风电机组齿轮箱状态监测及故障诊断

2年前浏览3770

概述

齿轮箱是连接发电机和主轴的重要部件之一，是风力发电机正常、高效运行的保障，内部由太阳轮、三个行星轮、内齿圈、行星架和二级平行齿轮传动组成，内部结构和受力情况较复杂，特别在变工况、变载荷的情况下运行，容易发生故障。齿轮箱拆装不易，随着运行载荷增加以及工作环境恶劣等多方面因素影响，一旦出现故障将对发电机组带来很大的影响。因此实现齿轮箱的状态监测和故障诊断功能，对风电机组安全运行有着重要的意义。

图片1.png

图1 齿轮箱结构

目前国内外关于风电机组故障诊断方法的研究，根据方法类别，可以划分为经验方法，机理建模和智能分析三类。其中经验方法是根据轮系动力学参数特点进行检测、分析，如油温、油样浑浊度、噪声、振动信号等实现故障诊断，对于专工现场经验依赖度高，往往智能实现粗略状态评估，无法实现精确的故障定位；机理建模是指利用数学物理理论对设备的状态数据进行简化假设、机理分析、数据处理，进而实现故障诊断，多用于旋转机械等有明确运行机理的设备评估场景；智能分析则是基于传感采集和数据挖掘等手段，对设备监测的多源传感信息进行综合评估，降低了对专家知识的依赖程度，技术路线的鲁棒性和可扩展性更强。本文针对NASA-IMS开源轴承数据集和东南大学齿轮数据集，基于天洑软件DTEmpower数据建模分析软件，开展了轴承参数报警和齿轮箱故障诊断相关的技术分析工作。

图片2.jpg

图2 IMS轴承故障实验演示图

数据集下载地址为：

https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/

东南大学齿轮箱故障数据集下载地址为：

https://github.com/cathysiyu/Mechanical-datasets

一、状态监测 - 参数报警

1. 敏感特征抽取加工

由于原始振动信号噪声较多，且变化不够直观，运维监测现场一般不会采用原始数据直接进行齿轮箱状态监测，而是通过数学方法加工得到可以放大设备异常变化的敏感特征，进而实现及时的风险报警。常使用的监测报警特征包含均方值、有效值比例、峰度、偏度、近似熵、模糊熵等。基于NASA-IMS轴承数据集，测试不同报警特征的告警效果，如图3所示。

图片3.png

图3 不同工艺参数曲线图

从上述图中，可以看到这些中间敏感特征可以提前2-4天进行异常告警，其中平均幅值和模糊熵的报警效果优于其它三个指标，近似熵效果最差。说明基于数学手段抽取的敏感特征指标对设备进行运行监测的路径是有效的，但不同的指标效果表现有较大的差异。然而若是基于敏感特征直接进行观察，会因为操作员的定性主观水平不一，依然存在不够直观的问题，导致设备运维监测逻辑难以精确化管控。

2. 敏感特征报警定量优化

根据设备运行平稳性假设，可知设备应该满足某种隐式的特征分布不变性，上节抽取的敏感特征也应该满足该假设。不失一般性，本文假设敏感特征满足正态分布，基于正态分布3σ原则提取中间特征值有效值比例随时间变化的情况，进而可将设备异常变化量进行某种程度的定量化等价表述。

“3σ异常值比例”抽取逻辑简要表述为：假设设备前期处于运行正常的状态，特征数据服从正态分布规律，指标数据落在（μ-3σ,μ 3σ）以外的概率小于千分之三，是非常小概率的事件。当设备异常发生，指标数据会发生较大变化，此时统计落在3σ范围外的数据比例，该“3σ异常值比例”具有明确的指导作用。

图片4.png

图4 不同工艺参数异常率曲线图

在从图4中可以看出，采用“3σ异常值比例”统计的结果较原先的敏感特征，在时间轴上有更为明显的变化趋势，能够更为直观地凸显出异常的渐进性加重逻辑，能够明确地实现提前2-4天告警的效果。

“3σ异常值比例”报警可以更为直观地展现异常，现场指标较多，测点可能也存在多个，用户需要挑选出合适的指标进行报警管理，因此还需要对上述方法进一步完善。具体方法，对于多测点的同一指标，依据平均异常率排序，挑选出平均异常率最高的测点，然后针对不同指标，同样依据平均异常率排序，挑选出平均异常率较高的几个指标作为监测观察指标。统计结果如图5所示：

图片5.png

图5 各指标异常率曲线图

二、故障诊断

齿轮箱故障监测系统主流传感数据多为振动传感器，针对振动传感数据进行故障诊断，可以抽象为基于时序信号的故障分类问题。本文第一种故障分类方案，借鉴近年来热门的图像识别技术，可以将信号类时序数据归一化后，按照采样点切割转换成二维矩阵，形成类似于图像的灰度矩阵，然后采用CNN卷积网络等主流图像分类算法进行训练学习。CNN训练情况见图6左。

考虑到有较多的振动传感器采集频率在10 kHZ~20 kHZ, 数据量较大，若是直接采用原始时序特征进行训练，将导致较大的算力资源消耗和时间消耗。本文采用了更为精简的第二种故障分类方案，即通过WPT小波包分解技术处理原始时序信号，在此基础上通过小波能量计算得到维度较小的间接特征，作为后续分类模型的输入（分类模型选择了SVM支持向量机和BP神经网络）。图6右展示了分类模型为BP神经网络时的训练情况。

图片6.png

图6 模型训练集与测试loss图

表格.png

表1 不同方案的故障分类准确率对比情况

两种不同方案的建模思路均取得了不错的分类效果，故障识别精度较高。考虑到卷积网络耗时严重，且模型较大、不适合灵活的工程现场部署；采用间接特征的方案2在保证了更高的分类准确率时，也因为模型相较于CNN深度学习模型更精炼，更适合于现场灵活部署，但方案2对于工程师数据分析能力要求较高，而天洑数据建模平台DTEmpower可为您的深度数据分析提供简洁而严谨的工业数据处理一站式解决方案。

图片7.jpg

图7 天洑数据建模平台DTEmpower

三、总结

随着全球风电装机容量的增加，风电机组发生故障的频率也逐渐增加，其中齿轮箱的故障大约占20%。齿轮箱故障诊断功能通过大数据分析对齿轮箱故障特征进行训练，实现齿轮箱故障诊断和提前预警，可以有效减少风电机组的故障停机，合理安排维修计划，降低机组停机产生的损失，为风电的安全可靠稳定运行提供了重要的保障。

天洑软件以挖掘数据价值为核心导向，以建立数字孪生模型为技术手段，打造工业各场景最可靠、最实用的产品应用，并针对行业特点提供定制化开发服务，用AI技术解决工业运维难题。

电力风能

著作权归作者所有，欢迎分享，未经许可，不得转载

首次发布时间：2021-12-13