风电齿轮箱复合故障诊断方法研究

风电齿轮箱复合故障诊断方法研究

杨义佳

采埃孚（天津）风电有限公司 300402

摘要：风电齿轮箱是风能发电机的关键部分，随着风电的发展，风电齿轮箱也获得了良好的发展前景。国内的企业还存在技术能力不足的问题，需要了解齿轮箱制造的关键技术，提升技术水平，满足市场需求。风能发电有着广阔的前景，如何确保风机齿轮箱的性能，是目前厂商所关注的问题。本文探讨了风机齿轮箱的发展情况，研究了当前的关键技术，针对风电齿轮箱的复合故障诊断问题，采用故障诊断模型进行故障诊断，并通过试验验证该方法的有效性。

关键词：风电齿轮箱；故障优化；技术分析

一、风机齿轮箱发展现状

风力资源十分丰富，风能发电有着十分广阔的发展前景，因此，风机齿轮箱在未来有很广阔的发展空间。目前市场上的主要风力发电设备包括双反馈发电和直驱发电，其中双反馈发电是目前市场的主流发电技术，这种发电使用多重齿轮箱，承接风能推动叶片所带来的动力，之后齿轮箱提升转速进行发电。风力发电机组中，齿轮箱是十分重要的零部件，由于风能发电的快速发展，所以齿轮箱市场存在供不应求的现象。但是与此同时，我国的齿轮箱制造水平相对较低，产能不足，满足不了市场需求。国外的风机齿轮箱规模已经很庞大，很多低功率风机都使用国产齿轮箱，但是在兆瓦级以上的齿轮箱，却十分依赖于国外厂商。国外齿轮箱制造商的零部件更新比较快，型号更新速度也很快。同时，国外厂商在售后服务上也领先于国内，是国内厂商的主要差距之一。

风电机组齿轮箱在实际应用过程中存在多种故障状态，在实际工作中也可能会存在多种工况，而在实际工况中对风电齿轮箱的故障进行检测时，风电齿轮箱噪声和外界环境噪声会影响齿轮箱的正常运行。所以，风电齿轮箱的故障应该是非线性的，这些噪声都会对风电齿轮箱的故障诊断产生误判，因此人们需要对故障信号进行处理。目前，风电齿轮箱故障信号的处理主要集中在时频域分析，主要有小波包分解、傅里叶变化、经验模态分解等时频分析算法。风电齿轮箱的故障信号存在多个频域，人们可以将故障信号分解为多个不同频域的信号进行分析。通过加权排序熵对故障信号进行处理，使得相同排序模式可以表示其特征的差异性，保留多重数据的微弱特征，同时没有增加整体计算方法的计算量。所以，加权排序熵可以更好地解决多种信号特征下的状态分析问题。因此，本文采用变分模态对复杂故障进行分解，通过加权排序熵对数据进行分析，最后结合改进鲸鱼算法优化的最小二乘支持向量机，获得故障诊断指标，完成故障诊断。

二、故障诊断模型

LSSVM是在SVM算法的基础上针对SVM在优化求解上存在的问题做了改进，核心算法原理是相同的。在构建目标函数的约束条件时，利用等式约束取代传统SVM中的不等式约束，这种等式约束条件的变化能够求解复杂的一次非线性规划问题。通过构建等式约束条件求解线性方程组，不仅降低了算法求解的难度和条件的复杂度，还提高了在求解时算法的收敛精度、速度、运行效率。最小二乘支持向量机中的核心工作之一就是确定回归方程的核函数，针对最小二乘支持向量机的核函数和惩罚项的优化，本文提出了差分进化鲸鱼算法（DEWOA）。其遵循如下原理。

2.1基于差分进化鲸鱼算法的变异操作过程

针对每一个目标个体Xi,G(i=1,2,…,N，0)从当前代G中随机选择3个没有相同点的个体进行变异，相关函数表达式为：

式中，r1,r2,r3⊂{}1,2,…,N，为随机产生的整数，并且满足r1≠r≠r3≠i；F为缩放比例因子，取值范围为［0，1］，这里取0.5

2.2基于差分进化鲸鱼算法的交叉操作

为实现目标个体Xi,G(i=1,2,…,N)的进化，通过交叉操作，随机选择可使试验向量Ui,G+1(U1,i,G+1,U2,i,G+1,…,Un,i,G+1)中至少含有一个贡献的目标个体Xi,G，通过贡献的目标个体改变种群。

2.3适应度函数的变异交叉

完成交叉操作后，对比交叉操作后的个体与当前个体的值，哪个适应度函数小，哪个将进入一下代的种群中进行变异交叉。

三、试验分析

3.1故障特征提取

本
文在不同试验条件下输入不同的原始信号，具体原始信号的输入如表1所示。其间分别在三种不同的齿轮箱障碍和正常状态下进行试验，其中，齿轮箱总共分成五个机械部件。笔者通过传感器采集试验数据，采集频率设置为10kHz。

图1各个齿轮原始故障信号类型

为了使得加权排序熵可以匹配到适宜的数据长度和维度，本研究开展了数据匹配性试验，设置的数据长度从10000降低到500。数据长度会影响计算结果的稳定性，因此本文取数据长度为2048。接下来分析延迟信号时间τ对计算结果的影响，τ从1开始取值，当τ取1时，不同状态的加权排序熵值可以得到良好的特征值，因此本文中τ取1。最后确定数据维度和加权排序熵值的关系，在维度3～7区间内取值。可以看出，区分度最高的数据维度为5，故m值取5。笔者通过试验平台提取齿轮箱四种故障状态数据各60组，并利用VMMWPE处理原始信号来求取分量熵值，熵值分布情况如图2所示。

图2VMM-WPE熵值曲线

3.2故障诊断

将所得到的60组熵值作为数据样本，以40组作为训练样本，其余20组作为测试样本。基于改进变分模态和加权排序熵的支持向量机的双馈风电机组复合故障诊断流程，利用训练样本得到最优的LSSVM模型，再通过测试样本的输入验证，得到诊断结果为100%。

四、结束语

风电齿轮箱技术水平对风能发电十分重要，厂商需要充分考虑不同情况的需求，对风电齿轮箱进行技术优化。结合当前技术上的关键问题进行创新，提高风电齿轮箱的技术水平。本文利用变分模态和加权排序熵对风电齿轮箱复合特征进行提取分析，得到归一化熵值。通过试验验证了基于VMMWPE-DE⁃WOA-LSSVM算法的风电齿轮箱复合故障诊断的有效性。

参考文献：

[1]王晶晶，吴晓铃.风电齿轮箱的发展及技术分析[J].机械传动，2008，32(6)：5-8.

[2]王辉，李晓龙，王罡，等.大型风电齿轮箱的失效问题及其设计制造技术的国内外现状分析[J].中国机械工程，2013，24(11)：1542-1549.

［3］任国春，赵永东，冯辅周，等.基于自适应EEMD样本熵的行星齿轮箱特征提取方法［J］.装甲兵工程学院学报，2017（6）：49-55.

［4］胡茑庆，陈徽鹏，程哲，等.基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法［J］.机械工程学报，2019（7）：9-18.