第1章 绪论
1.1 论文研究背景及意义
近些年来，世界各个国家在能源的发展方面都比较注重在可再生能源方面的投入，风能作为一种清洁的可再生能源，储量巨大，利用相对方便，受到了很多国家政府的青睐。基于目前的技术水平，初步统计我国陆上可以开发使用的风能大致为 2.53 亿千瓦，海洋上可开发使用的风能大致为 7.5 亿千瓦，总计大致为 10 亿千瓦。
根据中国电力企业联合会 2012 年最新发布的全国电力工业年快报统计，2012 年中国陆上风电新增装机容量 1590 万千瓦，占全球新增容量三分之一以上，继续领跑市场；2012 年底中国风电并网总装机 6083 万千瓦，跃居世界第一；2012 年风电发电量 1004 亿千瓦时，超过核电发电量的 982 亿千瓦时。这也是中国风电发电量首次超过核电，由此，风电已经成为继火电和水电之后的中国第三大主力电源。
我国风电产业的持续快速发展，也带来了一些问题，比较显著的问题就是大量的风电机组装机，但针对这些机组的故障诊断技术却没有配合着快速提高，导致发电机组故障频发。风力发电机组作为一种大型的旋转机械，组成结构复杂，零部件众多，而且风机所处的位置一般在荒芜人烟偏远地区或者海洋滩涂等地方，由于工作环境恶劣，风机的受力情况瞬息万变，风机内各个部件收到的冲击载荷也是十分的不稳定和持续的，长期处在这样的工况下，风机不同部位的部件很容易发生各种各样的故障，会严重缩短风力发电机组的寿命。风机一旦发生故障，可能造成风机工作效率低下，还有可能造成风机停转，更严重的故障可能导致风机塔架倒塌或彻底报废，严重影响风力发电场的生产安全和经济效益。
在线状态监测可以在不对被监测的设备进行拆装或者在不打扰被监测设备日常工作的情况下，通过一些先进的技术措施获取设备的运行状态情况，对设备产生的异常情况和原因做出深入准确的分析提示，从而更深入的了解和辨别设备的运行健康情况。为了避免风力发电机组发生未知的严重故障，支撑风力发电场的经济效益，确保风力发电机组的稳定安全运行是非常重要也是非常必要的事情。针对风电机组的在线监测与故障诊断系统，在线监测风力机组的工作环境情况及状态信息，对机组发生的早期故障做出比较准确的预报，对发生故障的原因给出相应准确的判断，预测机组未来一段时间内的运行情况，提供合理的故障维修对策和意见，从而能够让风场的管理操作人员做出最为快速和正确的反应。....................
.......................
第2章 风力发电机齿轮箱的故障原理分析
风机的工作环境恶劣多变，齿轮箱中的部件长期处于高负荷、快转速的工作状态，在持续的冲击下，齿轮箱内的零件很容易发生故障。一旦有故障发生，齿轮箱的振动就会加剧，因此借助于齿轮箱反映出的振动信号来判断齿轮箱的运行状况是可行的。本章将分析齿轮箱内常见发生故障的原因及产生相应振动信号的特征形式，为后续的振动信号分析奠定基础。
2.1 风力发电机结构
风力发电机一般由叶片、传动轴、齿轮箱、发电机、偏航系统、机舱和塔架等构成。根据风电企业统计，风力发电机组发生的故障类型中，齿轮箱和发电机的故障超过 60%，其中又以齿轮箱的故障居高。
从上图可以看出，齿轮箱故障所占比例最大，达到38%，这是因为风力发电机的齿轮箱工作情况恶劣，长期受到重载荷和时变冲击的作用，导致齿轮箱的零件持续受到冲击，相对来说更容易发生故障。所以齿轮箱的维护是工作的重点，也是故障诊断系统应该最为关注的重点。
2.2 风力发电机齿轮箱结构
齿轮箱主要由箱体、齿轮、轴承、轴等四大部件组成。现在主流风力发电机已达到兆瓦级别，风轮的转速一般为20rpm（转/分钟）左右，而发电机转子的转速一般要达到1500rpm，传动比达到70左右甚至更高。这样高的传动比，一般需要齿轮的多级啮合升速才能达到。风力发电机的齿轮箱为大增速比的增速箱，一般由2级行星齿轮和1级圆柱齿轮组成，典型的风机齿轮箱结构。
齿轮箱内的各个部件都有可能发生故障，但是不同部件故障发生的可能性是有区别的。在齿轮箱中各部件发生故障的可能性。由图上可以观察出，齿轮有60%左右的可能性出现故障，轴承有19%左右的可能性出现故障。它们两者占有80%左右的故障比例，因此齿轮和轴承故障会是我们本文重点研究的问题。
2.3 齿轮故障及振动信号产生
2.3.1 齿轮的啮合频率
齿轮在运转过程中，随着啮合齿数的改变，啮合齿面的载荷也在不断的发生改变，导致啮合齿面的刚度会发生变化，而刚度的变化会导致齿轮发生振动现象，称为啮合振动。一对齿轮的啮合。..................
...................
第 3 章 基于小波包神经网络的故障诊断算法分析............................13
3.1 常用的故障算法介绍 ....................................................................13
3.1.1 时域分析..................................................................................13
3.1.2 频域分析..............................................................................14
3.2 小波包分析 ....................................................................................15
3.2.1 小波变换原理..........................................................................16
3.2.2 小波消噪..................................................................................19
3.2.3 小波包变换..............................................................................21
3.3 BP 神经网络 ...................................................................................22
3.3.1 神经元特性..............................................................................22
3.3.2 神经网络结构..........................................................................23
3.3.3 BP 神经网络的建立.................................................................24
3.4 基于小波包和 BP 神经网络的齿轮箱故障诊断模型.................27
3.4.1 小波包和 BP 神经网络的结合方式 ......................................27
3.4.2 基于小波包的振动信号特征向量提取 .................................28
3.4.3 基于 BP 神经网络的智能故障诊断 ......................................29
第 4 章 基于虚拟仪器的齿轮箱故障诊断系统开发............................31
4.1 虚拟仪器技术介绍 ........................................................................31
4.2 系统整体设计 ................................................................................32
4.3 齿轮箱实验台设计 ........................................................................32
4.4 基于 PXI 平台的振动信号采集 ...................................................33
4.4.1 PXI 平台总体设计 ...................................................................33
4.4.2 振动信号采集..........................................................................35
4.4.3 转速信号采集..........................................................................36
4.4.4 采集的触发同步问题..............................................................38
4.5 基于 DataSocket 技术的数据传输 ...............................................39
4.6 监控中心软件实现 ........................................................................41
4.6.1 BP 网络训练模块.....................................................................42
4.6.2 BP 网络诊断启停模块.............................................................44
4.6.3 数据保存启停模块..................................................................46
4.6.4 离线分析模块..........................................................................47
4.6.5 数据采集启停模块..................................................................49
4.6.6 系统退出..................................................................................49
..................................................
总结
风力发电作为一种清洁的可再生能源技术，受到各国政府的重视，近些年得到了快速的发展，尤其是在我国，连续几年来我国的新增风电装机容量保持世界第一的位置。然而大规模的风电机组匆忙投入使用，带来了风电机组的质量缺陷频频发生的问题，造成了巨大的财力、物力等损失。因此开发针对风电机组的在线监测与故障预警系统十分必要与迫切，可以减少人工定期的现场巡查，及早的发现风机可能出现的早期故障，避免机组发生破坏性的严重故障，为风场的维修计划提供可靠的决策建议。
风力发电机的组成结构复杂，其中尤以齿轮箱发生的故障最为频繁，造成的后果最为严重，因此本文重点研究了风力发电机的齿轮箱结构及其中齿轮、轴承发生故障的机理。
当齿轮箱内发生故障时，振动信号会发生幅值调制和相位调制现象，由于受到加工精度、装配精度及持续变化的载荷转速变化等影响，齿轮和轴承的受力情况都很复杂，导致振动信号具有典型的非平稳信号特性。在总结了时域分析、频域分析和时频分析的特点后，本文采用了基于小波包分析算法的手段，充分利用小波包能够分析任意频带信号的能力，完成信号的小波包去噪和故障特征提取。为了降低故障诊断对风场维护人员的难度和要求门槛，必须发展智能故障诊断技术。因此本文研究了BP神经网络算法，根据齿轮箱故障诊断的特点，完成神经网络的建模，利用小波包变换提取的故障特征值作为BP网络的输入，以要判断的故障类型作为BP网络的输出，通过故障类型的事先学习，利用训练学习好的网络诊断故障。
本文以实验室的齿轮箱实验平台为对象，以PXI总线平台为数据采集传输载体，以LabVIEW 和MATLAB混合编程为实现手段，结合多种数据处理算法及人机交互的要求，完整开发了一套齿轮箱的故障诊断系统，可以自动诊断出齿轮箱内的齿轮和轴承故障，实验结果证明了系统的可用性和实用性。...............
参考文献
[1] 佟昕, 董媛媛. 我国风能资源与风电产业发展[J].能源研究与利用, 2012,148(06): 25-27.
[2] 白文斌. 世界风电发展现状及前景展望[J].科技情报开发与经济, 2012,22(22): 129-132.
[3] KUSIAK A, LI W. http://www.1daixie.com/sslwdx/ The prediction and diagnosis of wind turbine faults [J].Renewable Energy, 2011, 36(1): 16-23.
[4] BENNOUNA O, HERAUD N. Real-time diagnosis and fault detection for the monitoring of the wind turbine [J]. Journal of Renewable and Sustainable Energy, 2012, 4(5):47:175-182.
[5] 兰建武. 基于LabVIEW的风机在线监测与故障诊断系统的研究 [D]. 武汉科技大学, 2012.
[6] 黄浩, 张沛. 美国新能源发展概况[J].电网技术, 2011, 35(07): 48-53.
[7] 戴高昕. 风力发电相关问题研究[J].绿色科技, 2011, (08): 241-243.
[8] 王欢欢. 风力发电机旋转机械故障诊断虚拟仪器系统研究 [D]. 湖南大学,2012.
[9] 谢宝昌. 兆瓦级风力发电机综述[J].电机与控制应用, 2007, (02): 4-15.
[10] 项文娟. 齿轮箱故障源信号分析方法及系统研究[D]. 浙江大学, 2007.
[11] 彭春阳. 基于振动信号分析的齿轮箱故障诊断仪的研究 [D]. 重庆大学,2011.
[12] 盛迎新, 周继威. 风电机组在线振动监测系统及现场应用[J].振动测试与诊断, 2010,30 (06): 703-705.
[13] 刘文艺, 汤宝平, 陈仁祥. 一种基于对角切片高阶谱的故障识别方法 [J].机械科学与技术, 2010,29(03): 281-284.
[14] 管森森. 基于振动信号分析的齿轮箱故障诊断系统开发[D].华北电力大学, 2011.
[15] 丁志宇. 基于虚拟仪器技术的齿轮箱故障诊断仪的研制[D].重庆大学,2008.
[16] 高燨. 风力发电机组状态监测与故障诊断系统的软件开发[D].华北电力大学, 2012.