CN108507787A - 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 - Google Patents
基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 Download PDFInfo
- Publication number
- CN108507787A CN108507787A CN201810689692.3A CN201810689692A CN108507787A CN 108507787 A CN108507787 A CN 108507787A CN 201810689692 A CN201810689692 A CN 201810689692A CN 108507787 A CN108507787 A CN 108507787A
- Authority
- CN
- China
- Prior art keywords
- wind power
- speed increase
- vibration
- gear speed
- noise
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 20
- 239000012530 fluid Substances 0.000 claims abstract description 73
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 239000008186 active pharmaceutical agent Substances 0.000 claims abstract description 23
- 238000002474 experimental method Methods 0.000 claims abstract description 22
- 238000009958 sewing Methods 0.000 claims abstract description 20
- 230000001133 acceleration Effects 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 4
- 230000007257 malfunction Effects 0.000 claims description 29
- 239000006061 abrasive grain Substances 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012952 Resampling Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000008901 benefit Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000011068 loading method Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000003921 particle size analysis Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 13
- 239000000284 extract Substances 0.000 abstract description 10
- 239000003921 oil Substances 0.000 description 32
- 230000008878 coupling Effects 0.000 description 15
- 238000010168 coupling process Methods 0.000 description 15
- 238000005859 coupling reaction Methods 0.000 description 15
- 230000005611 electricity Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 8
- 230000001050 lubricating effect Effects 0.000 description 8
- 238000009434 installation Methods 0.000 description 7
- 239000010687 lubricating oil Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006378 damage Effects 0.000 description 5
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000306 component Substances 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法,解决了风电行星齿轮增速箱故障诊断所面临的检测方法单一、随机风载特殊工况、换油干扰的问题,具有故障诊断准确性高的有益效果,其方案如下:试验平台包括:设置待测风电齿轮增速箱的试验台基座,待测风电齿轮增速箱周侧设置振动加速度传感器、噪声信号传感器,待测风电齿轮增速箱周侧与油液信息检测传感器连接,各传感器与数据采集模块分别单独连接,评估方法能够针对随机风载工况提取振动特征指标,提取噪声特征指标,针对换油干扰问题提取油液特征指标,从而建立了基于深度学习和DS证据理论的振动‑噪声‑油液特征融合评估模型。
Description
技术领域
本发明涉及变速箱检测技术领域,更具体地说涉及一种基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法。
背景技术
随着风力发电场的大规模建成,风力发电机组已进入故障频发期。大多风场处于边远地带,风机之间距离较远,风机机身较高,不能便利地进行设备巡检,停机检修成本也极高,因此现行的大部分风场都是执行每半年一次的计划性检修维护。目前,风机的故障预警与诊断方式主要依赖于风电场主监控室的SCADA***,根据采集到的大量数据,集中监测和控制风电场的全部风机;但无法准确诊断风力发电机的早期故障,急需更加智能可靠的故障诊断方法。
风力发电机的智能监测与健康维护是风电发展的重要保障,行星齿轮增速箱是风力发电机的核心部件,在长期随机风载工况下部件内各齿轮易产生点蚀、裂纹、磨损等典型早期损伤,潜在巨大危害。据统计,风电设备中最易发生齿轮故障,所占比重为60%,并且齿轮箱检修的时间、经济成本极高。因此,开展风电行星齿轮增速箱早期故障诊断研究,可以提高故障诊断准确率,防患于未然,并节约时间和检修成本,符合风电能源产业安全健康发展的需求,具有广阔的市场需求和产业化前景。
振动检测和油液监测是常用的故障诊断方法。但在振动检测方面,由于风力发电机受随机风载的影响,风力发电机行星齿轮增速箱的输入转速是波动的,因此风电行星齿轮增速箱振动信号的非平稳性特征非常显著,传统的振动信号故障特征提取手段无法很好地对非平稳信号进行分析;在油液监测方面,由于风电行星齿轮增速箱更换润滑油时会引起油液中磨粒数量的急剧变化(即换油干扰问题),所以传统的磨粒数量特征指标无法准确反映风电行星齿轮增速箱的实际故障状态。
另一方面,传统的风力发电机行星齿轮增速箱故障诊断检测方法往往比较单一,仅通过单一检测手段所获得的数据无法准确反映行星齿轮增速箱的故障状态,检测结果存在不确定性;而且单一检测手段所反映出的故障特征信息不全面,仅能从单一层面上进行故障提取和分析,无法对行星齿轮增速箱的故障状态进行多角度多层次的全面性评估。因此缺乏一种多信息特征融合的风电行星齿轮箱故障状态检测评估方法,也缺少相应的风电行星齿轮增速箱故障诊断试验平台来提供便捷的测试数据支撑。
综上所述,针对风电行星齿轮增速箱故障诊断所面临的检测方法单一、随机风载特殊工况、换油干扰等问题,研发风电行星齿轮增速箱故障诊断试验平台以及全面、准确、智能的多信息特征融合检测评估方法,具有重要意义。
发明内容
为了克服现有技术的不足,本发明提供了基于多特征融合的风电齿轮增速箱故障诊断试验平台,该试验平台利用振动、油液、噪声三种检测手段进行故障信息并行采集,可实现对故障信息进行分析处理,从这三个方面充分表征齿轮损伤的类型和程度,不仅大大提高了故障诊断的准确性,而且从不同角度更加充分地对故障特征进行了提取分析。
此外,本发明提供一种基于振动-噪声-油液特征融合的风电行星齿轮箱故障状态检测评估方法,这种多特征信息融合的故障检测评估方法,能够针对随机风载工况提取振动特征指标,提取噪声特征指标,针对换油干扰问题提取油液特征指标,从而建立了基于深度学习和DS证据理论的振动-噪声-油液特征融合评估模型,有利于提高风电行星齿轮增速箱故障诊断的全面性、智能性和准确性。
基于多特征融合的风电齿轮增速箱故障诊断试验平台的具体方案如下:
基于多特征融合的风电齿轮增速箱故障诊断试验平台,包括:
试验台基座,表面可设置待测风电齿轮增速箱,待测风电齿轮增速箱输出轴设置负载,负载通过定轴齿轮箱与待测风电齿轮增速箱连接,风电齿轮增速箱输入轴通过减速箱与伺服电机连接,伺服电机通过伺服电机安装座设于试验台基座,伺服电机与PLC控制器连接;
待测风电行星齿轮增速箱与振动信号检测模块、油液信息检测模块和噪声检测模块分别相连;所述振动信号检测模块、油液信息检测模块和噪声检测模块分别与PLC控制器相连。
该试验平台通过使用振动信号等角度采样的技术手段,对非平稳振动信号进行故障特征提取分析,可以有效降低转速波动对风电齿轮增速箱振动信号故障特征提取分析准确性的影响。
进一步地,所述油液信息检测模块包括温度传感器、在线介电常数传感器、在线粘度传感器、在线磨粒监测传感器和CMOS磨粒图像传感器。其中,各个传感器依次通过螺纹连接安装在风电行星齿轮增速箱润滑***的油管T型三通接口,并将检测到的润滑油温度信息、润滑油含水率信息、润滑油粘度信息、磨损磨粒粒径信息和磨损磨粒类型信息传送至数据采集模块。
进一步地,所述待测风电齿轮增速箱一端通过油管依次与精过滤器、油泵、粗过滤器、冷却器和所述的油液信息检测模块连接,油管连接至待测风电齿轮增速箱的另一端。
进一步地,所述油液信息检测传感器通过螺纹安装在待测风电齿轮增速箱端侧油管的接口处。
进一步地,振动信号检测模块,包括脉冲信号采集装置、若干振动加速度传感器,脉冲信号采集装置为安装在待测风电齿轮增速箱输入轴的光电编码器,振动加速度传感器分别安装在风电齿轮增速箱两端的轴承座和箱体,振动加速度传感器和脉冲信号采集装置将所采集到的等角度重采样振动信号,传送至数据采集模块(如数据采集卡)。
进一步地,所述PLC控制器与伺服驱动器连接,伺服驱动器控制伺服电机运行;所述伺服电机带有内置编码器,内置编码器将伺服电机运转参数反馈给PLC控制器,从而实现对伺服电机转速转矩的闭环控制。
工控机与PLC控制器连接,PLC控制器与油泵连接,直接控制油泵的启动与关闭,PLC控制器与负载连接。工控机向PLC控制器发出控制参数,所述PLC控制器经过计算后给出控制参数并发送给伺服驱动器,所述伺服驱动器控制伺服电机运行;所述伺服电机上带有内置编码器,将电机运转参数反馈给控制单元,从而实现对伺服电机转速转矩的闭环控制。
工控机集成了伺服电机调速软件***、负载调节软件***、故障诊断软件***。进行检测时,可通过工控机启动试验平台的所有设备。
具体地,待测风电行星齿轮增速箱左侧的输入轴通过第二联轴器与前置减速箱的输出轴相连;所述前置减速箱左侧的输入轴通过第一联轴器与伺服电机的输出轴相连;所述待测风电行星齿轮增速箱右侧的输出轴通过第三联轴器与定轴齿轮箱左侧的输入轴相连;所述定轴齿轮箱右侧的输出轴通过第四联轴器与负载相连,定轴齿轮箱安装座和负载安装座为带腰形导向孔和锥形定位销孔的实体结构。
进一步地,所述待测风电齿轮增速箱通过风电齿轮增速箱安装座设于所述试验台基座,负载通过负载安装座设于试验台基座,定轴齿轮箱通过定轴齿轮箱安装座设于试验台基座,减速箱通过减速箱座设于试验台基座。
进一步地,所述风电齿轮增速箱安装座、负载安装座、定轴齿轮箱安装座和减速箱座分别通过螺栓与试验台基座可拆卸连接。各个安装座为带腰形导向孔和锥形定位销孔的实体结构,安装座设有凹槽用于固定相应的机构。
此外,试验平台还包括与电源模块,电源模块与伺服电机、振动加速度传感器、噪声信号传感器、油液信息检测传感器和PLC控制器分别单独连接以供电。
通过对风场随机风载数据的采集,对不同工况下的风力载荷进行仿真建模分析,得出对应的随机风力载荷谱。因为研究对象是风电行星齿轮增速箱,风电行星齿轮增速箱输入端只有一个转速转矩信号,为了简化试验过程,避免不必要的资源浪费,因此只需要将得出的随机风力载荷谱核算成风力发电机传动链中风电行星齿轮增速箱输入端的转速转矩信号。但是风电行星齿轮增速箱输入端的转速转矩信号具有低转速大转矩的特点,这种信号不易通过机械设备直接产生和调节,可以采用在风电行星齿轮增速箱前端增加减速器的方式进行逆向“升速降矩”,将低转速大转矩信号转换为高转速小转矩信号进行控制,并将此信号作为试验平台的原始输入控制信号,即本试验平台驱动电机需要模拟的随机风载信号。随机风载信号控制***由工控机、PLC控制器、伺服驱动器、伺服电机四部分组成。***运行时,根据试验需求在工控机输入信号参数,工控机向PLC控制器发出控制参数,PLC控制器经过计算后给出控制参数,使伺服驱动器控制伺服电机运行;伺服电机上带有编码器,将电机运转参数反馈给控制单元,从而实现对伺服电机转速转矩的闭环控制。
在试验平台的搭建安装过程中,影响平台测量精度的主要装配误差为试验平台中驱动电机、风电行星齿轮增速箱、负载电机各输入输出轴在装配时所产生的同轴度误差。当同轴度误差不符合配合标准时,在设备运行过程中会带来严重的噪声、振动和柔性冲击,对旋转机械各零部件带来不可逆损伤,严重影响整机的使用寿命。从试验的角度考虑,会为试验数据的采集工作带来干扰,甚至影响数据的准确性。为了减小各旋转轴配合时的同轴度误差,除了在设计和加工试验台架安装基座的过程中优化结构和设计参数、改善各配合面的加工精度,还增加了模块化可调装置。在所有旋转机构的基座安装模块上,设计了水平方向上可精准对中的定位结构,可以有效改善设备在装配过程中的定位与调试工作的强度,实现精准定位安装。风电行星齿轮增速箱安装座上的螺栓定位孔加工成腰形导向孔使其在安装时可以沿垂直于传动轴的水平方向上导向微调,然后利用安装座设计的定位销连接将风电齿轮箱的装配位置精确定位,最后拧紧安装座上的各定位螺栓完成风电行星齿轮增速箱安装座在试验台基座上的装配。
本风电行星齿轮增速箱试验平台集成多种故障特征采集方案,利用振动、油液、噪声三种检测手段进行故障信息并行采集,并在工控故障诊断***中对故障信息进行分析处理,从这三个方面充分表征行星齿轮增速箱的故障状态。
风电行星齿轮增速箱的输入轴每旋转一个采样角度,光电编码器采集到一次转速脉冲,脉冲信号被传送到工控机;工控机接收到转速脉冲信号,向加速度振动信号传感器发出采集指令对风电行星齿轮增速箱的加速度振动信号进行一次采集;此时采集到的加速度振动信号即为风电行星齿轮增速箱的等角度重采样振动信号,所采集到的等角度重采样振动信号被传送至数据采集模块(与工控机连接)。
为了克服现有技术的不足,本发明还提供了一种基于振动-噪声-油液特征融合的风电行星齿轮箱故障状态检测评估方法,包括以下步骤:
1)针对随机风载工况的振动特征指标提取;
2)噪声特征指标提取;
3)针对换油干扰问题的油液特征指标提取;
4)基于深度学习和DS证据理论的振动-噪声-油液特征融合评估模型的建立;
5)风电行星齿轮增速箱故障状态的诊断评估。
所述步骤1)的具体步骤如下:
1-1)通过试验平台的振动信号检测模块,获得较平稳的等角度重采样振动信号数据;
1-2)基于完备集合经验模态分解方法,将等角度重采样振动信号分解为一系列的本征模式分量;
1-3)根据峭度准则筛选出最优IMF信号,达到滤波去噪的目的;
1-4)对最优IMF信号进行傅里叶变换,得到故障阶次特征谱图,并首次将其作为训练和构建深度神经网络评估模型的振动特征指标。
所述步骤2)的具体步骤如下:
2-1)通过试验平台的噪声信号检测模块,获得风电行星齿轮增速箱的噪声信号数据;
2-2)基于声学计算分析方法,获得噪声信号的声压级和倍频程频谱图,并将其作为噪声特征指标;
所述步骤3)的具体步骤如下:
3-1)通过试验平台的油液信息检测模块,获得油液信息数据库;
3-2)基于铁谱分析方法计算不同类型的磨粒的数量占总磨粒数量的百分比;
3-3)基于激光粒度分析方法计算不同粒径的磨粒的数量占总磨粒数量的百分比;
3-4)将受换油干扰影响较小的磨粒类型分布比例特征和磨粒粒径分布比例特征,作为油液特征指标。
所述步骤4)的具体步骤如下:
4-1)建立训练样本集Φ,如式(1)所示,其中Φx为第x个训练样本,Vx,Nx,Ox分别代表第x个训练样本的各种单一特征指标:振动特征指标、噪声特征指标、油液特征指标;
4-2)基于深度学习在图像识别、机器学习、大数据处理分析等方面的显著优势,分别将训练样本集中的各种单一特征指标作为输入量,训练并构建各种单一特征指标的深度神经网络评估模型;模型的输出量是风电行星齿轮增速箱故障状态;
4-3)将DS证据理论中的识别框架引入到深度神经网络评估模型,并参照深度神经网络评估模型的输出量,确定风电行星齿轮增速箱的故障状态识别框架Θ={F1,F2,…,Fn},其中F1,F2,…,Fn代表风电行星齿轮增速箱的n种故障状态;
4-4)基于DS证据理论在多源特征信息融合方面的优势,设计多特征的深度学习-DS证据理论融合决策规则,其关键在于结合各种单一特征指标的深度神经网络评估模型来描述可信度分配函数,如式(2)所示:
mi(F1,F2,…,Fn,Θ)=(piqi1,piqi2,…,piqin,1-pi) (2)
式中,mi代表第i种单一特征指标的深度神经网络模型的评估结果可信度分配函数,i=1,2,…,k,并且k为振动、噪声、油液等特征指标的总数;pi代表第i种单一特征指标的深度神经网络模型的评估结果准确率;qij代表第i种单一特征指标的深度神经网络模型将样本评估为第j种故障状态的可信度,j=1,2,…,n;
对于故障状态识别框架Θ中的任意故障状态Fj,多特征的深度学习-DS证据理论融合决策规则可用式(3)和式(4)表示:
式中,对于各种单一特征指标的深度神经网络模型,可将其训练样本集的评估结果准确率作为pi值;qij值则可根据深度神经网络模型的评估结果统计确定。
步骤5)的具体步骤如下:
通过试验平台不断采集新的振动、噪声、油液试验数据,然后分别提取其振动特征指标、噪声特征指标、油液特征指标,组成新的待测样本,并输入前面所建立的基于深度学习和DS证据理论的振动-噪声-油液特征融合评估模型,该模型即可输出行星齿轮增速箱此刻的故障状态,从而实现风电行星齿轮增速箱故障状态的全面、准确、智能诊断评估。
与现有技术相比,本发明的有益效果是:
1)本发明提供一种随机风载工况下多手段检测、综合提取故障特征的风力发电机行星齿轮箱试验平台,该试验平台集成多种故障特征采集方案,利用振动、油液、噪声三种检测手段进行故障信息并行采集,并在工控故障诊断***中对故障信息进行分析处理,从这三个方面充分表征齿轮损伤的类型和程度。这种多信息融合的故障诊断方法不仅大大提高了故障诊断的准确性,而且从不同角度更加充分地对故障特征进行了提取分析。
2)本发明提供一种有效减小旋转机构输入、输出轴之间的同轴度误差的面向装配的试验台架设计。在设计和加工实验台架安装基座的过程中优化结构和设计参数、改善各配合面的加工精度,还增加了模块化可调装置。在所有旋转机构的基座安装模块上,设计了水平方向上可精准对中的定位结构,可以有效改善设备在装配过程中的定位与调试工作的强度,实现精准定位安装。
3)本发明提供一种基于随机风载的风力发电机行星齿轮增速箱试验平台振动检测模块,该模块可以采集风电行星齿轮增速箱的等角度重采样振动信号,从而有效降低转速波动对风电行星齿轮增速箱振动信号故障特征提取分析准确性的影响;
4)本发明提供一种油液检测模块,包括温度传感器、在线介电常数传感器、在线粘度传感器、在线磨粒监测传感器和CMOS磨粒图像传感器,通过螺纹连接分别安装在变速箱润滑***的油管T型三通接口上,以实现风电齿轮增速箱润滑***的润滑状态及磨损状态(包括磨损类型和磨损程度)的在线监测,同时这种安装方式有益于维护和更换故障传感器以实现检测模块的升级。
5)采用在风电齿轮增速箱前端增加减速器的方式进行逆向“升速降矩”,将低转速大转矩信号转换为高转速小转矩信号进行控制,很好的模拟了随机风力载荷谱核算出的风力发电机传动链中风电齿轮增速箱输入端低转速大转矩信号,并将此信号作为试验平台的原始输入控制信号。简化了试验过程,避免不必要的资源浪费。
6)本发明提供一种基于振动-噪声-油液特征融合的风电行星齿轮箱故障状态检测评估方法,这种多特征信息融合的故障检测评估方法,能够针对随机风载工况提取振动特征指标,提取噪声特征指标,针对换油干扰问题提取油液特征指标,从而建立了基于深度学习和DS证据理论的振动-噪声-油液特征融合评估模型,有利于提高风电行星齿轮增速箱故障诊断的全面性、智能性和准确性。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1是本发明正面结构示意图;
图2是本发明俯视结构示意图;
图3是风电齿轮增速箱润滑***示意图;
图4是油液信息检测模块示意图;
图5是数据采集***示意图;
图6是伺服电机控制***示意图;
图7是风电齿轮增速箱故障诊断试验平台方案设计示意图。
图8是一种基于振动-噪声-油液特征融合的风电行星齿轮箱故障状态检测评估流程图;
其中,1、负载固定架;2、负载;3、第四联轴器;4、定轴齿轮箱;5、第三联轴器;6、待测风电齿轮增速箱;7、振动加速度传感器;8、第二联轴器;9、前置减速箱;10、第一联轴器;11、伺服电机;12、伺服电机固定架;13、试验台基座;14、伺服电机安装座;15、前置减速箱安装座;16、待测风电齿轮增速箱安装座;17、定轴齿轮箱安装座;18、负载安装座;19、光电编码器;20、光电编码器安装座;21、第五联轴器;22、PLC控制器;23、油液信息传感器;24、噪声信号传感器;25、数据采集模块;26、工控机;27、伺服驱动器;28、溢流阀;29、精过滤器;30、油泵;31、粗过滤器;32、冷却器;33、CMOS磨粒图像传感器;34、在线磨粒监测传感器;35、在线粘度传感器;36、在线介电常数传感器;37、温度传感器。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,现有技术中存在的不足,为了解决如上的技术问题,本申请提出了基于多特征融合的风电齿轮增速箱故障诊断试验平台。
本申请的一种典型的实施方式中,如图1所示,基于多特征融合的风电齿轮增速箱故障诊断试验平台,包括试验台基座13,试验台基座13上设有风电齿轮增速箱安装座16;风电齿轮增速箱安装座16上装配有待测风电齿轮增速箱6,待测风电齿轮增速箱6左侧的输入轴通过第二联轴器8与前置减速箱9的输出轴相连;前置减速箱9左侧的输入轴通过第一联轴器10与伺服电机11的输出轴相连;待测风电齿轮增速箱6右侧的输出轴通过第三联轴器5与定轴齿轮箱4左侧的输入轴相连;定轴齿轮箱4右侧的输出轴通过第四联轴器3与负载相连;定轴齿轮箱4右侧的输入轴延长轴末端通过第五联轴器21与光电编码器19相连。
电源模块为风电齿轮增速箱故障诊断试验台架的整个装置提供电源;所述负载2选择磁粉制动器。
伺服电机安装座14、前置减速箱安装座15、风电齿轮增速箱安装座16、定轴齿轮箱安装座17和负载安装座18为带腰形导向孔和锥形定位销孔的实体结构。
伺服电机11通过螺栓连接的方式固定在伺服电机固定架12,所述伺服电机固定架12通过螺栓连接的方式固定在伺服电机安装座14。
前置减速箱9通过螺栓连接的方式固定在前置减速箱安装座15。风电齿轮增速箱6通过螺栓连接的方式固定在风电齿轮增速箱安装座16。定轴齿轮箱4通过螺栓连接的方式固定在定轴齿轮箱安装座17。光电编码器19通过螺栓连接的方式固定在光电编码器安装座20。负载2通过螺栓连接的方式固定在负载固定架1,所述负载固定架1通过螺栓连接的方式固定在负载安装座18。
伺服电机安装座14、前置减速箱安装座15、风电齿轮增速箱安装座16、定轴齿轮箱安装座17、光电编码器安装座20和负载安装座18均通过螺栓连接的方式固定在试验台基座13。
待测风电齿轮增速箱6的一端通过油管依次与溢流阀28、精过滤器29、油泵30、粗过滤器31、冷却器32和油液信息检测模块连接,最后油管连接至待测风电齿轮增速箱6的另一端,构成风电齿轮增速箱润滑***;油泵30与研华IPC-610L工控机26相连。
噪声信号检测模块包括噪声信号传感器24,噪声信号传感器24安装在待测风电齿轮增速箱箱体,将所采集到的噪声信号传送至数据采集模块25,进而传送至研华IPC-610L工控机26。
油液信息检测模块,包括温度传感器37、在线介电常数传感器36、在线粘度传感器35、在线磨粒监测传感器34和CMOS磨粒图像传感器33,将其依次通过螺纹连接安装在风电齿轮增速箱润滑***的油管T型三通接口上,并将检测到的润滑油温度信息、润滑油含水率信息、润滑油粘度信息、磨损磨粒粒径信息和磨损磨粒类型信息传送至西门子S7-200PLC控制器22的数据采集模块25,并传送至研华IPC-610L工控机26。
所述振动信号检测模块,包括脉冲信号采集装置、若干振动加速度传感器7,脉冲信号采集装置为安装在待测风电行星齿轮增速箱输入轴上的光电编码器19,振动加速度传感器7分别安装在待测风电行星齿轮增速箱6两端的轴承座和箱体上。振动加速度传感器和脉冲信号采集装置将所采集到的等角度重采样振动信号,传送至数据采集模块25,进而传送至研华IPC-610L工控机26。
研华IPC-610L工控机向西门子S7-200PLC控制器发出控制参数,西门子S7-200PLC控制器经过计算后给出控制参数并发送给伺服驱动器27,所述伺服驱动器27控制伺服电机11运行;伺服电机11上带有内置编码器,将电机运转参数反馈给控制单元,从而实现对伺服电机11转速转矩的闭环控制。
对待测风电齿轮增速箱6进行检测时,首先根据待测风电齿轮增速箱6尺寸设计合适的测风电齿轮增速箱安装座16,并调整待测风电齿轮增速箱安装座16和伺服电机安装座14、前置减速箱安装座15、定轴齿轮箱安装座17及负载安装座18在试验台基座13上的位置,分别沿腰型导向孔调整固定在试验台基座13,然后将待测风电齿轮增速箱6放置在测风电齿轮增速箱安装座16,用螺栓固定好,将待测风电齿轮增速箱6的输入轴和输出轴分别用第二联轴器8和第三联轴器5连接好,最后将待测风电齿轮增速箱6的润滑油进/出口与风电齿轮增速箱润滑***中对应的油管连接,将振动加速度传感器7放置在待测风电齿轮增速箱6的相应位置。电源模块为风电齿轮增速箱故障诊断试验台架的整个装置提供电源。
研华IPC-610L工控机26集成了伺服电机调速软件***、负载调节软件***、故障诊断软件***。进行检测时,可通过研华IPC-610L工控机启动试验平台的所有设备。
同时,光电编码器19、噪声信号传感器24、温度传感器37、在线介电常数传感器36、在线粘度传感器35、在线磨粒监测传感器34和CMOS磨粒图像传感器33和振动加速度传感器7将测到的数据通过数据线传送给数据采集模块25,并传送至研华IPC-610L工控机26,研华IPC-610L工控机26将对采集数据进行处理分析,检测人员根据处理分析后的加速度振动信号、油液信息和噪声信号对风电齿轮增速箱6进行检测。本发明将风电齿轮增速箱的加速度振动信号、油液信息和噪声信号综合起来考虑,实现了对风电齿轮增速箱更准确的检测。
此外,本发明还提供了一种基于振动-噪声-油液特征融合的风电行星齿轮箱故障状态检测评估方法,包括以下步骤:
1)针对随机风载工况的振动特征指标提取;
2)噪声特征指标提取;
3)针对换油干扰问题的油液特征指标提取;
4)基于深度学习和DS证据理论的振动-噪声-油液特征融合评估模型的建立;
5)风电行星齿轮增速箱故障状态的诊断评估。
具体步骤如下:
1)针对随机风载工况的振动特征指标提取;
首先,通过试验平台的振动信号检测模块,获得较平稳的等角度重采样振动信号数据;然后,基于完备集合经验模态分解方法(complete ensemble empirical modedecomposition with adaptive noise,简称CEEMDAN),将等角度重采样振动信号分解为一系列的本征模式分量(intrinsic mode function,简称IMF);随后,根据峭度准则筛选出最优IMF信号,达到滤波去噪的目的;最后,对最优IMF信号进行傅里叶变换,得到故障阶次特征谱图,并首次将其作为训练和构建深度神经网络评估模型的振动特征指标。
2)噪声特征指标提取;
首先,通过试验平台的噪声信号检测模块,获得风电行星齿轮增速箱的噪声信号数据;然后,基于声学计算分析方法,获得噪声信号的声压级和倍频程频谱图,并将其作为噪声特征指标。
3)针对换油干扰问题的油液特征指标提取;
风电行星齿轮增速箱更换润滑油时会引起油液中磨粒数量的急剧变化(即换油干扰问题),导致传统的磨粒数量特征指标无法准确反映风电行星齿轮增速箱的实际故障状态;但在同一磨损状态下,不同磨损类型和粒径的磨粒仍会按照换油之前的比例组成进入油液中,所以提取油液中的磨粒类型比例和磨粒粒径比例特征指标是解决换油干扰问题的突破点。
首先,通过试验平台的油液信息检测模块,获得油液信息数据库;然后,基于铁谱分析方法计算不同类型的磨粒(正常磨损磨粒、严重滑动磨粒、切削磨粒、疲劳磨损磨粒、氧化磨粒)的数量占总磨粒数量的百分比;随后,基于激光粒度分析方法计算不同粒径的磨粒(粒径0-10μm、粒径10-30μm、粒径30-50μm、粒径50-100μm、粒径100μm以上)的数量占总磨粒数量的百分比;最后,将受换油干扰影响较小的磨粒类型分布比例特征和磨粒粒径分布比例特征,作为油液特征指标。
4)基于深度学习和DS证据理论的振动-噪声-油液特征融合评估模型的建立;
为提高上述振动、噪声、油液特征指标的利用率,集成振动特征指标在故障定位分析方面的敏感优势、噪声特征指标在噪声源头定位方面的敏感优势以及油液特征指标在故障定量分析方面的敏感优势,更全面、准确、智能地评估行星齿轮增速箱的故障状态,需要综合应用机器学习、多源信息融合等智能技术,建立有效的振动-噪声-油液特征融合评估模型。具体方案如下:
(1)建立训练样本集Φ,如式(1)所示,其中Φx为第x个训练样本,Vx,Nx,Ox分别代表第x个训练样本的各种单一特征指标:振动特征指标、噪声特征指标、油液特征指标。
(2)基于深度学习在图像识别、机器学习、大数据处理分析等方面的显著优势,分别将训练样本集中的各种单一特征指标(振动特征指标、噪声特征指标、油液特征指标)作为输入量,训练并构建各种单一特征指标的深度神经网络评估模型;模型的输出量是风电行星齿轮增速箱故障状态(如齿轮磨损、齿轮裂纹、轴承磨损等)。
(3)将DS证据理论中的识别框架引入到深度神经网络评估模型,并参照深度神经网络评估模型的输出量,确定风电行星齿轮增速箱的故障状态识别框架Θ={F1,F2,…,Fn},其中F1,F2,…,Fn代表风电行星齿轮增速箱的n种故障状态。
(4)基于DS证据理论在多源特征信息融合方面的优势,设计多特征的深度学习-DS证据理论融合决策规则,其关键在于结合各种单一特征指标的深度神经网络评估模型来描述可信度分配函数,如式(2)所示:
mi(F1,F2,…,Fn,Θ)=(piqi1,piqi2,…,piqin,1-pi) (2)
式中,mi代表第i种单一特征指标的深度神经网络模型的评估结果可信度分配函数,i=1,2,…,k,并且k为振动、噪声、油液等特征指标的总数;pi代表第i种单一特征指标的深度神经网络模型的评估结果准确率;qij代表第i种单一特征指标的深度神经网络模型将样本评估为第j种故障状态的可信度,j=1,2,…,n。
对于故障状态识别框架Θ中的任意故障状态Fj,多特征的深度学习-DS证据理论融合决策规则可用式(3)和式(4)表示:
式中,对于各种单一特征指标的深度神经网络模型,可将其训练样本集的评估结果准确率作为pi值;qij值则可根据深度神经网络模型的评估结果统计确定。
(5)通过测试样本集,对各种单一特征指标的深度神经网络评估模型进行测试与修正,并完善多特征的深度学习-DS证据理论融合决策规则;从而建立了基于深度学习和DS证据理论的振动-噪声-油液特征融合评估模型。
5)风电行星齿轮增速箱故障状态的诊断评估
通过试验平台不断采集新的振动、噪声、油液试验数据,然后分别提取其振动特征指标、噪声特征指标、油液特征指标,组成新的待测样本,并输入前面所建立的基于深度学习和DS证据理论的振动-噪声-油液特征融合评估模型,该模型即可智能自主地输出行星齿轮增速箱此刻的故障状态,从而实现风电行星齿轮增速箱故障状态的全面、准确、智能诊断评估。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.基于多特征融合的风电齿轮增速箱故障诊断试验平台,其特征在于,包括:
试验台基座,表面可设置待测风电齿轮增速箱,待测风电齿轮增速箱输出轴设置负载,负载通过定轴齿轮箱与待测风电齿轮增速箱连接,待测风电齿轮增速箱输入轴通过减速箱与伺服电机连接,伺服电机通过伺服电机安装座设于试验台基座,伺服电机与PLC控制器连接;
待测风电行星齿轮增速箱与振动信号检测模块、油液信息检测模块和噪声检测模块分别相连;所述振动信号检测模块、油液信息检测模块和噪声检测模块分别与PLC控制器相连。
2.根据权利要求1所述的基于多特征融合的风电齿轮增速箱故障诊断试验平台,其特征在于,所述油液信息检测模块包括温度传感器、在线介电常数传感器、在线粘度传感器、在线磨粒监测传感器和CMOS磨粒图像传感器。
3.根据权利要求1所述的基于多特征融合的风电齿轮增速箱故障诊断试验平台,其特征在于,所述待测风电齿轮增速箱一端通过油管依次与精过滤器、油泵、粗过滤器、冷却器和所述的油液信息检测模块连接,油管连接至待测风电齿轮增速箱的另一端。
4.根据权利要求1所述的基于多特征融合的风电齿轮增速箱故障诊断试验平台,其特征在于,所述待测风电齿轮增速箱通过风电齿轮增速箱安装座设于所述试验台基座,负载通过负载安装座设于试验台基座,定轴齿轮箱通过定轴齿轮箱安装座设于试验台基座,减速箱通过减速箱座设于试验台基座。
5.根据权利要求1所述的基于多特征融合的风电齿轮增速箱故障诊断试验平台,其特征在于,所述振动信号检测模块,包括脉冲信号采集装置、若干振动加速度传感器,脉冲信号采集装置为安装在待测风电齿轮增速箱输入轴的光电编码器,振动加速度传感器分别安装在风电齿轮增速箱两端的轴承座和箱体,振动加速度传感器和脉冲信号采集装置将所采集到的等角度重采样振动信号,传送至数据采集模块。
6.根据权利要求1所述的基于多特征融合的风电齿轮增速箱故障诊断试验平台,其特征在于,所述PLC控制器与伺服驱动器连接,伺服驱动器控制所述伺服电机运行;所述伺服电机带有内置编码器,内置编码器将伺服电机运转参数反馈给PLC控制器,从而实现对伺服电机转速转矩的闭环控制。
7.一种基于振动-噪声-油液特征融合的风电行星齿轮箱故障状态检测评估方法,其特征在于,包括以下步骤:
1)针对随机风载工况的振动特征指标提取;
2)噪声特征指标提取;
3)针对换油干扰问题的油液特征指标提取;
4)基于深度学习和DS证据理论的振动-噪声-油液特征融合评估模型的建立;
5)风电行星齿轮增速箱故障状态的诊断评估。
8.根据权利要求7所述的一种基于振动-噪声-油液特征融合的风电行星齿轮箱故障状态检测评估方法,其特征在于,所述步骤1)的具体步骤如下:
1-1)通过试验平台的振动信号检测模块,获得较平稳的等角度重采样振动信号数据;
1-2)基于完备集合经验模态分解方法,将等角度重采样振动信号分解为一系列的本征模式分量;
1-3)根据峭度准则筛选出最优IMF信号,达到滤波去噪的目的;
1-4)对最优IMF信号进行傅里叶变换,得到故障阶次特征谱图,并首次将其作为训练和构建深度神经网络评估模型的振动特征指标。
9.根据权利要求7所述的一种基于振动-噪声-油液特征融合的风电行星齿轮箱故障状态检测评估方法,其特征在于,所述步骤2)的具体步骤如下:
2-1)通过试验平台的噪声信号检测模块,获得风电行星齿轮增速箱的噪声信号数据;
2-2)基于声学计算分析方法,获得噪声信号的声压级和倍频程频谱图,并将其作为噪声特征指标;
所述步骤3)的具体步骤如下:
3-1)通过试验平台的油液信息检测模块,获得油液信息数据库;
3-2)基于铁谱分析方法计算不同类型的磨粒的数量占总磨粒数量的百分比;
3-3)基于激光粒度分析方法计算不同粒径的磨粒的数量占总磨粒数量的百分比;
3-4)将受换油干扰影响较小的磨粒类型分布比例特征和磨粒粒径分布比例特征,作为油液特征指标。
10.根据权利要求7所述的一种基于振动-噪声-油液特征融合的风电行星齿轮箱故障状态检测评估方法,其特征在于,所述步骤4)的具体步骤如下:
4-1)建立训练样本集Φ,如式(1)所示,其中Φx为第x个训练样本,Vx,Nx,Ox分别代表第x个训练样本的各种单一特征指标:振动特征指标、噪声特征指标、油液特征指标;
4-2)基于深度学习在图像识别、机器学习、大数据处理分析等方面的显著优势,分别将训练样本集中的各种单一特征指标作为输入量,训练并构建各种单一特征指标的深度神经网络评估模型;模型的输出量是风电行星齿轮增速箱故障状态;
4-3)将DS证据理论中的识别框架引入到深度神经网络评估模型,并参照深度神经网络评估模型的输出量,确定风电行星齿轮增速箱的故障状态识别框架Θ={F1,F2,…,Fn},其中F1,F2,…,Fn代表风电行星齿轮增速箱的n种故障状态;
4-4)基于DS证据理论在多源特征信息融合方面的优势,设计多特征的深度学习-DS证据理论融合决策规则,其关键在于结合各种单一特征指标的深度神经网络评估模型来描述可信度分配函数,如式(2)所示:
mi(F1,F2,…,Fn,Θ)=(piqi1,piqi2,…,piqin,1-pi) (2)
式中,mi代表第i种单一特征指标的深度神经网络模型的评估结果可信度分配函数,i=1,2,…,k,并且k为振动、噪声、油液等特征指标的总数;pi代表第i种单一特征指标的深度神经网络模型的评估结果准确率;qij代表第i种单一特征指标的深度神经网络模型将样本评估为第j种故障状态的可信度,j=1,2,…,n;
对于故障状态识别框架Θ中的任意故障状态Fj,多特征的深度学习-DS证据理论融合决策规则可用式(3)和式(4)表示:
式中,对于各种单一特征指标的深度神经网络模型,可将其训练样本集的评估结果准确率作为pi值;qij值则可根据深度神经网络模型的评估结果统计确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810689692.3A CN108507787B (zh) | 2018-06-28 | 2018-06-28 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810689692.3A CN108507787B (zh) | 2018-06-28 | 2018-06-28 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108507787A true CN108507787A (zh) | 2018-09-07 |
CN108507787B CN108507787B (zh) | 2024-03-15 |
Family
ID=63404076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810689692.3A Active CN108507787B (zh) | 2018-06-28 | 2018-06-28 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108507787B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597315A (zh) * | 2018-10-31 | 2019-04-09 | 华中科技大学 | 一种机械设备健康退化状态辨识方法、设备及*** |
CN109917287A (zh) * | 2019-03-20 | 2019-06-21 | 华南理工大学 | 基于经验模态分解和倍频程谱分析的减速电机品检方法 |
CN110146287A (zh) * | 2019-06-10 | 2019-08-20 | 东北大学 | 海上风力发电机增速器可靠性试验台 |
CN110378042A (zh) * | 2019-07-23 | 2019-10-25 | 山东大学 | 基于scada数据的风电机组齿轮箱油温异常检测方法及*** |
CN110646200A (zh) * | 2019-09-04 | 2020-01-03 | 天津工业大学 | 一种用于固定轴齿轮箱齿轮微弱局部故障诊断的方法 |
CN110844111A (zh) * | 2019-10-11 | 2020-02-28 | 中国直升机设计研究所 | 一种多特征指标锥齿轮健康状态评估方法 |
CN111260640A (zh) * | 2020-01-13 | 2020-06-09 | 重庆大学 | 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置 |
CN111795817A (zh) * | 2020-07-27 | 2020-10-20 | 西安交通大学 | 一种基于多传感融合的rv减速器性能测试装置 |
CN112362368A (zh) * | 2021-01-14 | 2021-02-12 | 西门子交通技术(北京)有限公司 | 列车牵引电机的故障诊断方法、装置、***和可读介质 |
CN112729817A (zh) * | 2021-02-04 | 2021-04-30 | 西南交通大学 | 基于多源数据融合的齿轮箱故障诊断方法、***及试验台 |
CN113340592A (zh) * | 2021-06-03 | 2021-09-03 | 河北工业大学 | 考虑外部振动激励的渐开线齿轮磨损与动力学综合实验台 |
CN113532848A (zh) * | 2021-06-24 | 2021-10-22 | 南京工业大学 | 一种行星齿轮箱故障诊断*** |
CN114018577A (zh) * | 2021-09-28 | 2022-02-08 | 北京华控智加科技有限公司 | 一种设备噪声声源成像方法、装置、电子设备及存储介质 |
CN114063601A (zh) * | 2021-11-12 | 2022-02-18 | 江苏核电有限公司 | 一种基于人工智能的设备状态诊断***及方法 |
CN114136611A (zh) * | 2021-12-01 | 2022-03-04 | 哈尔滨理工大学 | 一种齿轮减速器故障检测*** |
CN114383877A (zh) * | 2021-12-31 | 2022-04-22 | 江苏核电有限公司 | 一种用于核电站机械设备故障诊断的*** |
CN115630334A (zh) * | 2022-10-26 | 2023-01-20 | 山东科技大学 | 基于cbam的多通道特征融合的跨域机械故障诊断方法及应用 |
CN116091445A (zh) * | 2023-01-05 | 2023-05-09 | 中国长江电力股份有限公司 | 基于深度学习的升船机齿轮及齿轮表面损伤识别方法 |
CN116379043A (zh) * | 2023-04-11 | 2023-07-04 | 浙江勤鹏科技股份有限公司 | 一种旋装式油液过滤器的故障检测方法及*** |
CN116758078A (zh) * | 2023-08-18 | 2023-09-15 | 中科航迈数控软件(深圳)有限公司 | 变速齿轮箱观测方法、***、终端设备以及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566523A (zh) * | 2009-05-11 | 2009-10-28 | 中能电力科技开发有限公司 | 风力发电机组齿轮箱状态监测方法 |
US20100026006A1 (en) * | 2008-07-30 | 2010-02-04 | Yong Heun LEE | Power transmission apparatus for wind power generation and wind power generator using the same |
CN103234585A (zh) * | 2013-04-16 | 2013-08-07 | 内蒙古航天亿久科技发展有限责任公司 | 一种大型风电机组在线监测及故障诊断*** |
CN103364189A (zh) * | 2013-07-15 | 2013-10-23 | 中国水利电力物资华南公司 | 一种风电机组齿轮箱在线故障诊断*** |
CN103604601A (zh) * | 2013-10-21 | 2014-02-26 | 浙江大学 | 基于风电齿轮箱工况模拟的故障诊断试验台 |
CN104697787A (zh) * | 2015-03-20 | 2015-06-10 | 山东大学 | 一种基于多信息融合的变速箱试验台架及其检测方法 |
CN104764489A (zh) * | 2015-03-27 | 2015-07-08 | 西安交通大学 | 一种风电变速器的润滑油在线监测方法 |
CN106383028A (zh) * | 2016-09-05 | 2017-02-08 | 北京航空航天大学 | 一种齿轮箱故障的诊断方法 |
CN208254802U (zh) * | 2018-06-28 | 2018-12-18 | 山东大学 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台 |
-
2018
- 2018-06-28 CN CN201810689692.3A patent/CN108507787B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100026006A1 (en) * | 2008-07-30 | 2010-02-04 | Yong Heun LEE | Power transmission apparatus for wind power generation and wind power generator using the same |
CN101566523A (zh) * | 2009-05-11 | 2009-10-28 | 中能电力科技开发有限公司 | 风力发电机组齿轮箱状态监测方法 |
CN103234585A (zh) * | 2013-04-16 | 2013-08-07 | 内蒙古航天亿久科技发展有限责任公司 | 一种大型风电机组在线监测及故障诊断*** |
CN103364189A (zh) * | 2013-07-15 | 2013-10-23 | 中国水利电力物资华南公司 | 一种风电机组齿轮箱在线故障诊断*** |
CN103604601A (zh) * | 2013-10-21 | 2014-02-26 | 浙江大学 | 基于风电齿轮箱工况模拟的故障诊断试验台 |
CN104697787A (zh) * | 2015-03-20 | 2015-06-10 | 山东大学 | 一种基于多信息融合的变速箱试验台架及其检测方法 |
CN104764489A (zh) * | 2015-03-27 | 2015-07-08 | 西安交通大学 | 一种风电变速器的润滑油在线监测方法 |
CN106383028A (zh) * | 2016-09-05 | 2017-02-08 | 北京航空航天大学 | 一种齿轮箱故障的诊断方法 |
CN208254802U (zh) * | 2018-06-28 | 2018-12-18 | 山东大学 | 基于多特征融合的风电齿轮增速箱故障诊断试验平台 |
Non-Patent Citations (6)
Title |
---|
唐政等: "基于DS证据理论的水下目标识别融合推理方法研究", 现代导航 * |
林丽;高建华;经昊达;王海洋;张向军;张秀丽;: "风机齿轮箱故障诊断与预警方法的研究进展", 仪器仪表与分析监测 * |
桂勇;韩勤锴;李峥;褚福磊;: "变速行星齿轮***故障诊断方法", 振动.测试与诊断 * |
王绍进等: "基于决策层的提升机减速器故障诊断方法研究", 煤矿机械 * |
陈园艺: "风电机组齿轮箱故障诊断预警分析", 中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑) * |
陈康;陈良;耿臣露;王建明;: "基于深度学习的重载车辆齿轮箱的云故障诊断研究", 自动化应用 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109597315A (zh) * | 2018-10-31 | 2019-04-09 | 华中科技大学 | 一种机械设备健康退化状态辨识方法、设备及*** |
CN109917287B (zh) * | 2019-03-20 | 2021-06-08 | 华南理工大学 | 基于经验模态分解和倍频程谱分析的减速电机品检方法 |
CN109917287A (zh) * | 2019-03-20 | 2019-06-21 | 华南理工大学 | 基于经验模态分解和倍频程谱分析的减速电机品检方法 |
CN110146287A (zh) * | 2019-06-10 | 2019-08-20 | 东北大学 | 海上风力发电机增速器可靠性试验台 |
CN110378042A (zh) * | 2019-07-23 | 2019-10-25 | 山东大学 | 基于scada数据的风电机组齿轮箱油温异常检测方法及*** |
CN110646200A (zh) * | 2019-09-04 | 2020-01-03 | 天津工业大学 | 一种用于固定轴齿轮箱齿轮微弱局部故障诊断的方法 |
CN110646200B (zh) * | 2019-09-04 | 2021-10-22 | 天津工业大学 | 一种用于固定轴齿轮箱齿轮微弱局部故障诊断的方法 |
CN110844111A (zh) * | 2019-10-11 | 2020-02-28 | 中国直升机设计研究所 | 一种多特征指标锥齿轮健康状态评估方法 |
CN111260640A (zh) * | 2020-01-13 | 2020-06-09 | 重庆大学 | 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置 |
CN111260640B (zh) * | 2020-01-13 | 2023-03-31 | 重庆大学 | 基于cyclegan的树状生成器网络齿轮点蚀图像测量方法及装置 |
CN111795817A (zh) * | 2020-07-27 | 2020-10-20 | 西安交通大学 | 一种基于多传感融合的rv减速器性能测试装置 |
CN112362368A (zh) * | 2021-01-14 | 2021-02-12 | 西门子交通技术(北京)有限公司 | 列车牵引电机的故障诊断方法、装置、***和可读介质 |
CN112729817A (zh) * | 2021-02-04 | 2021-04-30 | 西南交通大学 | 基于多源数据融合的齿轮箱故障诊断方法、***及试验台 |
CN113340592A (zh) * | 2021-06-03 | 2021-09-03 | 河北工业大学 | 考虑外部振动激励的渐开线齿轮磨损与动力学综合实验台 |
CN113532848A (zh) * | 2021-06-24 | 2021-10-22 | 南京工业大学 | 一种行星齿轮箱故障诊断*** |
CN114018577A (zh) * | 2021-09-28 | 2022-02-08 | 北京华控智加科技有限公司 | 一种设备噪声声源成像方法、装置、电子设备及存储介质 |
CN114018577B (zh) * | 2021-09-28 | 2023-11-21 | 北京华控智加科技有限公司 | 一种设备噪声声源成像方法、装置、电子设备及存储介质 |
CN114063601A (zh) * | 2021-11-12 | 2022-02-18 | 江苏核电有限公司 | 一种基于人工智能的设备状态诊断***及方法 |
CN114136611A (zh) * | 2021-12-01 | 2022-03-04 | 哈尔滨理工大学 | 一种齿轮减速器故障检测*** |
CN114383877A (zh) * | 2021-12-31 | 2022-04-22 | 江苏核电有限公司 | 一种用于核电站机械设备故障诊断的*** |
CN115630334A (zh) * | 2022-10-26 | 2023-01-20 | 山东科技大学 | 基于cbam的多通道特征融合的跨域机械故障诊断方法及应用 |
CN115630334B (zh) * | 2022-10-26 | 2024-05-03 | 山东科技大学 | 基于cbam的多通道特征融合的跨域机械故障诊断方法及应用 |
CN116091445A (zh) * | 2023-01-05 | 2023-05-09 | 中国长江电力股份有限公司 | 基于深度学习的升船机齿轮及齿轮表面损伤识别方法 |
CN116091445B (zh) * | 2023-01-05 | 2024-01-02 | 中国长江电力股份有限公司 | 基于深度学习的升船机齿轮及齿轮表面损伤识别方法 |
CN116379043A (zh) * | 2023-04-11 | 2023-07-04 | 浙江勤鹏科技股份有限公司 | 一种旋装式油液过滤器的故障检测方法及*** |
CN116379043B (zh) * | 2023-04-11 | 2024-03-08 | 浙江勤鹏科技股份有限公司 | 一种旋装式油液过滤器的故障检测方法及*** |
CN116758078A (zh) * | 2023-08-18 | 2023-09-15 | 中科航迈数控软件(深圳)有限公司 | 变速齿轮箱观测方法、***、终端设备以及存储介质 |
CN116758078B (zh) * | 2023-08-18 | 2023-11-17 | 中科航迈数控软件(深圳)有限公司 | 变速齿轮箱观测方法、***、终端设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108507787B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108507787A (zh) | 基于多特征融合的风电齿轮增速箱故障诊断试验平台及方法 | |
CN208254802U (zh) | 基于多特征融合的风电齿轮增速箱故障诊断试验平台 | |
CN110469462B (zh) | 一种基于多模板的风电机组智能状态监测*** | |
CN108331718A (zh) | 风电机组偏航***在线监测机构及故障诊断***和方法 | |
CN104390657B (zh) | 一种发电机组运行参数测量传感器故障诊断方法及*** | |
CN110926809B (zh) | 一种基于大数据分析的风电机组传动链故障预警方法 | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN104977047A (zh) | 基于振动和油液的风电机组在线状态监测与健康评估***及方法 | |
CN112213131B (zh) | 一种旋转机械检修和故障诊断模拟*** | |
CN101858778A (zh) | 基于振动监测的风力发电机组故障自动诊断方法 | |
CN205260225U (zh) | 一种风机综合健康状态远程集中监测*** | |
CN106514433A (zh) | 一种链式刀库可靠性试验方法及状态监测*** | |
CN103364189A (zh) | 一种风电机组齿轮箱在线故障诊断*** | |
CN102033200A (zh) | 基于统计模型的交流电机在线监测和诊断方法 | |
CN109542045A (zh) | 数控机床预测性维护标准测试床及操作方法 | |
CN108590984A (zh) | 一种风力发电机组叶片载荷监控方法及装置 | |
CN110186549A (zh) | 基于叶尖定时传感器的叶片振动识别方法 | |
CN109605128A (zh) | 一种基于功率谱熵差的铣削颤振在线检测方法 | |
CN103267873A (zh) | 用于螺旋桨式测风传感器的故障检测***及方法 | |
CN202661269U (zh) | 一种柴油机复合故障诊断的测试平台 | |
CN202453182U (zh) | 一种风电机组齿轮箱故障诊断装置 | |
CN115614292A (zh) | 一种立式水泵机组振动监测装置及其方法 | |
Amin et al. | Vibration-based condition monitoring in wind turbine gearbox using convolutional neural network | |
CN109281805A (zh) | 一种多参数测量智能巡检*** | |
CN201687699U (zh) | 一种便携式泵站机组状态检测与数据处理装置 |
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 |