[发明专利]一种基于振动监测的风力发电机组齿轮箱早期故障诊断方法

摘要

本发明提供一种基于振动监测的风力发电机组齿轮箱早期故障诊断方法。该方法首先采集风力发电机组齿轮箱各测点的原始振动加速度信号，然后采用局部均值分解(Local mean decomposition，简称LMD)方法将原始振动加速度信号分解为若干个具有一定物理意义的PF(Product function)分量，再选取包含调幅调频等故障信息的PF分量进行信号重构，并对重构后的信号进行Hilbert变换，进一步提取故障特征量，最后通过计算待测样本和标准样本之间的KL-散度值来判断故障类型和故障程度。

主权项

一种基于振动监测的风力发电机组齿轮箱早期故障诊断方法，其特征在于其包括以下步骤：步骤1：通过加速度传感器采集原始振动信号，齿轮箱传感器测点为：齿轮箱输入轴轴承、齿轮箱行星齿轮侧、齿轮箱中间轴侧、齿轮箱高速轴轴承共四个测点的水平和垂直位置。步骤2：对采集到的原始振动信号按时间标签提取N个样本点，N≥4096，对提取到的原始振动信号x(t)进行LMD方法分解，可得若干个瞬时频率具有物理意义的PF分量，即$x\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{PF}}_i+r---\left(1\right)$式中，x(t)‑原始振动信号时域幅值；PF_i‑第i个分量；r‑残余函数。步骤3：选取包含调幅调频等故障信息的PF分量用于信号重构，即x′(t)＝∑PF_i。步骤4：对重构信号进行Hilbert变换，并提取故障特征量。步骤5：采集风力发电机组齿轮箱在不同状态下的样本作为标准样本，依次计算标准样本和待测样本的故障特征量，并计算待测样本和标准样本之间的KL‑散度，即其中，D_kl(P□Q)‑待检样本和标准样本之间的KL‑散度；P(i)‑第i个待检样本重构信号故障特征量；Q(i)‑第i个标准样本重构信号故障特征量。将它变为对称形式，得D_kl(P□Q)＝[D_kl(P□Q)+D_kl(Q□P)]/2   (3)最后给出故障部位和故障程度。