基于子空间方法的风机齿轮箱故障预测算法(3)

风机厂石家庄风机厂石家庄风机石家庄市风机厂石家庄风机维修石家庄风机销售

齿轮箱稳态运行时的RMSE指标变化过程(图中每次仿真对应波形上的1个点，图6中同)，RMSE值均在预警值以下范围内变化，说明了齿轮箱处于正常运行状态。齿轮箱故障过程中的RMSE。从图6可以看出，对应图4中的特征值与参考特征值，RMSE出现了越过预警值的情况，甚至最后越过了门槛值。在刚开始的一段RMSE值变化也不大．均在预警值以下，但随着特征值点的发散，RMSE值越来越大；大约在第609个点．曲线越过了预警值0．0084．说明齿轮箱存在异常，有故障的趋势；在第669个点以后，曲线增长到0．0126附近，并且在门槛值附近波动：从第788个点以后迅速上升．且完全越过了门槛值．并且在越限以后曲线继续上升．此时可以认为齿轮箱已经故障。故应该在第609个点到第669个点之间发出预警信号．提醒运行人员采取应对措施。
5结论与展望
本文提出了一种子空间识别算法．用于仅有观测量已知的风机齿轮故障预测。该算法利用了几何投影的概念．通过投影的行空间可以确定系统的状态量Xi；通过投影的列空间可以确定系统的可观矩阵J1m；通过对投影矩阵的奇异值分解可以确定系统的阶数凡，进而可以确定系统矩阵的维数．并计算相应的特征值和RMSE指标．以实现齿轮箱运行状态的评估。通过对振动数据的仿真分析．可以得出以下结论：首先，由该随机子空间算法识别出的随机状态空间模型具有良好的稳定性；其次，当已知参考特征值后．可以用其作为评判齿轮箱状态的一个直观参考：最后．引入了RMSE指标对各个特征值的分布情况进行定量评价．当齿轮箱处于不同运行状态时．通过该故障预测算法给出的相应RMSE变化趋势．可以对齿轮箱进行故障预测．给现场监测和制定检修计划提供一定的指导．在提高风电机组的经济性和可靠性方面具有重要意义。本文所提方法虽然能够预测出故障的发生．但在识别出具体故障方面还需要完善．将继续从两方面对该算法进行深化研究：一是研究子空间算法中特征值与故障类型之间的关系：二是研究子空间与频谱分析相结合的故障预测方法．以实现风电机组齿轮箱的故障识别。