外文翻译
1.简介
能源生成已成为满足不断增长的电力需求要求的全球优先事项。之间其他可再生能源，风能是发电的有前途的选择之一。在结束之前2016年，全球装机容量为486GW。风力涡轮机利用动能风向机械轴旋转。形成风力涡轮机的组成部分的传动系统受到影响复杂的非固定负载。传动系统由三个基本的子组件组成;主轴承，变速箱和发电机。由于风力涡轮机在仓促的环境条件下运行并且改变风荷载，因此是关键传输系统的组件会引发各种各样的故障，这反过来可能导致致命的故障。变速箱就是其中之一因为它具有最大的停机时间，因此传输系统中的决定性组件。齿轮故障分类为局部和分布式故障。齿轮不对中和偏心是分布式故障的例子。然而，牙齿局部缺陷下列出了裂纹，齿和齿的磨损。诊断初期的故障可以减轻系统的灾难性故障。为了使风能更加兼容传统技术发电，必须减少停机时间和维护成本。状态监测就是其中之一经常执行的预测性维护方案，以诊断其工作初期的故障并进行评估组件的健康状况。
|
命名 Acc-R径向加速度计 Acc-X三轴加速度计X分量 Acc-Y三轴加速度计Y分量 Acc-Z三轴加速度计Z分量 Mic1麦克风1 Mic2麦克风2 HSS高速阶段 ISS中速阶段 LSS低速阶段 RC齿轮齿根裂纹 TC齿轮齿片 H健康 F125％故障（齿轮齿根裂纹） F250％故障（齿轮齿根裂纹） F375％故障（齿轮齿根裂纹） F4100％故障（齿轮齿根裂纹） F525％故障（齿轮齿片） F650％故障（齿轮齿片） F775％故障（齿轮齿片） F8100％故障（齿轮齿片） |
CM是监控参数或条件（振动，温度，声压和声信号）的过程系统使得重大变化表明发育失败。它包括三个主要步骤;收购，处理和解释数据。CM收集原始数据，而原始数据又需要使用信号处理进行处理以特征的形式引出诊断信息的方法。在可用的CM技术中，振动分析，声学信号分析和润滑油分析正广泛用于旋转机械的故障诊断。由于振动是机械动力学的明确测量，振动分析具有广泛的应用范围故障诊断领域。维拉等人。应用振动分析来诊断存在的不对中和不平衡行星齿轮箱转子轴在非静止的速度和负载条件下运行时。D#39;Elia等人。使用振动信号识别行星齿轮箱的齿轮和轴承的角位置。作者分析说时间同步平均（TSA）振动信号和修正波峰因数的功率流以确定齿轮相对于传感器的位置。艾哈迈德等人。提出了一个多脉冲单独重新调整（MIR）时间同步平均法作为滤波技术与经典时间同步平均相结合检测正齿轮裂纹。Biswal等人。使用振动特征来预测齿轮根部裂纹的大小在风力涡轮机变速箱中。当代风力涡轮机行业正在实施润滑油监测，以监督油的水分含量并计算油中在的Fe颗粒。润滑油的状况提供了关于机器健康的宝贵见解。油状态监测在低速旋转方面也具有优势振动信号幅度可能不足以克服噪声因素的机械。朱等人提出了一种使用粘度和介电常数传感器进行在线润滑油状态监测的方法用粒子计数技术。作者提到润滑油的监测大约是之前的10倍机器故障的通知比基于振动的监控。Muniyappa等。应用油分析进行检测齿轮磨损的诊断和诊断。作者观察到油温的升高导致油膜减少厚度导致粗糙接触增加，因此Fe浓度水平随着增加而增加在运营时间Kattelus等。通过监测沉积物来检测齿轮宏观点蚀失败的进展铁粒子到在线金属污染物传感器上。声学信号分析由于其更宽的带宽和更高的灵敏度而发展成为可靠的状态监测技术之一。声信号是空气声压力信号和这些是在麦克风的帮助下测量的。与振动分析，声学信号分析不同为麦克风的定位提供了相当大的自由度。Bayder和Ball进行了一项实验研究，证明了声学信号分析与振动分析检测局部齿轮的有效性两级变速箱故障。据报道，在齿轮齿裂纹的诊断中，声信号响应很快有效地比振动信号。Muniyappa等。实施声学信号分析以检测故障齿轮和滚动轴承。作者提到未经处理的声信号的统计参数有未能透露有关诊断的信息。
虽然在实践中风力涡轮机齿轮箱受到非固定载荷，但以前的研究很少做出努力考虑不同负荷的影响。在目前的工作中，条件监测技术的有效性即振动监测，声信号分析和润滑油监测已根据其故障进行评估在静止负载条件下的检测能力，随后将结果与条件进行比较，模拟了作用在风力涡轮机上的非固定风荷载分布;同时获得振动，声学信号和润滑油信号。使用基于小波的特征处理原始信号通过支持向量机（SVM）作为特征分类技术，比较了静止和非静载荷下这些CM技术的提取技术和效率。
2.实验设置和测试程序
2.1实验测试台
本研究中考虑的风力涡轮机齿轮箱试验台在BITS-PilaniHyderabad校园设计和开发，如图1所示，理想化为三级平行直齿轮系，总速比为48：1。轴由八个深沟槽单列球轴承支撑。在高速阶段（HSS），轴承处于更远的一端是试验轴承，更靠近电动机端的轴承没有缺陷，这被认为是支撑轴承。一个1hp的三相交流电动机取代了组件中的发电机。钳口耦合器用于耦合电机轴与变速箱的高速轴。传感器和其他硬件的位置在示意图中表示，如图2所示。变速箱的主要特征如下。三级平行齿轮箱，带三个驱动小齿轮（20齿）和三个从动齿轮（80齿和60齿）。输入HSS轴由1hp，三相同步和0-1410rpm电机供电。可编程变频器（VFD）用于调节电机的速度。？变速箱由80W-90重型齿轮油润滑，采用自由湿式润滑。两个加速度计（一个三轴和一个单轴）用于获取振动响应（两者都安装在轴承座）。两个麦克风用于收集声音信号（两者均放置在工作台上6厘米处顶盖）。放置一个油粒子计数传感器以收集粒子沉积速率。所有数据都记录在采样频率为5kHz，采样长度为8192，延迟时间为3s。有关类型的其他详细信息传感器的位置和位置见表1。
2.2故障模拟使用线切割电火花加工（EDM）产生齿轮齿裂纹。裂缝是在其中一个模拟的小齿轮的齿。由于小齿轮的宽度在根部为4.4毫米，因此裂缝被切割成4毫米的深度，这代表了本研究中大约100％的错误。同样，断层的穿透力从1毫米到3毫米不等，这分别表示断层的变化从25％到75％。类似地，第二种类型的故障，齿轮在一个小齿轮齿面上形成。自整个深度小齿轮距离根部7毫米，沿着面宽度最多6毫米的部分被移除，这在本研究中大致表示100％的缺陷。同样，断层的严重程度从1.5毫米到4.5毫米不等，这代表了变化故障率分别为25％至75％。故障尺寸在表2中规定，如图2和3所示3和4。
2.3.实验程序
齿轮箱在静止和非静止负载条件下进行测试。在静止加载期间，变速箱经受三种不同的运行速度，即电动机最大速度的15％，20％和25％针对每个案例收集回复。相应的理论齿轮啮合频率值为70.5,94分别为117.5 Hz。在非静止加载条件期间，速度曲线如图中的常数线所示图5提供给电动机。通过对实际风速数据进行时间缩放来获得该速度曲线。该模拟的速度曲线被编码为VFD的输入，VFD又以非静止的方式调节电动机的速度。由于变速箱的HSS与其他级相比在较高的转速下运行，因此选择HSS小齿轮本研究中的目标成分。目前调查中使用的方法将遵循流程图如图6所示。
3.信号处理和特征提取
通过使用各种传感器收集的原始振动/声学信号被进一步处理以检索诊断信息。大多数信号处理技术具有特征提取方法，以将原始信号的输入模式变换为一组代表性特征向量/描述符。通过使用时域分析，它是公平的可以想象表征故障的严重性但是不可能区分故障的位置。频率域分析能够识别和隔离某些感兴趣的频率。这种分析的主要缺点是在通过快速傅里叶变换（FFT）的变换过程中，瞬态信号信息可能丢失。不幸的是，频域方法不适合分析瞬态和变速信号。然而，测量信号通常是非线性的，有用的诊断信息通常受到背景噪声的干扰。为了克服时域和频域方法的缺点，将采用一种新的方法考虑开发时频数据。其中，小波变换（WT）是一种广泛的时频分析，用于从中提取特征由错误的旋转部件产生的非平稳信号。 WT具有良好的分辨率和不同的窗口尺寸功能这使得它非常适合分析多分量故障和非平稳信号。与FFT和短路不同时间傅立叶变换（STFT），WT将研究中的信号投影到二维时标平面上，其中每个尺度对应一定的频率范围。这可以通过连续小波变换（CWT）或通过离散小波变换（DWT）。在DWT中，被调查的信号被分解为高频分量（细节）和低频分量（近似值）。然后将低频分量再次分成下一级细节和近似，并且该过程被迭代，使得信号可以被分解成各种较低的信号分辨率组件。 Bayder和Ball对故障的振动和声学信号进行了小波分析检测齿轮。作者观察了振动分析对声学信号分析的有效性初期水平的断齿故障。王等人。提出了一个基于振幅的故障增长参数CWT用于量化在变化的负载条件下运行的变速箱的故障诊断中的齿轮故障。 Radhika等应用小波分析提取感应电动机故障诊断的相关特征。库马尔等人。估计基于symlet的小波分解在圆锥滚子轴承外圈出现的缺陷宽度。作者用微观结果验证结果，最大偏差为4.06％。在本研究中，实现DWT以从原始信号中提取特征向量。 Symlet小波（sym5）被选为母小波，因为它几乎是对称的形状，这使得它更容易处理入口并退出事件。选择分解水平使得理论齿轮啮合频率（117.5 Hz）及其谐波应保留在感兴趣的频段。在本研究中，执行三级分解，并获得来自频带（0-625Hz）的小波系数。各种时域功能例如标准偏差，样本方差，标准误差，均方根（RMS），波峰因数和峰度从小波逼近系数。除此之外，沉积的铁（Fe）颗粒的比率也是如此通过油粒子计数传感器记录。但是，当变速箱以非静止速度运行时，如前面2.3节所述，模拟速度曲线通过VFD给予电机。细分在哪里确定了绝对最小的速度变化。对应于这些已识别的段的响应记录并且获取的原始信号被进一步分解以获得小波系数。分解过程的样本如图7所示。随后，从这些小波系数中提取各种统计特征（a3）。这些特征是获取的原始数据的能量分布模式的描述符。
4.特征选择
通过小波特征提取如此获得的所有特征可能不包含诊断信息。而且，计算所有提取的特征是一个麻烦的过程。因此，选择了主导的特征提取的特征不仅是提高分类准确性的重要任务，而且还将导致改进诊断容量。决策树是基于树的知识方法，用于表示分类规则。一个典型的决定用C4.5算法诱导的树由一个根，一些分支，多个节点和一些叶子组成。每节点涉及一个属性，一个分支是从根到叶子的节点链。树中存在属性提供有关相关属性相关性的信息[27]。 J48算法（WEKA实现C4.5）是一个常用的是构造决策树。该算法适用于所讨论的问题。第3节中讨论的一组特征是输入，输出是决策树。从决策树中可以清楚地看到顶级节点是分类的最佳节点。决策树的节点中的其他特征以重要性的降序出现。此外，有助于分类的特征出现在决策树和其他特征中没出现。选择具有良好识别能力的特征并消除其他特征。该决策树建议的主要特征是标准误差。由此获得的决策树如图8所示。标准误差是一种统计测量，它将反映整个信号的特征。它是量的量度回归中个体#39;x#39;的#39;y#39;预测错误。随着平均值的变化增加，它会增加低标准误差意味着平均值的分布相对较少。
5.结果和讨论
5.1.齿轮箱承受静止负载条件
表2中提到的健康和故障齿轮的时域振动，声学信号和Fe沉积速率被认为是分析。 实验在三种不同的静态加载条件下进行，即15％，20％和25％的电机速度。 得到了第三级小波逼近系数的统计特征从每个传感器收集的原始信号对应于每个负载条件。 使用这些提取的统计特征在健康和错误的条件之间进行比较。绘制振动响应的3D时频分布，以比较健康和故障状况（F8）装备。 据观察，对于故障齿轮和整体而言，振动峰值的数量和幅度已经增加发现振幅值的增加大约为63％（参见图9）。
5.1.1.带振动信号的齿轮齿片分析
图10描绘了从原始振动的小波系数中提取的特征的标准误差值的变化。观察到三轴加速度计的Z分量随着增加的趋势显示出显着的变化与其他加速组件相比。从图中可以看出，标准误差值具有相当的区别故障级别的传播。相应的百分比增幅分别为42.22％，50.85％和54.77％。还观察到标准误差值随着操作速度的增加而增加。更高电机运行速度分别为20％和25％，加速度计输出之间的趋势相似电机速度为15％的情况，见图10（b）。决策树提出的主要特征如标准误差和标准差已经显示出来随着故障严重程度的演变，值随着趋势的增加而显着变化。而且，标准误差值不仅随着故障传播而增加，而且随着运行速度的增加而增加。
5.1.2.用振动信号分析齿轮齿根裂纹
图11描绘了从原始振动信号的小波系数中提取的特征的标准误差值的变化。 观察到三轴加速度计的Z分量随着增加而显示出显着的变化趋势与其他加速组件相比。 正如在齿轮齿片的情况下观察到的那样，对于故障状态齿轮齿根裂纹也是如此，标准误差值可以很好地区分故障严重程度的传播。 相应的百分比增幅分别为35％，45.28％和46.59％，与齿轮齿片故障的相应值。 在齿轮齿片故障观察到的不同速度之间也观察到类似的标准误差值趋势，见图11（b）。
5.1.3.用声信号分析齿轮齿根裂纹
图12描绘了从原始声信号的小波系数中提取的特征的标准误差值的变化。从图12（a）可以看出，当齿轮箱以最大速度的15％运转时，两个麦克风都显示出显着的变化。但是，当操作速度增加时，Mic 2显示出显着的变化与Mic 1相比具有增加的趋势。可以看出，标准误差值已经相当地区分了传播故障级别。相应的百分比增幅分别为17％和21.97％。值得注意的是标准误差值随着运行速度的增加而增加，类似于从振动信号中获得的特征。但是，在运行速度的20％和25％时，麦克风信号的标准误差值的一般趋势是观察到分别增加到75％的故障水平（F3情况）和50％的故障水平（F2情况），见图12（b）。
5.1.4.带声信号的齿轮齿片分析图13描绘了从原始声学信号的小波系数中提取的特征
英语原文共 20 页
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
