基于协方差矩阵流形的风电机组齿轮箱故障诊断方法研究

目录

摘要 ............................................................................................................................... I ABSTRACT .................................................................................................................. III 第1章绪论 . (1)

1.1课题背景及研究的目的和意义 (1)

1.2风电机组基本组成 (3)

1.3国内外研究现状 (4)

1.3.1 齿轮箱故障诊断研究现状 (4)

1.3.2 多通道振动信号分析方法研究现状 (5)

1.3.3 基于协方差矩阵的故障检测和诊断研究现状 (6)

1.3.4 黎曼流形与张量分析研究现状 (7)

1.4本领域存在的科学问题和关键技术问题 (8)

1.5研究内容与结构安排 (9)

第2章多通道振动信号的协方差矩阵流形表示 (11)

2.1引言 (11)

2.2振动信号传统分析方法 (11)

2.2.1 时域分析 (12)

2.2.2 频域分析 (13)

2.2.3 时频域分析 (15)

2.2.4 相关分析 (15)

2.3方法描述 (16)

2.3.1 多通道振动信号 (16)

2.3.2 协方差矩阵与黎曼流形 (17)

2.3.3 多通道振动信号预处理 (21)

2.3.4 协方差矩阵序列表示 (21)

2.3.5 协方差矩阵的奇异值分解 (22)

2.4本章小结 (23)

第3章基于协方差矩阵流形的椭球可视化故障诊断方法 (25)

3.1引言 (25)

3.2椭球可视化 (26)

3.3四元数与旋转矩阵 (26)

3.3.1四元数概念及性质 (26)

3.3.2四元数与旋转矩阵间转换 (30)

3.4各向异性分析 (33)

3.5实验测试与分析 (33)

3.5.1测试机组信息 (34)

3.5.2数据分析 (36)

3.6本章小结 (42)

第4章基于协方差矩阵流形黎曼距离的故障检测与定位方法 (43)

4.1引言 (43)

4.2基于协方差矩阵流形黎曼距离的故障检测方法 (43)

4.3基于EEMD分解和协方差矩阵流形的故障检测与定位方法 (45)

4.3.1 EMD分解 (45)

4.3.2 相空间重构 (47)

4.3.3 改进的算法步骤 (49)

4.4算法验证与结果分析 (50)

4.4.1 故障数据1分析 (50)

4.4.2 故障数据2分析 (55)

4.5本章小结 (60)

第5章基于协方差矩阵多尺度流形熵特征的故障分类方法 (62)

5.1引言 (62)

5.2流形熵特征提取 (62)

5.2.1近似熵 (63)

5.2.2 样本熵 (63)

5.2.3 多尺度熵 (65)

5.2.4 多元样本熵算法 (66)

5.2.5 小波及小波包变换 (67)

5.3基于多尺度流形熵特征的故障诊断方法 (69)

5.4算法验证与结果分析 (71)

5.4.1 故障数据1分析 (71)

5.4.2 故障数据2分析 (74)

5.4.2 故障数据3分析 (81)

5.5本章小结 (89)

结论 (90)

参考文献 (92)

攻读博士学位期间发表的论文及其它成果 (102)

哈尔滨工业大学学位论文原创性声明和使用权限 (103)

致谢 (104)

个人简历 (105)

Contents

Abstract (In Chinese) ...................................................................................................... I Abstract (In English).................................................................................................... III Chapter 1 Introduction .. (1)

1.1Background, Objective and Significance of the Subject (1)

1.2 Wind Turbines Basic Composition (3)

1.3 Overseas and Domestic Research Status (4)

1.3.1 Gearbox Fault Diagnosis Research Status (4)

1.3.2 Multichannel Vibration Signal Analysis Method Research Status (5)

1.3.3 Fault Detection and Diagnosis Based on Covariance Matrix Research Status 6

1.3.4 Analysis of Riemann Manifolds and Tensor Research Status (7)

1.4Scientific and the Key Technical Problems in the Investigated Field (8)

1.5Research Content and Structure Arrangement (9)

Chapter 2 Covariance Matrix Manifold Representation of Multichannel Vibration Signal (11)

2.1Introduction (11)

2.2Traditional Vibration Signal Analysis Method (11)

2.2.1 Time Domain Analysis (12)

2.2.2 Frequency Domain Analysis (13)

2.2.3 Time-frequency Analysis (14)

2.2.4 Correlation Analysis (15)

2.3Method Description (16)

2.3.1 Multichannel Vibration Signal (16)

2.3.2 Covariance Matrix (17)

2.3.3 Preprocessing of Multichannel Vibration Signal (21)

2.3.4 Covariance Matrix Series Representation (21)

2.3.5 Covariance Matrix Singular Value Decomposition (22)

2.4Summary of this Chapter (24)

Chapter 3 Fault Diagnosis Method of Ellipsoidal Visualization Based on

Covariance Matrix Manifold (25)

3.1Introduction (25)

3.2Ellipsoidal Visualization (26)

3.3Quaternion and Rotation Matrix (26)

3.3.1 Quaternion Concept and Nature (26)

3.3.2 Conversion of Quaternion to Rotation Matrix (30)

3.4Anisotropy Analysis (33)

3.5Experimental Test and Result Analysis (33)

3.5.1 Tested Turbines Information (34)

3.5.2 Data Analysis (36)

3.6Summary of this Chapter (42)

Chapter 4Fault Detection and Localization Based on Riemannian Manifold Distance of Covariance Matrix (43)

4.1Introduction (43)

4.2 Fault Detection Based on Riemann Manifold Distance of Covariance Matrix (43)

4.3 Fault Detection and Localization Based on EEMD Eecomposition and Covariance

Riemannian Manifold Distance (45)

4.3.1 EMD Decomposition (45)

4.3.2 Phase Space Reconstuction (47)

4.3.3 Improved Algorithm Steps (49)

4.4Algorithm Validation and Results Analysis (50)

4.4.1 Analysis of Failure Data 1 (50)

4.4.2 Analysis of Failure Data 2 (55)

4.5Summary of this Chapter (60)

Chapter 5 Fault Classification Method Based on Multi-scale Manifold Entropy Feature of Covariance Matrix (62)

5.1Introduction (62)

5.2Manifold Entropy Feature Extraction (62)

5.2.1 Approximate Entropy (63)

5.2.2 Sample Entropy (63)

5.2.3 Multivariate Multi-scale Entropy (65)

5.2.4 Multi-scale Entropy Algorithm (66)

5.2.5 Wavelet and Wavelet Packet Transform (67)

5.3Fault Diagnosis Method Based on Multi-scale Manifold Entropy Feature (69)

5.4Algorithm Validation and Results Analysis (71)

5.4.1 Analysis of Failure Data 1 (71)

5.4.2 Analysis of Failure Data 2 (74)

5.4.3 Analysis of Failure Data 3 (81)

5.5Summary of this Chapter (89)

Conclusions (90)

References (92)

Papers Published in the Period of Ph.D. Education (102)

Statement of copyright and Letter of authorization (103)

Acknowledgments (104)

Resume (105)

第1章绪论

1.1 课题背景及研究的目的和意义

由于能源危机和环境问题日益严重，可再生能源对于社会可持续发展具有重要意义。风能作为绿色无污染能源之一，具有一些独特的优越性，目前已经受到世界各国的广泛关注[1]。近几年，风电产业得到了快速发展，截止到2013年底，全球的风力发电机新增装机容量达到36GW，累计装机容量已经突破300GW，装机容量实现了12.5%的年增长率。2013年我国风力发电新增装机达14GW，累计装机容量77GW，装机容量居世界第一位[2]。

风电机组一般长期在野外、雷雨和暴晒等恶劣环境中工作，容易发生多种电气或机械故障。随着风电机组装机容量的增加，系统结构日益复杂，风电场事故频发。由于风电机组通常安装在较偏远的地方，并且机舱有几十米、甚至上百米的高度，其维修和护理一般需要起重机、升降机等设备，风电机组一旦发生故障，则维修费用巨大。据调查，对于设计寿命20年的风机而言，其维修费用占到风电场总收入的10-15%[3,4]。瑞典、芬兰和德国的风电场故障统计数据如表1-1所示[5]。从该表中可以看出，电气系统是故障最多的部件，齿轮是多故障最长停机时间的部件，单故障最长停机时间的部件集中在齿轮和传动链上。齿轮箱的主要故障是齿轮和轴承故障，大约分别占其故障总数的60%和19%[6]。

表1-2是瑞典皇家理工学院可靠性评估管理中心对瑞典风电机组齿轮箱故障类型的统计数据[5]。从表中可以看出，轴承故障次数最多，平均停机时间最长，磨损故障次数最多。齿轮故障次数最少，但是平均停机时间较长，仅次于轴承故障的平均停机时间。

风电机组齿轮箱故障诊断属于旋转机械故障诊断的范畴。对齿轮箱振动信号进行监测和分析，是工程实际中故障诊断较为常用的一种手段[7]。该方法为风电机组齿轮箱加装传感器[8,9]，对其关键部位的振动量如速度、加速度等进行测试，然后进行数据处理与分析，以判断故障的程度、类型和故障定位等。传统故障诊断方法一般基于振动信号分析，采用时域分析、频谱分析和时频分析等技术[10,11]。由于时频分析技术可以结合时间域与频率域，更好地利用时频特征描述振动信号，因此在故障诊断领域应用广泛[12]。由于风能具有随机性和间歇性特点，风电机组齿轮箱的机械故障信号具有复杂非平稳时变特性[13]。传统时频分析方法采用相对固定的时间和频率分辨率处理非平稳信号，计算工作量较大、耗用时间长、诊断