摘要:在人類面臨能源危機和環(huán)境污染雙重挑戰(zhàn)的今天，風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，但是風機監(jiān)測數(shù)據(jù)點多, 狀態(tài)監(jiān)測的典型指標也非常繁多，如何在復雜多變的風機運行過程中,提取切實有效的運行狀態(tài)信息,已經(jīng)成為保證風機安全可靠運行的重要研究課題。本文基于真實風電傳動鏈的振動數(shù)據(jù)，考慮風機運行工況,通過時域統(tǒng)計指標, 利用PCA降維技術(shù)和的安全域劃定方法，探索了一套可以應用于真實風電機組傳動鏈狀態(tài)監(jiān)測和故障診斷方法, 并通過真實風電數(shù)據(jù)進行了說明，驗證了其有效性

摘要:在人類面臨能源危機和環(huán)境污染雙重挑戰(zhàn)的今天，風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，但是風機監(jiān)測數(shù)據(jù)點多, 狀態(tài)監(jiān)測的典型指標也非常繁多，如何在復雜多變的風機運行過程中,提取切實有效的運行狀態(tài)信息,已經(jīng)成為保證風機安全可靠運行的重要研究課題。本文基于真實風電傳動鏈的振動數(shù)據(jù)，考慮風機運行工況,通過時域統(tǒng)計指標, 利用PCA降維技術(shù)和的安全域劃定方法，探索了一套可以應用于真實風電機組傳動鏈狀態(tài)監(jiān)測和故障診斷方法, 并通過真實風電數(shù)據(jù)進行了說明，驗證了其有效性。

張柯1，王科盛1, 楊濱源2，王玉2，王小康2

（1.電子科技大學機械工程學院，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；風電機組傳動鏈；振動；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:

基金項目:研究型機械工程綜合探索實驗實踐基地2016ZYXWSJPT012

中央高?？蒲袠I(yè)務費專項資金資助ZYGX2016J111

作者簡介: 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和環(huán)境污染雙重挑戰(zhàn)的今天，風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。隨著各國對風能利用的重視和風力發(fā)電技術(shù)的提高，風電在電力市場中的占有比例不斷上升，風電機組單機容量也穩(wěn)步增加[1]。但是風機高額的運行維護成本影響了風機的經(jīng)濟效益。

風機一般地處偏遠、環(huán)境惡劣，并且機艙位于50-80m的高空，給機組維護維修工作造成困難，增加了機組的運行維護成本。一旦風電機組故障停機，將對電網(wǎng)安全和國民經(jīng)濟造成巨大影響。因此，無論是從降低風機的運行風險，還是減少運行成本的角度考慮，都需要大力提高風電設備的狀態(tài)監(jiān)測和故障診斷能力。特別是當前海量風機運行狀態(tài)數(shù)據(jù)已經(jīng)存在，如何充分利用現(xiàn)有監(jiān)測數(shù)據(jù)就成為一個刻不容緩的研究課題。

在已投產(chǎn)的風電機組中，其傳動鏈結(jié)構(gòu)比較復雜，一直是風電機組故障的多發(fā)區(qū)。振動信號作為傳動鏈故障特征信息的載體，能夠有效地反映風電機組傳動鏈絕大部分的故障信息。但是, 目前風電監(jiān)測的振動數(shù)據(jù)動輒十余處, 而且每處的振動信號又可以進行各種時域、頻域分析，運行工況又復雜多變,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。為了解決這個問題，本文基于真實風電傳動鏈數(shù)據(jù)，在提取多個時域指標的基礎上，引入PCA（Principle Component Analysis）降維技術(shù),考慮運行工況, 并劃定運行安全閾值，通過2-3個融合指標反映設備的運行狀態(tài), 為進一步實現(xiàn)傳動鏈的運維服務決策提供切實可行的數(shù)據(jù)分析方案。

1 風電機組的狀態(tài)監(jiān)測

1.1 振動數(shù)據(jù)的時域分析

時域分析是在時域內(nèi)對信號進行濾波、放大、統(tǒng)計特征計算等處理，通過時域分析，獲得反映機械設備運行狀態(tài)的特征參數(shù)，為機械系統(tǒng)狀態(tài)監(jiān)測和故障診斷提供有效信息。振動信號的時域參數(shù)指標可以反應早期故障，具有確定風電機組機械部件是否發(fā)生故障及分析故障嚴重程度的能力[1]。

但是,時域分析指標較多,例如:波形指標、峰值、峰值指標、脈沖指標、峭度系數(shù)、均方根值、熵指標和裕度指標等等。在風電機組傳動鏈部件發(fā)生故障時，相應的振動能量有較大的變化，而且一般都會有沖擊振動信號產(chǎn)生。在有量綱指標中，均方根值能直接反應振動能量的大小，所以常用來作為重要的評價指標；在無量綱指標中，峭度、峰值指標和脈沖指標也能反映振動沖擊能量的大小，因此也是常用的評價指標。通過對這些指標的計算與研究，能夠更好地提取和描述振動信號所蘊含的故障信息[2]。

1.2 指標閾值的確定

運用統(tǒng)計指標對風機運行狀態(tài)進行監(jiān)測，必須為其正常狀態(tài)下振動信號的統(tǒng)計指標值確定一個變化范圍，當統(tǒng)計值超出這個范圍時，則判定風機某機械部件運行失常。對于一個連續(xù)測量,設備運行狀態(tài)相對穩(wěn)定的數(shù)據(jù)，可以看作近似服從正態(tài)分布。因此，完全可以認為振動數(shù)據(jù)的時域指標值X服從正態(tài)分布：

由統(tǒng)計學概率知識可知，對于服從正態(tài)分布的x值，統(tǒng)計值 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。通過計算，統(tǒng)計值 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。因此, 對于風機運行狀態(tài)的監(jiān)測而言，正常振動信號的時域指標X，其統(tǒng)計值x 的分布均值為，分布標準差為。統(tǒng)計值 x位于的概率高達99.74%，可以認為這個范圍為指標值正常波形范圍。當統(tǒng)計值 x 超出范圍即判定風機機械部件運行狀態(tài)異常，依此監(jiān)測原則，將一個正常運行的風機機械部件誤診為故障的概率僅為0.26%，因此, 本文選用以作為風機運行異常的監(jiān)測閾值。

1.3 PCA降維技術(shù)的應用

時域指標的提取和閾值的計算可以針對若干個統(tǒng)計指標進行。為了簡潔和準確地反映風電機組的故障和狀態(tài)信息，消除一些不敏感的指標，本文選用了12 個統(tǒng)計指標進行真實數(shù)據(jù)的分析, 即峰峰值、平均值、平均幅值、最大值、均方根值、標準差、偏斜度、峭度、峰值指標、波形指標、脈沖指標和能量指標。同時，對原始振動信號做頻域分析，提取頻域上對應的12個統(tǒng)計指標。因此，時域和頻域共24個指標提供分析研究。

對于這24個指標，如果單獨進行研究，會導致數(shù)據(jù)結(jié)果龐雜，狀態(tài)監(jiān)測決策效率大大降低；若綜合起來，把24個指標值看作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?shù)刈儞Q，在將高維問題映射到低維空間的同時最大可能的保留原數(shù)據(jù)的信息，使問題能直觀、簡單的得到處理。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，進而計算協(xié)方差矩陣的特征向量和特征值，選取2-3個貢獻率高的特征向量與原數(shù)據(jù)矢量相乘，能夠?qū)?4維指標值降到2維或3維，轉(zhuǎn)換成2個或3個新的指標，并且極大地保留原有指標中蘊含的風機狀態(tài)信息。通過對PCA降維后的主成分進行研究，可以直觀描述其變化范圍，同樣基于閾值計算的原理，把變化范圍作為風機運行異常的監(jiān)測閾值。

2 實例分析

2.1 時域指標的閾值

以山東某風電場對風電機組進行故障診斷為例，監(jiān)測風電機組傳動鏈的振動情況，在風機上布置了8個振動信號監(jiān)測點，各個監(jiān)測點的位置如圖2-1。實例分析振動數(shù)據(jù)主要是其中1-6號傳感器測得的振動數(shù)據(jù)，1-6號傳感器分別測主軸軸向振動、主軸徑向振動、齒輪箱中部徑向振動、高速軸徑向振動、發(fā)電機輸入軸徑向振動和發(fā)電機輸出軸徑向振動。

圖2-1 風電機組傳動鏈上傳感器安裝圖

在選取分析的數(shù)據(jù)時，采用了CH1高速軸為900-2000rpm的振動數(shù)據(jù)。傳感器采樣頻率為20kHz，每個數(shù)據(jù)文件包含了40萬左右的振動測量值，共有8014個數(shù)據(jù)文件。通過對振動數(shù)據(jù)進行時域指標的計算，剔除掉異常數(shù)據(jù)后，其分布如圖2-2所示（以波形指標為例）：

圖2-2 波形指標波形圖

由圖2-2可知，波形指標在一定范圍內(nèi)波動，通過計算波形指標的均值和標準差即可獲得其閾值，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，進行24個指標計算之前，考慮到運行工況對研究結(jié)果的影響，因此，按照不同風機轉(zhuǎn)速對振動數(shù)據(jù)進行研究（900-1000rpm、1000-1200rpm、1200-1500rpm和1500-2000rpm四組數(shù)據(jù)）。然后分別計算時域和頻域指標值，將24組指標計算值合為24維數(shù)據(jù)，對其進行PCA降維，通過計算，降維之后前兩個主成分的貢獻率已經(jīng)達到99.9%，基本上涵蓋原有指標的信息，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可以看出前三個轉(zhuǎn)速范圍振動數(shù)據(jù)的主成分散點以第一主成分坐標值0.2左右為界分裂成兩個散點聚集群。為了研究各轉(zhuǎn)速范圍振動數(shù)據(jù)的兩個散點聚集群的不同點，將兩個散點聚集群對應振動數(shù)據(jù)的風機發(fā)電有功功率進行比較，發(fā)現(xiàn)數(shù)目較少一方（圖2-3豎線左側(cè), 散點聚集群1）有功功率為0，數(shù)目較多一方（圖2-3豎線右側(cè),散點聚集群2）的有功功率基本都大于0。而當有功功率為0時，風電機組并沒有發(fā)電，也就是風電的運行輸出為零，這兩部分的振動數(shù)據(jù)應區(qū)別對待，但是研究方法類似，因此，本文以風電發(fā)電狀態(tài)的數(shù)據(jù)為研究對象。

對于散點聚集群2，由圖2-3可以看出，每個轉(zhuǎn)速范圍內(nèi)主成分分布范圍較窄，散點群的分布可以用近似一個圓描述；而且，隨著轉(zhuǎn)速的增大，散點的分布明顯呈現(xiàn)一個向右上方移動的變化規(guī)律。對此，用4個圓去分別代表每個轉(zhuǎn)速范圍內(nèi)主成分的分布范圍，這四個圓即可實現(xiàn)對整個風機狀態(tài)的描述。當振動數(shù)據(jù)的指標進行降維后，主成分的分布與其對應圓的范圍差別較大，則可以認為風機傳動鏈出現(xiàn)異常。

散點分布閾值圓的確定：

根據(jù)正態(tài)分布的原則，落在的概率為99.7%。當有99.7%的散點位于該圓內(nèi)，可以認為該圓就是主成分正常分布范圍，因此設用該圓估計散點范圍的準確率為99.7%，那么就應該有99.7%的點滿足:

根據(jù)這個條件，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)散點數(shù)目達到總數(shù)目的99.7%，此時R的值即為所求。

2.3 結(jié)果驗證

分別計算第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個指標，并進行PCA降維，得到生成的主成分，分別比較幾個轉(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)降維后的散點都落在分布圓外，可以實現(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)，考慮風電運行工況，對風電振動數(shù)據(jù)進行融合，獲得散點分布圓，可以有效的實現(xiàn)風電設備的狀態(tài)監(jiān)測和故障診斷。

3 結(jié)束語

本文針對風電機組傳動鏈狀態(tài)監(jiān)測和故障診斷過程的數(shù)據(jù)指標多,風機運行工況復雜的問題，基于真實風電傳動鏈數(shù)據(jù)，進行了時域指標融合分析研究，提出了一種考慮風電運行工況（風速和有功功率）的有效狀態(tài)監(jiān)測方法；方法結(jié)合振動數(shù)據(jù)的時域、頻域指標，并對指標進行PCA降維，在考慮運行工況的情況下繪制散點分布閾值圓，從而實現(xiàn)對風電機組狀態(tài)的描述和故障診斷。

參考文獻:

[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.基于振動法的風電機組傳動鏈狀態(tài)監(jiān)測與故障診斷研究[D].杭州：浙江大學，2012.

[3] 楊濱源, 王玉, 王小康.基于振動信號分析的風電機組故障診斷研究[J].第十三屆全國風能應用技術(shù)年會, 2016.