基于子空間方法的風機齒輪箱故障預測算法(3)

風機廠石家莊風機廠石家莊風機石家莊市風機廠石家莊風機維修石家莊風機銷售

齒輪箱穩態運行時的RMSE指標變化過程(圖中每次仿真對應波形上的1個點，圖6中同)，RMSE值均在預警值以下范圍內變化，說明了齒輪箱處于正常運行狀態。齒輪箱故障過程中的RMSE。從圖6可以看出，對應圖4中的特征值與參考特征值，RMSE出現了越過預警值的情況，甚至最后越過了門檻值。在剛開始的一段RMSE值變化也不大．均在預警值以下，但隨著特征值點的發散，RMSE值越來越大；大約在第609個點．曲線越過了預警值0．0084．說明齒輪箱存在異常，有故障的趨勢；在第669個點以后，曲線增長到0．0126附近，并且在門檻值附近波動：從第788個點以后迅速上升．且完全越過了門檻值．并且在越限以后曲線繼續上升．此時可以認為齒輪箱已經故障。故應該在第609個點到第669個點之間發出預警信號．提醒運行人員采取應對措施。
5結論與展望
本文提出了一種子空間識別算法．用于僅有觀測量已知的風機齒輪故障預測。該算法利用了幾何投影的概念．通過投影的行空間可以確定系統的狀態量Xi；通過投影的列空間可以確定系統的可觀矩陣J1m；通過對投影矩陣的奇異值分解可以確定系統的階數凡，進而可以確定系統矩陣的維數．并計算相應的特征值和RMSE指標．以實現齒輪箱運行狀態的評估。通過對振動數據的仿真分析．可以得出以下結論：首先，由該隨機子空間算法識別出的隨機狀態空間模型具有良好的穩定性；其次，當已知參考特征值后．可以用其作為評判齒輪箱狀態的一個直觀參考：最后．引入了RMSE指標對各個特征值的分布情況進行定量評價．當齒輪箱處于不同運行狀態時．通過該故障預測算法給出的相應RMSE變化趨勢．可以對齒輪箱進行故障預測．給現場監測和制定檢修計劃提供一定的指導．在提高風電機組的經濟性和可靠性方面具有重要意義。本文所提方法雖然能夠預測出故障的發生．但在識別出具體故障方面還需要完善．將繼續從兩方面對該算法進行深化研究：一是研究子空間算法中特征值與故障類型之間的關系：二是研究子空間與頻譜分析相結合的故障預測方法．以實現風電機組齒輪箱的故障識別。