[发明专利]基于Kriging模型的风力机齿轮箱故障诊断方法

说明书

技术领域

本发明涉及风力机齿轮箱的故障诊断技术，具体涉及一种基于Kriging模型的风力机齿轮箱故障诊断方法。

背景技术

目前风电机组多以水平轴为主，包括失速型、变桨型、变桨变速型、直驱型、永磁型、半直驱型等几种，采用齿轮箱增速双馈异步变速发电机的兆瓦级风电机组是目前风电市场的主流机型，其中齿轮箱由齿轮箱本体、齿轮、传动轴、轴承及轴承座组成。随着我国风电装机容量的剧增和风力机投运时间的累积，由齿轮箱故障或损坏引起的机组停运事件时有发生。据资料统计，我国风场齿轮箱损坏率高达40～50％，个别品牌机组齿轮箱更换率几乎达到100％。由此带来的直接和间接损失也越来越大，维护人员投入相关工作的工作量也不断上升。以1.5MW大型风力机齿轮箱故障为例，故障齿轮箱的拆装、运输和维修费用高达100万元以上，相当于风力机生产总成本的10％，且该成本费用尚未包括机组停机数月的生产损失。因此，齿轮箱损坏对风电机组设备和风电企业的安全运行构成严重威胁。

状态监测及故障诊断是降低风力机齿轮箱及风电机组运营和维修成本的有效方法和手段。风力机齿轮箱故障诊断方法的研究和应用，能够尽早发现潜在故障风险，防止损伤程度的恶化或故障范围的扩大，避免意外事故和人员伤亡；减少故障维修次数和停机时间，增加设备正常运转时间和无故障率，提高设备利用率；减少不必要的部件更换，以降低维修费用与停机时间，节约大量运行和维护的费用。资料表明，利用状态监测和故障诊断技术，能够减少事故率75％，降低维修费用25％～50％，获利与投资比可达17:1。

故障诊断方法一般分为传统诊断方法、数学诊断方法和智能故障诊断方法。目前，风电机组齿轮箱故障诊断最常用的方法是对采集到的振动信号进行频谱分析，由人工或机器进行模式识别，从而判断是否出现故障及故障原因，属于传统诊断方法和数学诊断方法的结合。随着人工智能的发展，许多智能诊断方法如模糊逻辑、专家系统以及神经网络等开始应用于风电设备系统的故障诊断。但是，由于风电机组齿轮箱故障征兆和原因之间的关系存在不确定性，而且目前已有的各种智能诊断方法还不够完善，致使目前已有的智能诊断方法不仅计算量较大，实时性较差，而且故障误判率较高，难以满足工程实际需要。

Kriging(克立金)方法最初源于南非地质学家Krige寻找金矿的一种插值方法，经过法国著名统计学家Matheron理论化和系统化之后逐渐发展起来的一种最优无偏估计方法。该方法是在有限区域内对区域变化量的取值进行无偏最优估计，通过待估样本点(或区域)有限邻域内若干已测定的样本点数据，考虑到样品点(或区域)的形状、大小及其与待估点(或区域)相互之间的空间分布位置等几何特征以及变量的空间结构信息，对每一个样品赋予一定的权系数，从而采用加权平均法对待估点(或区域)的未知量进行估计。Kriging方法最初应用于矿业领域，近年来其应用范围已经大大超出了原有的矿业领域，在气象分析、环境监测、图像处理、机械工程、结构优化以及航空航天等领域都发挥着日益重要的作用。

发明内容

本发明要解决的技术问题是：针对现有技术的上述技术问题，提供一种诊断结果快速准确、非线性拟合效果好、使用灵活、计算量小，能够为实现风力机齿轮箱故障在线诊断奠定基础的基于Kriging模型的风力机齿轮箱故障诊断方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于Kriging模型的风力机齿轮箱故障诊断方法，其实施步骤如下：

1)分别采集风力机齿轮箱在各个工况模式下的多个振动信号序列，所述各个工况模式包括风力机齿轮箱的正常状态、磨损状态和断齿状态；

2)分别计算所述振动信号序列的多个故障信号特征值；

3)根据各个工况模式下多个振动信号序列对应的故障信号特征值，通过隶属度函数建立工况模式、诊断目标值之间的对应关系和样本数据表，所述样本数据表的每一个表项包括工况模式、多个故障信号特征值、诊断目标值三种类型的数据；

4)依据所述样本数据表中的部分或者全部数据，采用最小二乘法进行变差函数理论模型的拟合，得到变差函数理论模型的参数值及变差函数理论模型；

5)基于所述变差函数理论模型，按照Kriging方法建立各个故障信号特征值构成的输入向量、诊断目标值之间的近似函数关系得到由Kriging估计量的计算表达式构成的Kriging模型，所述Kriging模型的输入量为待诊断振动信号对应的各个故障信号特征值构成的输入向量，所述Kriging模型的输出量为与诊断目标值对应Kriging估计量；