随机风载引起的外部激励会极大地影响风电传动系统的疲劳寿命。利用考虑尾流效应的四分量模型模拟风电场随机风速,结合有限元法分析得到风电行星轮系的疲劳寿命。在此基础上,基于子模型法研究了太阳轮单齿和双齿根裂纹深度、长度和延伸角对风电行星轮系疲劳强度的影响。最终发现裂纹尺寸参数对风电行星轮系疲劳寿命的影响程度为裂纹深度>裂纹长度>裂纹延伸角。双齿根裂纹对疲劳寿命的影响远大于单齿根裂纹的影响,且双齿根裂纹状态下先啮入齿的疲劳寿命远小于单齿根裂纹状态,后啮入齿疲劳寿命略大于单齿根裂纹状态。相关研究为优化风机服役性能提供了理论依据。

针对行星齿轮箱结构和运行工况复杂,导致信号故障特征提取困难的问题,通过分析行星轮系振动机理,初步推导出含故障齿轮箱振动信号频谱特征;运用谐波乘积谱(Harmonic product spectrum,HPS)与边带乘积谱(Sideband product spectrum,SPS)的方法,在噪声干扰以及故障冲击不明显的条件下,准确提取到了仿真信号的故障特征频率。进一步采集不同运行工况、不同故障状态下的行星齿轮箱振动信号,将提取后的故障特征输入到卷积神经网络中进行故障识别,成功获取到齿轮箱的故障信息,证明了该方法在行星齿轮箱故障诊断方面的可行性。

针对行星齿轮箱故障诊断过程中的故障特征向量区分度差、诊断成功率不够高等问题,提出了一种基于局部均值分解(Local mean decomposition,LMD)排列熵和BP神经网络结合的方法。对原始信号进行LMD,获得包含主要信息的PF分量,计算排列熵值,构造特征向量,利用提取的特征向量训练BP神经网络,完成故障模式识别。以EMD排列熵方法和无量纲分析方法作为对比组,实验验证说明,提出方法提取到的不同工况的特征向量区分度更强,故障诊断效果更好;且当训练组数发生变化时,提出方法的综合表现更优秀。