[发明专利]齿轮箱常见故障智能诊断方法

说明书

本发明涉及齿轮箱故障诊断技术领域，且公开了齿轮箱常见故障智能诊断方法，包括传统内容检测、定点分散安装振动传感器和振动信号样点提取和分析计算步骤。本发明中，通过对润滑油进行油品检测分析，可及时发现可能因润滑油问题而可能导致的齿轮箱发生故障的风险，并通过特定金属元素检测确定齿轮箱部件是否发生磨损，从而指导检测人员针对性的进行后续检测，通过振动检测可分析故障发生的部位及故障等级，并通过内窥镜可直观的确定齿轮箱故障发生的确切位置，故障的类型及故障程度，从而指导检测人员根据故障信息具体分析故障原因，从源头解决问题。

技术领域

本发明涉及齿轮箱故障诊断技术领域，尤其涉及齿轮箱常见故障智能诊断方法。

背景技术

近年来，风力发电取得了很大的进展，但与传统的发电系统如煤炭、天然气等相比，由于运行维护成本相对较高，风电项目的维护策略需要更多的主动性。因此，有必要通过状态监测、诊断、预测和健康管理来降低风电机组的维护成本。而在齿轮箱故障中大多数是齿轮故障。同时，齿轮箱故障通常带来的维护操作十分复杂，其拆装、运输以及维修成本也十分高昂。因此，为了保证风电机组的正常运行，对风力发电机齿轮箱故障进行研究至关重要，随着风机装机容量的不断增加，风机的故障也频繁地发生。轻微故障需要对风机进行维修检测；重大的故障则需要进行停机维修，不仅对经济造成了严重的损失，而且还会引发一系列的安全隐患。据统计，齿轮箱作为风机的重要传动部件，该部件的故障率非常高。所以，为了保证风机的安全稳定运行以及持久有效发电，对齿轮箱进行故障诊断工作是非常有必要的。然而传统的方法如频谱分析等，虽然能够检测出单一、简单的故障，但是无法满足于复杂故障的识别。

为此，我们提出齿轮箱常见故障智能诊断方法。

发明内容

本发明主要是解决上述现有技术所存在的技术问题，提供齿轮箱常见故障智能诊断方法。

为了实现上述目的，本发明采用了如下技术方案，齿轮箱常见故障智能诊断方法，包括以下步骤，

S1、传统内容检测；

S2、定点分散安装振动传感器；

S3、振动信号样点提取和分析计算。

作为优选，所述S1中的传统内容检测包括油品检测分析，油品检测分析包括：对润滑油进行理化指标分析和光谱分析；所述理化指标分析包括运动粘度分析、总酸值分析、水分含量分析和颗粒物计数分析；当所述理化指标分析结果不达标时，判断风力发电机齿轮箱存在发生故障的风险，需要对润滑油进行净化处理或更换润滑油；所述光谱分析用于分析润滑油中特定金属元素的含量，所述特定金属元素包括添加剂里的金属元素和风力发电机齿轮箱所含的金属元素，当所述添加剂里的金属元素低于指标值时，判断风力发电机齿轮箱存在发生故障的风险，需要适当增加添加剂或更换润滑油；当所述风力发电机齿轮箱所含的金属元素检出超标时，判断风力发电机齿轮箱发生磨损，可能发生故障。

作为优选，所述S2中的定点分散安装振动传感器具体为：选择齿轮箱的若干个有效特征分别设置传感器，对设置的传感器传输的信号进行实时采集，并且同时对各个传感器的振动信号进行接收和分类，按照振动强度进行划分，并且在划分时额外按照振动分布地进行归纳。

作为优选，所述S3中的振动信号样点提取和分析计算具体为：采用小波包分析法对采集到的振动信号进行三层分解分析，对小波包分析后的振动信号进行经验模态分解，并提取出信号的第一个分量，对提取出的第一个信号分量进行特征值提取工作，作为故障诊断时所用的特征向量，获取齿轮箱历史故障数据的特征向量样本，用支持向量机对上述特征向量样本进行训练，将分类准确率最高的那一组作为之后故障诊断时所用的参数，获取齿轮箱实时的运行数据，并得到特征向量，用支持向量机对上述特征向量进行分类，并输出诊断结果。