CN103411774B - 波动工况下的风电机组在线预警方法 - Google Patents

Abstract

本发明公开了属于旋转机械安全运行早期潜在隐患的预知判别技术领域的一种波动工况下的风电机组在线预警方法。针对风电机组制定合理的振动监测方案，并分析振动监测测点中包含的频率成分；将等时间间隔采集的振动时域信号转化为对应的等时间间隔采集角域信号，确定等角度采样的采样点数，即转子每转需要采集的振动数据量；最后利用线性插值算法将非平稳的时域振动信号转化为具有平稳特性的角域振动信号，保证了振动信号的整周期特性；本发明构建了对于早期故障较为敏感的并能够准确反映机组变工况特性下故障的无量纲幅域参数，实现机组传动链早期故障特征的准确提取；实现渐变性故障模式的等级化预警和突变性故障模式预知性预警。

Description

波动工况下的风电机组在线预警方法

技术领域

本发明属于旋转机械安全运行早期潜在隐患的预知判别技术领域，特别涉及一种波动工况下的风电机组在线预警方法。

背景技术

风力发电技术由于其低污染、低耗能及可持续发展的特点成为世界能源浪潮中不可或缺的主流能源。随着风电机组向大单机容量的方向发展，风电设备的结构和功能日益复杂，风电企业对设备的正常、安全、稳定运行的要求越来越高，风电企业必须不断的提升机组的运行维护水平来保证风电机组的高效安全运转。

由于风电机组的购置成本较高，且运行在环境较为恶劣的偏远地区，运行维护极其不便，这些因素成为风电行业追求高效产值的障碍。风电机组的单机容量越大成本越高，对机组的运行稳定性要求越高，当风电场备件不足时，一旦发生机组故障往往会造成机组的停机，造成一定的经济损失。在这种背景下，如何利用有效的设备监控技术、信号处理技术以及数据挖掘技术实现风电机组早期隐患的挖掘和排除，防止隐患演变成故障和事故，成为风电行业关注的焦点和技术难点。

根据目前国内外研究现状可得，很多学者和研究机构都在致力于通过状态监测与故障诊断技术来提升风电机组的运行可靠性和稳定性，从技术层面上取得了显著的效果。但目前对该领域的研究主要集中故障诊断方面，缺乏对风电机组早期隐患的预知性判断和提示。由于风电机组运行环境恶劣且工况随机波动较大，机组运行过程中存在强噪音及工况干扰状况，因此机组振动监测数据具有明显的非线性、非平稳性，如何准确的提取故障特征信息，挖掘机组运行的早期隐患，将机组隐患遏止在发展成故障和事故之前具有至关重要的意义。本发明提出一种解决工况随机波动条件下的风电机组早期故障特征提取方法，并采用数据挖掘中的异常检测技术实现机组的量化预警，旨在实现波动工况条件下的风电机组在线故障预警方法。

发明内容

本发明的目的是提供一种波动工况下的风电机组在线预警方法，其特征在于，在线预警包括如下步骤：

(1)针对一行星轮系+两平行轴或两行星轮系+一平行轴结构类型的风电机组和其部件制造特点，选取合适的振动测点布置位置和传感器类型，制定出风电机组振动监测方案；

(2)根据阶比跟踪技术，提出风电机组阶比重采样技术对风电机组传动链各振动测点的监测数据进行信号重构，将非线性、非平稳性的时域信号转化为具有平稳性的角域信号，避免了使用硬件方式实现等角度采样的昂贵成本；

(3)构建无量纲幅域参数峭度、峭度指标、波形裕度、峰值指标、跳跃性因子及尖峰能量值这些故障特征提取因子，通过故障特征提取因子的趋势变化来反映风电机组的运行状态，较早的挖掘机组的早期异常征兆；

(4)通过风电机组传动链典型机械故障模式的故障机理和动力学方程分析，通过风电机组故障模拟试验台仿真模拟机组故障的形式，建立机组传动链典型机械故障模式与故障特征提取因子的关联性，即寻找出对各种早期故障较为敏感的特征因子集；

(5)提出融合多元故障特征提取因子的风电机组早期故障搜索方法，对各故障模式预警模型的关联指标集进行多维数据异常搜索，通过多维数据靶射原理建立风电机组传动链典型机械故障的等级化预警。

所述步骤2建立了风电机组传动链典型故障模式齿轮磨损、齿轮点蚀、齿轮断齿、轴承点蚀、轴承磨损和联轴器不对中与振动监测二次故障特征提取因子的关联模型；

本发明有益效果是针对风电机组传动链典型渐变性机械故障的早期预警问题，解决风电机组传动链典型故障在变风速变负荷背景下的早期预警问题。该发明解决的技术问题为随机波动工况条件下风电机组传动链机械故障的早期预警问题，旨在机组隐患演变成机组故障和事故前挖掘出异常的状态信息并量化成预警指标，及时准确的挖掘出潜在异常信息，实现风电机组的预知性预警工作，为风电场设备的故障预警工作提供技术指导，建立了高效的、合理的风电机组故障预警方案，避免了机组隐患向故障及事故的恶化，提升对风电机组监控水平的同时，降低了机组的运行维护成本，形成了风电机组安全、稳定、高效的运营环境。

附图说明

图1为某1.5MW风电机组传动链的振动监测方案示意图；

图2为风电机组传动链典型机械故障仿真模拟试验台；

图3为基于软件线性插值计算的阶比重采样角域信号的重构方法流程；

图4为基于k邻近度异常检测的风电机组早期故障搜索方法流程；

图5为波动工况下风电机组在线预警整体方案的流程。

具体实施方式

本发明属于旋转机械安全运行早期潜在隐患的预知判别技术领域，特别涉及一种波动工况下的风电机组在线预警方法。

步骤1，风电机组传动链故障在线预警方案主要针对风电机组传动链的振动监测数据进行特定算法的分析，根据所应用机组的传动链的结构制定合理的振动监测方案，其图1的标号表示测点序号，详细介绍参见表1。目前主流的风电机组传动链结构主要包含三点支撑型主传动链或独立轴承支撑的主轴布局两种方式，其中齿轮箱结构主要分为一级行星轮系+两级平行轴系或两级平行轴轮系+一级平行轴两种结构，根据所应用机组传动链的结构制定振动监测方案，以国产某1.5MW机组为例，制定三点支撑传动链的振动方案见图1，其齿轮箱为两行星轮系+一平行轴结构。

表1某国产1.5MW风电机组传动链振动测点信息表

步骤2实现变工况变负荷背景下的风电机组传动链故障在线预警，其关键技术是实现故障信息即异常振动指标的有效和准确提取。在不改变传统采集硬件配置的前提下，通过基于软件计算技术的阶比重采样方法，将频率随机波动的非平稳时域信号转化为平稳性的角域信号。基于步骤1所确定的机组传动链振动监测方案，分析测点振动数据包含的频率成分，确定重采样参考周期样本，采用阶比重采样方法实现“平稳”角域信号的重构。具体的实施方法如下所示：

①编制典型部件独立轴承，行星轮系齿轮、轴承，平行轴系齿轮、轴承

的特征频率计算表，如下表2所示：

表2风电机组传动链易损部件特征频率计算表

②确定振动监测测点的采样频率及测点所包含的频率成分，确定每个测点包含的最大频率成分，作为阶比重采样的参考指标，注意的是最小频率的确定要考虑到故障频率成分；针对图1、2所示风电机组传动链结构(如图2所示的风电机组传动链典型机械故障仿真模拟试验台)中各测点相关信息见表3为：

表3风电机组传动链各测点信息表

测点序号	正常及故障频率成分	最低频率成分
			1	主轴转频、主轴轴承部件频率	主轴转频
2	主轴转频、齿轮箱前轴承部件频率	主轴转频
			3	各轴转频、一级行星轮系各齿轮啮频、各轴承部件频率	一级行星架转频
4	各轴转频、二级行星轮系各齿轮啮频、各轴承部件频率	二级行星架转频
			5	各轴转频、高速级各齿轮啮频、各轴承部件频率	高速级大齿轮轴转频
6	高速轴转频、发电机前轴承部件频率	高速轴转频
			7	高速轴转频、发电机后轴承部件频率	高速轴转频

③由于机组传动链在变风速背景下运行，因此机组振动测点的频率是随机波动的，但是机组振动数据按照等时间间隔的方式进行采样，使得每个振动周期内包含的数据点数不同，即通过等时间间隔方式采样的变转速条件下的振动监测信号不具有非整周期特性，通过软件计算方式对等时间间隔采集信号进行重构，模拟等角度采样获得的等角度角域振动信号。

通过等时间间隔采样获取的振动信号由于变转速条件使得每个振动周期包含的采样点数不同，频率成分较低的振动周期包含采样点数较多，而振动测点的采样频率通过最高频率进行确定，鉴于上述采样特点，通过线性插值的方式进行等角度角域信号的重构能够保证振动信号不会失真，并且线性插值为较为简单的插值方法不会影响在线计算的速度，保证故障预警的及时性。下面基于线性插值的阶比重采样角域信号重构方法进行详细介绍

1.以故障较为频繁的高速级为例，对基于线性插值的角域信号重构方法过程进行说明：假设5号测点获得的振动数据为{x₁,x₂,x₃,…x_n-2,x_n-1,x_n}，首先将该等时间间隔采样获得的时域信号，转化为等时间间隔采样的角域信号，该计算过程中假设转速短时间内按照等角加速度的方式变速，采用等时间间隔采样时振动频率最低的振动周期所包含的采样点数越多，为保证重构信号不会失真，以最低振动频率周期包含的点数作为插值的标准值参考值，将该参考值转化为等角度采样时旋转一周所包含的点数。该点数即为等角度采样时转子每转应采集额点数，转速越快每转采集的点数越少，因此转速参考应以最高转速为参考。假设5号测点的最低频率成分为f₀，齿轮箱传动比为n(三个传动级的传动比分别为n₁,n₂,n₃)，按照发电机侧的最高转速要求，正常发电时主轴的转速范围为n_min～n_max，则以高速轴转速作为参考转速，其值为n_ck＝n₁×n₂×n₃×n_max，计算得到阶比重采样的角域信号重构的插值参考点数为n＝n_ck*f_o/60，N即表示采用等角度采样方式时每转所采集的点数应为n个，假设振动信号分析周期内包含的总点数为N，则重新定义的角域序列为：Theta(N)＝0:2π/n:2π(N-1)/n；采用线性插值方法将Theta(N)插入等时间间隔采样下的角域信号中，获得等角度采样方式下的振动角域信号。

2.将等时间间隔采集的振动时域信号转化为相应的角域振动信号，由于风电机组变桨系统的功能作用，风电机组转速变动相对平缓，即可假设风电机组转速为均角加速度变速，其中机组转速信号可从机组SCADA系统中获得，SCADA系统的数据采集为10分钟的平均数为一个采集点，因此假设每10分钟间的机组转速为均角加速度变化的。设5号测点某十分钟内获得的主轴转速数据为n_a，下十分钟获得的主轴转速数据为n_b，对应的角速度分别为ω_b和ω_a，因此该时间段内的机组传动链5号测点参考转速变化曲线表示为：

(ω_b-ω_a)·t/600+ω_a (1)

对该角速度曲线在时间尺度上进行积分获得角度公式：

$\mathrm{\θ}={\∫}_{t_1}^{t_2}\[({\mathrm{\ω}}_b-{\mathrm{\ω}}_a)\·t/600+{\mathrm{\ω}}_a\]dt---\left(2\right)$

通过式(2)将等时间间隔采样获得时域振动信号转化为对应的角域信号。

3.采用线性插值的方法对等时间间隔的角域信号进行插值，其每转动一圈所采集的点数在1中已经计算获得。对等时间间隔采集角域信号的角度按照插值点

数进行划分，求得需要进行插值的点的角度坐标{θ₁,θ₂,…,θ_n-1,θ_n}，对这些点在等时间间隔采样角域信号上进行线性插值，获得{x_θ1,x_θ2,…x_θn-1,x_θn}，通过公式[x_t(i-1)-x_θ(i)]×[x_t(i)-x_θ(i)]≤0搜索位于插值点两侧的真实值，通过线性插值公式

$x_{\mathrm{\θ}\left(i\right)}=\frac{x_{t\left(i\right)}\·\left(\mathrm{\θ}\right(i)-t(i-1\left)\right)}{t\left(i\right)-t(i-1)}---\left(3\right)$

计算线性插值后插入坐标点的纵坐标，获得等角度角域信号{x_θ1,x_θ2,…x_θn-1,x_θn}。至此我们通过步骤2中的1～3步实现了等时间间隔采样时域信号向等角度采样角域信号的转化，转化后的角域信号具有平稳特性和整周期特性，阶比重采样角域信号重构的流程(如图3所示)。

步骤4为保证早期故障特征提取的准确性和有效性，对峭度、峭度指标、波形裕度、峰值指标、跳跃性因子、尖峰能量值在变工况正常及故障下的特性下的变化趋势进行研究，了解各无量纲因子对早期故障的敏感性以及变工况条件下提取故障的有效性，其因子介绍参见表4。

表4各无量纲因子的计算过程及特性

峭度(Kurtosis)K：

反映振动信号分布特性的数值统计量，是归一化的4阶中心矩，其计算公式为

$K=\frac{\underset{-\mathrm{\∞}}{\overset{+\mathrm{\∞}}{\∫}}{\[x\left(t\right)-x\]}^4\stackrel{-}{p\left(x\right)}dx}{{\mathrm{\σ}}^4}---\left(4\right)$

波形裕度CL：

在发生早期故障时，或者某些故障之前，振动信号可能在能量和时域波形方面存在较小的变化，若直接进行图谱时域统计分析，最终提取出的故障特征量的发展趋势不明显，不利于故障分析。数学形态谱可以从形状识别角度，明显反应信号较小的变换，时域、形态谱的波形裕度CL的发展趋势能较好的反应大型旋转设备的故障趋势。

$CL=X_{max}/{\[\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\sqrt{\left|x_i\right|}\]}^2---\left(5\right)$

X_max为振动信号的振幅最大值。

峰值指标Peak‐Factor：

是和波形有关的无因次量，为波形的振幅再除以波形RMS(time‐averaged)所得到的值。

$C_f=\frac{X_p}{X_{rms}}---\left(6\right)$

尖峰能量值：

尖峰能量是指非常短的脉冲能量，如滚动轴承的滚动体在滚道上的微小裂缝处发生冲击所激起的振动能量。尖峰能量就是对这种周期性的、短暂的机械冲击的一种量化表示。这种冲击通常发生在滚动体与滚道之间的衔接处。尖峰能量法是利用高通滤波器滤除常规机械振动故障(如不平衡、不对中和松动等)频率后，在特定的高频范围内检测振动能量，由于滚动轴承的缺陷所产生的机械冲击能量会激起加速度传感器的自振频率，利用这些频率作为载波频率调制轴承故障频率最后通过峰峰值检波器检测并保持高频脉冲峰值的方法。

峭度指标K：

峭度指标是无量纲参数，由于它与轴承转速、尺寸、载荷等无关，对冲击信号特别敏感，特别适用于表面损伤类故障、尤其是早期故障的诊断。

跳跃性描述因子J_f：

描述振动波形的跳跃性，本质的反映波形的幅度调制。首先通过式(5)对波形进行标准化。对标准化后的波形x'_i计算方差

$D_x=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{({x^{\′}}_{ip}-\stackrel{\‾}{x^{\′}})}^2---\left(8\right)$

即取跳跃性描述因子J_f＝D_x，式(8)中i表示关联特征属性的类别，即共n类。

对阶比重采样重构后的角域信号进行划分，划分原则即每转动一周进行一次划分，实现重构角域振动信号的角度序列划分，对每段角度序列计算各无量纲因子，得到各无量纲因子的序列值。

步骤5本专利主要针对风电机组传动链的齿轮、轴承及联轴器故障模式进行在线预警，通过分析各无量纲因子的物理意思以及故障模式的机理，进行故障模式与无量纲因子之间的关联性分析，实现拟解决故障模式与无量纲因子间的对应关系，其故障模式与无量纲因子的关联分析结果参见表5。

表5机组传动链典型故障关联分析结果

故障模式与无量纲因子的关联性评价标准为分析无量纲因子对故障模式早期异常的敏感性、对变工况条件的有效性，其中为保证变转速条件下无量纲因子提取的准确性，要保证振动信号具有整周期特性，即对具有整周期特性的无量纲因子必须首先实现振动角域信号的整周期划分。由表5可得，风电机组典型机械故障与无量纲因子均为三维关联模型，下面通过本专利的算法对各故障模型进行分析，实现机组的等级化在线预警。

步骤6，提出基于k邻近度异常检测技术的风电机组典型故障模式等级化在线预警方法，基于k邻近度异常检测技术通过角域序列属性向量与正常训练样本集合间的距离来识别机组的运行状态，如图4所示流程的主要步骤为：

1.对等角度采样信号进行角度序列划分，以每转动一圈的振动信号为序列实现角度序列进行划分，即能保证振动信号的整周期性，又能保证振动信号信息具有完整性。将5号测点的角域信号{x_θ(1),x_θ(2),…,x_θ(n-1),x_θ(n)}划分为{x_θ(11),x_θ(12)…x_θ(1m)；…；x_θ(n1),x_θ(n2)…x_θ(nm)}，将划分后角域振动信号映射成多维特性属性向量{CL_(i),SK_(i),R_(i),F_(i),J_(i)}，表征机组的运行状态；

2.对机组正常运行的长期历史数据进行训练计算，获得准确的机组运行正常样本，其k邻近度异常检测中心点通过公式该向量作为k邻近度异常检测的判断标准，其异常度通过公式(9)计算：

$D=\underset{i=1}{\overset{m}{\Σ}}\sqrt{{\left(\right\{x_{i1},x_{i2}\mathrm{...}{x}_{in}\}-\{\stackrel{-}{x_{i1}},\stackrel{-}{x_{i2}}\mathrm{...}\stackrel{-}{x_{in}}\left\}\right)}^2}---\left(9\right)$

式(9)中i表示关联特征属性的类别，即共m类。

异常度D将作为判断机组运行状态是否良好的参考指标，对不同故障模式的大量故障数据进行不同关联属性集合的训练，通过试验台模拟手段，对渐变性故障的不同故障程度进行模拟，通过式(9)训练各故障程度下的异常边界值为

$B\left(j\right)=\sqrt{{\left(\right\{{\mathrm{CL}}_{\left(i\right)\max },{\mathrm{SK}}_{\left(i\right)\max },R_{\left(i\right)\max },F_{\left(i\right)\max }{J}_{\left(i\right)\max }\}-\{\stackrel{-}{{\mathrm{CL}}_{\left(i\right)}},\stackrel{-}{{\mathrm{SK}}_{\left(i\right)}},\stackrel{-}{R_{\left(i\right)}},\stackrel{-}{F_{\left(i\right)}},\stackrel{-}{J_{\left(i\right)}}\left\}\right)}^2}---\left(10\right)$

式(10)中j表示故障模式不同的发展程度，其对应不同的故障预警等级，至此已经实现k邻近度异常检测判断参照和异常度识别边界的制定。

3.构建机组典型故障预警指标，通过计算异常边界外特征属性点占总属性点的百分比来衡量该机组的故障运行程度，实现等级化预警机制的建立，该预警指标称为风电机组故障异常程度预警指标，计算公式为

$BF=\frac{A_i}{Z}---\left(11\right)$

其中式(11)中A _i 表示某故障模式i故障等级下故障边界值外的异常数据点的个数，Z表示异常检测总数据点数，即通过异常边界外的点占总点数的百分比来进行机组故障的预警，对于等级化预警标准可设置多层次百分比分别代表故障的不同严重等级。

针对齿轮点蚀、磨损，轴承点蚀、磨损等渐变性故障，本专利通过对上述渐变性故障进行模拟试验确定不同故障程度下的异常识别标准边界值，建立渐变性故障的等级化预警方案；而对于齿轮断齿、联轴器不对中这些非渐变性故障，本专利对其轻微故障进行模拟，实现非等级化预警方案的建立，风电机组传动链波动工况在线预警整体流程如图5所示。

Claims (1)

1.一种波动工况下的风电机组在线预警方法，在线预警包括如下步骤：

(1)针对一行星轮系+两平行轴或两行星轮系+一平行轴结构类型的风电机组和其部件制造特点，选取合适的振动测点布置位置和传感器类型，制定出风电机组振动监测方案；

(2)根据阶比跟踪技术，提出风电机组阶比重采样技术对风电机组传动链各振动测点的监测数据进行信号重构，将非线性、非平稳性的时域信号转化为具有平稳性的角域信号，避免了使用硬件方式实现等角度采样的昂贵成本；

(3)构建无量纲幅域参数峭度、峭度指标、波形裕度、峰值指标、跳跃性因子及尖峰能量值这些故障特征提取因子，通过故障特征提取因子的趋势变化来反映风电机组的运行状态，较早的挖掘机组的早期异常征兆；

(4)通过风电机组传动链典型机械故障模式的故障机理和动力学方程分析，通过风电机组故障模拟试验台仿真模拟机组故障的形式，建立机组传动链典型机械故障模式与故障特征提取因子的关联性，寻找出对各种早期故障较为敏感的特征因子集；

(5)提出融合多元故障特征因子的风电机组早期故障搜索方法，对各故障模式预警模型的关联指标集进行多维数据异常搜索，通过多维数据靶射原理建立风电机组传动链典型机械故障的等级化预警；根据风电机组传动链典型故障模式，挖掘机组的早期异常征兆并构建齿轮磨损、齿轮点蚀、轴承表面损伤、联轴器不对中与振动监测二次故障特征提取因子的关联模型；其次，利用k邻近度异常检测技术，将风电机组传统的单一参数阈值预警方案转化为利用多维特征属性建立的较为有效、准确的风电机组预警机制，实现了风电机组传动链典型渐变性故障模式的等级化预警以及突变性故障的预知性预警。