摘要:在人類面臨能源危機(jī)和環(huán)境污染雙重挑戰(zhàn)的今天，風(fēng)能作為一種可再生的清潔能源得到了前所未有的重視和大力發(fā)展，但是風(fēng)機(jī)監(jiān)測(cè)數(shù)據(jù)點(diǎn)多, 狀態(tài)監(jiān)測(cè)的典型指標(biāo)也非常繁多，如何在復(fù)雜多變的風(fēng)機(jī)運(yùn)行過程中,提取切實(shí)有效的運(yùn)行狀態(tài)信息,已經(jīng)成為保證風(fēng)機(jī)安全可靠運(yùn)行的重要研究課題。本文基于真實(shí)風(fēng)電傳動(dòng)鏈的振動(dòng)數(shù)據(jù)，考慮風(fēng)機(jī)運(yùn)行工況,通過時(shí)域統(tǒng)計(jì)指標(biāo), 利用PCA降維技術(shù)和的安全域劃定方法，探索了一套可以應(yīng)用于真實(shí)風(fēng)電機(jī)組傳動(dòng)鏈狀態(tài)監(jiān)測(cè)和故障診斷方法, 并通過真實(shí)風(fēng)電數(shù)據(jù)進(jìn)行了說明，驗(yàn)證了其有效性。

張柯1，王科盛1, 楊濱源2，王玉2，王小康2

（1.電子科技大學(xué)機(jī)械工程學(xué)院，成都 611731；

2.成都阜特科技股份有限公司，成都 611731）

關(guān)鍵詞：狀態(tài)監(jiān)測(cè)；風(fēng)電機(jī)組傳動(dòng)鏈；振動(dòng)；故障診斷

Vibration monitoring of wind turbine drive chain based on information reduction and operational conditions

Abstract: Energy shortage and environment pollution are two emergent problems for humankind. Wind energy, as a renewable and clean energy, has been paid more attention and vigorously developing in recent years. Once the wind turbines break down, there would be a tremendous impact on security and national economy. In order to ensure safety and operational reliability of the wind turbine, the vibration data of the transmission chain of wind turbine is analyzed and studied in this paper.The research mainly focuses on the time domain statistics indicators and uses the time domain indicators’ calculation and PCA dimensionality reduction to explore the state monitoring method and fault diagnosis method of the transmission chain of wind turbine.

Keywords: Condition monitoring; Wind turbine drive train; Vibration; Fault diagnosis

收稿日期:

基金項(xiàng)目:研究型機(jī)械工程綜合探索實(shí)驗(yàn)實(shí)踐基地2016ZYXWSJPT012

中央高?？蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助ZYGX2016J111

作者簡(jiǎn)介: 張柯 (1995-), 男, 本科生

王科盛(1978-),男, 副教授 keshengwang@uestc.edu.cn

0 引言

在人類面臨能源危機(jī)和環(huán)境污染雙重挑戰(zhàn)的今天，風(fēng)能作為一種可再生的清潔能源具有巨大的環(huán)保效益和商業(yè)潛力。隨著各國(guó)對(duì)風(fēng)能利用的重視和風(fēng)力發(fā)電技術(shù)的提高，風(fēng)電在電力市場(chǎng)中的占有比例不斷上升，風(fēng)電機(jī)組單機(jī)容量也穩(wěn)步增加[1]。但是風(fēng)機(jī)高額的運(yùn)行維護(hù)成本影響了風(fēng)機(jī)的經(jīng)濟(jì)效益。

風(fēng)機(jī)一般地處偏遠(yuǎn)、環(huán)境惡劣，并且機(jī)艙位于50-80m的高空，給機(jī)組維護(hù)維修工作造成困難，增加了機(jī)組的運(yùn)行維護(hù)成本。一旦風(fēng)電機(jī)組故障停機(jī)，將對(duì)電網(wǎng)安全和國(guó)民經(jīng)濟(jì)造成巨大影響。因此，無論是從降低風(fēng)機(jī)的運(yùn)行風(fēng)險(xiǎn)，還是減少運(yùn)行成本的角度考慮，都需要大力提高風(fēng)電設(shè)備的狀態(tài)監(jiān)測(cè)和故障診斷能力。特別是當(dāng)前海量風(fēng)機(jī)運(yùn)行狀態(tài)數(shù)據(jù)已經(jīng)存在，如何充分利用現(xiàn)有監(jiān)測(cè)數(shù)據(jù)就成為一個(gè)刻不容緩的研究課題。

在已投產(chǎn)的風(fēng)電機(jī)組中，其傳動(dòng)鏈結(jié)構(gòu)比較復(fù)雜，一直是風(fēng)電機(jī)組故障的多發(fā)區(qū)。振動(dòng)信號(hào)作為傳動(dòng)鏈故障特征信息的載體，能夠有效地反映風(fēng)電機(jī)組傳動(dòng)鏈絕大部分的故障信息。但是, 目前風(fēng)電監(jiān)測(cè)的振動(dòng)數(shù)據(jù)動(dòng)輒十余處, 而且每處的振動(dòng)信號(hào)又可以進(jìn)行各種時(shí)域、頻域分析，運(yùn)行工況又復(fù)雜多變,造成故障決策過程頭緒繁多，很難給出有效的分析和明確的結(jié)論。為了解決這個(gè)問題，本文基于真實(shí)風(fēng)電傳動(dòng)鏈數(shù)據(jù)，在提取多個(gè)時(shí)域指標(biāo)的基礎(chǔ)上，引入PCA（Principle Component Analysis）降維技術(shù),考慮運(yùn)行工況, 并劃定運(yùn)行安全閾值，通過2-3個(gè)融合指標(biāo)反映設(shè)備的運(yùn)行狀態(tài), 為進(jìn)一步實(shí)現(xiàn)傳動(dòng)鏈的運(yùn)維服務(wù)決策提供切實(shí)可行的數(shù)據(jù)分析方案。

1 風(fēng)電機(jī)組的狀態(tài)監(jiān)測(cè)

1.1 振動(dòng)數(shù)據(jù)的時(shí)域分析

時(shí)域分析是在時(shí)域內(nèi)對(duì)信號(hào)進(jìn)行濾波、放大、統(tǒng)計(jì)特征計(jì)算等處理，通過時(shí)域分析，獲得反映機(jī)械設(shè)備運(yùn)行狀態(tài)的特征參數(shù)，為機(jī)械系統(tǒng)狀態(tài)監(jiān)測(cè)和故障診斷提供有效信息。振動(dòng)信號(hào)的時(shí)域參數(shù)指標(biāo)可以反應(yīng)早期故障，具有確定風(fēng)電機(jī)組機(jī)械部件是否發(fā)生故障及分析故障嚴(yán)重程度的能力[1]。

但是,時(shí)域分析指標(biāo)較多,例如:波形指標(biāo)、峰值、峰值指標(biāo)、脈沖指標(biāo)、峭度系數(shù)、均方根值、熵指標(biāo)和裕度指標(biāo)等等。在風(fēng)電機(jī)組傳動(dòng)鏈部件發(fā)生故障時(shí)，相應(yīng)的振動(dòng)能量有較大的變化，而且一般都會(huì)有沖擊振動(dòng)信號(hào)產(chǎn)生。在有量綱指標(biāo)中，均方根值能直接反應(yīng)振動(dòng)能量的大小，所以常用來作為重要的評(píng)價(jià)指標(biāo)；在無量綱指標(biāo)中，峭度、峰值指標(biāo)和脈沖指標(biāo)也能反映振動(dòng)沖擊能量的大小，因此也是常用的評(píng)價(jià)指標(biāo)。通過對(duì)這些指標(biāo)的計(jì)算與研究，能夠更好地提取和描述振動(dòng)信號(hào)所蘊(yùn)含的故障信息[2]。

1.2 指標(biāo)閾值的確定

運(yùn)用統(tǒng)計(jì)指標(biāo)對(duì)風(fēng)機(jī)運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)，必須為其正常狀態(tài)下振動(dòng)信號(hào)的統(tǒng)計(jì)指標(biāo)值確定一個(gè)變化范圍，當(dāng)統(tǒng)計(jì)值超出這個(gè)范圍時(shí)，則判定風(fēng)機(jī)某機(jī)械部件運(yùn)行失常。對(duì)于一個(gè)連續(xù)測(cè)量,設(shè)備運(yùn)行狀態(tài)相對(duì)穩(wěn)定的數(shù)據(jù)，可以看作近似服從正態(tài)分布。因此，完全可以認(rèn)為振動(dòng)數(shù)據(jù)的時(shí)域指標(biāo)值X服從正態(tài)分布：

由統(tǒng)計(jì)學(xué)概率知識(shí)可知，對(duì)于服從正態(tài)分布的x值，統(tǒng)計(jì)值 x 越靠近其均值，它的概率密度越大，出現(xiàn)的可能性越大，反之亦然。通過計(jì)算，統(tǒng)計(jì)值 x 位于范圍內(nèi)的概率為99.74%，而位于范圍以外的概率已經(jīng)很小了，僅為 0.26%，可以忽略不計(jì)。因此, 對(duì)于風(fēng)機(jī)運(yùn)行狀態(tài)的監(jiān)測(cè)而言，正常振動(dòng)信號(hào)的時(shí)域指標(biāo)X，其統(tǒng)計(jì)值x 的分布均值為，分布標(biāo)準(zhǔn)差為。統(tǒng)計(jì)值 x位于的概率高達(dá)99.74%，可以認(rèn)為這個(gè)范圍為指標(biāo)值正常波形范圍。當(dāng)統(tǒng)計(jì)值 x 超出范圍即判定風(fēng)機(jī)機(jī)械部件運(yùn)行狀態(tài)異常，依此監(jiān)測(cè)原則，將一個(gè)正常運(yùn)行的風(fēng)機(jī)機(jī)械部件誤診為故障的概率僅為0.26%，因此, 本文選用以作為風(fēng)機(jī)運(yùn)行異常的監(jiān)測(cè)閾值。

1.3 PCA降維技術(shù)的應(yīng)用

時(shí)域指標(biāo)的提取和閾值的計(jì)算可以針對(duì)若干個(gè)統(tǒng)計(jì)指標(biāo)進(jìn)行。為了簡(jiǎn)潔和準(zhǔn)確地反映風(fēng)電機(jī)組的故障和狀態(tài)信息，消除一些不敏感的指標(biāo)，本文選用了12 個(gè)統(tǒng)計(jì)指標(biāo)進(jìn)行真實(shí)數(shù)據(jù)的分析, 即峰峰值、平均值、平均幅值、最大值、均方根值、標(biāo)準(zhǔn)差、偏斜度、峭度、峰值指標(biāo)、波形指標(biāo)、脈沖指標(biāo)和能量指標(biāo)。同時(shí)，對(duì)原始振動(dòng)信號(hào)做頻域分析，提取頻域上對(duì)應(yīng)的12個(gè)統(tǒng)計(jì)指標(biāo)。因此，時(shí)域和頻域共24個(gè)指標(biāo)提供分析研究。

對(duì)于這24個(gè)指標(biāo)，如果單獨(dú)進(jìn)行研究，會(huì)導(dǎo)致數(shù)據(jù)結(jié)果龐雜，狀態(tài)監(jiān)測(cè)決策效率大大降低；若綜合起來，把24個(gè)指標(biāo)值看作24維的數(shù)據(jù)，其可視化能力又太低，無法很好地直觀描述其變化規(guī)律。因此，考慮引入PCA （Principal Component Analysis）分析，解決這個(gè)矛盾。

PCA是一種常用的數(shù)據(jù)分析方法。PCA通過線性變換將原始數(shù)據(jù)變換為一組各維度線性無關(guān)的表示，可用于提取數(shù)據(jù)的主要特征分量，常用于高維數(shù)據(jù)的降維。PCA能夠通過適當(dāng)?shù)刈儞Q，在將高維問題映射到低維空間的同時(shí)最大可能的保留原數(shù)據(jù)的信息，使問題能直觀、簡(jiǎn)單的得到處理。此外，PCA還可以將原來有交叉的數(shù)據(jù)變換成獨(dú)立、不相關(guān)的數(shù)據(jù)，極大地降低了問題解決的難度。因此，采用PCA降維，通過求解原數(shù)據(jù)的協(xié)方差矩陣，進(jìn)而計(jì)算協(xié)方差矩陣的特征向量和特征值，選取2-3個(gè)貢獻(xiàn)率高的特征向量與原數(shù)據(jù)矢量相乘，能夠?qū)?4維指標(biāo)值降到2維或3維，轉(zhuǎn)換成2個(gè)或3個(gè)新的指標(biāo)，并且極大地保留原有指標(biāo)中蘊(yùn)含的風(fēng)機(jī)狀態(tài)信息。通過對(duì)PCA降維后的主成分進(jìn)行研究，可以直觀描述其變化范圍，同樣基于閾值計(jì)算的原理，把變化范圍作為風(fēng)機(jī)運(yùn)行異常的監(jiān)測(cè)閾值。

2 實(shí)例分析

2.1 時(shí)域指標(biāo)的閾值

以山東某風(fēng)電場(chǎng)對(duì)風(fēng)電機(jī)組進(jìn)行故障診斷為例，監(jiān)測(cè)風(fēng)電機(jī)組傳動(dòng)鏈的振動(dòng)情況，在風(fēng)機(jī)上布置了8個(gè)振動(dòng)信號(hào)監(jiān)測(cè)點(diǎn)，各個(gè)監(jiān)測(cè)點(diǎn)的位置如圖2-1。實(shí)例分析振動(dòng)數(shù)據(jù)主要是其中1-6號(hào)傳感器測(cè)得的振動(dòng)數(shù)據(jù)，1-6號(hào)傳感器分別測(cè)主軸軸向振動(dòng)、主軸徑向振動(dòng)、齒輪箱中部徑向振動(dòng)、高速軸徑向振動(dòng)、發(fā)電機(jī)輸入軸徑向振動(dòng)和發(fā)電機(jī)輸出軸徑向振動(dòng)。

圖2-1 風(fēng)電機(jī)組傳動(dòng)鏈上傳感器安裝圖

在選取分析的數(shù)據(jù)時(shí)，采用了CH1高速軸為900-2000rpm的振動(dòng)數(shù)據(jù)。傳感器采樣頻率為20kHz，每個(gè)數(shù)據(jù)文件包含了40萬左右的振動(dòng)測(cè)量值，共有8014個(gè)數(shù)據(jù)文件。通過對(duì)振動(dòng)數(shù)據(jù)進(jìn)行時(shí)域指標(biāo)的計(jì)算，剔除掉異常數(shù)據(jù)后，其分布如圖2-2所示（以波形指標(biāo)為例）：

圖2-2 波形指標(biāo)波形圖

由圖2-2可知，波形指標(biāo)在一定范圍內(nèi)波動(dòng)，通過計(jì)算波形指標(biāo)的均值和標(biāo)準(zhǔn)差即可獲得其閾值，如圖2-2中紅線所示。

2.2 PCA降維分析

PCA降維的數(shù)據(jù)采用的數(shù)據(jù)來源與上述數(shù)據(jù)一致，進(jìn)行24個(gè)指標(biāo)計(jì)算之前，考慮到運(yùn)行工況對(duì)研究結(jié)果的影響，因此，按照不同風(fēng)機(jī)轉(zhuǎn)速對(duì)振動(dòng)數(shù)據(jù)進(jìn)行研究（900-1000rpm、1000-1200rpm、1200-1500rpm和1500-2000rpm四組數(shù)據(jù)）。然后分別計(jì)算時(shí)域和頻域指標(biāo)值，將24組指標(biāo)計(jì)算值合為24維數(shù)據(jù)，對(duì)其進(jìn)行PCA降維，通過計(jì)算，降維之后前兩個(gè)主成分的貢獻(xiàn)率已經(jīng)達(dá)到99.9%，基本上涵蓋原有指標(biāo)的信息，因此可以只取第一和第二主成分，在觀察降維后主成分的變化情況。指標(biāo)降維后主成分分布如圖2-3所示：

圖2-3 主成分二維分布圖

根據(jù)圖2-3可以看出前三個(gè)轉(zhuǎn)速范圍振動(dòng)數(shù)據(jù)的主成分散點(diǎn)以第一主成分坐標(biāo)值0.2左右為界分裂成兩個(gè)散點(diǎn)聚集群。為了研究各轉(zhuǎn)速范圍振動(dòng)數(shù)據(jù)的兩個(gè)散點(diǎn)聚集群的不同點(diǎn)，將兩個(gè)散點(diǎn)聚集群對(duì)應(yīng)振動(dòng)數(shù)據(jù)的風(fēng)機(jī)發(fā)電有功功率進(jìn)行比較，發(fā)現(xiàn)數(shù)目較少一方（圖2-3豎線左側(cè), 散點(diǎn)聚集群1）有功功率為0，數(shù)目較多一方（圖2-3豎線右側(cè),散點(diǎn)聚集群2）的有功功率基本都大于0。而當(dāng)有功功率為0時(shí)，風(fēng)電機(jī)組并沒有發(fā)電，也就是風(fēng)電的運(yùn)行輸出為零，這兩部分的振動(dòng)數(shù)據(jù)應(yīng)區(qū)別對(duì)待，但是研究方法類似，因此，本文以風(fēng)電發(fā)電狀態(tài)的數(shù)據(jù)為研究對(duì)象。

對(duì)于散點(diǎn)聚集群2，由圖2-3可以看出，每個(gè)轉(zhuǎn)速范圍內(nèi)主成分分布范圍較窄，散點(diǎn)群的分布可以用近似一個(gè)圓描述；而且，隨著轉(zhuǎn)速的增大，散點(diǎn)的分布明顯呈現(xiàn)一個(gè)向右上方移動(dòng)的變化規(guī)律。對(duì)此，用4個(gè)圓去分別代表每個(gè)轉(zhuǎn)速范圍內(nèi)主成分的分布范圍，這四個(gè)圓即可實(shí)現(xiàn)對(duì)整個(gè)風(fēng)機(jī)狀態(tài)的描述。當(dāng)振動(dòng)數(shù)據(jù)的指標(biāo)進(jìn)行降維后，主成分的分布與其對(duì)應(yīng)圓的范圍差別較大，則可以認(rèn)為風(fēng)機(jī)傳動(dòng)鏈出現(xiàn)異常。

散點(diǎn)分布閾值圓的確定：

根據(jù)正態(tài)分布的原則，落在的概率為99.7%。當(dāng)有99.7%的散點(diǎn)位于該圓內(nèi)，可以認(rèn)為該圓就是主成分正常分布范圍，因此設(shè)用該圓估計(jì)散點(diǎn)范圍的準(zhǔn)確率為99.7%，那么就應(yīng)該有99.7%的點(diǎn)滿足:

根據(jù)這個(gè)條件，把半徑R由0逐漸遞增，直到半徑R的值滿足：在以為圓心，半徑為R的圓內(nèi)散點(diǎn)數(shù)目達(dá)到總數(shù)目的99.7%，此時(shí)R的值即為所求。

2.3 結(jié)果驗(yàn)證

分別計(jì)算第5通道正常數(shù)據(jù)（有功功率非0）和故障數(shù)據(jù)（齒輪箱軸承磨損）的峰值、平均幅值等24個(gè)指標(biāo)，并進(jìn)行PCA降維，得到生成的主成分，分別比較幾個(gè)轉(zhuǎn)速范圍下正常數(shù)據(jù)和故障數(shù)據(jù)的主成分分布情況，如圖所示：

圖2-4 1000-1200rpm主成分比較圖

圖2-5 1200-1500rpm主成分比較圖

圖2-6 1500+rpm主成分比較圖

由圖2-4到圖2-6可以看出，在三個(gè)轉(zhuǎn)速范圍，故障數(shù)據(jù)的PCA降維結(jié)果與正常數(shù)據(jù)降維結(jié)果的分布有很大的差別，故障數(shù)據(jù)降維后的散點(diǎn)都落在分布圓外，可以實(shí)現(xiàn)正常數(shù)據(jù)與故障數(shù)據(jù)的分類。因此，結(jié)合PCA降維技術(shù)，考慮風(fēng)電運(yùn)行工況，對(duì)風(fēng)電振動(dòng)數(shù)據(jù)進(jìn)行融合，獲得散點(diǎn)分布圓，可以有效的實(shí)現(xiàn)風(fēng)電設(shè)備的狀態(tài)監(jiān)測(cè)和故障診斷。

3 結(jié)束語(yǔ)

本文針對(duì)風(fēng)電機(jī)組傳動(dòng)鏈狀態(tài)監(jiān)測(cè)和故障診斷過程的數(shù)據(jù)指標(biāo)多,風(fēng)機(jī)運(yùn)行工況復(fù)雜的問題，基于真實(shí)風(fēng)電傳動(dòng)鏈數(shù)據(jù)，進(jìn)行了時(shí)域指標(biāo)融合分析研究，提出了一種考慮風(fēng)電運(yùn)行工況（風(fēng)速和有功功率）的有效狀態(tài)監(jiān)測(cè)方法；方法結(jié)合振動(dòng)數(shù)據(jù)的時(shí)域、頻域指標(biāo)，并對(duì)指標(biāo)進(jìn)行PCA降維，在考慮運(yùn)行工況的情況下繪制散點(diǎn)分布閾值圓，從而實(shí)現(xiàn)對(duì)風(fēng)電機(jī)組狀態(tài)的描述和故障診斷。

參考文獻(xiàn):

[1]DimitriosKoulocheris, GeorgiosGyparakis, AndoniosStathis. Vibration Signals and Condition Monitoring for Wind Turbines. Scientific Research Publishing Journal, 2013, Vol.05 (12)：948-955.

[2]徐展.基于振動(dòng)法的風(fēng)電機(jī)組傳動(dòng)鏈狀態(tài)監(jiān)測(cè)與故障診斷研究[D].杭州：浙江大學(xué)，2012.

[3] 楊濱源, 王玉, 王小康.基于振動(dòng)信號(hào)分析的風(fēng)電機(jī)組故障診斷研究[J].第十三屆全國(guó)風(fēng)能應(yīng)用技術(shù)年會(huì), 2016.