关键词：
风电机组齿轮箱
故障诊断
自适应盲反卷积分解
动态因果图
鲁棒谱特征选择
连续变分模态分解
摘要：
风能作为一种可再生能源,凭借资源丰富无污染、产业竞争力强、后期经济优势大等因素越来越受到人们的重视,并在优化能源结构方面发挥了重要作用。为了满足不断增加的能源需求,风电机组的装机容量逐年增加。齿轮箱作为风电机组重要的机械传动部件,其故障将严重影响风电机组的正常运行,因此保障齿轮箱安全稳定运行非常重要。本文针对风电机组齿轮箱关键部件——轴承和齿轮的故障特征提取和诊断展开研究,运用时间序列复杂度和模态分解技术,研究了振动信号降噪方法、故障特征提取方法、故障特征选择方法、早期故障预警和诊断方法,实现了风电机组齿轮箱的运行状态信息挖掘和故障诊断。主要研究工作如下:（1）针对现有的降噪方法存在降噪效果差和自适应能力不足的缺点,提出了基于自适应盲反卷积分解（Adaptive Blind Deconvolution Decomposition,ABDD）的振动信号降噪算法。首先,提出了有限脉冲响应（Finite-Impulse Response,FIR）滤波器方法,通过汉明窗构造FIR滤波器组为分解提供方向。其次,将FIR滤波器初步滤波得到的模式输入到改进循环平稳盲反卷积中得到最终的滤波模式。再次,通过相关峰度值对滤波模式进行降序排列,进而根据排序选择出需要的模式。最后,对剩余的滤波模式进行频谱分析,实现了轴承单一故障信号和混合故障信号的识别。经仿真和实验数据测试,验证了基于ABDD的振动信号降噪算法可以有效地降低噪声,并实现了轴承故障的准确诊断。（2）针对现有熵方法存在故障特征提取效果差和计算复杂度高的问题,提出了基于精细复合多尺度动态因果图（Refined Composite Multi-Scale Dynamic Causality Diagram,RCMSDCD）的特征提取方法。首先,提出了广义逆熵（Generalized Inverse Entropy,GIE）,该方法可以同时表征时间序列的静态和动态复杂度,也能降低时间序列的噪声。其次,将设计的GIE与分数微积分相结合构造了广义分数阶逆熵（Generalized Inverse Fractional Order Entropy,GIFOE）,GIFOE通过分析时间序列中的微小变化来捕捉复杂系统的动态演化。再次,结合GIFOE和复杂性熵曲线,提出了动态因果图（Dynamic Causality Diagram,DCD）。经过仿真测试验证了DCD能够有效表征故障信号的动态变化,并具有熵值和复杂度一致性、噪声鲁棒性和高计算效率。最后,将单尺度的DCD拓展到多个时间尺度来提取跨尺度的熵和复杂度特征。通过实验验证了基于RCMSDCD的特征提取方法具有较高的识别精度和较低的计算复杂度。（3）针对现有基于熵的高维特征提取方法在扩充特征丰富度的同时会造成特征冗余并降低故障诊断精度和效率的问题,提出了基于精细广义复合多尺度状态联合熵、多尺度平均欧几里德散度（Multi-scale Average Euclidean Divergence,MSAED）和鲁棒谱特征选择（Robust Spectral Feature Selection,RSFS）的齿轮故障特征优选方法。首先,提出了状态联合熵来提取静态和动态故障特征。其次,为了提高特征空间的丰富度和稳定性,提出了精细广义复合多尺度分析方法。再次,针对熵方法选取参数困难的问题,提出了MSAED算法来自适应地选取不同数据集下熵方法的参数。最后,采用RSFS对多尺度特征进行选择,并结合多种机器学习算法实现了齿轮故障的识别。结果表明,同拉普拉斯分数、Fisher分数以及最大相关性最小冗余度三种特征选择方法进行对比,RSFS选择的特征可分辨性最好,实现了齿轮高维故障特征的有效选择。（4）针对轴承早期故障预警滞后和早期故障特征难以识别的问题,提出了一种基于异常检测指标AIDM的轴承早期异常预警方法和基于连续变分模态分解快速谱相干（Successive Variational Mode Decomposition-Fast Spectral Correlation,SVMD-FSC）的轴承早期故障诊断方法。AIDM仅需要轴承的正常运行数据就可以通过评估被检测信号的不规则性来实现轴承早期异常预警,并且在预警性能上表现出了比峰值、峭度因子和均方根值更高的敏感度和稳定性。将预警信号输入到SVMD-FSC方法中实现故障诊断,首先SVMD对预警信号进行连续分解得到一系列模态分量,然后通过模态分量得到降噪后的信号,最后将得到的信号进行频谱相干分析,从而提取出故障特征频率达到故障诊断的目的。经过实验数据分析,验证了AIDM方法能够及时稳定地检测到早期异常,同时SVMD-FSC通过提取早期故障特征诊断到了轴承的早期故障。
欢迎来到三峡大学图书馆！
