摘 要

在生态环境恶化和化石能源枯竭的背景下, 风能产业发展迅速。因此, 状态监测、故障诊断、维护保养确保风机连续、高效运行的重要性日益凸显。齿轮箱运行状态直接影响到风机的可靠性和安全性。齿轮箱的有效监测和故障诊断是一种避免齿轮故障造成的灾难性结果的有效手段。本文以风机传动系统齿轮箱齿轮为研究对象，对其故障诊断技术进行了研究。

论文以风电齿轮箱为研究对象，完成了以下工作：（1）研究了风机齿轮箱传动系统结构及齿轮常见故障形式和故障原因；（2）对常用故障诊断方法（时域、频域、时频域、现代方法）原理进行整理分析；（3）对振动信号进行小波降噪，然后利用主元分析提取特征信号，接着分别采用支持向量机、极限学习机对特征信号进行处理，并将两种方法的结果进行对比。

首先基于对四种不同类型故障的数据进行小波降噪处理，选择主成分分析法对降噪后的数据进行特征降维，最终选择38个主成分作为模式输入。通过对比分析支持向量机和极限学习机对四种不同类型故障的识别效果，支持向量机的分类效果明显优于极限学习机，成功实现四种不同类型故障数据的定性识别。

关键词：故障诊断 风电齿轮箱 支持向量机 极限学习机

Wind power gear box based on vibration signal

Fault diagnosis method research

ABSTRACT

In the context of the deterioration of the ecological environment and the depletion of fossil energy, the wind energy industry has developed rapidly. Therefore, condition monitoring, fault diagnosis, and maintenance ensure the importance of continuous and efficient fan operation. The gear box is one of the main components of the fan drive system. Its operating status directly affects the reliability and safety of the fan. Effective monitoring and fault diagnosis of gearboxes is an effective means of avoiding the catastrophic consequences of gear failures. This paper takes the gearbox gear of the fan drive system as the research object, and studies its fault diagnosis technology.

The paper takes the wind turbine gearbox as the research object and completes the following work: (1) Studying the structure of the drive system of the wind turbine gearbox and the common failure modes of gears and the causes of the faults; (2) The common fault diagnosis methods (time domain, frequency domain, time) Frequency domain, modern method) The principle of finishing analysis; (3) Wavelet noise reduction of vibration signals, and then use the principal component analysis to extract feature signals, and then use support vector machines, extreme learning machine to process the characteristic signal, and the two The results of the methods are compared.

Firstly, based on the wavelet denoise processing of the data of four different types of faults, the principal component analysis method is used to perform feature dimensionality reduction on the denoised data, and finally 38 main components are selected as the mode input. Through the comparative analysis of the recognition effect of the four different types of faults by the support vector machine and the extreme learning machine, the classification effect of the support vector machine is obviously better than that of the limit learning machine, and the four different types of fault data are successfully identified qualitatively.

Keywords: Fault Diagnosis ；Wind Power Gear Box；Support Vector Machine；Extreme Learning Machine

目录

摘要

ABSTRACT

目录

第一章.绪论

1.1课题背景

1.2国内外研究现状

1.2.1国内发展历程

1.2.2国外发展历程

1.2.3 研究现状总结与分析

1.3本文课题内容

1.4技术路线

第二章.

2.1风电齿轮箱结构

2.2风电齿轮箱分类

2.2.1按功率大小分类

2.2.2按结构分类

2.3故障类型及原因

2.4本章小结

第三章 箱故障诊断方法

3.1时域分析

3.2频域分析

3.3时频域分析

3.3.1短时傅里叶变换

3.3.2 Wigner-Ville分布

3.3.3小波分析

3.3.4经验模态分解

3.4现代诊断方法

3.4.1 BP神经网络

3.4.2支持向量机

3.4.3极限学习机

3.5本章小结

第四章.振动信号故障分类

4.1小波降噪

4.2 主元分析（PCA）特征提取

4.3支持向量机（SVM）分类

4.4 极限学习机（ELM）分类

4.5本章小结

参考文献

致谢

第一章.绪论

1.1课题背景

风能是发展最快的可再生能源，它是解决全球能源问题的重要力量。在我的国家，风力发电在电力系统中的份额正在增加，到2020年将占15%，这是继火电、电力和电力之后的第三个能源来源。

作为风机的主要设备，齿轮箱的运行条件对风机有很大的影响。与其他工业齿轮箱相比，风电齿轮箱安装在离地面几十米的机舱上，需要承受变化的强风负荷。统计数字表明,风机由齿轮箱引起的的故障率是。而且由于风力发电机安装在偏远地区，如沿海地区，山区和沙漠地区，当故障时，修理非常困难。

当风电齿轮箱发生故障时，其振动信号表现最为明显，因此常通过对故障风电齿轮箱振动信号特征进行提取来判断齿轮箱故障的严重程度。基于振动信号分析的状态监测与故障诊断技术对于了解风电齿轮箱的性能状态，及早发现隐患，确保其安全运行起着至关重要的作用，而且可以提高设备的运行管理水平，节约维修费用，具有显著的经济效益。

1.2国内外研究现状

1.2.1国内发展历程

在状态监测与故障诊断技术方面我国比国外发展晚。从1980 年到如今，发展开始变快，与其关联的企业、高校和研究所在这方面做出了不懈努力并且取得不错的成果。来自海内外许多学者提出了关于齿轮箱故障诊断的解决方案。 龙泉 、刘永前等人提出了一种风电机组齿轮箱故障诊断方法，该方法基于粒子群优化神经网络，神经网络学习过程中收敛速度慢、易陷入局部最小等缺点，可以通过利用粒子群算法良好的全局搜索能力来弥补^[1]。文献提出一种基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法，时频分析结合时域分析和频域分析的优点，是一种更加有效的诊断方法^[2]。于德介等将原始信号用方法分成个平稳的IMF分量的总和，建立模型并提取残差方差和自回归参数作为分类器的输入参数来识别齿轮的工作状态和故障类型，提出了一种基于和的齿轮故障诊断方法^[3]。

1.2.2国外发展历程

随着现代科技发展，故障诊断技术变得愈加成熟。然而在上世纪六十年代，美国机械故障预防小组在美国国家宇航局(NASA)手中诞生了。其后由于巨大的经济效益，诊断技术从而得到迅速的发展。如美国Bechtel公司发开发了诊断系统用于机械设备诊断。与此同时，美国Radial公司开发了专家系统用于汽轮机主轴振动诊断;美国西屋电气公司建立了故障诊断中心,首先把网络技术在汽轮机故障诊断方面应用，对分布在各个地方的机组进行远程诊断^[4]；美国 Bently Nevada 公司在线监测大型旋转设备状态的 ADRE 系统，在国内也得到很好的应用；瑞士的 MACS 系统可以保持设备的连续运行，其特点是实时数据结合设备管理进行故障预测并检修；丹麦 Bamp;K 公司生产的 Bamp;K2526 便携式振动数据采集分析系统有效测量交通噪声及汽车发动机的振动^[5]。利用普峭度检测齿轮的裂纹是时域分析中最常见的^[6]，但有一定的局限性，该方法只能判断是否出现故障，而故障位置、类型不能确定。

1.2.3 研究现状总结与分析

最近几年国内外故障诊断方法、故障诊断技术以三个方面为主:（1）研究故障诊断模式，如分布式监测诊断系统，远程分布式监测诊断模式等；（2）研究智能诊断方法，如神经网络诊断方法等；（3）研究故障特征量提取与分析，如小波分析等。确保风力发电机以高效率运行的关键技术是风机的状态监测与故障诊断，目前状态监测与故障诊断得到行业关注并且是热门研究方向。风机状态监测与故障诊断想要实现智能化，就需要及时分析风机系统故障并准确制定应对方案，以下研究问题和实际应用还得进一步完善。

相关图片展示：