CN103994199B - 基于状态监测的齿轮箱维护时间确定方法 - Google Patents

Abstract

本发明提供一种基于状态监测的齿轮箱维护时间确定方法，包括步骤：A、确定已发生故障的部件以及故障程度；B、确定故障发展趋势；C、确定已发生故障部件对其相邻部件的影响；D、依据所述故障发展趋势和所述影响确定维护时间。由上，通过在线监控齿轮箱的工作状态，确定齿轮箱所出现故障的部件位置、故障程度以及趋势，并确定出现故障的部件对其相邻部件的价值的影响，从而最终推算出最佳维护时间。

Description

基于状态监测的齿轮箱维护时间确定方法

技术领域

本发明涉及电机组维护技术领域，特别涉及一种基于状态监测的齿轮箱维护时间确定方法。

背景技术

随着双馈式风电机组(DFIG)运行时间的增长，作为重要传动部件的增速齿轮箱的疲劳损伤故障和摩擦损伤故障率逐年增加，因此对齿轮箱的维护量不断增加。目前风场对齿轮箱的维护策略主要有事后维护、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，由此将导致风机的意外停机时间长，不利于生产的管理，造成额外的经济损失，但能够充分的利用部件的价值。

定期维护是按照固定的计划对风机进行停机检修，该种维护方式需停止发电造成固定的经济损失，不必要的维护可能造成二次损伤，过早的更换部件造成了剩余价值的浪费。

基于状态的维护方式是通过在线监测系统连续监控齿轮箱的状态，通过相应算法来得到部件的故障程度剩余价值，进而能够合理的安排维护方式，提高风电机组的经济效益。

目前，齿轮箱的主要的状态监测方式有：振动检测、油液监测和温度检测，其中振动检测是主要的诊断手段。不同的故障形式会产生不同的振动信号，进而通过振动信号分析可以得到故障的类型及其故障程度。油液监测主要用来分析润滑油的成分以及油中的固体颗粒的个数及其组成成分。润滑油的成分体现了油润滑的可靠性，而固体颗粒的个数及组成成分体现了齿轮箱的磨损情况及其磨损部件。温度监测主要用来监测齿轮箱的摩擦情况，是齿轮箱故障的综合体现。通过对齿轮箱的状态的综合监测得到了齿轮箱的运行状况，进而为风电场制定维护方案提供了依据。工业生产以经济效益为导向，基于状态监测的维护方案并不能使经济效益达到最佳；齿轮箱材质的不断更新以及先进制造工艺的发展，导致新的齿轮箱故障率降低，功率的传动效率提高，提高了发电量。因此，在状态监测的基础上提出了以经济效益为主要指标的可靠性维护策略。

发明内容

本申请提供一种基于状态监测的齿轮箱维护时间确定方法，通过在线监控齿轮箱的工作状态，确定齿轮箱所出现故障的部件位置、故障程度以及趋势，并确定出现故障的部件对其相邻部件的价值的影响，从而最终推算出最佳维护时间。

本发明所提供的基于状态监测的齿轮箱维护时间确定方法包括步骤：

A、确定已发生故障的部件以及故障程度；

B、确定故障发展趋势；

C、确定已发生故障部件对其相邻部件的影响；

D、依据所述故障发展趋势和所述影响确定维护时间。

由上，通过在线监控齿轮箱的工作状态，确定齿轮箱所出现故障的部件位置、故障程度以及趋势，并确定出现故障的部件对其相邻部件的价值的影响，从而最终推算出最佳维护时间。

可选的，所述步骤A中，根据齿轮箱的振动信号对应的包络信号确定出发生故障的部件。

可选的，所述步骤B中，采用以下方法确定故障发展趋势：灰色理论模型、神经网络、粒子滤波或卡尔曼滤波。

可选的，所述步骤C中，依据互相关程度确定已发生故障部件对其相邻部件的影响。

由上，不但依据故障部件对于齿轮箱的影响，而通过已发生故障部件对其相邻部件的影响，从而准确分析出齿轮箱整体故障状态，对推算出最佳维护时间提高更加全面的数据支持。

可选的，所述确定方法包括步骤：

已发生故障部件的权重为1；

分别依据各相邻部件采样数据与故障部件采样数据的相关程度，计算已发生故障部件对其他部件的影响。

可选的，所述相关程度 $\mathrm{\α}=\frac{{\mathrm{\Σ}}_{i=1}^N(F_{\mathrm{ij}}\_S-\stackrel{\‾}{F_{\mathrm{ij}}\_S})({\mathrm{\θ}}_{\mathrm{ijh}}\_S-\stackrel{\‾}{{\mathrm{\θ}}_{\mathrm{ijh}}\_S})}{\sqrt{{\mathrm{\Σ}}_{i=1}^N{(F_{\mathrm{ij}}\_S-\stackrel{\‾}{F_{\mathrm{ij}}\_S})}^2}\sqrt{{\mathrm{\Σ}}_{i=1}^N{({\mathrm{\θ}}_{\mathrm{ijh}}\_S-\stackrel{\‾}{{\mathrm{\θ}}_{\mathrm{ijh}}\_S})}^2}},$ 式中F_ij_S表示i部件在故障等级为j时所对应采集的数据，θ_ijh_S表示i部件在故障等级为j时，其相邻h部件所对应采集的数据，和表示所述各采样数据的平均值。

由上，通过已发生故障部件对其相邻部件的影响，从而准确分析出齿轮箱整体故障状态。

可选的，所述步骤D中，包括步骤：

依据故障发展趋势确定故障部件的价值下降程度以及维护该故障部件所需要的费用；

依据已发生故障部件对其他部件的影响确定齿轮箱整体的价值下降程度；

依据已发生故障部件对其他相邻部件的影响确定发电效率，进而确定因故障而浪费的电量价值；

当所述维护故障部件所需要的费用等于齿轮箱因故障而浪费的电量价值时，和/或故障部件的价值下降程度等于齿轮箱整体的价值下降程度时所对应时间为齿轮箱维护时间。

可选的，所述故障部件的价值下降程度为式中表示t时间后i部件的故障等级为j，σ表示剩余价值系数；

维护故障部件所需要的费用为式中表示t时间后i部件的故障等级为j，ρ表示维护费用系数；

齿轮箱整体的价值下降程度为式中表示t时间后i部件处于j故障等级为时，对其相邻h部件的影响，σ表示剩余价值系数；

齿轮箱因故障而浪费的电量价值式中k为电价,为无故障时每小时平均发电量,表示故障状态下t时间后的发电效率。

由上，依据故障部件的价值下降程度、维护该故障部件所需要的费用、齿轮箱整体的价值下降程度以及因故障而浪费的电量价值等衡量出齿轮箱的剩余价值，进而确定在其剩余价值为0前进行维护，从而将齿轮箱的性价比优势最大化。

可选的，结合未来天气预报，确定齿轮箱维护时间。

由上，结合未来天气预报，确定选择在剩余价值为0时所对应的时间之前，且晴朗微风的日期，对齿轮箱进行维护。一方面对于维护人员的安全提供保障，另一方面最大限度的利用了齿轮箱的价值。

附图说明

图1为基于状态监测的齿轮箱维护时间确定方法的流程图。

具体实施方式

本发明涉及一种基于状态监测的齿轮箱维护时间确定方法，通过在线监控齿轮箱的工作状态，确定齿轮箱所出现故障的部件位置、故障程度以及趋势。进一步的，针对上述结论，确定出现故障的部件对其相邻部件的价值的影响，从而最终推算出齿轮箱的剩余价值以及确定最终的维护方案。

具体的，参照附图1所示流程图，基于状态监测的齿轮箱维护时间确定方法包括步骤：

S10：确定故障类型以及故障程度。

齿轮箱中传感器分别采集齿轮箱的振动信号，例如振动幅值；油液信号，例如磨损颗粒增长率；和温度信号，例如轴承温度以及齿轮箱油温度。采用希尔伯特(Hilbert)变换对所采集的齿轮箱轴承部位振动信号进行解析，求取解析信号的包络信号，对包络信号进行快速傅里叶变换(FFT)，以求出包络谱图。通过对包络谱图的分析即可确定发生故障的部件。例如当轴承内圈部位存在故障时，在包络谱图上5～6倍转频频率处会出现较大幅值；当轴承外圈部位存在故障时，在包络谱图上3～4倍转频频率处会出现较大幅值。上述确定故障部件的具体步骤与现有技术相同，故不再赘述。

其中，风电机组齿轮箱的故障常见于轴承内圈、轴承外圈、轴承滚动体以及轴承保持架四部分，四部分又分别对应多齿轮、多个轴承以及多个轴，因此，将不同故障发生的部件定义为S_i，则i∈[1,2,…N]，而不同部件所对应的故障程度表示为F_ij，例如将故障等级划分为5级，分别为无故障、轻微故障、一般故障、严重故障、损坏，则j∈[1,2,…5]。上述确定故障类型以及故障程度的具体步骤与现有技术相同，不再赘述。

S20：确定齿轮箱故障趋势。

本实施例中，采用灰色理论模型确定故障趋势。具体来说，将GM(1,1)模型作为一种方便的灰色模型，它是由一个只包含单变量的一阶灰微分方程构成的模型。例如，将振动传感器所采集的信号作为故障预测的原始序列x⁽⁰⁾(t)，设上述原始序列为x⁽⁰⁾＝{x⁽⁰⁾(1)，x⁽⁰⁾(2),…,x⁽⁰⁾(n)}。

首先，对上述原始序列x⁽⁰⁾进行累加生成的数列x⁽¹⁾，x⁽¹⁾＝{x⁽¹⁾(1)，x⁽¹⁾(2),…,x⁽¹⁾(n)}，式中， $x^{\left(1\right)}\left(k\right)=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(m\right).$

z⁽¹⁾为x⁽¹⁾的均值生成序列，其中，z⁽¹⁾(k)＝0.5x⁽¹⁾(k)-0.5x⁽¹⁾(k-1)，k∈[2,3,…N]；GM(1,1)模型建立为：其中a为发展系数，b为灰色作用量，

其次，将上述模型离散化，即 $x^{\left(1\right)}\left(t\right)=(x^{\left(1\right)}\left(1\right)-\frac{b}{a})e^{-\mathrm{at}}+\frac{b}{a},$ 参数a和b按照最小二乘法求解，即 $\hat{a}={[a,b]}^T={\left(B^{T}B\right)}^{-1}{B}^{T}Y;$

$B=\left(\begin{array}{ccc}{-Z}^{\left(1\right)}\left(2\right)& & 1\\ .& .& \\ .& .& \\ .& .& \\ {-Z}^{\left(1\right)}\left(n\right)& & 1\end{array}\right);$ $Y=\left(\begin{array}{ccc}{x}^{\left(0\right)}& & \left(2\right)\\ x^{\left(0\right)}& & \left(3\right)\\ & .& \\ & .& \\ & .& \\ x^{\left(0\right)}& & \left(n\right)\end{array}\right).$

进一步的，确定时间响应模型： ${\hat{x}}^{\left(1\right)}(k+1)=[x^{\left(1\right)}\left(0\right)-\frac{b}{a}]e^{-\mathrm{at}}+\frac{b}{a},k$ $\∈[\mathrm{1,2},...N],$ 将k值带入时间响应模型，计算预测累加值

最终，将所得预测累加值还原为预测值 ${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right).$

由上便可预测得出故障发展到t时间后，各传感器所检测数据的预期值，并且依据该预期值确定故障变化等级为并且，基于所计算得出的故障变化等级确定维护该故障所需要的费用其中，式中ρ表示维护费用系数，即故障越严重，维护所需费用越多。

另外，除采用本实施例中所给出的灰色理论模型确定故障趋势进行故障预测，实际应用中，还可基于神经网络、粒子滤波或卡尔曼滤波等方法进行故障预测，因与现有技术相同，故不再赘述。

确定故障趋势后，进一步的，判断该故障对于其他部件的影响。本实施例中，依据历史数据，采用互相关算法确定影响。例如轴承内圈主轴出现轻微故障时，其采集数据对应为F_ij_S；其相邻部件的影响程度为θ_ijh，其采集数据对应为θ_ijh_S，θ_ijh表示故障部件i在故障程度为F_ij时，对部件i的相邻部件h的影响。采用相关性分析算法，则部件i的相邻部件h，与部件i的相关程度表示为：

$\mathrm{\α}=\frac{{\mathrm{\Σ}}_{i=1}^N(F_{\mathrm{ij}}\_S-\stackrel{\‾}{F_{\mathrm{ij}}\_S})({\mathrm{\θ}}_{\mathrm{ijh}}\_S-\stackrel{\‾}{{\mathrm{\θ}}_{\mathrm{ijh}}\_S})}{\sqrt{{\mathrm{\Σ}}_{i=1}^N{(F_{\mathrm{ij}}\_S-\stackrel{\‾}{F_{\mathrm{ij}}\_S})}^2}\sqrt{{\mathrm{\Σ}}_{i=1}^N{({\mathrm{\θ}}_{\mathrm{ijh}}\_S-\stackrel{\‾}{{\mathrm{\θ}}_{\mathrm{ijh}}\_S})}^2}},$ 式中F_ij_S表示故障部件的采用数据、θ_ijh_S表示相邻部件的采样数据，和表示各采样数据的平均值。

进一步的，根据相邻部件故障的相互影响关系模型θ_ijh＝α(F_ij)，计算t时刻后相邻部件的故障发展趋势同样的，采用灰色理论模型或神经网络、粒子滤波或卡尔曼滤波等方法计算各相邻部件的下降程度，并确定齿轮箱整体故障发展趋势

S30：确定齿轮箱价值的下降程度。

依据S20中所确定各部件以及齿轮箱整体故障发展趋势，确定故障部件以及齿轮箱的剩余价值，具体的，剩余价值与故障发展趋势成线性反比，即故障发展趋势越快，剩余价值越低。具体的，t时间后部件价值的下降程度为而齿轮箱整体价值的下降程度为 上述式中σ表示剩余价值系数。

进一步的，利用统计学原理，统计不同部件(i)在不同故障程度(F_ij)下的发电效率为不难理解，采用上述步骤S20中确定的故障趋势便可得出t时间后的发电效率

基于t时间后的发电效率便可对应得到t时间后因故障浪费的电量价值式中k为电价,为齿轮箱无故障时每小时的平均发电量。

步骤S40：确定最佳维护时间。

上述维护各故障所需费用总量故障发展t时间后出现故障部件的价值下降程度为故障发展t时间后齿轮箱的价值下降程度为t时间后齿轮箱因故障浪费的电量价值为

进一步的，当时，即表示齿轮箱的剩余价值为0时，所对应的时间t即为维护齿轮箱的最晚时刻，当继续使用时将会造成重大事故或风机不能产生利润。

结合未来天气预报，确定选择在剩余价值为0时所对应的时间之前，且晴朗微风的日期，对齿轮箱进行维护。一方面对于维护人员的安全提供保障，另一方面最大限度的利用了齿轮箱的价值。

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 (8)

1.一种基于状态监测的齿轮箱维护时间确定方法，其特征在于，包括步骤：

A、确定已发生故障的部件以及故障程度；

B、确定故障发展趋势；

C、确定已发生故障部件对其相邻部件的影响；

D、依据所述故障发展趋势和所述影响确定维护时间；

所述步骤D中，包括步骤：

依据故障发展趋势确定故障部件的价值下降程度以及维护该故障部件所需要的费用；

依据已发生故障部件对其他部件的影响确定齿轮箱整体的价值下降程度；

依据已发生故障部件对其他相邻部件的影响确定发电效率，进而确定因故障而浪费的电量价值；

当所述维护故障部件所需要的费用等于齿轮箱因故障而浪费的电量价值时，和/或故障部件的价值下降程度等于齿轮箱整体的价值下降程度时所对应时间为齿轮箱维护时间。

2.根据权利要求1所述的方法，其特征在于，所述步骤A中，根据齿轮箱的振动信号对应的包络信号确定出发生故障的部件。

3.根据权利要求1所述的方法，其特征在于，所述步骤B中，采用以下方法确定故障发展趋势：灰色理论模型、神经网络、粒子滤波或卡尔曼滤波。

4.根据权利要求1所述的方法，其特征在于，所述步骤C中，依据互相关程度确定已发生故障部件对其相邻部件的影响。

5.根据权利要求4所述的方法，其特征在于，所述确定方法包括步骤：

已发生故障部件的权重为1；

分别依据各相邻部件采样数据与故障部件采样数据的相关程度，计算已发生故障部件对其他部件的影响。

6.根据权利要求5所述的方法，其特征在于，所述相关程度 $\mathrm{\α}=\frac{{\mathrm{\Σ}}_{i=1}^N(F_{ij}\_S-\stackrel{\‾}{F_{ij}\_S})({\mathrm{\θ}}_{ijh}\_S-\stackrel{\‾}{{\mathrm{\θ}}_{ijh}\_S})}{\sqrt{{\mathrm{\Σ}}_{i=1}^N{(F_{ij}\_S-\stackrel{\‾}{F_{ij}\_S})}^2}\sqrt{{\mathrm{\Σ}}_{i=1}^N{({\mathrm{\θ}}_{ijh}\_S-\stackrel{\‾}{{\mathrm{\θ}}_{ijh}\_S})}^2}},$ 式中F_ij_S表示i部件在故障等级为j时所对应采集的数据，θ_ijh_S表示i部件在故障等级为j时，其相邻h部件所对应采集的数据，表示i部件在故障等级为j时所对应采集的数据的平均值，表示i部件在故障等级为j时，其相邻h部件所对应采集数据的平均值。

7.根据权利要求1所述的方法，其特征在于，所述故障部件的价值下降程度为 $\underset{i=1}{\overset{N}{\Σ}}{V}_{ij}^t=\underset{i=1}{\overset{N}{\Σ}}{\mathrm{\σT}}_{ij}^t,$ 式中表示t时间后i部件的故障等级为j，σ表示剩余价值系数；

维护故障部件所需要的费用为式中表示t时间后i部件的故障等级为j，ρ表示维护费用系数；

齿轮箱整体的价值下降程度为式中表示t时间后i部件处于j故障等级为时，对其相邻h部件的影响，σ表示剩余价值系数；

齿轮箱因故障而浪费的电量价值式中k为电价,为无故障时每小时平均发电量,表示故障状态下t时间后的发电效率。

8.根据权利要求1所述的方法，其特征在于，结合未来天气预报，确定齿轮箱维护时间。