CN103926075B - 一种提高风电机组齿轮箱故障分析精度的方法 - Google Patents

Abstract

本发明提供一种提高风电机组齿轮箱故障分析精度的方法，包括步骤：A、对振动传感器所采集的风电机组齿轮箱的振动信号进行有效信号的筛选；B、降低发电功率对于振动信号的影响；C、采用包络频谱法，依据振动信号对风电机组齿轮箱进行故障分析。由上，通过对风电机组齿轮箱振动信号进行归一化处理，降低了发电功率对监控信号的影响，提高了故障判断的准确率。

Description

一种提高风电机组齿轮箱故障分析精度的方法

技术领域

本发明涉及风力发电机组在线监控技术领域，特别涉及一种提高风电机组齿轮箱故障分析精度的方法。

背景技术

风电机组齿轮箱负责将风轮叶片的低转速转换为发电机所需要的高转速，实现能量与扭矩的高效传输。因此，齿轮箱是风电机组中最重要的传动部件。风电齿轮箱具有质量大、重心高等特点，随着风电机组装机容量的不断增大，轮毂高度逐渐增加，齿轮箱受力变得复杂化。一般风电机组都安装在高山、荒野、海滩、海岛等风口处，受无规律的变向变负荷的风力作用以及强阵风的冲击，常年经受酷暑严寒和极端温差的影响，加之所处自然环境交通不便，齿轮箱安装在塔顶的狭小空间内，一旦出现故障，修复非常困难。

目前风场对风机的维护策略主要包括以下三种：事后维护、定期维护以及状态维护。

事后维护是在故障发生之后进行停机维护，此种维护方法导致风机的停机时间长，不利于生产的管理，甚至造成额外的经济损失。

定期维护是按照固定的计划对风机进行停机检修，该种维护方式需停机，从而造成固定的经济损失，不必要的维护也可能加剧风机损伤，甚至造成二次损伤。

目前较常用的维护方式是状态维护，通过在线监测系统连续监控风电机组的状态，通过包络解调分析算法从信号中提取调制信息，分析其强度和频次就可以判断零件损伤的程度和部位。上述方法可以对风电机组的故障发展趋势和残余寿命进行预测，为合理安排维护时间和维护方式提供可靠的依据，进而提高风电机组的利用率和经济效益。

但由于风速的不稳定性，导致风电机组齿轮箱的转速以及风电机组的发电功率不断变化，进而致使齿轮箱载荷随之改变。目前对风电机组齿轮箱的在线故障诊断主要依据振动监测、温度监测等手段，在包络解调分析算法中对特征值求取的过程中并未考虑发电功率的影响，导致求取的故障特征值不确定性较大，不利于形成统一的故障评判指标。图6和图8所示分别为无故障状态和有故障状态时，包络转频受发电功率影响的示意图，通过对比可知，由于包络转频随发电功率的增加而增大，因此图6和图8所反应的特征值并不明显。

发明内容

本申请提供一种提高风电机组齿轮箱故障分析精度的方法，通过对风电机组齿轮箱振动信号的处理，降低了发电功率对振动信号的影响，提高了故障判断的准确率。

所述提高风电机组齿轮箱故障分析精度的方法包括步骤：

A、对振动传感器所采集的风电机组齿轮箱的振动信号进行有效信号的筛选；

B、降低发电功率对于振动信号的影响；

C、采用包络频谱法，依据振动信号对风电机组齿轮箱进行故障分析。

由上，通过对风电机组齿轮箱振动信号进行归一化处理，降低了发电功率对监控信号的影响，提高了故障判断的准确率。

可选的，所述步骤A中的优化步骤包括：预设振动信号的幅值范围以及偏置范围，将幅值和偏置超出所述范围的振动信号滤除。

由上，将极端天气所对应的幅值和偏置超出所述范围的振动信号滤除，以提高数据的精度。

可选的，所述步骤A中的优化步骤还包括：将发电功率未达到标准时所采集的振动信号滤除。

由上，发电功率未达到标准时说明风力不够，因此在上述时间所采集的振动信号对风电机组齿轮箱故障参考意义不大，且增加错误率，将其滤除以提高数据的精度。

可选的，所述步骤B中降低电功率对于振动信号的影响包括步骤：

B1：对振动信号进行希尔伯特变换，得出解析信号及解析信号的包络信号；

B2：对包络信号的1-范数进行归一化处理，以降低发电功率的影响。

由上，通过归一化去除由于功率增加而导致的解析信号包络增加。

可选的，所述振动信号为x(n)；

希尔伯特变换的单位脉冲响应为：

希尔伯特变换为： $\hat{x}\left(n\right)=x\left(n\right)*h\left(n\right)=\frac{2}{\mathrm{\π}}\underset{m=-\mathrm{\∞}}{\overset{+\mathrm{\∞}}{\Σ}}\frac{x(n-2m-1)}{(2m+1)};$

振动信号的解析信号为：

解析信号包络为： $A\left(n\right)=\sqrt{x^2\left(n\right)+{\hat{x}}^2\left(n\right)};$

包络信号的1-范数为X_a＝∑|A_(i)|；

归一化算法为

式中n表示解析信号幅值离散点的个数、m表示卷积因数、j表示解析信号的虚部、A_(i)表示第i个离散点解析信号的包络值。

附图说明

图1为本发明的流程图；

图2为转频与发电功率的关系示意图；

图3为转频与转速的关系示意图；

图4为解析信号幅值的1-范数值与发电功率的关系示意图；

图5为解析信号幅值的1-范数值与转速的关系示意图

图6为无故障，未经处理的包络转频与发电功率的关系示意图；

图7为无故障，处理后的包络转频与发电功率的关系示意图；

图8为有故障，未经处理的包络转频与发电功率的关系示意图；

图9为有故障，处理后的包络转频与发电功率的关系示意图；

图10为发电功率167.1Kw、转速1206rpm，未经处理的包络谱图；

图11为发电功率167.1Kw、转速1206rpm，处理后的包络谱图；

图12为发电功率649.7Kw、转速1618rpm，未经处理的包络谱图；

图13为发电功率649.7Kw、转速1618rpm，处理后的包络谱图。

具体实施方式

本发明提供一种提高风电机组齿轮箱故障分析精度的方法，克服了以往直接使用原始采集信号进行处理，而不考虑发电功率影响的缺陷，通过对风电机组齿轮箱监控信号的处理，降低采集信号在不同发电功率下的差异性，降低了发电功率对故障特征值的影响，提高了故障判断的准确率，为风电机组的可靠性提供更可靠的依据。

如图1所示，提高风电机组齿轮箱故障分析精度的方法包括：

步骤10：对振动传感器所采集的风电机组齿轮箱的振动信号进行优化处理。

所述振动传感器设置于风电机组齿轮箱高速轴表面处，用于采集高速端垂直方向的振动信号。由于振动传感器所采集的振动信号为连续的模拟信号，即连续时间信号，为了对其进行分析处理，首先要将振动传感器输出连续的模拟量时间序列变换成离散的时间序列。

预设采集信号的幅值范围以及偏置范围，对所采集的振动信号进行时域分析，当所采集振动信号的幅值范围和偏置范围在预设范围以外时，将该采集信号滤除。

另外，由于振动传感器采用周期性工作模式，因此存在当振动传感器工作时，出现无风或风速较小的情况。依据风速与发电功率的函数关系，当发电功率P未达到标准发电功率P_标准时，将振动传感器在该对应时间所采集的信号滤除。

步骤20：对优化后信号进行解析，求取采集信号的包络信号，并去除发电功率对包络信号的影响。

本步骤中，将步骤10中已进行优化的由振动传感器所采集的振动信号变换到复数域，从而得到解析信号，并求取采集信号的包络信号，分析并确认发电功率对包络信号的影响，从而消除上述影响。

具体的，步骤20包括：

步骤201：分析并确定发电功率与振动信号的影响。

由于齿轮箱在正常工作时，其自身同样产生振动，称该振动为正常振动。齿轮箱的正常振动与转矩(T)为正比关系，而转矩(T)又受发电功率(P)与转速(n)变化的影响，即。依据上述函数关系以及实验数据统计计算，如图2所示，当发电功率增大时，转频值随之增大，转矩与发电功率存在正比关系；而由于转速存在有加速运动趋势和减速运动趋势，因此存在当转速增加但呈减速运动趋势时，转矩并未增加，其实验结果如图3所示，由此得出转矩与转速之间为非线性关系。

经过上述分析确认，当发电功率增长时，转矩增加，进而导致齿轮箱的振动烈度增强，由此振动传感器所采集的振动信号增强。由于对所采集的振动信号进行了希尔伯特变换，求取该采集信号的包络信号，该包络信号可反应出所采集的振动信号的特征，因此推导出，包络信号与发电功率存在正比关系。

步骤202：对优化后信号进行解析，得到解析信号的包络信号，并确认发电功率对于包络信号的影响。

当齿轮箱内部轴承存在损伤时，在受载过程中将产生突变的衰减冲击脉冲力，从而激起轴承的高频固有振动。此高频固有振动作为轴承振动的载波，其幅值将受到这些缺陷引起的脉冲调制，从而使轴承的最终振动波形表现为复杂的幅值调制波。由于这种调制波的调制频率为与缺陷相对应的频率。因此调制波的频率成分中含有与缺陷对应的故障频率。通过包络解调能将轴承的故障信息从复杂的振动信号中分离。

本实施例中，对优化后的信号进行希尔伯特(Hilbert)变换，从而获得解析信号。希尔伯特变换的原理是将原信号产生90°的相移，从而与原采集信号构成解析信号。具体的，设原信号离散时间序列为x(n)，其希尔伯特变换为希尔伯特变换的单位脉冲响应为h(n)，

即希尔伯特变换为：

$\hat{x}\left(n\right)=x\left(n\right)*h\left(n\right)=\frac{2}{\mathrm{\π}}\underset{m=-\mathrm{\∞}}{\overset{+\mathrm{\∞}}{\Σ}}\frac{x(n-2m-1)}{(2m+1)},$ m表示卷积因数。

x(n)的解析信号z(n)为：

j表示解析信号的虚部。

解析信号z(n)的幅值A(n)可以表示为：

$A\left(n\right)=\sqrt{x^2\left(n\right)+{\hat{x}}^2\left(n\right)}.$

其中，n为解析信号幅值离散点的个数。确认幅值A(n)后，对上述幅值A(n)进行去偏置处理，幅值A(n)即为离散时间序列x(n)的包络信号。

计算包络信号的1-范数，即X_a＝∑|A_(i)|，A_(i)表示第i个离散点解析信号的包络值。如图4所示，依据规律统计算法确认并验证结论，解析信号幅值的1-范数与发电功率存在正比关系。如图5所示，解析信号幅值的1-范数并非随转速的增大而增大，与转速之间为非线性关系。

步骤203：消除发电功率对于包络信号的影响。

对1-范数进行归一化处理，即通过对1-范数归一化处理，去除了包络信号随功率变化的趋势。图7和图9所示分别为无故障和有故障时，归一化处理后包络转频随功率的变化。显然，通过归一化处理消除了发电功率对于包络信号的影响。通过将图9与图7进行对比，可明显判断出齿轮箱存在故障。

步骤30：对包络信号进行频谱分析，确定故障。

确定齿轮箱存在故障后，对包络信号进行快速傅里叶变换(FFT)，求出包络谱图，得到调制频率及其高次谐波，并可得到相位调制函数。确定故障的具体步骤与现有技术相同，故不再赘述。图10和图12为同一风电机组齿轮箱在不同工况下的振动信号的包络谱图，上述包络谱图未经过步骤20处理。其中，图10所示工况为：转速1206rpm，发电功率167.1Kw；图12所示工况为转速1618rpm，发电功率649.7Kw。而图11和图13分别为图10和图12经过步骤20归一化处理后的包络谱图。通过对比显然可以确认，经过归一化后包络谱的幅值接近。将包络幅值归一化到同一幅值水平范围。由于对齿轮箱故障的判断依赖于频率幅值，去除由于发电功率对幅值的影响后，提高了故障特征值提取的精度，为故障诊断和寿命评估提供更加可靠的数据支持。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，总之凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种提高风电机组齿轮箱故障分析精度的方法，其特征在于，包括步骤：

A、对振动传感器所采集的风电机组齿轮箱的振动信号进行有效信号的筛选；

B、降低发电功率对于振动信号的影响；

C、采用包络频谱法，依据振动信号对风电机组齿轮箱进行故障分析；

所述步骤B中降低发电功率对于振动信号的影响包括步骤：

B1：对振动信号进行希尔伯特变换，得出解析信号及解析信号的包络信号；

B2：对包络信号的1-范数进行归一化处理，以降低发电功率的影响。

2.根据权利要求1所述的方法，其特征在于，所述步骤A中的优化步骤包括：预设振动信号的幅值范围以及偏置范围，将幅值和偏置超出所述范围的振动信号滤除。

3.根据权利要求2所述的方法，其特征在于，所述步骤A中的优化步骤还包括：将发电功率未达到标准时所采集的振动信号滤除。

4.根据权利要求1所述的方法，其特征在于，

所述振动信号为x(n)；

希尔伯特变换的单位脉冲响应为：

希尔伯特变换为：

振动信号的解析信号为：

解析信号包络为：

包络信号的1-范数为X_a＝∑|A_(i)|；

归一化算法为