面向風電齒輪箱的角域振動信號處理與故障診斷方法研究.pdf

1、由于風力的波動性以及風向的不定性，運行于變轉速工況下風電齒輪箱的振動信號表現(xiàn)出典型的非平穩(wěn)性，其處理與分析對于風電齒輪箱的狀態(tài)監(jiān)測與故障診斷具有重要意義。針對實際風電齒輪箱故障損傷試驗研究困難這一現(xiàn)狀，本文在國家自然科學基金項目（編號:51375433）的資助下，按照功率縮小、結構與功能相似的原則搭建了風電齒輪箱模擬試驗臺，以進行風電齒輪箱非平穩(wěn)振動信號處理與故障診斷方法的探索性研究。在試驗臺上，以模擬風電齒輪箱高速級的一級平行軸增速箱

2、為試驗研究對象，對其關于參考軸（輸出軸）轉角的角域振動信號進行了階次譜分析;提出了基于S變換的角域周期性沖擊特征識別與提取方法;針對風電齒輪箱在使用壽命后期與前期分別采用的徑向基函數(shù)(RBF)神經網絡與支持向量機(SVM)智能故障診斷方法進行了研究，其重點在于故障特征向量的提取與基于遺傳算法的故障診斷模型參數(shù)優(yōu)化。
　　為實現(xiàn)時域振動信號的等角度間隔重采樣，從而得到角域振動信號，引入了計算階次譜分析方法，其主要包括重采樣時間點的計

3、算以及對應幅值的插值計算。針對平行軸增速箱在轉速以正弦曲線變化的運行工況下，對其正常狀態(tài)以及小齒輪輪齒局部磨損、局部斷裂、大齒輪輪齒完全磨損與完全斷裂這4種故障狀態(tài)對應的角域振動信號進行了階次譜分析。
　　采用RBF神經網絡實現(xiàn)風電齒輪箱在使用壽命后期的智能故障診斷，并針對網絡隱含層各個節(jié)點中心向量的確定，首先采用了K-均值聚類算法。然后在試驗研究過程中，針對平行軸增速箱在正常以及前述4種故障狀態(tài)下的角域振動信號，提取出了能夠充分

4、反映增速箱故障狀態(tài)信息的角域和階次域故障特征參量，由此組成的故障特征向量作為訓練樣本和測試樣本，分別對網絡進行訓練與分類性能測試。最后為了提高網絡的分類準確率，采用實數(shù)編碼的遺傳算法對網絡隱含層各個節(jié)點的中心向量進行了優(yōu)化。
　　利用S變換對風電齒輪箱在故障損傷狀態(tài)下的角域振動信號進行譜分析，以檢測其中的角域周期性沖擊特征。而為了抑制角域振動信號中的噪聲干擾，突出沖擊特征，對角域振動信號的S變換譜分別迸行了算法平均化與幾何平均化處

5、理。
　　針對風電齒輪箱在故障損傷狀態(tài)下的角域振動信號，提出了基于S變換譜降噪的角域周期性沖擊特征提取方法。在S變換譜的奇異值分解(SVD)降噪過程中，以譜系數(shù)矩陣作為SVD處理所需的數(shù)據(jù)矩陣，利用奇異值差分譜來確定奇異值序列的置零閾值，最后將降噪后的譜進行S逆變換，重構得到角域的沖擊特征。在S變換譜的閩值收縮降噪過程中，采用步長迭代算法估計最優(yōu)閾值，并對譜系數(shù)按照模值大小分別以硬閾值函數(shù)、軟閩值函數(shù)進行收縮，最終同樣將降噪后的譜

6、經S逆變換重構得到角域沖擊特征。
　　采用SVM實現(xiàn)風電齒輪箱在使用壽命前期的智能故障診斷。作為試驗研究，首先利用S變換譜算術平均化方法，針對平行軸增速箱在正常以及前述4種故障狀態(tài)下的角域振動信號分別構建了標準S變換譜。然后利用各狀態(tài)下角域振動信號的S變換譜與5幅標準譜之間的余弦相似度和相關系數(shù)組成故障特征向量，以此作為訓練樣本和測試樣本，分別對由5個二分類SVM組成的5分類SVM進行訓練與分類性能測試。最后采用遺傳算法對各個二分