[发明专利]风力发电机组齿轮箱故障诊断方法

摘要

本发明考虑风力发电机组齿轮箱振动信号的非平稳特征、故障程度识别与故障部位诊断等重要因素，提出了一种基于LMD(Local mean decomposition，局部均值分解)和优化K均值聚类算法的风力发电机组齿轮箱故障诊断方法，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LMD方法将原始振动加速度信号分解为若干个PF(Product function，简称PF)分量，再以相关系数最大为原则选取PF分量进行信号重构，并对重构后的信号进行Hilbert包络解调分析，以便进一步提取故障特征量，最后应用优化K均值聚类算法进行故障部位和故障程度分类。

主权项

一种风力发电机组齿轮箱故障诊断方法，其特征在于，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，齿轮箱传感器测点包括齿轮箱输入轴轴承、齿轮箱行星齿轮侧、齿轮箱中间轴侧和齿轮箱高速轴轴承各自的水平位置和垂直位置；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，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$x\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{PF}}_i+r$式中，x(t)‑原始振动信号时域幅值，PFi‑第i个分量，r‑残余函数；步骤3：依次计算n个PF分量与原始振动信号之间的相似系数，选择相似系数最大的PF分量用于信号重构；步骤4：对重构信号进行Hilbert包络解调分析，并提取故障特征量；步骤5：对所有样本进行上述步骤1‑4的故障特征量提取，并基于数据密度选择初始聚类中心；步骤6：应用优化K均值聚类算法对所有样本进行分类，即可得每个样本的故障部位和故障程度。