【《风电机组齿轮箱故障信号处理分析与应用研究》15000字（论文）】

风电机组齿轮箱故障信号处理分析与应用研究摘要风电机组一般指风力发电机组，一般是由风轮、发电机；叶片、轮毂、加固件等组成。由于风电机组大多安装在高空或野外，容易受到外界恶劣环境的影响产生故障。而齿轮箱作为动力传送部件又是故障多发部件，一旦发生故障将会导致整个传动系统停机。因而本文选择的研究对象是风电机组齿轮箱，并对其开展故障信号分析的研究工作。风电机组齿轮箱中的主要构成部件——齿轮，由于长时间工作或是受恶劣的工作环境所影响，会经常出现不同类型的机械故障，齿轮的故障一般检测其故障信号来诊断，但原始收集到的故障信号一般会包含复杂的噪声等干扰信号，目前已有的齿轮故障诊断方法难以精准无误的提取故障信号中的有效信息，因此，本文拟将使用一种新方法——变分模态分解方法(VariationalModeDecomposition，VMD)应用到齿轮故障诊断领域，探究其优越性。主要研究内容如下：1.基于变分模态分解在风电机组齿轮箱齿轮的故障诊断中的应用关于风电机组齿轮故障诊断，可以使用一种叫变分模态分解的信号处理方法，这种方法能够将故障信号分解成若干个分量信号，再利用峭度准则可以确定一个最优分量信号，通过对最优分量信号进行分析即可得到最精准无误的信息。大量仿真实验表明，变分模态分解方法能精确提取出齿轮的故障信号，判断齿轮所存在的故障。2.基于原始信号的时频域包络谱图对其进行判断分析通过对原始实验数据的时频域包络谱等传统方法的分析，来判断齿轮的故障。对收集到的原始信号，不做处理直接进行时频域包络谱分析，查看故障分析结果。3.将传统方法和变分模态分解方法进行对比分析。通过两种方法分别对原始信号处理，查看得到的故障信号的图像，进行对比分析，评价变分模态分解方法相对于传统方法的优劣关键词：变分模态分解；齿轮；风电机组；信号分析；故障诊断目录摘要 [22]。本文拟定K值为6，然后利用峭度准则的方法确定最佳，分量峭度的英文名为Kurtosis，缩写为K。峭度K是反应随机变量分布特征的数值统计量，是归一化4阶中心矩阵。峭度计算公式如下：(3-10)在实际检测分析中，K值设定为6的情况下，从中选取理想最优分量，然后用理想最优分量对采集到的齿轮故障振动信号进行分析和处理。实际仿真信号为小齿轮断齿故障信号，本次实验采样频率为5120Hz，实验系统采样点数为8192，齿轮的额定转速是880r/min，实测转速为878r/min，小齿轮的齿数为55，大齿轮齿数为75。根据齿轮故障特征频率公式计算所得，小齿轮故障特征频率为14.63Hz，大齿轮故障特征频率为10.7Hz。使用该信号进行故障信号分析。图3-2原始信号的时域波形图图3-3原始信号的频域波形图图3-4原始信号的包络谱图针对这一仿真信号的图像来说，由图3-2原始信号的时域波形图中只能看出复杂纷繁的冲击信号，无法进行分析，从原始信号的频域波形图中看到，故障信号的峰值出现在低频段，但是由于大量的外在因素的干扰，在0-1500Hz上有多个频率集中分段。从原始信号的包络谱图可以观察到4个峰值，从左到右分别为：14.38Hz，29.38Hz，43.75Hz，58.75Hz。在误差允许的情况下，前三个峰值对应着小齿轮故障特征频率的一倍频，二倍频，和三倍频，符合倍频理论，说明了故障确实是发生在小齿轮上，但图中第一个峰值的出现不是那么明显，有人为主观臆断的可能。接下来分析用VMD方法，K=6时并通过峭度准则筛选的该仿真信号的图像。图3-5K=6信号分量峭度值图（a）分量1频域分析图(b）分量1包络谱图（c）分量2频域分析图(d）分量2包络谱图（e）分量3频域分析图(f）分量3包络谱图（g）分量4频域分析图(h）分量4包络谱图（i）分量5频域分析图(j）分量5包络谱图（k）分量6频域分析图(l）分量6包络谱图图3-6K=6信号分量的频域分析图和包络谱图由峭度值图可以看出，分量4的R数值是最大的，所以按峭度准则分量4应该为最优分量，从分量4频域分析图中可以很直观的看出故障频率差不多在1000Hz，从每一个分量的包络谱图中发现只有分量4和分量5有若干个清晰可辨的峰值，而且分量4包络谱图中从左到右依次出现的峰值符合倍频理论，分量5包络谱图的第一个峰值是29.38Hz大约为二倍频，但前面没有出现一倍频峰值所以也无法确定这就是二倍频。综上所述确实是分量4的分解是最优的，按照峭度准则的方法即可确定最优分量。3.5本章小结主要介绍了变分模态分解方法（VMD）的由来，基础概念以及求解和应用过程，理论上说明了变分模态分解方法较其他方法的优越性。利用变分模态分解方法来抑制模态混叠，同时确立了惩罚因子α和分量个数K的情况下，利用峭度准则的方法筛选出了最优分量，为下一章分析和解决齿轮的实际故障信号做好准备。

4实验齿轮故障信号分析变分模态分解方法作为近年来新提出的一种方法，即使还有缺陷，但它具有坚实的理论基础，越来越多的学者将VMD算法应用于自己的研究领域，并且取得了让人满意的结果。利用轴承和齿轮的振动信号来检测和诊断其工作状态是目前旋转机械故障监测和诊断研究中最常用的方法。因此本文将VMD算法应用于齿轮箱故障诊断并进行分析。4.1齿轮故障实验数据分析4.1.1点蚀故障分析通过上一章的介绍，我们可知惩罚因子α和分量个数K是变分模态分解方法的主要影响参数，通过上一章的分析确定K的取值为6，惩罚因子α的默认值为2000，最优分量要通过峭度准则来确定。在分析之前由实验采集到的数据已知，故障发生在大齿轮上，齿轮的额定转速为880r/min，实测转速为880r/min，大齿轮的齿数为75，小齿轮的齿数为55，即输入轴上的小齿轮故障频率为14.67Hz，由此根据齿轮故障特征频率公式计算出输出轴上大齿轮的故障特征频率为10.76Hz。本文将在变分模态分解方法的基础上进行优化，增加了峭度准则，从而确定在K一定时选取最适合分析的最优分量。分量个数K的取值为6，K值取6时生成的各分量的峭度准则R值如下图所示：图4-1K=6信号分量峭度值图由图4-3可以看出，6个分量中分量3的峭度值R值出现了最大值，理论上的最优分量为分量3，即分量3的故障信号的包络谱图中会呈现出齿轮故障特征频率及其倍频。图4-2为分量信号3的VMD分析结果图和原始信号的时域分析结果图。（a）原始信号时域分析图（b）分量信号时域分析图（c）原始信号频域分析图（d）分量信号频域分析图（e）原始信号包络谱图（f）分量信号包络谱图图4-2点蚀故障信号分析结果由上面六组图像可以看出，原始信号时域图与分量信号时域图相比，前者包含着大量的复杂多种冲击信号，而后者冲击信号弱化了很多，种类也少了很多，冲击信号清晰度比原始信号也好了许多。而且下面的频谱图和包络谱图也有了很大的区别，在原始信号包络谱图中，从左到右可以看到很多的高峰，难以辨别是故障信号产生的幅值还是正常运转时冲击信号，进而无法诊断齿轮故障。在分量信号包络谱图中，便可清晰的看到有连续的三个峰值，其频率值分别是10.63Hz、21.25Hz、31.88Hz。此三个峰值的频率与齿轮故障特征频率的理论单倍频（10.76Hz）、二倍频（21.52Hz）、三倍频基本一致（21.52Hz），与倍频的理论值基本相吻合。虽然原始图像中也出现了齿轮故障特征频率，但是在分量3的频谱图中故障特征频率也较为直观明显，能够准确找出并判断出齿轮故障发生在大齿轮上，同时也说明了峭度准则优化方法能够找到最好的最精确的分量进行分析。4.1.2磨损故障分析本小节会根据上一小节做出的结果以及对变分模态分解方法的优化对齿轮磨损故障信号进行分析，由实验装置和得来的实验数据可知，磨损发生在输入轴的小齿轮上，齿轮的额定转速为880r/min，实测转速为868r/min,小齿轮的特征故障频率为14.46Hz。图4-3K=6信号分量峭度值图由图4-5可以看出，分量4的峭度值R值出现了最大值。理论上的最优分量为分量4，分量4可得到最优分析结果，即分量4的故障信号的包络谱图中会呈现出齿轮故障特征频率及其倍频。图4-6为分量信号4的VMD分析结果图和原始信号的时域分析结果图（a）原始信号时域分析图（b）分量信号时域分析图（c）原始信号频域分析图（d）分量信号频域分析图（e）原始信号包络谱图（f）分量信号包络谱图图4-4磨损故障信号分析结果由图4-4的三组图像可以看出，分量信号和原始信号的时域图里的冲击信号都一样的种类繁多，甚至分量信号的时域图看起来还要复杂一些，但是在两者的包络谱图中就有了很大的区别，分量信号的包络谱图虽然没图4-2中的（f）清楚，但也还是比较容易观察出来有连续的三个峰值，这三个峰值分别为14.38Hz、28.75Hz、43.13Hz。在误差允许范围内，此三个峰值的频率与齿轮故障特征频率的理论单倍频（14.46Hz）、二倍频（28.92Hz）、三倍频（43.38Hz）基本吻合，符合倍频的理论值。反观原始信号的包络谱图第一个峰值频率为28.75Hz，大致是二倍频，但我们在图中无法找到齿轮故障特征频率的理论单倍频（14.46Hz），无法将该峰值认定为小齿轮的特征故障频率的二倍频，从而无法诊断齿轮的故障，由此可见直接对原始信号进行包络谱分析有不小缺陷。4.1.3断齿故障分析由前两节分析，同理，由实验装置和得来的实验数据可知，齿轮的额定转速为880r/min，实测转速为878r/min，大齿轮齿数为75，小齿轮齿数为55。即小齿轮的特征故障频率为14.63Hz，由此可以计算出大齿轮的故障特征频率为10.73Hz。图4-5K=6信号分量峭度值图由图4-5可以看出，分量2的峭度值R值出现了最大值。理论上的最优分量为分量2分量2得到最优分析结果，即分量2的故障信号的包络谱图中会呈现出齿轮故障特征频率及其倍频。图4-6为分量信号2的VMD分析结果图和原始信号的时域分析结果图。（a）原始信号时域分析图（b）分量信号时域分析图（c）原始信号频域分析图（d）分量信号频域分析图（e）原始信号包络谱图（f）分量信号包络谱图图4-6断齿故障信号分析结果图4-6，左侧一列为原始信号的时域波形图，频谱图，包络谱图，右侧一列为分量信号2的时域波形图，频谱图，包络谱图。原始信号的时域波形图可以看出冲击信号大大小小强度不一，而且种类很多，但经过变分模态分解方法分解后得到的分量信号2时域波形图中，时域波形图里的冲击信号已不再是那么杂乱无章，不但弱化了很多而且呈现一定的规律性。在分量2的包络谱图中，可以很明显看到有几个具有一定间隙的峰值，前三个峰的峰值分别为10.63Hz、21.25Hz、31.88Hz，在误差允许的情况下，与倍频的理论值基本相吻合。而传统的时域分析方法得到的包络谱图只能辨别出一个峰值，但此峰值已经达到了72.5Hz，已经失去了意义。由这三种齿轮故障信号的分析可知，在分析齿轮故障信号的时域图这方面，变分模态分解方法还有缺陷，但是相较于传统方法和目前已知的其他方法，精准率与效率已经有所提高，尤其是在进行优化后，图像尤其是包络谱的显示将更加准确明显，便于识别。4.2本章小节在此章主要论述了：对实际齿轮故障信号的诊断分析以及利用峭度准则方法确定最优分量。通过对三组实际数据的分析，发现了通过峭度准则快速确定了最优分量，从而获得最清晰准确的实验结果，同时也验证了变分模态分解方法相对于传统方法的优越性。在引入峭度准则优化之后，变分模态分解方法对齿轮不同类型的齿轮故障诊断时结果显得十分高效精准。5总结与展望5.1总结本论文基于变分模态分解方法，对风电机组齿轮箱的齿轮部分的故障信号诊断做了深入的研究与分析。首先，简要的概述了风电机组以及齿轮箱在风电机组中的重要作用，介绍了齿轮常见的故障类型和原因，然后阐述了如何判断齿轮故障。通过QPZZ-Ⅱ实验平台采集实际的齿轮故障信号进行仿真，然后详细介绍了变分模态分解方法的由来，概念等，最后用峭度准则优化的变分模态分解方法对得来的齿轮仿真故障信号的实验数据进行处理，取得一定成果。本文主对以下几个方面做了详细的探究：（1）在文章的绪论部分，讲解了一些有关于风电机组的知识，通过介绍齿轮箱齿轮故障危害性，说明了当下对齿轮故障诊断技术的重要性与迫切性。详细介绍了一下齿轮的故障和故障产生的原因。介绍了现已有的齿轮故障诊断方法以及对于齿轮故障诊断技术现状做了一个简单的描述和概括。（2）介绍了变分模态分解方法（VMD），首先详细讲解了变分模态分解方法的原理，基础知识和如何构造变分模态分解函数，并对其求解，然后利用经峭度的准则优化变分模态分解方法对风电机组齿轮箱齿轮故障信号进行诊断。（3）变分模态分解方法的主要影响参数有惩罚因子α和分量个数K。惩罚因子α主要是和各个分量中心频率的带宽相关，在参考了大量文献与仿真实验测试后，确定了惩罚因子α数值为2000时分析效果最佳。K值确定为6后通过峭度准则优化来确定最优分量。在确定了惩罚因子α和分量个数K的值后，变分模态分解方法虽然还有缺陷但相较于其他常规方法作出的图像，图像将更加准确明显，便于识别，提取的信号也少了很多干扰。通过本文的研究，变分模态分解方法对齿轮故障信号的分析结果确实优于传统方法和目前已知的其他方法，包络谱图清晰明了的展现出了故障信号的频率。5.2展望齿轮故障诊断技术已经经历了几十年的发展历程。利用现有的诊断方法在实际应用中解决了许多问题，但其缺陷不容忽视，需要学者进一步研究完善。变分模式分解方法作为近年来提出的一种新方法，在齿轮故障信号分析这一领域确实有着独特的优势，通过分析和探究，仍然还有很多可以改善的地方，比如：（1）实验中只进行了点蚀、磨损和断齿的故障信号分析，其他类型的故障还需要进一步分析。（2）齿轮箱实际工作发生故障时，常常伴随着是多种故障同时存在，本文只研究了单一故障的情况。（3）分模态分解方法的主要影响参数惩罚因子α和分量个数K是直接的给定的。参数的选择对实验结果的影响巨大。本文是直接确定了惩罚因子α和分量个数K的情况下通过峭度准则的方法来定最佳分量，但如果是两个变量都不确定的情况下，该如何确定惩罚因子α和分量个数K就成了问题，也就无法获得分析结果了。参考文献李鸿键,巫蔡泉,吴子超等．嵌地式立体车库:中国，201120364088.7[P].2012-05-30.武英杰.基于变分模态分解的风电机组传动系统故障诊断研究[D].华北电力大学，2016.窦春红.风电齿轮箱运行状态监测与故障诊断[D].北京交通大学，2019．陈强.基于变分模态分解的齿轮箱故障诊断研究[D].兰州交通大学，2020..曹斌.风电机组振动监测与故障诊断系统研究[D].广东工业大学，2014.武英杰,甄成刚,刘长良.变分模态分解在风电机组故障诊断中的应用[J].机械传动,2015,39(10):129-132.万书亭，吴美玲．基于时域参数趋势分析的滚动轴承故障诊断[J].机械工程与自动化，2010，(3)：108－110．吴方.时频域分析方法在仿真模型验证中的应用研究[D].哈尔滨工业大学，2013Jeng-WenLin.AhybridalgorithmbasedonEEMDandEMDformulti-modesignalprocessing[J].StructuralEngineeringandMechanics,2011,39(6):813-831SmithJS.ThelocalmeandecompositionanditsapplicationtoEEGperceptiondata[J].JournaloftheRoyalSocietyInterface,2005,2(5):443-454.DragomiretskiyK，ZossoD．Variationalmodedecomposition［J］．IEEETransactionsonSignalProcessing，2014，62(3):531－544．石敏,李影,王冰等.基于变分模态分解的齿轮箱故障诊断[J].电力科学与工程,2016,32(01):23-24.HaJongM，ParkJungho，NaKyumin，etal.ToothwiseFaultIde