CN104792520A - 风力发电机组齿轮箱故障诊断方法 - Google Patents

Abstract

本发明考虑风力发电机组齿轮箱振动信号的非平稳特征、故障程度识别与故障部位诊断等重要因素，提出了一种基于LMD(Local mean decomposition，局部均值分解)和优化K均值聚类算法的风力发电机组齿轮箱故障诊断方法，该方法首先采集风力发电机组齿轮箱各测点的原始振动加速度信号，然后采用LMD方法将原始振动加速度信号分解为若干个PF(Product function，简称PF)分量，再以相关系数最大为原则选取PF分量进行信号重构，并对重构后的信号进行Hilbert包络解调分析，以便进一步提取故障特征量，最后应用优化K均值聚类算法进行故障部位和故障程度分类。

Description

风力发电机组齿轮箱故障诊断方法

技术领域

本发明属于风电技术领域，具体涉及一种风力发电机组齿轮箱的故障诊断方法，该故障诊断方法基于LMD和优化K均值聚类算法。

背景技术

风能作为一种可再生、无污染的新型绿色能源，已被国内外广泛认为是一种具有巨大开发和利用前景的新型能源利用方式。在目前国际上能源短缺日益严重的情况下，大力发展风电技术是解决能源短缺和环境污染问题的有效途径和必然趋势之一。2013年，中国(不包括台湾地区)，新增装机容量16088.7MW，同比增长24.1％；累计装机容量91412.89MW，同比增长21.4％。新增装机和累计装机两项数据均居世界第一。

近年来，在风力发电快速发展的同时，风力发电机组安全、稳定运行逐渐引起了国内外的高度重视。目前，风力发电机组主要包括三种类型：双馈型风力发电机组，直驱型风力发电机组和半直驱型风力发电机。双馈型风力发电机组依靠齿轮箱来实现增速，其生产技术较成熟，该种风力发电机是目前的主流机型。直驱机型是没有齿轮箱的，它避免了由于齿轮箱而造成的高故障率和维修成本的下降，但直驱机型也有其不可避免的缺点：永磁发电机型所需的稀土资源少、直驱机组的电机重量大造成运输装配十分困难等，ENERCON公司在汉堡的一台6WM机型，吊装耗时长达3个月之久。半直驱风机结合了双馈机型和直驱机型的优势，在满足传动和载荷设计的同时，结构更为紧凑，重量轻。2011年歌美飒推出的最新的G10X-4.5MW风电机，采用两档变速箱加永磁同步发电机；维斯塔斯推出的最新V164-7.0MW风电机的齿轮箱也采用3级增速改为2级增速，电机技术也采用了永磁技术；在国内，金风科技3MW的风电机也采用了半直驱技术，考虑到风电机组大型化的趋势，半直驱的时代可能正在到来。因此，针对双馈机型和半直驱机型的齿轮箱故障进行研究有重要的理论指导价值和工程应用意义。

由于风电机多位于野外，要经受各种恶劣天气、风速风向变化无常所产生的冲击载荷和工况不断变化等因素的影响，根据1997-2005年期间四个风场(瑞典两个风场、芬兰一个风场和德国一个风场)的数据，齿轮箱成为风力发电机组故障率较高的部件之一，由齿轮箱故障所造成的停机时间所占比例最大，约占总停机时间为32％。风力发电机齿轮箱一旦发生故障，其拆装、运输及维修费用高达近100万元，海上风力机的拆装还要动用大型轮船和坦克吊车，甚至直升机，其维修和维护成本更高。因此，对风力发电机组齿轮箱的在线监测和故障诊断必须引起足够的重视，才能进一步减少风电场的维护成本、增加风电场的效率。可见，在风力发电机组中有齿轮箱故障引起的停机时间最长，所以对风力发电机组中的齿轮箱故障进行研究具有重要意义。

在中国，2012年07月11日公开的申请号为102564568A，名称为“大型旋转机械复杂工况下的早期故障搜索方法”的发明公布了一种用于能源、钢铁、煤炭、运输等行业的大型旋转机械设备的早期故障搜索方法，此系统通过对振动时间序列进行预处理、提取故障特征因子、故障征兆匹配等环节实现早期故障危险点的搜索。由于风力发电机组多位于野外，要经受各种恶劣天气、风速风向变化无常所产生的冲击载荷和工况不断变化等因素的影响，采集的振动信号含有很多的背景噪声，因此常规旋转机械故障监测方法在风力发电机组上的应用效果不理想。

发明内容

基于背景技术中所提及的问题，本发明考虑风力发电机组齿轮箱振动信号的非平稳特征、故障程度识别与故障部位诊断等重要因素，提出了一种基于LMD(Local mean decomposition，局部均值分解)和优化K均值聚类算法的风力发电机组齿轮箱故障诊断方法，具体方案如下：

本发明的方法包括以下步骤：

步骤1：采用振动加速度传感器采集原始振动信号，测点包括：齿轮箱输入轴轴承、齿轮箱行星齿轮侧、齿轮箱中间轴侧、齿轮箱高速轴轴承各自的水平和垂直位置；

步骤2：对采集到的原始振动信号按时间标签提取n个样本点，对提取到的原始振动信号x(t)进行LMD方法分解，可得若干个瞬时频率具有物理意义的PF分量，即

$x\left(t\right)=\underset{i=}{\overset{n}{\mathrm{\Σ}}}{\mathrm{PF}}_i+r$

式中，x(t)-原始振动信号时域幅值(m/s2)，PFi-第i个分量，r-残余函数；

LMD方法的本质是将多分量的信号分解为若干个单分量的调制信号，而风力发电机组齿轮箱故障振动信号具有多载波多调制的特征，故LMD方法可提高信噪比，并有效提取故障特征；

步骤3：依次计算n个PF分量与原始振动信号之间的相似系数，选择相似系数最大的PF分量用于信号重构；

步骤4：对重构信号进行Hilbert包络解调分析，并提取故障特征量。

Hilbert包络解调分析可将信号中的调制信息提取出来，即通过分析调制信息的强度和频次即可判断齿轮箱发生故障的部位和损伤程度。当齿轮箱发生故障时，在Hilbert谱图中相应的故障特征频率处会出现谱峰，故障特征频率主要包括：齿轮各轴的转动频率及其谐波、啮合频率及其谐波、滚动轴承内环特征频率及其谐波、外环特征频率及其谐波、滚动体特征频率及其谐波，所以选取能表征故障类型的上述各故障特征频率处的幅值为特征量；

步骤5：对所有样本进行上述步骤1-4的故障特征量提取，并基于数据密度选择初始聚类中心；

步骤6：应用优化K均值聚类算法对所有样本进行分类，即可得每个样本的故障部位和故障程度。

本发明与现有技术相比，其优越性体现在：1、本发明提及到对风力发电机组故障振动信号去除噪声方法，可有效提高信噪比；2、本发明不仅可判断故障点所处的部位，还可对故障程度做出相对的判断，对风力发电机组的按需维修提供依据；3、本发明可对风力发电机组齿轮箱的状态进行有效监测，从而及早发现故障，减少由严重故障造成的停机和更换零部件的时间和费用；4、本发明也适用于其它旋转机械的早期故障诊断。

附图说明

图1为本发明提供的风力发电机组齿轮箱故障诊断方法流程图；

图2为本发明具体实施过程中从实验平台采集的振动加速度信号时域波形图示例，该样本的采样频率为12kHz、故障点位于驱动端内环、故障点直径为0.1778mm、电动机转速为1730rpm；

图3为应用LMD方法对图2所示样本的分解结果；

图4为图2所示样本重构信号的Hilbert包络解调分析频谱图；

图5为本发明具体实施过程中对从实验平台采集的20组样本进行故障部位分为四类时的轮廓图；

图6为本发明具体实施过程中对从实验平台采集的12组同故障部位样本进行故障程度分为三类时的轮廓图；

图7A为本发明具体实施过程中从风电场试验样机正常运行的齿轮箱高速轴侧采集的样本时域波形图；

图7B为本发明具体实施过程中从风电场试验样机齿轮箱高速轴侧采集的第一时期故障样本时域波形图；

图7C为本发明具体实施过程中从风电场试验样机齿轮箱高速轴侧采集的第二时期故障样本时域波形图；

图7D为本发明具体实施过程中从风电场试验样机齿轮箱高速轴侧采集的第三时期故障样本时域波形图；

图8为对图7A所示正常样本进行LMD分解结果；

图9为对图7A所示正常样本的重构信号进行Hilbert包络解调分析结果；

图10为在本发明具体实施过程中从风电场试验样机齿轮箱高速轴侧采集的样本进行优化K均值聚类时的轮廓图。

具体实施方式

如下结合附图，对本申请方案作进一步描述：

首先，通过分析从试验台采集的振动数据来详细说明本发明的具体实施步骤，然后分析从实际风电场试验样机采集的振动数据，从而进一步验证本发明所提出故障诊断方法的有效性和应用价值。

本专利所用试验数据均来自美国Case Western Reserve University电气工程实验室的滚动轴承故障模拟实验台，该实验台包括一个2马力的电动机、一个扭矩传感器和一个功率测试计。待测的轴承位于电动机的两端，驱动端轴承型号为SKF6205，风扇端轴承型号为SKF6203，轴承故障点用电火花加工而成，损伤点的直径分别为0.1778mm、0.3556mm、0.5334mm。其中，轴承外圈的损伤点分别在时钟：3点钟、6点钟、12点钟三个方向，振动数据由布置在电动机外壳上的振动加速度传感器采集得到，采样频率为12kHz，功率和转速通过扭矩传感器/译码器测得。

本发明的具体实施步骤如下所述：

步骤1：上述试验台数据采用振动加速度传感器采集原始振动信号，所采集的数据均存储为*.mat格式(Matlab文件)，如附图2所示是在12kHz为采样频率，故障点位于驱动端内环、故障点直径为0.1778mm、电动机转速为1730rpm的情况下采集到的振动信号故障样本，限于篇幅原因，本发明中用到的其余样本不一一列出；

步骤2：对步骤1中采集到的原始振动信号进行LMD方法分解，

$x\left(t\right)=\underset{i=}{\overset{n}{\mathrm{\Σ}}}{\mathrm{PF}}_i+r$

式中，x(t)-原始振动信号时域幅值(m/s2)；

PFi-第i个分量；

r-残余函数。

以图2所示样本为例，该样本的LMD分解得2个PF分量(PF1，PF2)和残余函数PF3，分解结果如附图3所示；

步骤3：依次计算2个PF分量(PF1，PF2)与原始振动信号之间的相似系数，结果分别为0.5877，0.0222，最大的PF1分量用于信号重构，即x′(t)＝∑PF₁，由附图3可知，PF1的波形具有调幅调频的振动信号故障特征；

步骤4：对重构信号x′(t)进行Hilbert包络解调分析，结果如附图4所示，提取重构信号Hilbert包络解调分析结果中的故障特征量，即滚动轴承的旋转频率及其二倍频、故障特征频率及其二倍频(依次表示为：f_n、2f_n、f_i、2f_i、3f_i、f_o、2f_o、3f_o、f_r、2f_r、3f_r)处的幅值，依次表示为 如附图4中数据点(161.9，2587)，(323.7，1310)和(485.6，1019)的横坐标分别为内环故障特征频率f_i及其二倍频2f_i和三倍频3f_i，所以该样本的故障特征量C＝[2466，713.5，25.87，1310，1019，20.4，5.5，15.7，24.9，64.6，55.2]；

步骤5：首先收集该型号轴承在正常状态和各种故障状态下的样本，并按照上述步骤1-4依次提取所有样本的故障特征量，结果如表1所示，其中，以n开头的样本为正常样本；i开头的样本为内环有点蚀故障的样本；以o开头的样本为外环有点蚀故障的样本；以r开头的样本为滚动体有点蚀故障的样本。基于数据密度选择初始聚类中心：n-097，i-108，o-130，r-3006；

步骤6：应用优化K均值聚类算法对所有样本进行分类，分类结果的轮廓图如附图5所示，图中显示每个样本的轮廓值均在0.2以上，说明将20个样本值分为四类是非常合适的，分类结果为第一类：n-097、n-098、n-099、n-i00；第二类：i-105、i-106、i-107、i-108、i-169、i-170、i-171、i-172、-209、i-210、i-211、i-212；第三类：o-130、o-131、第四类：r-3006、r-3007。由分类结果和样本的表示规律可知，分类结果依据是发生故障的部位，即第一类为正常样本集，第二类为内环发生故障样本集，第三类为外环发生故障样本集，第四类为滚动体发生故障样本集。

应用优化K均值聚类算法对表1中具有内环故障的12个样本(i-105、i-106、i-107、i-108、i-169、i-170、i-171、i-172、i-209、i-210、i-211、i-212)进行二次分类，初始聚类中心为：i-108、i-169、i-209，分类结果的轮廓图如附图6所示，从图中可知，每个样本的轮廓值均在0.2以上，说明将12个样本值分为三类是非常合适的，分类结果为第一类：i-105、i-106、i-107、i-108；第二类：i-169、i-170、i-171、i-172；第三类：i-209、i-210、i-211、i-212，由分类结果可知，分类依据是故障程度，即第一类的四个样本故障点直径为0.1778mm，第二类的四个样本故障点直径为0.3556mm，第三类的四个样本故障点直径为0.5334mm，分类结果与实际故障程度情况完全吻合。

表1.不同故障类型样本特征量

下面按同样的步骤分析从实际风电场试验样机采集的振动数据，从而进一步验证本发明所提出故障诊断方法的有效性和应用价值。

对国内某风电场一台1.5MW vestas V66风力发电机组进行在线监测，齿轮箱高速轴侧出现振动、噪声大的不良状态，按照测点要求布置安装加速度传感器，传感器的采样频率设置为12KHz。

步骤1：采用振动加速度传感器采集风力发电试验样机齿轮箱高速轴侧振动信号，将振动加速度传感器布置在齿轮箱高速轴轴承座附近，以便敏感监测齿轮箱内部振动的变化情况，并减少信号传递途径中的损失。

采集到的振动加速度样本如附图7所示，其中，图7A为正常状态时采集的样本时域波形图；图7B为采集的第一时期故障样本时域波形图，将该样本命名为：样本2010.7；图7C为采集的第二时期样本时域波形图，将该样本命名为：样本2010.11，图7D为采集的第三时期样本时域波形图，将该样本命名为：样本2011.5；

步骤2：对采集到的原始振动信号按时间标签提取4096个样本点，对提取到的原始振动信号x(t)进行LMD方法分解，得

$x\left(t\right)=\underset{i=}{\overset{n}{\mathrm{\Σ}}}{\mathrm{PF}}_i+r$

式中，x(t)-原始振动信号时域幅值(m/s2)；

PFi-第i个分量；

r-残余函数。

以图7A所示样本为例，该样本的LMD分解得1个PF分量(PF1)和残余函数PF2，结果如附图8所示；

步骤3：计算1个PF分量(PF1)与原始振动信号之间的相似系数为0.5207，因为仅有一个PF分量，所以选择PF1分量用于信号重构，即x′(t)＝∑PF₁；

步骤4：对重构信号进行Hilbert包络解调分析，结果如附图9所示，从包络解调频谱图中提取故障特征为C＝[60.03，63.74，32.37，26.05，14.01，32.67，20.43，18.73，25.72，20.88，17.15]。在此指出，该齿轮箱高速端轴承型号为NJ2326E，其内环故障特征频率f_i＝8.3794f_n；外环故障特征频率f_o＝5.6522f_n；滚动体故障特征频率f_r＝4.9802f_n；f_n为齿轮箱高速轴的旋转频率；

步骤5：对采集到的四个样本分别进行上述步骤1-4的故障特征量提取，结果如表2所示，基于数据密度选择初始聚类中心两个：正常样本、样本2010.7；

表2

步骤6：应用优化K均值聚类算法对表2中所有样本进行分类，分类结果的轮廓图如附图10所示，图中显示每个样本的轮廓值均在0.2以上，说明将4个样本值分为两类是非常合适的，分类结果为第一类：正常样本；第二类：样本2010.7、样本2010.11、样本2011.5，由分类结果可知样本2010.7、样本2010.11和样本2011.5发生故障的部位相同，所以服务人员于更换了轴承时，发现轴承内环严重剥落，剥落面积大约50mm×5mm，且润滑油被金属颗粒污染严重，更换后的齿轮箱高速端振动值恢复正常值。

上述优选实施方式应视为本申请方案实施方式的举例说明，凡与本申请方案雷同、近似或以此为基础作出的技术推演、替换、改进等，均应视为本专利的保护范围。

Claims (1)

1.一种风力发电机组齿轮箱故障诊断方法，其特征在于，包括以下步骤：

步骤1：通过加速度传感器采集原始振动信号，齿轮箱传感器测点包括齿轮箱输入轴轴承、齿轮箱行星齿轮侧、齿轮箱中间轴侧和齿轮箱高速轴轴承各自的水平位置和垂直位置；

步骤2：对采集到的原始振动信号按时间标签提取n个样本点，对提取到的原始振动信号x(t)进行LMD方法分解，可得若干个瞬时频率具有物理意义的PF分量，即

$x\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{PF}}_i+r$

式中，x(t)-原始振动信号时域幅值，PFi-第i个分量，r-残余函数；

步骤3：依次计算n个PF分量与原始振动信号之间的相似系数，选择相似系数最大的PF分量用于信号重构；

步骤4：对重构信号进行Hilbert包络解调分析，并提取故障特征量；

步骤5：对所有样本进行上述步骤1-4的故障特征量提取，并基于数据密度选择初始聚类中心；

步骤6：应用优化K均值聚类算法对所有样本进行分类，即可得每个样本的故障部位和故障程度。