风电机组状态监测的发展 一
王毅
[摘 要]针对现有风电机组监测系统无法对其传动系统早期故障进行有效诊断的问题，研发了一套基于B/S和 C/S混合架构的风电机组传动系统网络化状态监测与故障诊断系统。根据应用需求设计了风电机组传动系统状态监测和故障诊断系统、整体框架和功能模块；结合 数据采集设备，基于ENT和SQLSever平台研发了风电机组传动系统状态监测和故障诊断系统，包括网络化数据采集、远程状态监测、信号分析、故障诊断和数据库服务器等模块。该系统成功应用于某风场风电机组传动系统状态监测和故障诊断。
[关键词]状态监测；故障诊断；风电机组；传动系统网络化
中图分类号：TM315 文献标识码：A 文章编号：1009-914X（2017）31-0325-01
前言
风力发电装备在中国取得了长足的发展，已形成一种新型产业。但风电机组安装在野外几十米的高空，在变风载、大温差等恶劣工况下，风电机组使用寿命受到极大的影响，尤其是风电机组的主轴、齿轮箱等传动部件在交变载荷的作用下很容易出现故障，造成机组停机。较之其他故障，风电机组传动系统故障导致机组停机时间最长， 严重影响发电量， 而且安装维护相当困难，维护费用高，增加运营成本，损害风力发电的经济效益。解决现役风电机组因传动系统故障导致巨大经济损失的关键是进行风电机组传动系统状态监测与早期故障诊断。目前，已有一些商用的风电机组传动系统状态监测系统， 如SKF公司的 Windcon系统、Timkwn公司的状态监测系统、德国FAG 公司的Conwind系统，这些系统主要采用C/S架构，以经典的FFT 频谱分析为主，辅以振动信号趋势预测、阈值报警等功能，但缺乏故障诊断功能。结合流形学习、 信息融合、 模式识别等方法， 笔者研发了一套基于 B/S 和C/S 混合架构的风电机组传动系统网络化状态监测与故障诊断系统。
1 故障诊断基本理论方法
故障包含两层含义：①机 械系统偏离 正常功能，通过参数调节或零部件修复又可恢复到正常功能；②功能失效，是指系统连续偏离正常功能，且其程度不断加剧，使机械设备基本功能不能保证。一般零件失效可以更换，关键零件失效，往往会导致整机功能丧失。故障诊断技术是一种了 解如何掌握 设备在使用过程中的状态，确定其整体或局部是否正常，早期发现故障及其原因，并能预报故障发展趋势的技术。它可简单的划分为传统的诊断方法、数学诊断方法以及智能诊断方法。传统的诊断方法包括：振动检测技术、油液分析技术、噪声检测技术、红外测温技术、声发射技术以及无损检测技术等；数学诊断方法包括： 基于贝叶斯决策判据以及基于线形与非线形判别函数的模式识别方法、基于概率统计的时序模型诊断法、基于距离判据的故障诊断法 、模糊诊断原理、灰色系统诊断法、故障树分析法、小波分析法，以及混沌分析与分形几何法等；智能诊断方法包括：模糊逻辑、专家系统 、神经网络、遗传算法等。
2 基于小波分析齿轮故障诊断实验研究
工程实践表明：不同类型的机械故障在动态信号中会表现出不同的特征波形。对于以信号展开或变换理论为基础的特征提取方法，一个重要的问题是基函数的选择要与被提取的特征相匹配。小波理论提供了不同特征的丰富的基函数，可以对某个特定的问题選择合适的基函数，以获得较好的故障分类信息。小波变换的实质是在每个尺度上进行一系列的相关运算，当信号特征与小波特点相似时，会出现较大的小波系数。小波分析因具有良好的时频局部性及多分辨率分析特性，被广泛应用在振动故障诊断中。文中对齿轮点蚀故障，将诊断过程分为 3 个步骤，首先利用常规的功率谱对点蚀故障进行分析， 然后针对点蚀故障做小波变换的时频分析。最后，对振动信号进行特征值分析，判断故障分布和故障的严重程度，从而为齿轮箱故障诊断提供依据。
3.系统主要功能研发
3.1 数据采集模块
数据采集模块通过有线以太网、 3G无线网或GPRS方式将采集到的数据传输至数据库服务器或监测分析诊断模块。数据采集模块根据设置的数据库服务器IP及数据库名称， 从中读取采样通道、 采样频率、 采样长度等采集参数，对采集设备进行参数设置； 同时负责将满足采样间隔的样本数据或异常数据保存至数据库服务器端。
3.2 状态监测模块
状态监测模块主要通过阈值分析和趋势分析实现。阈值分析是对能够表征风机状态的特征量设置预警阈值和告警阈值，当实测值超出预警值或告警值时以告警日志形式和声音报警形式及时给予报警；实时数据采集中一旦数据触发报警值，将会保存至数据库，进而通过信号分析模块分析预警或告警原因。趋势分析是对测量点幅值构成的观测曲线的斜率进行判别分析，实质是通过曲线斜率的大小来预计未来观测曲线的变化趋势，如果测量曲线的斜率过大，系统测量值则有可能在未来的某个时刻超出正常范围。
3.3 信号分析模块
信号分析模块包括信号预处理、 时域/频谱分析、图谱分析等子模块。信号预处理可通过去趋势项、去奇异值、降噪滤波等方法，剔除原始信号中异常信息，降低噪声的干扰和影响。时域分析、频谱分析是最常用的信号分析方法，计算得到的时域特征量能够最直接地反映信号的振动特性，频域特征量是对单一时域分析的进一步补充。图谱分析采用多种信号分析方法，以图像的形式形象地描述信号中蕴含的风电机组状态信息，如通过轴心轨迹的形状判断转子故障类型，通过色谱图观察振动幅值随时间、频率或转速之间的变化关系等
3.4 故障诊断模块
故障诊断是风电机组传动系统状态监测与故障诊断系统的核心功能之一，系统通过信 号分析，特征提取，进而通过流形学习进行降维，对所提取的特征进行模式识别以实现早期故障诊断，本系统提供了 K 最近邻分类器和支持向量机等多种模式识别方法。
3.5 数据库模块
数据库服务器模块是风电机组传动系统网络化监测与故障诊断系统的关键组成之一。所有有关风电机组及其零部件的信息、传感器及其测点信息、各种参数、原始信号、分析结果、 报警数据以及故障样本数据等等，最终都以规则的形式存储于数据库中。因而数据库的选择应符合大容量、高安全性、高检索效率的要求，并且能同时存储各种复合型数据，支持远程访问、 多用户并行访问。笔者采用SQLSever数据库，数据库的设计主要包括数据表的设计、数据存储机制的设计、 数据库的访问和维护。
4.结语
笔者针对风电机组地处偏远、工况恶劣、结构复杂及检修困难等实际情况，研发了一套风电机组传动系统网络化振动监测和故障诊断系统，可对风电机组传动系统进行监测、阈值报警、趋势预测和早期故障诊断。所研发的系统是基于振动的监测与诊断，下一步将考虑融合多源信息， 如机组运行参数（温度、风速等）和机端电气参数（电流、电压和功率等）进行风电机组传动系统的智能维护系统研究。
参考文献
[1] 张彦创.风电机组状态监测与故障诊断系统的设计与实现[D].吉林大学， 2013.
[2] 叶明星，焦斌.风力发电机组状态监测和故障诊断系统的设计与实现[J].上海电机学院学报，2014， 17（2）：83-88.
[3] 单光坤.兆瓦级风电机组状态监测及故障诊断研究[D].沈阳工业大学， 2011.endprint
