[發明專利]基于Kriging模型的風力機齒輪箱故障診斷方法

有效

• 申請號: 201410391712.0
• 申請日: 2014-08-11
• 公開（公告）號: CN104122086A
• 公開（公告）日: 2014-10-29
• 發明（設計）人: 黃章俊;李錄平;田紅
• 申請（專利權）人: 長沙理工大學
• 主分類號: G01M13/02
• 分類號: G01M13/02
• 代理公司: 湖南兆弘專利事務所 43008
• 代理人: 趙洪;譚武藝

技術領域

本發明涉及風力機齒輪箱的故障診斷技術，具體涉及一種基于Kriging模型的風力機齒輪箱故障診斷方法。

背景技術

目前風電機組多以水平軸為主，包括失速型、變槳型、變槳變速型、直驅型、永磁型、半直驅型等幾種，采用齒輪箱增速雙饋異步變速發電機的兆瓦級風電機組是目前風電市場的主流機型，其中齒輪箱由齒輪箱本體、齒輪、傳動軸、軸承及軸承座組成。隨著我國風電裝機容量的劇增和風力機投運時間的累積，由齒輪箱故障或損壞引起的機組停運事件時有發生。據資料統計，我國風場齒輪箱損壞率高達40～50％，個別品牌機組齒輪箱更換率幾乎達到100％。由此帶來的直接和間接損失也越來越大，維護人員投入相關工作的工作量也不斷上升。以1.5MW大型風力機齒輪箱故障為例，故障齒輪箱的拆裝、運輸和維修費用高達100萬元以上，相當于風力機生產總成本的10％，且該成本費用尚未包括機組停機數月的生產損失。因此，齒輪箱損壞對風電機組設備和風電企業的安全運行構成嚴重威脅。

狀態監測及故障診斷是降低風力機齒輪箱及風電機組運營和維修成本的有效方法和手段。風力機齒輪箱故障診斷方法的研究和應用，能夠盡早發現潛在故障風險，防止損傷程度的惡化或故障范圍的擴大，避免意外事故和人員傷亡；減少故障維修次數和停機時間，增加設備正常運轉時間和無故障率，提高設備利用率；減少不必要的部件更換，以降低維修費用與停機時間，節約大量運行和維護的費用。資料表明，利用狀態監測和故障診斷技術，能夠減少事故率75％，降低維修費用25％～50％，獲利與投資比可達17:1。

故障診斷方法一般分為傳統診斷方法、數學診斷方法和智能故障診斷方法。目前，風電機組齒輪箱故障診斷最常用的方法是對采集到的振動信號進行頻譜分析，由人工或機器進行模式識別，從而判斷是否出現故障及故障原因，屬于傳統診斷方法和數學診斷方法的結合。隨著人工智能的發展，許多智能診斷方法如模糊邏輯、專家系統以及神經網絡等開始應用于風電設備系統的故障診斷。但是，由于風電機組齒輪箱故障征兆和原因之間的關系存在不確定性，而且目前已有的各種智能診斷方法還不夠完善，致使目前已有的智能診斷方法不僅計算量較大，實時性較差，而且故障誤判率較高，難以滿足工程實際需要。

Kriging(克立金)方法最初源于南非地質學家Krige尋找金礦的一種插值方法，經過法國著名統計學家Matheron理論化和系統化之后逐漸發展起來的一種最優無偏估計方法。該方法是在有限區域內對區域變化量的取值進行無偏最優估計，通過待估樣本點(或區域)有限鄰域內若干已測定的樣本點數據，考慮到樣品點(或區域)的形狀、大小及其與待估點(或區域)相互之間的空間分布位置等幾何特征以及變量的空間結構信息，對每一個樣品賦予一定的權系數，從而采用加權平均法對待估點(或區域)的未知量進行估計。Kriging方法最初應用于礦業領域，近年來其應用范圍已經大大超出了原有的礦業領域，在氣象分析、環境監測、圖像處理、機械工程、結構優化以及航空航天等領域都發揮著日益重要的作用。

發明內容

本發明要解決的技術問題是：針對現有技術的上述技術問題，提供一種診斷結果快速準確、非線性擬合效果好、使用靈活、計算量小，能夠為實現風力機齒輪箱故障在線診斷奠定基礎的基于Kriging模型的風力機齒輪箱故障診斷方法。

為了解決上述技術問題，本發明采用的技術方案為：

一種基于Kriging模型的風力機齒輪箱故障診斷方法，其實施步驟如下：

1)分別采集風力機齒輪箱在各個工況模式下的多個振動信號序列，所述各個工況模式包括風力機齒輪箱的正常狀態、磨損狀態和斷齒狀態；

2)分別計算所述振動信號序列的多個故障信號特征值；

3)根據各個工況模式下多個振動信號序列對應的故障信號特征值，通過隸屬度函數建立工況模式、診斷目標值之間的對應關系和樣本數據表，所述樣本數據表的每一個表項包括工況模式、多個故障信號特征值、診斷目標值三種類型的數據；

4)依據所述樣本數據表中的部分或者全部數據，采用最小二乘法進行變差函數理論模型的擬合，得到變差函數理論模型的參數值及變差函數理論模型；

5)基于所述變差函數理論模型，按照Kriging方法建立各個故障信號特征值構成的輸入向量、診斷目標值之間的近似函數關系得到由Kriging估計量的計算表達式構成的Kriging模型，所述Kriging模型的輸入量為待診斷振動信號對應的各個故障信號特征值構成的輸入向量，所述Kriging模型的輸出量為與診斷目標值對應Kriging估計量；