一种风力发电机组齿轮箱自动故障诊断系统的制作方法

本方法属于风力发电，具体涉及一种齿轮箱自动故障诊断系统。

背景技术：

1、风电机组在长期运行过程中，由于零部件故障所造成的经济损失巨大，较其他零部件的故障风电机组齿轮箱发生故障的频率不是最高，但故障发生后容易导致风电机组长时间停机，造成严重的经济损失。若能提前预测风电机组齿轮箱可能发生的故障，不仅能够尽量避免故障对其他关联部件的影响，还能有效缩短风机故障停机的时间，减小经济亏损，提高机组正常运行的可靠性。

2、随着风电行业的快速发展，风电机组每年累计装机容量持续大幅度增长，对风电机组齿轮箱的故障诊断需求量也随之上升，单靠人工对齿轮箱进行故障诊断已不能满足需求。传统方法对齿轮箱进行故障诊断是通过采集齿轮箱的振动信号，使用时频域分析法获取对应的故障特征，然而当齿轮、轴承等部件发生故障时特征参数也会发生变化，产生的振动信号往往具有非平稳的特性并且故障特征也会随着不同故障的发生而变化，因此其振动信号具备复杂的时变调制特征，最终得出的故障诊断结论具有一定的不确定性。

技术实现思路

1、本方法提出一种风力发电机组齿轮箱自动故障诊断系统，首先构造了具有监测部位动力学特性的小波基函数，应用小波分析实现自动故障特征提取；其次基于自动故障特征提取的特征信息与监测部位故障特征频率集的融合信息，实现自动故障定位；再次基于自动故障特征提取的特征信息聚类分析，实现自动故障程度评估；最后根据齿轮箱现场检查反馈结果构造自主学习模块，实现齿轮箱故障诊断的自动化、自主化。如图1所示，本方法包含自动数据采集与数据存储模块、自动数据读取模块、自动故障特征提取模块、自动故障定位模块、自动故障程度评估模块、自动故障诊断结论推送模块、自动故障诊断验证模块、自动故障特征提取学习模块和自动故障程度评估学习模块。

2、各个模块的具体功能如下所示：

3、自动数据采集与数据存储模块包含两个部分，数据采集部分与数据存储部分，如图3所示。数据采集部分通过设置采集设备的参数包括但不限于采样频率、采样时间，对安装在齿轮箱监测点的振动传感器进行自动数据采集。

4、齿轮箱监测点的布置如图2所示，其中：1表示监测齿轮箱行星级的监测点；

5、2表示监测齿轮箱中间级的监测点；

6、3表示监测齿轮箱高速级的监测点。

7、数据存储部分负责将采集到的振动数据按照监测点名称存储于数据库中，此外还将各个监测部位的故障特征频率集以及动力学模型输入数据库中，其中包含齿轮箱行星级动力学模型与故障特征频率集、齿轮箱中间级动力学模型与故障特征频率集和齿轮箱高速级动力学模型与故障特征频率集，并以监测部位的名称命名。

8、自动数据读取模块按照自动读取齿轮箱监测部位振动数据的规则依次读取数据库中的振动数据，并将读取的振动数据输入自动特征提取模块，如图4所示。

9、其中自动读取齿轮箱监测部位振动数据的规则如图5所示，具体规则如下所示：

10、首先输入i，并令j＝1；

11、其中：

12、i表示某个监测部位的振动数据；

13、i＝0表示齿轮箱行星级的振动数据；

14、i＝1表示齿轮箱中间级的振动数据；

15、i＝2表示齿轮箱高速级的振动数据。

16、j表示已读取振动数据的种类；

17、j＝1表示已读取一种类型的振动数据；

18、j＝2表示已读取两种类型的振动数据；

19、j＝3表示已读取三种类型的振动数据。

20、其次判断已读取振动数据的类型是否满足三种，若不满足，表示齿轮箱其他监测部位的振动数据还未进行读取，则继续读取下一类监测部位的振动数据；若满足，表示齿轮箱所有监测部位的振动数据已完成读取，结束自动数据读取。

21、自动故障特征提取模块通过构造具有监测部位动力学特性的敏感因子函数，以敏感因子函数为基函数应用小波分析对输入的振动信号提取故障特征曲线，如图6所示，该模块提高了诊断信号中故障特征的比例，减小了非故障特征对故障诊断的影响。

22、自动故障定位模块负责将故障特征曲线的特征频率与数据库中监测部位的故障特征频率集进行匹配，若故障特征曲线中的特征频率与故障特征频率集中的某些频率匹配成功，将故障匹配系数置为1，说明监测部位存在故障特征频率指向的故障；若故障特征曲线中的特征频率与故障特征频率集中的所有频率都不匹配，将故障匹配系数置为0，说明监测部位不存在故障特征频率集指向的故障，最后输出故障类型的诊断结论，如图7所示。

23、自动故障程度评估模块首先将故障特征曲线的特征值输入自适应选择对故障敏感的故障特征参数的算法中，输出故障特征参数，其次将故障特征曲线的故障特征参数值输入聚类算法中进行模式识别做聚类图，根据聚类情况，设置故障程度系数，输出故障程度诊断结论，如图8所示。

24、具体地，若存在三个聚类中心，默认故障程度系数分别为1,2,3，其中：

25、故障程度系数为1时，表示轻度故障；

26、故障程度系数为2时，表示中度故障；

27、故障程度系数为3时，表示重度故障。

28、自动故障诊断结论推送模块汇总齿轮箱各个监测部位的故障类型与故障评估程度，发送给指定客户与齿轮箱现场检修人员，如图9所示。

29、自动故障诊断验证模块负责验证诊断结论是否准确，通过齿轮箱现场检修人员回复的故障检查结果验证故障诊断结论，若诊断结论准确，则齿轮箱的故障诊断结束；若诊断结论不准确，则通过自动故障特征提取学习模块、自动故障程度评估学习模块分别对自动故障特征提取模块、自动故障程度评估模块进行迭代学习，直至故障诊断结论准确。

30、自动故障特征提取学习模块负责对自动故障特征提取模块进行迭代学习。该模块通过选取多组不同转速下监测部位的振动数据，提取故障特征曲线的特征频率，特征频率存在两种类型：一种是在不同转速下故障特征曲线的特征频率随转速发生变化；一种是在不同转速下故障特征曲线的特征频率不随转速发生变化，此时将不随转速变化的特征频率筛除，如图10所示。自动故障程度评估学习模块负责对自动故障程度评估模块进行迭代学习。该模块通过调节故障程度系数对自动故障程度评估模块进行迭代学习，若故障程度判断过轻，将故障程度系数加1；若判断过重，将故障程度系数减1。

技术特征：

1.本方法提出一种风力发电机组齿轮箱自动故障诊断系统，其特征在于首先构造了具有监测部位动力学特性的小波基函数，应用小波分析实现自动故障特征提取；其次基于自动故障特征提取的特征信息与监测部位故障特征频率集的融合信息，实现自动故障定位；再次基于自动故障特征提取的特征信息聚类分析，实现自动故障程度评估；最后根据齿轮箱现场检查反馈结果构造自主学习模块，实现齿轮箱故障诊断的自动化、自主化。

2.根据权利要求1所述的一种风力发电机组齿轮箱自动故障诊断系统，其特征在于按如下方式构造具有监测部位动力学特性的小波基函数：

3.根据权利要求1所述的一种风力发电机组齿轮箱自动故障诊断系统，其特征在于按如下方式对监测部件的振动信号基于构造的小波基函数进行小波分析提取小波脊线：

4.根据权利要求1所述的一种风力发电机组齿轮箱自动故障诊断系统，其特征在于按如下方式推导小波脊点的迭代关系：

5.根据权利要求1所述的一种风力发电机组齿轮箱自动故障诊断系统，其特征在于自适应选择对监测部位故障敏感的故障特征参数，具体过程如下：

6.根据权利要求1所述的一种风力发电机组齿轮箱自动故障诊断系统，其特征在于按如下方式对小波脊点的故障特征参数值进行聚类分析：

7.根据权利要求1所述的一种风力发电机组齿轮箱自动故障诊断系统，其特征在于根据齿轮箱现场检查的结果对自动故障特征提取模块与自动故障程度评估学习模块进行迭代学习：

技术总结本方法公开一种风力发电机组齿轮箱自动故障诊断系统。本方法首先构造了具有监测部位动力学特性的小波基函数，应用小波分析实现自动故障特征提取；其次基于自动故障特征提取的特征信息与监测部位故障特征频率集的融合信息，实现自动故障定位；再次基于自动故障特征提取的特征信息聚类分析，实现自动故障程度评估；最后根据齿轮箱现场检查反馈结果构造自主学习模块，实现齿轮箱故障诊断的自动化、自主化。技术研发人员：刘展,庞宇,杨倩受保护的技术使用者：北京能高普康测控技术有限公司技术研发日：技术公布日：2024/10/17