一种多传感器融合的风电机组齿轮箱故障定位方法

摘要

一种多传感器融合的风电机组齿轮箱故障定位方法，它有七大步骤：一、依据齿轮箱内部结构以及振动传感器的位置和数量来确定故障定位模型应用条件；二、依据现有的故障诊断技术对采集的振动信号进行分析，提取相应的故障特征值；三、借鉴节约覆盖集理论建立故障部件与特征值集合的关系；四、根据齿轮箱内窥镜的结果确定齿轮箱故障的部位、类型以及故障的程度；五、分析不同故障部件对多个测点振动信号的影响，得到振动的衰减系数；六、利用故障特征值的差异以及BP神经网络算法对得到的数据进行故障诊断，将故障定位到某类型的部件；七、求取和分析振动信号的衰减系数β'_k，采用对比的方法，通过求误差δ＝β′_k-β_k最小的方法来确定故障部件的位置。

主权项

一种多传感器融合的风电机组齿轮箱故障定位方法，其特征在于：该方法的具体实现步骤如下：步骤一：依据齿轮箱的内部结构以及振动传感器的安装位置和数量来确定故障定位模型应用的条件；风电机组齿轮箱均由齿轮、轴承、轴及相应附件组成，由于其传动功率以及生产厂家的不同，齿轮箱内部器件的参数不同，因此故障定位的部件数量及振动特征存在着差别，不同的振动传感器安装位置和安装数量会导致故障特征值的大小及同种部件定位算法的不同；步骤二：依据现有的故障诊断技术包括时域分析、频域分析、小波分析现有的故障诊断方法对采集的振动信号进行分析，提取相应的故障特征值{a₁,a₂…a_n}；步骤三：借鉴节约覆盖集理论建立故障部件与特征值集合的关系；不同部件的故障对应不同的特征值集合，借鉴节约覆盖集理论得到最佳的故障与特征值的对应关系；利用节约覆盖集理论分析过程如下：设F代表齿轮箱可能发生的故障部件集合，|F|代表可能的故障数目，则故障发生共有2^|F|种可能性；每种可能性看作F的一个子集F_I，若F_I＝{f₁,f₂,…,f_n}表示故障部件{f₁,f₂,…,f_n}发生故障，而其他f的故障则没有发生；解决齿轮箱中多故障诊断问题就是在所有2^|F|个可能性中寻找最可能的组合，利用符号推理—节约覆盖理论来寻找最佳的组合；节约覆盖理论是一种利用诱导推理来阐明诊断专家系统理论，它将诊断问题描述为一个四元组P＝<F,A,R,A⁺>，其中F＝{f₁,f₂,…,f_n}表示故障部件的有限非空集；A＝{a₁,a₂,…,a_n}表示故障特征值的有限非空集；表示定义在F×A上的有序关系子集；表示已知的特征值集合；符号R代表故障部件和故障特征值之间的直接因果关系，<f_i,a_j>∈R表示f_i能够引起a_j，它并不表示当f_i存在，a_j总是发生，而仅仅是可能发生；A⁺是A的一个特殊子集，代表了在一个特定问题下已知存在的特征，不在A⁺的特征可认为是不存在的；此外，可定义两个函数：对于所有a_j∈A，parts(a_j)＝{f_i|<f_i,a_j>∈R}代表特征值a_j所有可能引起的故障部件，features(f_i)＝{a_j|<f_i,a_j>∈R}代表可能被f_i引起的所有特征，同时定义$\mathrm{parts}\left(A_J\right)={\cup }_{a_j\in A_J}\mathrm{parts}\left(a_j\right)$和$\mathrm{features}\left(F_I\right)={\cup }_{f_i\in F_I}\mathrm{features}\left(f_i\right);$对于诊断问题，parts(a₁)＝{f₁,f₂,f₃}，features(f₁)＝{a₁,a₃}，parts({a₃,a₄})＝{f₁,f₃,f₄}，如果则称故障部件集合F_I是特征值的一个覆盖；利用最小准则确定齿轮箱中每个部件故障对应最少特征值覆盖；步骤四：根据现场齿轮箱内窥镜的结果确定齿轮箱故障的部位、类型以及故障的程度；利用与内窥镜检查相近时间内齿轮箱的振动数据来分析单一故障的不同程度对故障特征值的影响以及不同部位故障对不同振动测点特征值的影响；步骤五：分析不同故障部件对多个测点振动信号的影响，得到振动的衰减系数；故障部件的振动信号传播到不同振动测点的衰减率不同，进而导致同一故障部件振动信号在不同测点的特征值不同；以其中的某个测点作为基准，其它测点的值表示为其中i为第i次测量的结果，k为第k个故障部件，m为第m个振动测点；对多次测量的数据进行结果平均得到第k故障部件振动信号传输到测点的衰减系数{β_k,1,β_k,2,β_k,3,…β_k,m}，其中其中l为重复测量的次数，则多个部件的衰减系数表示为：$\beta ={\left\{\begin{array}{ccc}{\beta }_{\mathrm{1,1}}& ...& {\beta }_{1,M}\\ .& & .\\ .& & .\\ .& & .\\ {\beta }_{K,1}& ...& {\beta }_{K,M}\end{array}\right\}}_{K\times M}$其中，K为齿轮箱中部件的个数，M为振动测点数，β_k＝{β_k,1…β_kM}；步骤六：不同类型的部件具有相异的故障特征值，利用特征值的差异以及BP神经网络算法对得到的数据进行故障诊断，将故障定位到某类型的部件；步骤七：对于同种类型的部件，求取振动信号的衰减系数β'_k，分析衰减系数，采用对比的方法，通过求误差δ＝β′_k‑β_k最小的方法来确定故障部件的位置。