身份证号码；23230219880311XXXX
摘要：在我国进入21世纪快速发展的新时期，电力行业在我国发展十分迅速，由于风力发电具有清洁、经济、安全的优点，我国新增风电装机容量逐年增高。在整体风力发电系统故障中，传动系统故障占比大、维修困难、带来的经济损失严重，因此对风电传动系统进行故障诊断是十分必要的。
关键词：风电传动系统；故障特征；自动诊断技术
引言
风力发电的原理为将风能转化为动能，其主要通过主轴-齿箱传动装置。传统系统故障直接影响发电效率及电能质量，如何对其进行治疗维护就显得至关重要。文章就相关问题进行讨论，为风电机组传动故障诊断和维护提供参考。
1故障特征
1.1磨损失效
磨损失效是材料的渐进式损耗，主要是由于运行过程中接触面上两个滑动或滚动体相互作用。磨损失效分为：研磨磨损和粘着磨损。研磨磨损多数是由于润滑不足造成的，比如磨砂污染物的粒子进入接触面。然而，有些情况下研磨粒子可能成为抛光作用的材料，因而轴承表面可能会变成非常闪亮，这主要取决于颗粒的大小，硬度和所处阶段。这是一个加速过程，因为研磨颗粒将会继续减弱润滑能力，从而引起轴承的微观几何结构的变化。
1.2齿轮故障类型
齿轮箱故障按照类型不同可以分为齿轮故障和轮体故障两类，风电机组的主要故障形式则包含：（1）齿面损耗。风电机组的齿面损耗其主要是齿轮的磨损和腐蚀。磨损是风电机组机械传动由于润滑不足和异物进入导致齿轮的轮廓发生改变、间隙增加等问题。腐蚀则主要是由于一些腐蚀性气体或者液体等引起化学腐蚀，齿轮的咬合是发生电火花或者电弧引起机械电蚀。（2）齿面胶合。风电机组传动系统中的齿轮高速运转，如果齿轮箱中的润滑环境较差，很可能引起齿轮中间油膜消失，齿轮间的高温造成齿轮面发生熔焊。（3）齿轮变形。齿轮的变形主要是指塑性变形问题，齿轮箱的齿轮长时间处于重载工作状态时，齿轮承受的载荷消失之后恢复形变，从而发生塑性形变。
1.3齿轮故障的振动信号特征
齿轮的固有特性决定了齿轮局部异常引起的冲击振动的频率和特性。当齿轮出现裂纹、断齿、齿面磨损、齿面点蚀、齿面胶合等现象时，该故障轮齿在啮合时会产生不正常的冲击，相对于正常齿轮，故障齿轮产生的振动信号的幅度较大，该振动信号的频率会相对较高，因此可以将这种振动信号的特征作为齿轮故障诊断的依据。在分析故障齿轮的振动信号时，可以将信号进行调制分析，信号的调制又可以分为幅值调制和频率调制。幅值调制是指当齿轮受到不均匀载荷冲击，齿轮出现裂纹、断齿、齿面磨损、齿面点蚀、齿面胶合等现象后，产生的振动信号幅度很大，故而可以对这些振动信号进行幅值调制处理。频率调制是指在加工过程中，由于员工操作不当加工时使轮齿产生周期性误差，或者由于安装装配不当、润滑不良等因素使轮齿产生周期性误差。这些周期J陛的误差会引起速度的变化，振动信号中会引起频率的变化，故而可以对这些振动信号进行频率调制处理，频率调制又可以分为频谱分析、包络解调谱分析等，本文用的是包络解调谱分析。
2自动诊断技术
2.1RVMD与模态选择
在信号分解中，相较于经验模态分解（（EMD）}VMD能很好的抑制低频模态混叠现象，具有较好的理论基础，其分解性能优于EMDoVMD由Dragomiretskiy等人[33]从数学基础上提出一种新的自适应、准正交和完全非递归的信号处理模型。VMI）是一种自适应的信号分解方法，可以将非线性信号分解为一些具有不同特征尺度的模态，各模态携带着不同中心频率和带宽。其核心思想是变分问题，变分问题的求解通过引入二次惩罚因子和拉格朗日乘法算子，将约束性变分问题变为非约束性变分问题，最后采用乘法算子交替方向法解决。
VMD详细原理在第三章列出，其分解性能与滤波效果己得到充分证明。但VMD分解的模态个数K需要人为设定，设置的K太大或者输入数据太长会导致内存溢出，无法满足故障信号自动分解的要求。
2.2齿轮箱维护与保养
齿轮箱维护和保养是风电机组传统系统维护的重要环节，齿轮箱检查工作主要是对齿轮箱内部结构进行一系列监测，发现齿轮箱中可能存在着的问题，然后根据实际情况进行处理。齿轮箱中存在着油位泄露情况，齿轮箱是否完整或者油量不足将会直接影响风电机组传动运行。齿轮箱中油量不足会导致齿轮间摩擦力增大，齿轮带压力增加，会导致齿面磨损进而影响齿轮箱中传输作用。对齿轮箱进行维护，必须对齿轮箱的弹性系统进行检查，及时更换或者维修，一旦发现问题就应及时进行更换，避免齿轮停止运动。
2.3状态机会维修阈值函数的确定
威布尔比例失效模型结合状态协变量和运行时间两个因素，可有效地评估风电机组的实时运行状况，表示风电机组的可靠性状态，模型为λ（t，Z）=λ0（t）φ（Z）=λ0（t）exp（γ，Z）式中：φ（Z）为子系统的状态协变量函数，评估子系统运行可靠性受状态协变量Z（t）的影响；λ0（t）为威布尔基本失效函数，只与时间t有关；γ=[γ1，γ2，…，γp]是由Z（t）的回归系数构成的P维矢量。由于子系统工作时间的推延，及某一些状态监测量的突变，将引起失效函数值的变化。假定一个预设阈值Hc，当λ（t，Z）大于Hc时，对子系统实施状态维修，即：λ（t，Z）=λ0（t）exp（γ•Z）＞Hc为了更加直观地观察，对式（15）做如下变换：γ•Z＞lnHc-lnλ0（t）同理，得到预设阈值为Ho时的机会维修阈值函数，即：γ•Z＞lnHo-lnλ0（t）由此，可以定义风电机组子系统的状态监测器mco（t）、状态维修阈值函数mc（t）和机会维修阈值函数mo（t）。mco（t，Z）=γ•Zmc（t）=lnHc-lnλ0（t）mo（t）=lnHo-lnλ0（t）只须求取维修阈值Hc和Ho的值，便可得到其函数。Hc=λ0（Tc）exp（γ•Zc）Ho=λ0（To）exp（γ•Zo）式中：Tc为最优状态维修时刻；To为最优机会维修时刻。只需要确定Tc和To，以及分别对应的状态监测量Zc和Zo，便可以求取维修阈值。
2.4GDBA神经网络创建
神经网络模型的创建需要考虑输入层的节点数、隐含层数以及隐含层节点数、输出层节点数、初始值、学习速率，因为本章选取的基础神经网络是BP神经网络，为了使网络的结构简单、方便更新权值和1}7值，规定隐含层数只有一层，下面对输入层的节点数、及隐含层节点数、输出层节点数经行确认。输入层节点数一般依据输入数据的特征值个数来确定，因输入层节点数目越多，训练次数也会越多，为了减小所建网络结构的复杂度，降低学习训练次数，只选取对故障比较敏感的几个参数，因为数据的均值、真有效值、方差、偏度、峭度都是随着故障状态的变化其值变化较大，故而本文选取均值、真有效值、方差、偏度、峭度作为特征参数来确定神经网络输入层节点数目。
结语
风力发电逐步成熟，将为全球经济发展做出重要贡献。文章针对风电机组传动系统的维护和故障诊断方法进行论述，通过风电机组传动故障诊断技术、诊断类型和方法以及风电机组的养护策略进行研究，希望能够提升风电机组故障处理能力，为提升风电发电系统稳定运行提供保障。
参考文献：
[1]张照煌，丁显，刘曼，等.基于小波变换的风电机组传动系统故障诊断与分析[J].应用基础与工程科学学报，2011，19（S1）：210-218.
[2]马婧华，汤宝平，韩延.风电机组传动系统网络化状态监测与故障诊断系统设计[J].重庆大学学报，2015，38（01）：37-44.