風電機組齒輪箱故障信號處理分析與應用研究摘要風電機組一般指風力發(fā)電機組，一般是由風輪、發(fā)電機；葉片、輪轂、加固件等組成。由于風電機組大多安裝在高空或野外，容易受到外界惡劣環(huán)境的影響產生故障。而齒輪箱作為動力傳送部件又是故障多發(fā)部件，一旦發(fā)生故障將會導致整個傳動系統(tǒng)停機。因而本文選擇的研究對象是風電機組齒輪箱，并對其開展故障信號分析的研究工作。風電機組齒輪箱中的主要構成部件——齒輪，由于長時間工作或是受惡劣的工作環(huán)境所影響，會經(jīng)常出現(xiàn)不同類型的機械故障，齒輪的故障一般檢測其故障信號來診斷，但原始收集到的故障信號一般會包含復雜的噪聲等干擾信號，目前已有的齒輪故障診斷方法難以精準無誤的提取故障信號中的有效信息，因此，本文擬將使用一種新方法——變分模態(tài)分解方法(VariationalModeDecomposition，VMD)應用到齒輪故障診斷領域，探究其優(yōu)越性。主要研究內容如下：1.基于變分模態(tài)分解在風電機組齒輪箱齒輪的故障診斷中的應用關于風電機組齒輪故障診斷，可以使用一種叫變分模態(tài)分解的信號處理方法，這種方法能夠將故障信號分解成若干個分量信號，再利用峭度準則可以確定一個最優(yōu)分量信號，通過對最優(yōu)分量信號進行分析即可得到最精準無誤的信息。大量仿真實驗表明，變分模態(tài)分解方法能精確提取出齒輪的故障信號，判斷齒輪所存在的故障。2.基于原始信號的時頻域包絡譜圖對其進行判斷分析通過對原始實驗數(shù)據(jù)的時頻域包絡譜等傳統(tǒng)方法的分析，來判斷齒輪的故障。對收集到的原始信號，不做處理直接進行時頻域包絡譜分析，查看故障分析結果。3.將傳統(tǒng)方法和變分模態(tài)分解方法進行對比分析。通過兩種方法分別對原始信號處理，查看得到的故障信號的圖像，進行對比分析，評價變分模態(tài)分解方法相對于傳統(tǒng)方法的優(yōu)劣關鍵詞：變分模態(tài)分解；齒輪；風電機組；信號分析；故障診斷目錄摘要 [22]。本文擬定K值為6，然后利用峭度準則的方法確定最佳，分量峭度的英文名為Kurtosis，縮寫為K。峭度K是反應隨機變量分布特征的數(shù)值統(tǒng)計量，是歸一化4階中心矩陣。峭度計算公式如下：(3-10)在實際檢測分析中，K值設定為6的情況下，從中選取理想最優(yōu)分量，然后用理想最優(yōu)分量對采集到的齒輪故障振動信號進行分析和處理。實際仿真信號為小齒輪斷齒故障信號，本次實驗采樣頻率為5120Hz，實驗系統(tǒng)采樣點數(shù)為8192，齒輪的額定轉速是880r/min，實測轉速為878r/min，小齒輪的齒數(shù)為55，大齒輪齒數(shù)為75。根據(jù)齒輪故障特征頻率公式計算所得，小齒輪故障特征頻率為14.63Hz，大齒輪故障特征頻率為10.7Hz。使用該信號進行故障信號分析。圖3-2原始信號的時域波形圖圖3-3原始信號的頻域波形圖圖3-4原始信號的包絡譜圖針對這一仿真信號的圖像來說，由圖3-2原始信號的時域波形圖中只能看出復雜紛繁的沖擊信號，無法進行分析，從原始信號的頻域波形圖中看到，故障信號的峰值出現(xiàn)在低頻段，但是由于大量的外在因素的干擾，在0-1500Hz上有多個頻率集中分段。從原始信號的包絡譜圖可以觀察到4個峰值，從左到右分別為：14.38Hz，29.38Hz，43.75Hz，58.75Hz。在誤差允許的情況下，前三個峰值對應著小齒輪故障特征頻率的一倍頻，二倍頻，和三倍頻，符合倍頻理論，說明了故障確實是發(fā)生在小齒輪上，但圖中第一個峰值的出現(xiàn)不是那么明顯，有人為主觀臆斷的可能。接下來分析用VMD方法，K=6時并通過峭度準則篩選的該仿真信號的圖像。圖3-5K=6信號分量峭度值圖（a）分量1頻域分析圖(b）分量1包絡譜圖（c）分量2頻域分析圖(d）分量2包絡譜圖（e）分量3頻域分析圖(f）分量3包絡譜圖（g）分量4頻域分析圖(h）分量4包絡譜圖（i）分量5頻域分析圖(j）分量5包絡譜圖（k）分量6頻域分析圖(l）分量6包絡譜圖圖3-6K=6信號分量的頻域分析圖和包絡譜圖由峭度值圖可以看出，分量4的R數(shù)值是最大的，所以按峭度準則分量4應該為最優(yōu)分量，從分量4頻域分析圖中可以很直觀的看出故障頻率差不多在1000Hz，從每一個分量的包絡譜圖中發(fā)現(xiàn)只有分量4和分量5有若干個清晰可辨的峰值，而且分量4包絡譜圖中從左到右依次出現(xiàn)的峰值符合倍頻理論，分量5包絡譜圖的第一個峰值是29.38Hz大約為二倍頻，但前面沒有出現(xiàn)一倍頻峰值所以也無法確定這就是二倍頻。綜上所述確實是分量4的分解是最優(yōu)的，按照峭度準則的方法即可確定最優(yōu)分量。3.5本章小結主要介紹了變分模態(tài)分解方法（VMD）的由來，基礎概念以及求解和應用過程，理論上說明了變分模態(tài)分解方法較其他方法的優(yōu)越性。利用變分模態(tài)分解方法來抑制模態(tài)混疊，同時確立了懲罰因子α和分量個數(shù)K的情況下，利用峭度準則的方法篩選出了最優(yōu)分量，為下一章分析和解決齒輪的實際故障信號做好準備。

4實驗齒輪故障信號分析變分模態(tài)分解方法作為近年來新提出的一種方法，即使還有缺陷，但它具有堅實的理論基礎，越來越多的學者將VMD算法應用于自己的研究領域，并且取得了讓人滿意的結果。利用軸承和齒輪的振動信號來檢測和診斷其工作狀態(tài)是目前旋轉機械故障監(jiān)測和診斷研究中最常用的方法。因此本文將VMD算法應用于齒輪箱故障診斷并進行分析。4.1齒輪故障實驗數(shù)據(jù)分析4.1.1點蝕故障分析通過上一章的介紹，我們可知懲罰因子α和分量個數(shù)K是變分模態(tài)分解方法的主要影響參數(shù)，通過上一章的分析確定K的取值為6，懲罰因子α的默認值為2000，最優(yōu)分量要通過峭度準則來確定。在分析之前由實驗采集到的數(shù)據(jù)已知，故障發(fā)生在大齒輪上，齒輪的額定轉速為880r/min，實測轉速為880r/min，大齒輪的齒數(shù)為75，小齒輪的齒數(shù)為55，即輸入軸上的小齒輪故障頻率為14.67Hz，由此根據(jù)齒輪故障特征頻率公式計算出輸出軸上大齒輪的故障特征頻率為10.76Hz。本文將在變分模態(tài)分解方法的基礎上進行優(yōu)化，增加了峭度準則，從而確定在K一定時選取最適合分析的最優(yōu)分量。分量個數(shù)K的取值為6，K值取6時生成的各分量的峭度準則R值如下圖所示：圖4-1K=6信號分量峭度值圖由圖4-3可以看出，6個分量中分量3的峭度值R值出現(xiàn)了最大值，理論上的最優(yōu)分量為分量3，即分量3的故障信號的包絡譜圖中會呈現(xiàn)出齒輪故障特征頻率及其倍頻。圖4-2為分量信號3的VMD分析結果圖和原始信號的時域分析結果圖。（a）原始信號時域分析圖（b）分量信號時域分析圖（c）原始信號頻域分析圖（d）分量信號頻域分析圖（e）原始信號包絡譜圖（f）分量信號包絡譜圖圖4-2點蝕故障信號分析結果由上面六組圖像可以看出，原始信號時域圖與分量信號時域圖相比，前者包含著大量的復雜多種沖擊信號，而后者沖擊信號弱化了很多，種類也少了很多，沖擊信號清晰度比原始信號也好了許多。而且下面的頻譜圖和包絡譜圖也有了很大的區(qū)別，在原始信號包絡譜圖中，從左到右可以看到很多的高峰，難以辨別是故障信號產生的幅值還是正常運轉時沖擊信號，進而無法診斷齒輪故障。在分量信號包絡譜圖中，便可清晰的看到有連續(xù)的三個峰值，其頻率值分別是10.63Hz、21.25Hz、31.88Hz。此三個峰值的頻率與齒輪故障特征頻率的理論單倍頻（10.76Hz）、二倍頻（21.52Hz）、三倍頻基本一致（21.52Hz），與倍頻的理論值基本相吻合。雖然原始圖像中也出現(xiàn)了齒輪故障特征頻率，但是在分量3的頻譜圖中故障特征頻率也較為直觀明顯，能夠準確找出并判斷出齒輪故障發(fā)生在大齒輪上，同時也說明了峭度準則優(yōu)化方法能夠找到最好的最精確的分量進行分析。4.1.2磨損故障分析本小節(jié)會根據(jù)上一小節(jié)做出的結果以及對變分模態(tài)分解方法的優(yōu)化對齒輪磨損故障信號進行分析，由實驗裝置和得來的實驗數(shù)據(jù)可知，磨損發(fā)生在輸入軸的小齒輪上，齒輪的額定轉速為880r/min，實測轉速為868r/min,小齒輪的特征故障頻率為14.46Hz。圖4-3K=6信號分量峭度值圖由圖4-5可以看出，分量4的峭度值R值出現(xiàn)了最大值。理論上的最優(yōu)分量為分量4，分量4可得到最優(yōu)分析結果，即分量4的故障信號的包絡譜圖中會呈現(xiàn)出齒輪故障特征頻率及其倍頻。圖4-6為分量信號4的VMD分析結果圖和原始信號的時域分析結果圖（a）原始信號時域分析圖（b）分量信號時域分析圖（c）原始信號頻域分析圖（d）分量信號頻域分析圖（e）原始信號包絡譜圖（f）分量信號包絡譜圖圖4-4磨損故障信號分析結果由圖4-4的三組圖像可以看出，分量信號和原始信號的時域圖里的沖擊信號都一樣的種類繁多，甚至分量信號的時域圖看起來還要復雜一些，但是在兩者的包絡譜圖中就有了很大的區(qū)別，分量信號的包絡譜圖雖然沒圖4-2中的（f）清楚，但也還是比較容易觀察出來有連續(xù)的三個峰值，這三個峰值分別為14.38Hz、28.75Hz、43.13Hz。在誤差允許范圍內，此三個峰值的頻率與齒輪故障特征頻率的理論單倍頻（14.46Hz）、二倍頻（28.92Hz）、三倍頻（43.38Hz）基本吻合，符合倍頻的理論值。反觀原始信號的包絡譜圖第一個峰值頻率為28.75Hz，大致是二倍頻，但我們在圖中無法找到齒輪故障特征頻率的理論單倍頻（14.46Hz），無法將該峰值認定為小齒輪的特征故障頻率的二倍頻，從而無法診斷齒輪的故障，由此可見直接對原始信號進行包絡譜分析有不小缺陷。4.1.3斷齒故障分析由前兩節(jié)分析，同理，由實驗裝置和得來的實驗數(shù)據(jù)可知，齒輪的額定轉速為880r/min，實測轉速為878r/min，大齒輪齒數(shù)為75，小齒輪齒數(shù)為55。即小齒輪的特征故障頻率為14.63Hz，由此可以計算出大齒輪的故障特征頻率為10.73Hz。圖4-5K=6信號分量峭度值圖由圖4-5可以看出，分量2的峭度值R值出現(xiàn)了最大值。理論上的最優(yōu)分量為分量2分量2得到最優(yōu)分析結果，即分量2的故障信號的包絡譜圖中會呈現(xiàn)出齒輪故障特征頻率及其倍頻。圖4-6為分量信號2的VMD分析結果圖和原始信號的時域分析結果圖。（a）原始信號時域分析圖（b）分量信號時域分析圖（c）原始信號頻域分析圖（d）分量信號頻域分析圖（e）原始信號包絡譜圖（f）分量信號包絡譜圖圖4-6斷齒故障信號分析結果圖4-6，左側一列為原始信號的時域波形圖，頻譜圖，包絡譜圖，右側一列為分量信號2的時域波形圖，頻譜圖，包絡譜圖。原始信號的時域波形圖可以看出沖擊信號大大小小強度不一，而且種類很多，但經(jīng)過變分模態(tài)分解方法分解后得到的分量信號2時域波形圖中，時域波形圖里的沖擊信號已不再是那么雜亂無章，不但弱化了很多而且呈現(xiàn)一定的規(guī)律性。在分量2的包絡譜圖中，可以很明顯看到有幾個具有一定間隙的峰值，前三個峰的峰值分別為10.63Hz、21.25Hz、31.88Hz，在誤差允許的情況下，與倍頻的理論值基本相吻合。而傳統(tǒng)的時域分析方法得到的包絡譜圖只能辨別出一個峰值，但此峰值已經(jīng)達到了72.5Hz，已經(jīng)失去了意義。由這三種齒輪故障信號的分析可知，在分析齒輪故障信號的時域圖這方面，變分模態(tài)分解方法還有缺陷，但是相較于傳統(tǒng)方法和目前已知的其他方法，精準率與效率已經(jīng)有所提高，尤其是在進行優(yōu)化后，圖像尤其是包絡譜的顯示將更加準確明顯，便于識別。4.2本章小節(jié)在此章主要論述了：對實際齒輪故障信號的診斷分析以及利用峭度準則方法確定最優(yōu)分量。通過對三組實際數(shù)據(jù)的分析，發(fā)現(xiàn)了通過峭度準則快速確定了最優(yōu)分量，從而獲得最清晰準確的實驗結果，同時也驗證了變分模態(tài)分解方法相對于傳統(tǒng)方法的優(yōu)越性。在引入峭度準則優(yōu)化之后，變分模態(tài)分解方法對齒輪不同類型的齒輪故障診斷時結果顯得十分高效精準。5總結與展望5.1總結本論文基于變分模態(tài)分解方法，對風電機組齒輪箱的齒輪部分的故障信號診斷做了深入的研究與分析。首先，簡要的概述了風電機組以及齒輪箱在風電機組中的重要作用，介紹了齒輪常見的故障類型和原因，然后闡述了如何判斷齒輪故障。通過QPZZ-Ⅱ實驗平臺采集實際的齒輪故障信號進行仿真，然后詳細介紹了變分模態(tài)分解方法的由來，概念等，最后用峭度準則優(yōu)化的變分模態(tài)分解方法對得來的齒輪仿真故障信號的實驗數(shù)據(jù)進行處理，取得一定成果。本文主對以下幾個方面做了詳細的探究：（1）在文章的緒論部分，講解了一些有關于風電機組的知識，通過介紹齒輪箱齒輪故障危害性，說明了當下對齒輪故障診斷技術的重要性與迫切性。詳細介紹了一下齒輪的故障和故障產生的原因。介紹了現(xiàn)已有的齒輪故障診斷方法以及對于齒輪故障診斷技術現(xiàn)狀做了一個簡單的描述和概括。（2）介紹了變分模態(tài)分解方法（VMD），首先詳細講解了變分模態(tài)分解方法的原理，基礎知識和如何構造變分模態(tài)分解函數(shù)，并對其求解，然后利用經(jīng)峭度的準則優(yōu)化變分模態(tài)分解方法對風電機組齒輪箱齒輪故障信號進行診斷。（3）變分模態(tài)分解方法的主要影響參數(shù)有懲罰因子α和分量個數(shù)K。懲罰因子α主要是和各個分量中心頻率的帶寬相關，在參考了大量文獻與仿真實驗測試后，確定了懲罰因子α數(shù)值為2000時分析效果最佳。K值確定為6后通過峭度準則優(yōu)化來確定最優(yōu)分量。在確定了懲罰因子α和分量個數(shù)K的值后，變分模態(tài)分解方法雖然還有缺陷但相較于其他常規(guī)方法作出的圖像，圖像將更加準確明顯，便于識別，提取的信號也少了很多干擾。通過本文的研究，變分模態(tài)分解方法對齒輪故障信號的分析結果確實優(yōu)于傳統(tǒng)方法和目前已知的其他方法，包絡譜圖清晰明了的展現(xiàn)出了故障信號的頻率。5.2展望齒輪故障診斷技術已經(jīng)經(jīng)歷了幾十年的發(fā)展歷程。利用現(xiàn)有的診斷方法在實際應用中解決了許多問題，但其缺陷不容忽視，需要學者進一步研究完善。變分模式分解方法作為近年來提出的一種新方法，在齒輪故障信號分析這一領域確實有著獨特的優(yōu)勢，通過分析和探究，仍然還有很多可以改善的地方，比如：（1）實驗中只進行了點蝕、磨損和斷齒的故障信號分析，其他類型的故障還需要進一步分析。（2）齒輪箱實際工作發(fā)生故障時，常常伴隨著是多種故障同時存在，本文只研究了單一故障的情況。（3）分模態(tài)分解方法的主要影響參數(shù)懲罰因子α和分量個數(shù)K是直接的給定的。參數(shù)的選擇對實驗結果的影響巨大。本文是直接確定了懲罰因子α和分量個數(shù)K的情況下通過峭度準則的方法來定最佳分量，但如果是兩個變量都不確定的情況下，該如何確定懲罰因子α和分量個數(shù)K就成了問題，也就無法獲得分析結果了。參考文獻李鴻鍵,巫蔡泉,吳子超等．嵌地式立體車庫:中國，201120364088.7[P].2012-05-30.武英杰.基于變分模態(tài)分解的風電機組傳動系統(tǒng)故障診斷研究[D].華北電力大學，2016.竇春紅.風電齒輪箱運行狀態(tài)監(jiān)測與故障診斷[D].北京交通大學，2019．陳強.基于變分模態(tài)分解的齒輪箱故障診斷研究[D].蘭州交通大學，2020..曹斌.風電機組振動監(jiān)測與故障診斷系統(tǒng)研究[D].廣東工業(yè)大學，2014.武英杰,甄成剛,劉長良.變分模態(tài)分解在風電機組故障診斷中的應用[J].機械傳動,2015,39(10):129-132.萬書亭，吳美玲．基于時域參數(shù)趨勢分析的滾動軸承故障診斷[J].機械工程與自動化，2010，(3)：108－110．吳方.時頻域分析方法在仿真模型驗證中的應用研究[D].哈爾濱工業(yè)大學，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.基于變分模態(tài)分解的齒輪箱故障診斷[J].電力科學與工程,2016,32(01):23-24.HaJongM，ParkJungho，NaKyumin，etal.ToothwiseFaultIde