CN101672723A - 一种风电机组振动分析故障诊断方法和系统 - Google Patents

Abstract

本发明公开了一种风电机组振动分析故障诊断方法和系统，首先获取风电机组振动数据；根据风电机组的结构参数、历史记录和知识库完成对风电机组振动数据的分析，生成可以人工编辑的分析报告；根据振动监测分析标准和风电机组的运行状况进行诊断；将诊断结果形成振动监测报告，提交给用户，用户根据振动监测报告完成对风电机组的维护。采用了本发明的技术方案，可以大幅度降低风电机组振动分析的工作量，提高风电机组振动分析故障诊断的效率和准确率。

Description

一种风电机组振动分析故障诊断方法和系统

技术领域

本发明涉及风力发电技术领域，尤其涉及一种风电机组振动分析故障诊断方法和系统。

背景技术

随着常规能源短缺的日益严重，可再生能源开发与利用无疑将成为今后能源开发主要方向。目前，风力发电技术已经成熟，风电装机容量不断扩大，截至2008年底，中国风电装机容量已突破1200万千瓦，装机数量超过1万台，随着在役机组数量的增加，如何保证风电机组安全、可靠、高效地运行已成为风电行业关注的重点。旋转机械故障诊断技术已经普及于航空、铁路、电力、冶金等行业，是实现预知性维护的重要手段。由于风电机组位置偏僻、无人值守且运行在高空，采用振动监测进行早期故障诊断也引起了行业的重视，但是由于风电行业的特点，振动监测的开展深度并没有达到理想的效果，主要表现在以下几个方面：

1、风力发电是一个新的产业，风电机组结构复杂，其传动系统具有低速重载荷、弹性支撑、变速变载等特点，对于机组的振动分析不能直接采用已有的分析标准，因此，需要快速完成数据积累，制定风电机组振动监测的分析标准，这一点仅靠人工处理，难以快速实现。

2、风电场地处偏僻，难以培养既有理论基础又有实践经验的振动分析工程师，一般委托专业的振动分析服务企业完成，但是他们普遍缺乏风机现场经验。

3、风电机组数量多，型号不一；单台机组测量点数多，同一型号机组可能采用不同型号的齿轮箱；而且风机运行于变速变载工况下，给振动分析工程师带来了巨大的数据处理工作量，造成分析速度慢、效率低、准确度不够等不足。

发明内容

本发明的目的在于提出一种风电机组振动分析故障诊断方法和系统，可以大幅度降低风电机组振动分析的工作量，提高风电机组振动分析故障诊断的效率和准确率。

为达此目的，本发明采用以下技术方案：

一种风电机组振动分析故障诊断方法，包括以下步骤：

A、获取风电机组振动数据；

B、根据风电机组的结构参数、历史记录和知识库完成对风电机组振动数据的分析，生成可以人工编辑的分析报告；

C、根据振动监测分析标准和风电机组的运行状况进行诊断；

D、将诊断结果形成振动监测报告，提交给用户，用户根据振动监测报告完成对风电机组的维护。

步骤A中，采用离线方式采集风电机组振动数据，并通过邮件方式发送。

步骤A中，采用在线方式采集风电机组振动数据，并通过网络进行传输。

还包括以下步骤：

根据用户对风电机组维护的反馈，更新振动监测分析标准和知识库。

一种风电机组振动分析故障诊断系统，包括人机交互模块、推理机模块、解释机模块、知识库维护模块、知识库模块、综合数据存储器和数据采集模块，人机交互模块分别与知识库维护模块、推理机模块和解释机模块连接，推理机模块还分别与知识库维护模块、知识库模块、解释机模块和综合数据存储器链接，知识库维护模块还与知识库模块连接，综合数据存储器还与数据采集模块连接，其中，

人机交互模块用于提供人机接口，提供操作者与推理机和知识库维护模块之间交流的接口，提供用户与解释机之间交流的接口；

推理机模块用于根据知识库中的专家规则对规则数据库中的符号数据进行诊断推理，将诊断推理结果反馈给操作者，并将综合数据存储器中风电机组振动数据通过神经网络诊断获得推理结果，将诊断推理结果传送到解释机模块；

解释机模块用于从推理机模块获取诊断推理结果，发送给用户，并进行解释；

知识库维护模块用于将经验知识进行整理，以规则的形式写入知识库模块；

知识库模块用于存储规则和神经网络的结构、权值，供推理机模块调用；

综合数据存储器用于存储风电机组振动数据、历史数据和诊断过程中的中间结果；

数据采集模块用于采集风电机组振动数据，并发送给综合数据存储器。

知识库维护模块还用于当推理机模块遇到不确定的推理因素时，向操作者进行询问，并将解决后的知识写入知识库模块。

数据采集模块是离线数据采集模块，或者是在线数据采集模块。

推理机模块进一步包括神经网络专家系统和专家系统服务器。

采用了本发明的技术方案，具有以下技术效果：集成了已有风电机组的机械旋转部件的结构参数，可以根据不同转速自动计算出各部件的故障频率；自动保存所监测机组的历史数据，在生成初始报告时自动进行不同监测时段的趋势比较；对不同转速功率工况下的振动数据进行统计分析、数学建模，能够给出不同负载下振动总值强度折算到同一工况下的补偿系数，便于趋势比较和故障诊断分析；通过长期的数据统计，完善故障程度评判的分析标准，给出了正常、注意、警告、停机修理等故障程度评判的统计门限值；随着数据量的积累，该门限值的准确性越来越高；提供友好的人机交互界面，振动分析专家可以手工输入评判规则，完善专家系统的知识库；以word文档形式自动生成故障诊断分析报告，振动分析工程师可以在此基础上进一步完善诊断结果；分配不同的权限，用户基于网络平台可以方便查看风电机组的健康档案；将不同型号振动数据采集仪的数据格式转换成统一格式，实现振动分析数据共享。

附图说明

图1是本发明具体实施方式中风电机组振动分析故障诊断系统结构示意图。

图2是本发明具体实施方式中风电机组振动故障树示意图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

本发明技术方案的主要思想是采用计算机人工智能处理风电机组振动数据，进行包络解调、频谱分析计算，根据设备信息、故障频率、机组运行状态和分析标准，智能推理自动生成风电机组故障诊断报告，该报告采用word文档形式，可由振动分析工程师再次分析、进一步编辑和完善。

风电机组振动分析故障诊断系统可以进行频谱分析，并根据机组的结构参数、历史记录和预先集成的知识库完成风电机组振动数据初步处理，自动生成可以人工编辑的分析报告；再由振动分析工程师根据分析标准结合风电机组的实际运行状况进一步分析诊断并加以完善，诊断结果由专家会诊确定后形成正式的振动监测报告，由技术部门审核审批后提交给用户，用户根据报告的建议完成机组的维护和修理。

在维护和修理过程中，定期汇总各类实践经验与实践结果，不断完善诊断分析标准，以提高分析的准确性。

系统的知识库和各种功能可根据业务开展和用户需求不断充实完善，此工作由计算机维护工程师和振动分析工程师共同完成。

鉴于风电机组故障的复杂性与不确定性，变载荷、变转速和变功率的运行状态，振动标准难以确定，ISO-10816并不全部适用于风电机组。该系统在知识库的基础上，引入了神经网络技术，利用神经网络设计的系统在知识表示、知识获取、并行推理、适应性学习、理想推理、容错能力等方面显示了明显的优越性。该系统能够根据机组运行中的各种信息有效地诊断运行中的故障，便于及时采取对应措施，保证生产的正常安全运行。

图1是本发明具体实施方式中风电机组振动分析故障诊断系统结构示意图。如图1所示，该系统包括人机交互模块101、推理机模块102、解释机模块103、知识库维护模块104、知识库模块105、综合数据存储器106和数据采集模块107，其中推理机模块进一步包括神经网络专家系统121和专家系统服务器122。

人机交互模块分别与知识库维护模块、推理机模块和解释机模块连接，推理机模块还分别与知识库维护模块、知识库模块、解释机模块和综合数据存储器链接，知识库维护模块还与知识库模块连接，综合数据存储器还与数据采集模块连接，

人机交互模块提供一个友好的人机接口，提供操作者与推理机和知识库维护模块之间交流的接口，提供用户与解释机之间交流的接口。

推理机模块根据知识库中的专家规则对规则数据库中的符号数据进行诊断推理，将诊断推理结果反馈给操作者，并将综合数据存储器中风电机组振动数据通过神经网络诊断获得推理结果，将诊断推理结果传送到解释机模块。

解释机模块从推理机模块获取诊断推理结果，发送给用户，并进行解释。

知识库维护模块用于将经验知识进行整理，以规则的形式写入知识库模块，并当推理机模块遇到不确定的推理因素时，向操作者进行询问，并将解决后的知识写入知识库模块。

知识库模块存储规则和神经网络的结构、权值，供推理机模块调用。

综合数据存储器存储风电机组结构参数、历史数据和诊断过程中的中间结果。

数据采集模块是离线数据采集模块，或者是在线数据采集模块，用来采集风电机组振动数据，传入计算机，对各类数据进行数据整理、格式变换以符合诊断需要，并发送给综合数据存储器。

该系统关键技术包括：知识库模块和故障诊断推理机制。

风电机组振动分析主要监测风力发电机传动系统，包括主轴、齿轮箱、发电机，具体监测对象包括各部件的转轴、轴承、齿轮。

常见的齿轮故障形式有以下几种：齿面磨损、齿面胶合和擦伤、齿面接触疲劳、弯曲疲劳与断齿等。滚动轴承的典型故障有外圈、内圈、滚珠和保持架故障等，主要失效形式：磨损失效、疲劳失效、腐蚀失效、断裂失效、压痕失效、胶合失效等。转轴的典型故障主要包括轴弯曲、断轴、轴不平衡等。

风力发电机组常见故障原因及其对应的特征频率见表1。

表1

故障原因	振动特征频率	备注
			不平衡	1x(即每转一次)	平衡改变将导致1x分量改变。转速接近转动系统临界速度时振动最大。通过临界转速时振动相位明显变化。转速固定时，振动幅值固定。
轴承不对中	1x或更高次谐波	轴承平行不对中或角度不对中通常原因是基础移动。轴承不对中不是激发振动的直接原因，但改变了支撑系统的动态响应。
			轴不对中	1x，2x或更高次谐波	连接处的几何误差导致平行不对中或角度不对中。轴弯曲激发振动。在某些情况下，轴向振动分量幅度与径向振动分量相当。

轴承运行条件或尺寸变化	次同步或1x，2x，3x	轴承运行条件或尺寸变化导致稳态1x分量和更高次谐波振动变化，或者导致次同步分量不稳定(油流变化等)。在后一种情况中，振动通常不稳定，通常随时间快速增加。
			滚动轴承磨损	高频宽带加速度信号	故障检测需要高频响应传感器。振动集中在轴承缺陷区域。振动读数通常不稳定，并随时间增长。该类故障需要其它诊断技术，比如包络分析法，冲击脉冲法，共振解调法等。
刚度不对称(比如电机绕组轴向开槽)	2x	接近转子临界速度时，2x激励振动最大。转子转速固定时，振动幅值固定。补偿槽用于大型电机以减小激励。
			转动系弯曲	1x，2x或更高次谐波	通常导致1x分量改变。如果转动系连接处弯曲，轴向振动2x分量明显增大。转子转速固定时，振动幅值固定。
转动系裂纹	1x，2x或更高次谐波	2x分量增加表示裂纹增大。同时1x或更高次谐波变化。
			转动系部件松动	1x和谐波	在一个起停周期内振动值变化大，不固定。有时出现次同步分量。
轴偏心或非圆形	1x，非圆形轴出现转频谐波分量	低速和临界转速时振动值异常。转子转速固定时，振动幅值固定。
			热不对称	1x	故障原因为不规则通风，绕组短路或部件不规则紧固。导致转动系弯曲，振动特性与不平衡相似。
齿轮缺陷	齿轮啮合频率，转频和相关边频	故障检测需要高频响应传感器。对于1个齿缺陷，出现1x和谐波。对于多个齿损坏，出现齿轮啮合频率和边频及谐波。
			谐振	激励频率，比如转子速度等于转动系或支撑系统的固有频率	转子通过临界速度时，在每个机器谐振速度处振动增大，1x响应相位变化明显。转子不平衡也是最常见的原因，导致非旋转系统中产生谐振。在电机中，转子在定子感应的电磁力导致的2x分量也是谐振的主要原因。
摩擦	大多数是1x分量，也有谐波，次同步和固有频率分量	低速时轻微摩擦能够清洁机器自身。但高速时的摩擦会导致振动突然变化，振动值快速上升至停机值。转速太快或者机器内部温度突然变化，也可能导致摩擦产生。另外，旋转部件和固定部件间距太小，或者运行时部件偏移都可能导致摩擦。

故障诊断推理机制以故障树的形式建立专家系统，通过将专家经验知识和风电机组故障库整理编辑以故障树的形式建立专家知识库。

图2是本发明具体实施方式中风电机组振动故障树示意图。如图2所示，推理规则以树的形式建立，树的根节点为故障现象，叶节点为故障原因，中间节点为推理过程中的中间分类，在知识库中存储由专家提供的相应的故障原因和处理办法。

预先建立风电机组传动系统故障模式库，采用神经网络推理模式，神经网络由大量神经元的互联及对各联接权值的分布来表达特定概念或知识，风电机组故障特征及其权重系数见表2。

表2

在进行知识获取时，它只要求专家提供实例及相应的解(输入、输出模式样本对)，通过对特定的学习算法(分有导师学习与无导师学习)对样本进行学习，经过网络内部自适应算法不断修改权值分布以达到要求，从而将专家求解实际问题的启发性知识和经验分布到网络的互联及权值分布上。对于特定输入模式，神经网络通过向计算产生输出模式，其中各个输出节点代表的逻辑概念同时被计算出来，特定解是通过输出节点和本身信号的比较得到，其余的解则被排除。

风电机组运行工况实时变化，针对变桨距系统，功率随工况的改变而变化，该系统利用功率与振动强度的函数关系，对瞬变负载的工况进行修正处理。使得每次诊断的数据折算到同一工况条件下比较，提高故障诊断的准确率。

经过对风机机组的数据积累和实验研究，找出振动信号在不同负载下的对应关系，以便进行换算。风机运行功率和振动幅值呈一定的线性关系，根据功率振值对比图，运用数值拟合的方法，确定补偿系数k，将各振动情况根据风机运行功率折算到标准工况下，有助于对比各种情况的振动强度。针对不同类型风机和同一型号不同机组的各振动测点，建立数据折算数据库，此数据存储在综合数据存储器当中。

风机振动分析标准的自动完善包括以下内容：

绝对标准：参照ISO10816。

相对标准：风机正常运行状态下采集25次以上的振动值，计算平均值(M_g)和标准差(σ)。

注意域的平均值M_c＝M_g+3σ；

警告域的平均值M_d＝M_g+5σ；

停机域的平均值M_s＝M_g+9σ。

类比标准：对于同型号、同运行状况的若干台风机在缺乏必要的标准时可采用类比标准进行状态判别。方法是对同一部位进行测定，并对测定值进行相互比较来确定振动标准，从而用来判定某台设备是否发生异常。

生成的初始报告内容包括风机序号、健康分级、功率振值对比图、趋势图、瀑布图(在线系统或周期性采集)、频谱分析、故障分析、诊断结论和处理建议。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1、一种风电机组振动分析故障诊断方法，其特征在于，包括以下步骤：

A、获取风电机组振动数据；

B、根据风电机组的结构参数、历史记录和知识库完成对风电机组振动数据的分析，生成可以人工编辑的分析报告；

C、根据振动监测分析标准和风电机组的运行状况进行诊断；

D、将诊断结果形成振动监测报告，提交给用户，用户根据振动监测报告完成对风电机组的维护。

2、根据权利要求1所述的一种风电机组振动分析故障诊断方法，其特征在于，步骤A中，采用离线方式采集风电机组振动数据，并通过邮件方式发送。

3、根据权利要求1所述的一种风电机组振动分析故障诊断方法，其特征在于，步骤A中，采用在线方式采集风电机组振动数据，并通过网络进行传输。

4、根据权利要求1所述的一种风电机组振动分析故障诊断方法，其特征在于，还包括以下步骤：

根据用户对风电机组维护的反馈，更新振动监测分析标准和知识库。

5、一种风电机组振动分析故障诊断系统，其特征在于，包括人机交互模块、推理机模块、解释机模块、知识库维护模块、知识库模块、综合数据存储器和数据采集模块，人机交互模块分别与知识库维护模块、推理机模块和解释机模块连接，推理机模块还分别与知识库维护模块、知识库模块、解释机模块和综合数据存储器链接，知识库维护模块还与知识库模块连接，综合数据存储器还与数据采集模块连接，其中，

人机交互模块用于提供人机接口，提供操作者与推理机和知识库维护模块之间交流的接口，提供用户与解释机之间交流的接口；

推理机模块用于根据知识库中的专家规则对规则数据库中的符号数据进行诊断推理，将诊断推理结果反馈给操作者，并将综合数据存储器中风电机组振动数据通过神经网络诊断获得推理结果，将诊断推理结果传送到解释机模块；

解释机模块用于从推理机模块获取诊断推理结果，发送给用户，并进行解释；

知识库维护模块用于将经验知识进行整理，以规则的形式写入知识库模块；

知识库模块用于存储规则和神经网络的结构、权值，供推理机模块调用；

综合数据存储器用于存储风电机组振动数据、历史数据和诊断过程中的中间结果；

数据采集模块用于采集风电机组振动数据，并发送给综合数据存储器。

6、根据权利要求5所述的一种风电机组振动分析故障诊断系统，其特征在于，知识库维护模块还用于当推理机模块遇到不确定的推理因素时，向操作者进行询问，并将解决后的知识写入知识库模块。

7、根据权利要求5所述的一种风电机组振动分析故障诊断系统，其特征在于，数据采集模块是离线数据采集模块，或者是在线数据采集模块。

8、根据权利要求5所述的一种风电机组振动分析故障诊断系统，其特征在于，推理机模块进一步包括神经网络专家系统和专家系统服务器。

Images