風力發電機齒輪箱故障診斷方法及應用研究

谷泉

（遼寧科技學院，遼寧 本溪 117004）

1 風力發電齒輪箱故障診斷方法研究現狀

隨著風力發電技術的大規模應用，我國對風力發電齒輪箱故障診斷方法的研究也更加深入。當前所常用的風力發電齒輪箱故障診斷方法共有三種，而通過對風力發電齒輪箱故障診斷方法的原理進行分類，其故障診斷方法大致可以分為三類，其分別是振動分析法、油液分析法以及聲發射技術。眾所周知，齒輪箱及其軸承在運動過程中難免會出現一些振動，而振動分析法便是通過對齒輪箱及軸承的振動情況進行分析，從而對風力發電機齒輪箱進行故障診斷的方法。振動分析法主要是依靠振動感測器對風力發電機運轉過程中齒輪箱的振動情況進行監測的。若齒輪箱的振動幅度及頻率過高，那么則表示齒輪箱出現了故障。與振動分析法所不同的是，油液分析法是依據齒輪箱中的油液成分進行分析，從而判斷其是否出現故障的診斷方法。當齒輪箱出現故障導致齒輪產生摩擦時，其油液中便會出現磨粒，而工作人員可以通過對磨粒的大小及數量進行分析，從而實現對齒輪箱的故障診斷。聲發射技術是一種無損機械診斷技術，該技術可以直接通過對應力波進行分析，從而實現對機械設備的診斷。在上述三種診斷方法中，最常用的便是振動分析方法。這是由于油液分析法往往具有較強的局限性，而聲發射技術雖然可以實現無損檢測，但其檢測準確度卻往往較低。在本文中所提到的三種故障診斷方法便均屬于振動分析法。

2 風力發電系統齒輪箱的故障類型及振動特性分析

2.1 齒輪箱的故障類型

風力發電機中的齒輪箱是一個復雜的機械結構，其主要由行星太陽輪、中間軸以及行星輪等零部件所組成。由于在齒輪箱中其各零部件的耦合程度較高，因此在長時間的運轉過程中齒輪箱難免會出現一些故障。當某一齒輪或軸承出現故障時，其不僅會影響風能與電能之間的轉換，同時更會對齒輪箱整體結構的穩定性造成嚴重的影響。而在齒輪箱中，最常見的故障類型便是軸承故障以及齒輪故障。據相關數據顯示，風力發電機中的齒輪箱在長時間的運轉過程中其軸承與齒輪的故障率高達79%，其齒輪箱個部件故障率如表1所示。

表1 齒輪箱個部件故障率

通過上表數據可以得知，齒輪與軸承為齒輪箱的主要故障形式，因此為了提升工作人員對齒輪箱的診斷準確率，其在對齒輪箱進行故障診斷時，需加強對齒輪箱中齒輪與軸承的診斷。

2.2 齒輪的失效形式及振動信號特征分析

風力發電機齒輪箱中的齒輪在運轉過程中會保持一個非現象的系統性振動，因此工作人員便可以根據齒輪的振動情況對其齒輪箱是否發生故障進行判斷。與此同時，齒輪在故障時也會產生相應的故障特征。在齒輪的失效形式中最常見的便是斷齒。斷齒是指齒輪在運轉過程中由于受到較大的壓力而出現裂紋或產生斷齒。在出現斷齒現象時，齒輪的振動頻率往往會出現一定的間隔，而工作人員便可以根據齒輪轉動時的頻率間隔判斷齒輪是否出現了斷齒現象。其次，齒輪箱中的齒輪在長時間的運行過程中也有可能會出現磨損的現象。齒輪的磨損會直接導致齒輪的咬合面尺寸發生變化，進而導致齒輪在運轉過程中的振幅產生較大的變化。最后，齒輪在長期的運轉過程中還可能會出現點蝕的現象。點蝕是指齒輪受到重復性的沖擊進而導致齒面產生裂縫等損壞。點蝕現象的出現將會使其中高頻譜線的增幅較為明顯。

2.3 滾動軸承的失效形式和振動特性

滾動軸承與齒輪相同均是齒輪箱中重要的零部件之一，與齒輪所不同的是，滾動軸承主要由內圈、外圈以及滾動體等零部件所組成。在齒輪箱的使用過程中，滾動軸承同樣有可能會產生較大的耗損，進而導致其出現故障。滾動軸承最常見的失效形式大致有四種，其分別是磨損失效、疲勞失效以及腐蝕失效與斷裂失效。其中磨損失效主要是指滾動軸承由于長時間的磨損而產生的故障，疲勞失效則是指滾動軸承在使用過程中起滾動體出現脫皮以及裂紋所造成的軸承失效。腐蝕失效則是指滾動軸承中的零部件由于受到水蒸氣以及腐蝕性液體腐蝕所導致滾動軸承失效。最后斷裂失效是指滾動軸承由于自身質量等原因所產生的斷裂故障。與齒輪相似，滾動軸承在出現失效現象時，也會對其振動頻率產生不同程度的影響，而工作人員便可以據此對滾動軸承進行診斷。

3 當前風力發電機齒輪箱故障診斷方法

3.1 集合經驗模態和Tageaer能量算子解調的齒輪箱故障診斷

在上文中曾提到，齒輪箱中齒輪與滾動軸承在運動時均

會產生非線性的振動，而經驗模態分解技術便可以將其非線性的振動型號分解為多個IMF振動信號，從而實現對其的精準分析。但由于經驗模態在對非線性振動信號進行分解與分析過程中還會出現端點效應，進而影響其數據分析的準確度。因此，為了進一步加強經驗模態技術對振動信號的分析準確度，工作人員在利用該技術對齒輪箱振動信號進行分析時，其還需要在原信號中重復添加白噪聲，從而抑制其端點效應等弊端。此外，在齒輪箱振動過程中還極有可能會導致其信號出現調制現象，因此為提升工作人員的診斷準確度，工作人員還要對已測量的IMF信號進行篩選，并結合Teager能量算子解調技術對其信號分量進行細致診斷。

這一故障診斷方式不僅僅可以有效避免EMD中端點效應等弊端對齒輪箱故障診斷結果的影響，同時更可以基于齒輪箱的瞬時振幅信號對其進行故障診斷。

3.2 基于改進K均值算法的齒輪箱故障診斷

雖然基于EEMD方法與模式識別方法相結合的齒輪箱故障診斷方式可以應用于多數風力發電機齒輪箱故障診斷中，并且其也有效降低了端點效應對齒輪箱故障診斷準確度的影響。但這一故障診斷方式對于樣本訓練的質量與數量均具有較高的要求。這一診斷方法的主要原理便是依據主成分分析法對現有數據進行降維處理，從而實現對不同故障程度的檢測與診斷。

4 結語

綜上所述，齒輪箱是風力發電機中極為重要的零部件之一，若其發生故障將會直接影響風力發電過程中風能與電能的轉化。因此，為了避免此類問題的出現，工作人員需要定期對齒輪箱進行檢測并在發現故障時對其進行故障診斷。當前最常用的故障診斷方式便是振動分析法，在這一方法中，集合經驗模態和Tageaer能量算子解調的齒輪箱故障診斷以及基于改進K均值算法的齒輪箱故障診斷均是較為常用的齒輪箱故障診斷方式。與其余故障診斷方式相比，上述兩種方式不僅僅適用范圍更廣，同時診斷準確率也更高。但集合經驗模態和Tageaer能量算子解調的齒輪箱故障診斷這一診斷方式仍具有樣本需求過高等劣勢，相信隨著科技的逐步發展，工作人員將會對現有的機械診斷方式進行進一步優化。