[实用新型]大型风力机组轴承故障诊断系统

说明书

技术领域

本实用新型属于机械结构故障诊断领域，具体涉及一种大型风力机组轴承故障诊断系统。

背景技术

随着绿色能源越来越受重视，近年来世界风电得到高速发展。2009年中国的风电新装机容量已位居全球第一，总装机容量仅落后美国居全球第二，但是我国风机的正常工作时间和发电量都与装机容量不成比例，远低于世界平均水平，原因就是风机传动系统的主要组件如齿轮箱、轴承等故障率较高。最近几年风力机组朝着兆瓦级的大机型发展，它们一旦出现故障将造成更大的经济损失。因此，开展对大型风力机组传动系统的监测与诊断，提高机组的可靠性，减少故障率和降低维修成本刻不容缓。

实用新型内容

本实用新型所要解决的技术问题是提出一种大型风力机组轴承故障诊断系统，其能够对高效、可靠地诊断大型风力机组变工况运行的轴承故障。

为解决上述问题，本实用新型是通过以下方案实现的：

一种大型风力机组轴承故障诊断系统，包括加速度传感器、快速傅里叶变换单元、谱峭度分析单元、滤波单元、包络分析单元、特征数据库和模式识别单元；其中加速度传感器安装在待测风力机组的轴承座上，加速度传感器的输出端经快速傅里叶变换单元连接至谱峭度分析单元的输入端，谱峭度分析单元的输出端经滤波单元连接包络分析单元的输入端，包络分析单元的输出端和特征数据库共同连接在模式识别单元的输入端上，模式识别单元的输出端为故障诊断输出端。

上述方案中，所述待测风力机组的轴承座的正下方分别安装轴向和径向2个压电加速度振动传感器，这2个压电加速度振动传感器的输出端均连接至谱峭度分析单元。

上述方案中，所述加速度传感器和快速傅里叶变换单元之间还接有模数转换单元。

与现有技术相比，本实用新型具有如下特点：

（1）本实用新型克服风电机组的非平稳工况和工况噪声影响，适合于实际风电机组实际运行条件；不需人为参与能够自动识别出轴承故障引起的共振频带；并能自动识别轴承故障类型。

（2）本实用新型识别的轴承损伤速度快，适合于风电机组工作状态下实时故障巡检和在线监控；避免突发性事故发生。

（3）本实用新型不依赖于具体轴承型号，可根据不同型号风电机组主轴轴承的基本几何参数和旋转转速，预先提供轴承故障的理论计算特征值即可应用。因此，可在风电机组轴承故障诊断中广泛推广使用。

附图说明

图1为一种大型风力机组轴承故障诊断原理图。

具体实施方式

参见图1，一种大型风力机组轴承故障诊断系统，包括加速度传感器、模数转换单元、快速傅里叶变换单元、谱峭度分析单元、滤波单元、包络分析单元、特征数据库和模式识别单元。其中加速度传感器安装在待测风力机组的轴承座上，加速度传感器的输出端连接在模数转换单元的输入端上，模数转换单元的输出端经快速傅里叶变换单元连接至谱峭度分析单元的输入端，谱峭度分析单元的输出端经滤波单元连接包络分析单元的输入端，包络分析单元的输出端和特征数据库共同连接在模式识别单元的输入端上，模式识别单元的输出端为故障诊断输出端。在本实用新型中，上述各个模块采用现有技术已知的硬件功能模块，其模块与模块之间的相互连接关系为本实用新型的核心改进点。通过上述各个已知功能模块的构成，使得风电机组不需人为参与便能够自动识别出轴承故障引起的共振频带，并能自动识别轴承故障类型。

加速度传感器用于拾取主轴轴承的原始振动信号，通过对典型的非平稳运行信号进行角域重采样，得到稳态信号。在本实例中，风力发电机组型号为NEG-MiconNM1000/60，额定功率为1070kw，最大旋转速度为1500rpm。受工作环境的影响，风力发电机组常工作在交变载荷的影响下呈现运行的非平稳、非线性等特性；这些对轴承故障特征提取带来诸多困难。在本实例中轴承的轴承座正下方分别安装轴向和径向2个压电加速度振动传感器，以采集主轴轴承的振动信号。2个压电加速度振动传感器的输出端均通过模数转换单元与快速傅里叶变换单元相连。

模数转换单元对采集到的原始振动信号进行模数转换、放大和抗混叠滤波的预处理。

快速傅里叶变换单元对原始振动信号进行快速傅里叶变换。

谱峭度分析单元对快速傅里叶变换后的振动信号进行谱峭度分析，寻找最大谱峭度值所对应的窗口函数。

滤波单元根据谱峭度分析单元所寻找到的窗口函数构建出一个最优带通滤波器。

包络分析单元对滤波后的信号进行包络分析和及其谱分析，获得包络信号谱，在包络谱中提取轴承故障特征频率及其各次谐波成分。

模式识别单元将提取出的轴承故障特征频率与预先存储在计算机特征数据库中的已知轴承故障特征频率进行比较；当提取出的轴承故障特征频率与已知轴承故障特征频率相同时，计算机自动识别出该待测轴承的具体故障模式；当提取出的轴承故障特征频率与已知轴承故障特征频率不相同时，计算机将该无法判别的轴承故障特征频率进行存储，存储下的无法自动判别的齿轮箱的具体故障模式需要采用人工排查方式才能逐步出判断轴承的具体故障模式。