴承各自的水平位置和垂直位 置； 步骤2 ;对采集到的原始振动信号按时间标签提取n个样本点，对提取到的原始振动信 号X(t)进行LMD方法分解，可得若干个瞬时频率具有物理意义的PF分量，即式中，X(t)-原始振动信号时域幅值，PFi-第i个分量，r-残余函数； 步骤3 ;依次计算n个PF分量与原始振动信号之间的相似系数，选择相似系数最大的PF分量用于信号重构； 步骤4 ;对重构信号进行HUbed包络解调分析，并提取故障特征量； 步骤5 ;对所有样本进行上述步骤1-4的故障特征量提取，并基于数据密度选择初始聚 类中屯、； 步骤6 ;应用优化K均值聚类算法对所有样本进行分类，即可得每个样本的故障部位和 故障程度。【专利摘要】本专利技术考虑风力发电机组齿轮箱振动信号的非平稳特征、故障程度识别与故障部位诊断等重要因素，提出了一种基于LMD(Local mean decomposition，局部均值分解)和优化K均值聚类算法的，该方法首先采集风力发电机组齿轮箱各测点的原始振动加速度信号，然后采用LMD方法将原始振动加速度信号分解为若干个PF(Product function，简称PF)分量，再以相关系数最大为原则选取PF分量进行信号重构，并对重构后的信号进行Hilbert包络解调分析，以便进一步提取故障特征量，最后应用优化K均值聚类算法进行故障部位和故障程度分类。【IPC分类】G01M13-02【公开号】CN104792520【申请号】CN201510166216【专利技术人】郭艳平, 熊宇, 晏华成, 宋国翠, 张远海, 左红英 【申请人】中山火炬职业技术学院【公开日】2015年7月22日【申请日】2015年4月9日本文档来自技高网...
【技术保护点】
一种风力发电机组齿轮箱故障诊断方法，其特征在于，包括以下步骤：步骤1：通过加速度传感器采集原始振动信号，齿轮箱传感器测点包括齿轮箱输入轴轴承、齿轮箱行星齿轮侧、齿轮箱中间轴侧和齿轮箱高速轴轴承各自的水平位置和垂直位置；步骤2：对采集到的原始振动信号按时间标签提取n个样本点，对提取到的原始振动信号x(t)进行LMD方法分解，可得若干个瞬时频率具有物理意义的PF分量，即x(t)=Σi=1nPFi+r]]>式中，x(t)‑原始振动信号时域幅值，PFi‑第i个分量，r‑残余函数；步骤3：依次计算n个PF分量与原始振动信号之间的相似系数，选择相似系数最大的PF分量用于信号重构；步骤4：对重构信号进行Hilbert包络解调分析，并提取故障特征量；步骤5：对所有样本进行上述步骤1‑4的故障特征量提取，并基于数据密度选择初始聚类中心；步骤6：应用优化K均值聚类算法对所有样本进行分类，即可得每个样本的故障部位和故障程度。
【技术特征摘要】
【专利技术属性】
技术研发人员：郭艳平，熊宇，晏华成，宋国翠，张远海，左红英，
申请(专利权)人：中山火炬职业技术学院，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。