CN117609692A - 一种风力发电机组齿轮箱平行级故障诊断方法及装置 - Google Patents

一种风力发电机组齿轮箱平行级故障诊断方法及装置 Download PDF

Info

Publication number
CN117609692A
CN117609692A CN202311512261.7A CN202311512261A CN117609692A CN 117609692 A CN117609692 A CN 117609692A CN 202311512261 A CN202311512261 A CN 202311512261A CN 117609692 A CN117609692 A CN 117609692A
Authority
CN
China
Prior art keywords
data
vibration
gearbox
vibration data
gear box
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
Application number
CN202311512261.7A
Other languages
English (en)
Other versions
CN117609692B (zh
Inventor
解锡伟
岳文彦
张蕴馨
徐玉龙
董晓东
李彪
王晓宇
贾志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cecep Wind Power Corp
Original Assignee
Cecep Wind Power Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cecep Wind Power Corp filed Critical Cecep Wind Power Corp
Priority to CN202311512261.7A priority Critical patent/CN117609692B/zh
Publication of CN117609692A publication Critical patent/CN117609692A/zh
Application granted granted Critical
Publication of CN117609692B publication Critical patent/CN117609692B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及一种风力发电机组齿轮箱平行级故障诊断方法，所述方法包括：采集所述齿轮箱运行时的转速数据和振动数据；将所述转速数据和所述振动数据输入预先训练好的故障诊断模型，由所述故障诊断模型基于阈值计算和逻辑回归算法，识别所述齿轮箱的运行状态是否异常。本发明实现对齿轮箱平行级齿轮损伤故障的自动化监测及诊断。

Description

一种风力发电机组齿轮箱平行级故障诊断方法及装置
技术领域
本发明涉及风电机组齿轮箱故障监测技术领域，特别是关于一种风力发电机组齿轮箱平行级故障诊断方法及装置。
背景技术
齿轮箱是风力发电机的关键部件之一，其长期运行在变载荷的复杂环境中，使得设计和运行存在偏差，进而导致齿轮箱故障频发，机组的性能下降甚至停机，非计划停机也严重影响到发电厂的生产计划。
一般而言，故障有两种诊断方法。一是依赖专家经验对故障特征进行识别，主观性较大，且采用离线分析的方式，很难应用于自动化以及智能化监测***。二是从大数据角度出发，但工业领域能够给出有效标识数据有限，限制其实际应用。
发明内容
针对上述问题，本发明的目的是提供一种风力发电机组齿轮箱平行级故障诊断方法及装置，实现对齿轮箱平行级齿轮损伤故障的自动化监测及诊断。
为实现上述目的，本发明采取以下技术方案：
第一方面，本申请提供一种风力发电机组齿轮箱平行级故障诊断方法，所述方法包括：
采集所述齿轮箱运行时的转速数据和振动数据；
将所述转速数据和所述振动数据输入预先训练好的故障诊断模型，由所述故障诊断模型基于阈值计算和逻辑回归算法，识别所述齿轮箱的运行状态是否异常。
在本申请的一种实现方式中，所述采集所述齿轮箱运行时的转速数据和振动数据，包括：
对采集的所述转速数据和所述振动数据进行相位补偿，使得所述转速数据和所述振动数据同相位。
在本申请的一种实现方式中，所述齿轮箱上设置有至少两个用于获取所述振动数据的加速度传感器和一个用于获取所述转速数据的转速传感器；
在采集所述齿轮箱运行时的转速数据和振动数据之后，所述方法还包括：
获取传感器阵列图，所述传感器阵列图用于表征各所述加速度传感器在所述齿轮箱上的空间布放位置；
根据所述传感器阵列图和所述转速数据，得到各所述加速度传感器对应的振动路径信息，所述振动路径信息用于表征所述加速度传感器相对于至少一个目标振源的振动传递路径，其中，所述目标振源的位置和/或数量基于所述转速数据确定；
根据各所述加速度传感器对应的振动路径信息，对各加速度传感器对应的振动数据进行相位补偿或幅值补偿，得到补偿振动数据；
所述将所述转速数据和所述振动数据输入预先训练好的故障诊断模型，由所述故障诊断模型基于阈值计算和逻辑回归算法，识别所述齿轮箱的运行状态是否异常，包括：
将所述转速数据和所述补偿振动数据输入预先训练好的故障诊断模型，由所述故障诊断模型基于阈值计算和逻辑回归算法，处理所述转速数据和所述补偿振动数据，得到诊断结果用于表征所述齿轮箱的运行状态是否异常。
在本申请的一种实现方式中，所述采集所述齿轮箱运行时的转速数据和振动数据，还包括：将等长度采样转换成等角度采样。
在本申请的一种实现方式中，具体包括：将时域的振动数据转换为角域的振动数据，然后进行分割，分割的长度为M倍中速轴转频倒数再使用平均的方式进行预处理，以此作为数据样本，其中M由角频率分辨率决定。
在本申请的一种实现方式中，包括以下至少一项：通过转速、功率、振动对工况进行划分，获得预设稳定程度的工况的数据，以此数据进行特征提取；
在将所述转速数据和所述振动数据输入预先训练好的故障诊断模型之前，还包括：
获取所述齿轮箱对应的工况信息，所述工况信息表征由所述齿轮箱的至少两个运行参数构成的运行状态；
根据所述工况信息，获取对应的故障诊断模型。
在本申请的一种实现方式中，所述特征提取，包括计算下列指标：总体能量(S)、频带能量占比(Sk12/S)及峭度指标(K4)。
在本申请的一种实现方式中，基于下述公式计算指标：
其中，N是采样点数，是频点i的幅值的平方，X是采样数据，μ为平均值，δ为方差。
第二方面，本申请提供一种风力发电机组齿轮箱平行级故障诊断装置，所述装置包括：
数据采集模块，用于采集所述齿轮箱运行时的转速数据和振动数据；
模型预警模块，用于将所述转速数据和所述振动数据输入预先训练好的故障诊断模型，由所述故障诊断模型基于阈值计算和逻辑回归算法，识别所述齿轮箱的运行状态是否异常。
第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序运行时控制所述计算机可读存储介质所在设备执行第一方面所述的风力发电机组齿轮箱平行级故障诊断方法。
本发明由于采取以上技术方案，其具有以下优点：本发明申请方案，由于齿轮箱中速轴转动惯量相对不大，异常数据易受环境干扰，通过同相位等角度方法可以减少转速波动对数据的影响，平均的方法可以有效降低噪声、提高信噪比，突出异常信号特征；此外，本方案，结合经验、仿真分析和转速限制，使变量降低维度，使目标更有针对性，问题得到解耦；同时特征阈值依赖于客观已有数据，因此具有部署简单、可实现自动化程度高的优点，也有效客服主观参数的盲目性。
附图说明
图1是本发明实施例提供的一种风力发电机组齿轮箱平行级故障诊断方法的流程示意图；
图2是本发明实施例提供的一种风力发电机组齿轮箱平行级故障诊断数据流示意图；
图3是振动传感器和转速传感器安装位置示意图；
图4为等间隔采样转等角度采样示意图；
图5为典型异常数据及解调数据图谱；
图6为典型异常机组特征波动。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
针对现有技术亟需提供齿轮箱的智能化故障检测方法的问题。本发明技术方案相应提供一种风力发电机组齿轮箱平行级故障诊断方法及装置。其中，所述方法包括：采集所述齿轮箱运行时的转速数据和振动数据；将所述转速数据和所述振动数据输入预先训练好的故障诊断模型，由所述故障诊断模型基于阈值计算和逻辑回归算法，识别所述齿轮箱的运行状态是否异常。本方案，实现对齿轮箱平行级齿轮损伤故障的自动化监测及诊断。
请参阅本发明实施例的更多附图，在本发明的更多详细的实施例中进一步说明本发明提供的方法、装置及介质。
如图1，在本申请实施例中的一个方面，提供了一种风力发电机组齿轮箱平行级故障诊断方法，具体包括：
S01，采集所述齿轮箱运行时的转速数据和振动数据；
S02，将所述转速数据和所述振动数据输入预先训练好的故障诊断模型，由所述故障诊断模型基于阈值计算和逻辑回归算法，识别所述齿轮箱的运行状态是否异常。
下面结合图2至图6，在本申请的一个更为详细的实施例中，说明本申请提供的方法。
如图2中的数据流，本申请实施例提供的所述方法包括S1至S5，各部分阐述如下：
S1.如图3所示，选择转速传感器以及刚性较好的振动加速度传感器测点，并保证两个传感器测点方向相同，同轴同相位；
S2.从边缘采集站(或数据服务器)获取齿轮箱振动信号，以相同初始相位进行截取，然后进行数据分割，分割长度为中速轴旋转周期的M倍，再对分割数据进行平均，得到一组有效数据。(例如以采样频率25600Hz；重采样后每个周期采样点数为10，10倍周期数据分辨率为0.1阶次，中速轴周期约为0.2s，如果不重叠，1组有效数据时间大约2s，可进行10组以上有效数据采集进行平均，即20s以上数据)；数据采集如图4所示。
S3.结合主控***的转速、功率等风机状态数据，分析得到工况较为稳定的数据作为样本对象(例如：以转速范围5％划分工况，最终得到额定转速5％范围内的工况特征较为稳定，以此转速范围振动数据做样本对象)；
S4.通过工况数据构建机理故障模型，对比仿真数据，选择窄带解调方式对数据进行再加工，选择低于高速啮合频率，高于其他啮合频率3倍以上频段作为窄带分析对象，使用计算总体能量，使用/>计算频带能量，/>计算解调后的峭度指标；
S5.使用正常机组各特征参数计算阈值，阈值范围＝均值±3倍标准差；进一步对正常风机和异常机组数据标注，使用逻辑回归算法对正常数据及损伤至少前一月特征参数进行阈值指标有效性的评估。典型的异常数据可参见图5和图6。
本申请实施例提供了一种风力发电机组齿轮箱平行级故障诊断方法，示例性地，包括以下步骤：
步骤S101:采集所述齿轮箱运行时的转速数据和振动数据。
步骤S102:获取传感器阵列图，所述传感器阵列图用于表征各所述加速度传感器在所述齿轮箱上的空间布放位置。
示例性地，所述齿轮箱上设置有至少两个用于获取所述振动数据的加速度传感器和一个用于获取所述转速数据的转速传感器。传感器阵列图是用于表征加速度传感器在所述齿轮箱上的空间布放位置的数据，可以通过组数、矩阵、像素点阵列等多种形式实现，例如每个加速度传感器对应一个空间坐标，从而实现对其空间布放位置的描述。由于多个加速度传感器分别布放在齿轮箱外部的不同空间位置上，在齿轮箱发生振动时，不同的加速度传感器检测到的振动大小不同。通过获取表征加速度传感器空间位置的传感器阵列图，来对各加速度传感器进行定位，进而在后续步骤进行基于位置、路径的幅值补偿。
步骤S103:根据所述传感器阵列图和所述转速数据，得到各所述加速度传感器对应的振动路径信息，所述振动路径信息用于表征所述加速度传感器相对于至少一个目标振源的振动传递路径，
示例性地，之后，基于传感器阵列图和转速数据，来计算表征所述加速度传感器的振动传递路径的振动路径信息。具体地，齿轮箱在运行过程中，可以包括一个或多个振源，不同位置的振源，对加速度传感器的影响大小也不同。简言之，距离振源的振动传递路径较长的，振动衰减较大，加速度传感器采集的振动值较小；反之，距离振源的振动传递路径较短的，振动衰减较小，加速度传感器采集的振动值较小。
一种可能的实现方式中,振动路径信息可以基于齿轮箱的设备数据(例如三维模型)、加速度传感器空间位置、振源空间位置,结合模态分析算法实现，其中，模态分析算法为本领域技术人员知晓的现有技术，此处不赘述。加速度传感器空间位置由传感器阵列图确定，而所述目标振源的位置和/或数量基于所述转速数据确定。具体地，结合齿轮箱的具体型号、参数，当转速不同时，目标振源的数量不同，例如，转速在[a,b]区间，将高速轴轴承位置作为目标振源；在[b,c]区间，将中速轴A和中速轴B作为目标振源。进而确定目标振源的位置。
步骤S104:根据各所述加速度传感器对应的振动路径信息，对各加速度传感器对应的振动数据进行相位补偿或幅值补偿，得到补偿振动数据。
示例性地，在得到加速度传感器对应的振动路径信息后，距离振源的振动传递路径较长的，振动衰减较大，加速度传感器采集的振动值较小；反之，距离振源的振动传递路径较短的，振动衰减较小，加速度传感器采集的振动值较小，基于上述规律，即可实现基于振动路径信息进行幅值补偿。类似的，还可以利用振动路径信息所表征的振动传播路径的长短，来对相位进行补偿，具体的实现方式类似，此处不再赘述。
步骤S105:将所述转速数据和所述补偿振动数据输入预先训练好的故障诊断模型，由所述故障诊断模型基于阈值计算和逻辑回归算法，处理所述转速数据和所述补偿振动数据，得到诊断结果，诊断结果用于表征所述齿轮箱的运行状态是否异常。
示例性地，之后，所述转速数据和所述补偿振动数据输入预先训练好的故障诊断模型，阈值计算和逻辑回归算法，处理所述转速数据和所述补偿振动数据，即可得到表征所述齿轮箱的运行状态是否异常的诊断结果。
本实施例中，通过获取各加速度传感器对应的振动路径信息，并基于振动路径信息进行振幅补偿，对于振动传递路径较长的加速度传感器，其检测到的振动信号的幅值较小，但是其中可能包括很有价值的细节信息，而通过振动路径信息进行补偿后，可以将这些细节信息体现出来，实现故障特征的增强，从而提高检测准确性。同时，加速度和目标振源的振动传递距离，是通过“振动路径”评估的，而不再简单的直线距离，从而使补偿效果更好。
可选地，在步骤S105之前，还包括：
步骤S100：获取所述齿轮箱对应的工况信息，所述工况信息表征由所述齿轮箱的至少两个运行参数构成的运行状态，根据所述工况信息，获取对应的故障诊断模型。
示例性地，运行参数例如为转速、振动量、功率、功率/振动的比等。
本申请实施例另一方面还提供一种相应的装置，包括：
数据采集模块，用于采集所述齿轮箱运行时的转速数据和振动数据；
模型预警模块，用于将所述转速数据和所述振动数据输入预先训练好的故障诊断模型，由所述故障诊断模型基于阈值计算和逻辑回归算法，识别所述齿轮箱的运行状态是否异常。
在本申请实施例的另一方面，还相应提供了一种计算机存储介质。
本申请实施例还提供了一种计算机可读存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的方法。其具体的实现过程，在此不再重复赘述。
本申请实施例还提供一种计算机设备。该实施例的计算机设备包括：处理器、存储器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现实施例中的前述方法，为避免重复，此处不一一赘述。或者，该计算机程序被处理器执行时实现实施例中装置中各模型中/单元的功能，为避免重复，此处不一一赘述。
计算机设备可以是桌上型计算机、笔记本、掌上电脑、服务器及云端服务器等计算设备。计算机设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及计算机设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例上述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上上述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种风力发电机组齿轮箱平行级故障诊断方法，其特征在于，所述方法包括：
采集所述齿轮箱运行时的转速数据和振动数据；
将所述转速数据和所述振动数据输入预先训练好的故障诊断模型，由所述故障诊断模型基于阈值计算和逻辑回归算法，识别所述齿轮箱的运行状态是否异常。
2.根据权利要求1所述的风力发电机组齿轮箱平行级故障诊断方法，其特征在于，所述采集所述齿轮箱运行时的转速数据和振动数据，包括：
对采集的所述转速数据和所述振动数据进行相位补偿，使得所述转速数据和所述振动数据同相位。
3.根据权利要求1所述的风力发电机组齿轮箱平行级故障诊断方法，其特征在于，所述齿轮箱上设置有至少两个用于获取所述振动数据的加速度传感器和一个用于获取所述转速数据的转速传感器；
在采集所述齿轮箱运行时的转速数据和振动数据之后，所述方法还包括：
获取传感器阵列图，所述传感器阵列图用于表征各所述加速度传感器在所述齿轮箱上的空间布放位置；
根据所述传感器阵列图和所述转速数据，得到各所述加速度传感器对应的振动路径信息，所述振动路径信息用于表征所述加速度传感器相对于至少一个目标振源的振动传递路径，其中，所述目标振源的位置和/或数量基于所述转速数据确定；
根据各所述加速度传感器对应的振动路径信息，对各加速度传感器对应的振动数据进行相位补偿或幅值补偿，得到补偿振动数据；
所述将所述转速数据和所述振动数据输入预先训练好的故障诊断模型，由所述故障诊断模型基于阈值计算和逻辑回归算法，识别所述齿轮箱的运行状态是否异常，包括：
将所述转速数据和所述补偿振动数据输入预先训练好的故障诊断模型，由所述故障诊断模型基于阈值计算和逻辑回归算法，处理所述转速数据和所述补偿振动数据，得到诊断结果用于表征所述齿轮箱的运行状态是否异常。
4.根据权利要求2所述的风力发电机组齿轮箱平行级故障诊断方法，其特征在于，所述采集所述齿轮箱运行时的转速数据和振动数据，还包括：将等长度采样转换成等角度采样。
5.根据权利要求4所述的风力发电机组齿轮箱平行级故障诊断方法，其特征在于，具体包括：将时域的振动数据转换为角域的振动数据，然后进行分割，分割的长度为M倍中速轴转频倒数再使用平均的方式进行预处理，以此作为数据样本，其中M由角频率分辨率决定。
6.据权利要求1所述的风力发电机组齿轮箱平行级故障诊断方法，其特征在于，包括以下至少一项：通过转速、功率、振动对工况进行划分，获得预设稳定程度的工况的数据，以此数据进行特征提取；
在将所述转速数据和所述振动数据输入预先训练好的故障诊断模型之前，还包括：
获取所述齿轮箱对应的工况信息，所述工况信息表征由所述齿轮箱的至少两个运行参数构成的运行状态；
根据所述工况信息，获取对应的故障诊断模型。
7.根据权利要求6所述的风力发电机组齿轮箱平行级故障诊断方法，其特征在于，所述特征提取，包括计算下列指标：总体能量(S)、频带能量占比(Sk12/S)及峭度指标(K4)。
8.根据权利要求7所述的风力发电机组齿轮箱平行级故障诊断方法，其特征在于，基于下述公式计算指标：
其中，N是采样点数，是频点i的幅值的平方，X是采样数据，μ为平均值，δ为方差。
9.一种风力发电机组齿轮箱平行级故障诊断装置，其特征在于，所述装置包括：
数据采集模块，用于采集所述齿轮箱运行时的转速数据和振动数据；
模型预警模块，用于将所述转速数据和所述振动数据输入预先训练好的故障诊断模型，由所述故障诊断模型基于阈值计算和逻辑回归算法，识别所述齿轮箱的运行状态是否异常。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8任一项所述的风力发电机组齿轮箱平行级故障诊断方法。
CN202311512261.7A 2023-11-14 2023-11-14 一种风力发电机组齿轮箱平行级故障诊断方法及装置 Active CN117609692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311512261.7A CN117609692B (zh) 2023-11-14 2023-11-14 一种风力发电机组齿轮箱平行级故障诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311512261.7A CN117609692B (zh) 2023-11-14 2023-11-14 一种风力发电机组齿轮箱平行级故障诊断方法及装置

Publications (2)

Publication Number Publication Date
CN117609692A true CN117609692A (zh) 2024-02-27
CN117609692B CN117609692B (zh) 2024-04-30

Family

ID=89955364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311512261.7A Active CN117609692B (zh) 2023-11-14 2023-11-14 一种风力发电机组齿轮箱平行级故障诊断方法及装置

Country Status (1)

Country Link
CN (1) CN117609692B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0969274A2 (de) * 1998-06-26 2000-01-05 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren und Vorrichtung zum Messen von Unwuchten an rotierenden Körpern
CN101672723A (zh) * 2009-10-28 2010-03-17 北京中能联创风电技术有限公司 一种风电机组振动分析故障诊断方法和***
KR101342573B1 (ko) * 2013-09-27 2013-12-17 금오기전 주식회사 진동보상장치의 위상검출 장치 및 이를 이용한 위상검출 방법
CN104395175A (zh) * 2012-09-11 2015-03-04 日本精工株式会社 车载电子控制装置
KR20150058928A (ko) * 2013-11-21 2015-05-29 이선휘 진동 특성을 이용한 설비의 결함 진단 방법
CN110108431A (zh) * 2019-05-22 2019-08-09 西安因联信息科技有限公司 一种基于机器学习分类算法的机械设备故障诊断方法
CN110595780A (zh) * 2019-09-20 2019-12-20 西安科技大学 基于振动灰度图像和卷积神经网络的轴承故障识别方法
CN110617960A (zh) * 2019-10-12 2019-12-27 华北电力大学 一种风电机组齿轮箱故障诊断方法及***
CN111120348A (zh) * 2019-12-25 2020-05-08 中国石化销售股份有限公司华南分公司 基于支持向量机概率密度估计的离心泵故障预警方法
CN111323220A (zh) * 2020-03-02 2020-06-23 武汉大学 风力发电机齿轮箱故障诊断方法及***
CN112964304A (zh) * 2021-03-08 2021-06-15 沈阳大学 一种旋转机械关键零部件远程运维方法及其***
CN113806893A (zh) * 2021-11-16 2021-12-17 常州和利时信息***工程有限公司 基于工业互联网的风机状态监测与故障诊断方法及***
CN114417514A (zh) * 2021-11-30 2022-04-29 中国华能集团清洁能源技术研究院有限公司 一种风电机组齿轮箱故障诊断***、方法、计算机设备、存储介质
CN115165345A (zh) * 2022-06-29 2022-10-11 浙江大学 一种基于改进振动分离的非互质齿比行星轮故障检测方法
CN116304648A (zh) * 2023-05-23 2023-06-23 北京化工大学 基于优化脉冲增强与包络同步平均的齿轮故障识别方法
JP2023104806A (ja) * 2022-01-18 2023-07-28 日産自動車株式会社 発電システムの制御方法、及び、発電システムの制御装置

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0969274A2 (de) * 1998-06-26 2000-01-05 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren und Vorrichtung zum Messen von Unwuchten an rotierenden Körpern
CN101672723A (zh) * 2009-10-28 2010-03-17 北京中能联创风电技术有限公司 一种风电机组振动分析故障诊断方法和***
CN104395175A (zh) * 2012-09-11 2015-03-04 日本精工株式会社 车载电子控制装置
KR101342573B1 (ko) * 2013-09-27 2013-12-17 금오기전 주식회사 진동보상장치의 위상검출 장치 및 이를 이용한 위상검출 방법
KR20150058928A (ko) * 2013-11-21 2015-05-29 이선휘 진동 특성을 이용한 설비의 결함 진단 방법
CN110108431A (zh) * 2019-05-22 2019-08-09 西安因联信息科技有限公司 一种基于机器学习分类算法的机械设备故障诊断方法
CN110595780A (zh) * 2019-09-20 2019-12-20 西安科技大学 基于振动灰度图像和卷积神经网络的轴承故障识别方法
CN110617960A (zh) * 2019-10-12 2019-12-27 华北电力大学 一种风电机组齿轮箱故障诊断方法及***
CN111120348A (zh) * 2019-12-25 2020-05-08 中国石化销售股份有限公司华南分公司 基于支持向量机概率密度估计的离心泵故障预警方法
CN111323220A (zh) * 2020-03-02 2020-06-23 武汉大学 风力发电机齿轮箱故障诊断方法及***
CN112964304A (zh) * 2021-03-08 2021-06-15 沈阳大学 一种旋转机械关键零部件远程运维方法及其***
CN113806893A (zh) * 2021-11-16 2021-12-17 常州和利时信息***工程有限公司 基于工业互联网的风机状态监测与故障诊断方法及***
CN114417514A (zh) * 2021-11-30 2022-04-29 中国华能集团清洁能源技术研究院有限公司 一种风电机组齿轮箱故障诊断***、方法、计算机设备、存储介质
JP2023104806A (ja) * 2022-01-18 2023-07-28 日産自動車株式会社 発電システムの制御方法、及び、発電システムの制御装置
CN115165345A (zh) * 2022-06-29 2022-10-11 浙江大学 一种基于改进振动分离的非互质齿比行星轮故障检测方法
CN116304648A (zh) * 2023-05-23 2023-06-23 北京化工大学 基于优化脉冲增强与包络同步平均的齿轮故障识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭俊: "《变转速工况下直驱式永磁同步风力发电机轴承故障诊断方法研究》", 博士论文, 26 October 2020 (2020-10-26), pages 1 - 133 *

Also Published As

Publication number Publication date
CN117609692B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
Wang et al. A novel statistical time-frequency analysis for rotating machine condition monitoring
Leclère et al. A multi-order probabilistic approach for Instantaneous Angular Speed tracking debriefing of the CMMNO׳ 14 diagnosis contest
Bechhoefer et al. Processing for improved spectral analysis
Wu et al. Characterization of gear faults in variable rotating speed using Hilbert-Huang Transform and instantaneous dimensionless frequency normalization
CN102963533B (zh) 一种监测直升机完好性与使用状态的***及其监测方法
WO2016137849A2 (en) Fault detection in rotor driven equipment using rotational invariant transform of sub-sampled 3-axis vibrational data
CN104048825B (zh) 一种多传感器融合的风电机组齿轮箱故障定位方法
CN103048133B (zh) 一种基于贝叶斯网络的滚动轴承故障诊断方法
CN112861389B (zh) 风电齿轮箱振动监测位置优化方法、***、介质及设备
Sharma A review on vibration-based fault diagnosis techniques for wind turbine gearboxes operating under nonstationary conditions
CN110018322B (zh) 一种基于深度学习的转速检测方法及***
EP2345894A2 (en) Trending of vibration data taking into account torque effect
Lin et al. A review and strategy for the diagnosis of speed-varying machinery
Prosvirin et al. An improved algorithm for selecting IMF components in ensemble empirical mode decomposition for domain of rub-impact fault diagnosis
CN114216640A (zh) 用于检测工业设备故障状态的方法、设备和介质
CN110398384A (zh) 旋转机械的机器健康监测
KR102226971B1 (ko) 복합 조건을 고려한 진동 기반 고장 진단 방법 및 이러한 방법을 수행하는 장치
CN104568132B (zh) 一种基于参考信号约束的机械特征声信号频域半盲提取方法
CN108645602B (zh) 旋转机械叶尖间隙与叶片转速综合测量***及方法、图像处理程序
CN117609692B (zh) 一种风力发电机组齿轮箱平行级故障诊断方法及装置
Mehlan et al. Rotor imbalance detection and diagnosis in floating wind turbines by means of drivetrain condition monitoring
CN115656700B (zh) 检测方法、训练方法、电器、监控***和存储介质
Nacib et al. A comparative study of various methods of gear faults diagnosis
KR101752298B1 (ko) 회전익 진동 기반 건전성 감시 장치 및 이를 이용하는 감시 방법
EP3104152B1 (en) Method and controller for determining an undesired condition in an electrical drive system

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