一種風電機組齒輪箱遠程在線狀態監測及壽命評估方法
【專利摘要】一種風電機組齒輪箱遠程在線狀態監測及壽命評估方法，它有七大步驟：一、遠程中心計算機通過SCADA實時采集各風機的實時運行參數、溫度數據和振動數據；二、通過對信號時域和頻域的特征值進行分析，診斷振動傳感器是否存在故障；三、對數據進行歸一化處理，降低數據之間的差異，提高診斷精度；四、在對風力發電機組齒輪箱的故障進行診斷時，針對不同算法采用不同的濾波方式提取相應的特征；五、對采集的數據進行特征提取；六、故障診斷將給出故障有無以及故障的程度；七、通過灰色理論模型估計故障齒輪箱的殘余壽命，對其預測結果的殘差建立自回歸模型，來提高預測精度。本發明實現了殘余壽命的實時估計，給風電機組的計劃維護提供了依據。
【專利說明】一種風電機組齒輪箱遠程在線狀態監測及壽命評估方法
【技術領域】
[0001 ] 本發明涉及一種風電機組齒輪箱遠程在線狀態監測及壽命評估方法，屬于風力發電機組齒輪箱運行狀態評估【技術領域】。具體涉及風力發電機組齒輪箱的狀態監測、故障程度評估及殘余壽命預估方法。
【背景技術】
[0002]隨著我國的風電裝機容量的增長以及風力發電機組運行時間的增長，需要對風力發電機組的齒輪箱的運行狀態進行評估，以便更好的提高風電機組的傳動效率，減小相應的維護費用。由于風力發電機組的驅動和負載不穩定導致傳統的故障監測方法診斷的誤差大。如果故障不能夠及時的發現和處理，會造成很大的事故，損失巨大；齒輪箱的運行狀態不能正確評估，會造成過早維護或事后維護，對風場的運營和維護造成巨大的影響。因此，風力發電機組齒輪箱的狀態監測和壽命評估對提高齒輪箱的可靠性，降低維護費用，具有重要的實際意義和經濟價值。
[0003]風力發電機組齒輪箱由傳動軸、軸承和輪齒等部件組成。這些部件的故障是由于固有缺陷、潤滑不好或者過載引起，并且能夠通過風力發電機組的運行參數以及相應部件的振動和溫度等工況參數反映出來。目前風力發電機組的狀態評估主要集中在狀態監測和故障的定性分析，能夠識別出設備的故障以及故障的類型和位置，缺少對故障的定量評價和運行工況下殘余壽命評估。
【發明內容】
:
[0004]本發明旨在提供一種風電機組齒輪箱遠程在線狀態監測及壽命評估方法。通過對齒輪箱的狀態進行遠程實時監測和故障診斷，提取歷史數據和實時監測數據的故障因子，進而對齒輪箱的殘余壽命進行實時的估計和修正。它克服了以往基于歷史數據的模型估計不能及時修正計算結果的特點，是一種更準確的壽命評估方法。
[0005]本發明的技術解決方案如下:
[0006]本發明公開的風電機組齒輪箱在線狀態監測及壽命評估方法，其特征在于:遠程中心計算機通過SCADA采集各個風電場中風力發電機組的實時運行參數、溫度數據以及齒輪箱上的振動數據。通過相應的算法實時分析，給出故障的分析報告及其可靠性。遠程中心計算機的數據處理過程如下:
[0007](1)將采集的振動數據進行有效性判斷，將傳感器故障的數據剔除。然后將其和實時運行參數、溫度數據等一起存儲到狀態數據庫中，以便后續的數據處理。
[0008](2)存儲的實時數據需要經過預處理后才能進行故障分析。預處理主要采用歸一化的方法，進而降低采集設備不同而造成不同采集點或不同風機數據之間的差異，同時將數據限制到故障分析所需要的輸入數據范圍。
[0009](3)對數據進行分析處理，判斷齒輪箱是否存在故障。故障分析包括數據的濾波、特征值提取和故障判斷。數據濾波主要是提出數據中的干擾成分。特征值提取是提取信號的有效成分，形成故障診斷的特征向量。根據特征向量來進行故障診斷，給出故障的分析報告以及故障因子的數值。然后通過對故障報告和故障因子來進行部件的殘余壽命分析。
[0010](4)殘余壽命預測是根據設備的實時診斷報告以及歷史診斷報告進行的趨勢分析，進而判斷該故障發展的趨勢和可靠性運行的壽命，以便安排合理的維護。
[0011]綜上所述，見圖1，本發明一種風電機組齒輪箱遠程在線狀態監測及壽命評估方法，該方法具體步驟如下:
[0012]步驟一:遠程中心計算機通過SCADA實時采集各風機的實時運行參數、溫度數據和振動數據。實時運行參數包括:風機葉輪的轉速、發電機轉速、有功功率和無功功率。溫度數據包括齒輪箱油溫、散熱片溫度、機艙溫度、齒輪箱軸承溫度以及發電機的前后軸承溫度。振動數據主要包括齒輪箱輸入軸的振動、行星輪的振動、齒輪箱低速軸的振動、齒輪箱高速軸的振動等。數據得到后需要對采集的振動數據需要進行有效性判斷。
[0013]步驟二:對采集的振動數據進行數據有效性判斷是為了剔除振動傳感器故障時采集的數據。通過對信號時域和頻域的特征值進行分析，診斷振動傳感器是否存在故障。當診斷出傳感器存在故障時，將該數據剔除，減小錯誤數據進行齒輪箱故障的診斷精度影響。
[0014]步驟三:對數據進行歸一化處理，降低數據之間的差異，提高診斷精度。采用的歸一化處理的方法有幅值歸一化、統計歸一化、能量歸一化以及基頻歸一化。在采用不同的故障診斷方法是需要采用不同的歸一化方法。
[0015]步驟四:在對風力發電機組齒輪箱的故障進行診斷時，針對不同算法采用不同的濾波方式，然后提取相應的特征。應用小波濾波的方法對數據進行軟閾值降噪，減小白噪聲對數據的干擾。采用梳狀濾波器對振動信號進行提取得到相應頻率范圍內容數據。
[0016]步驟五:對采集 的數據進行特征提取。振動數據的特征包括時域特征、頻域特征以及其他算法提取的特征向量。溫度數據的特征包括變化率、幅值等。然后根據提取的數據特征對齒輪箱進行故障診斷。
[0017]步驟六:故障診斷將給出故障有無以及故障的程度。故障診斷采用的方法包括:基于模型的方式，通過風機參數以及特征向量計算正常情況下某個特征值的理論數值，然后通過測量值與理論值比較進行故障診斷。當判斷齒輪箱存在故障時，提取幅值、有效值、峭度、峰峰值、波形指標、脈沖指標、轉頻、1/3倍頻、1/2倍頻、2倍頻、3倍頻等故障因子。
[0018]步驟七:殘余壽命預估是根據歷史數據的診斷結果和故障因子，通過灰色理論模型估計故障齒輪箱的殘余壽命，對其預測結果的殘差建立自回歸模型，來提高預測精度。系統默認采用有效值作為狀態參量進行殘余壽命預測，可以通過設置相應參數來改變狀態參量。殘余壽命預測步驟框圖如圖2所示。
[0019]灰色建模的步驟如圖3所示。設預測的原始序列為x(0) (k)，k=l, 2，...，N。N是原始序列的個數。灰色生成是對該序列作累加生成，一次正向累加生成序列(1-AG0) χω (k)，k=l, 2，...，N。
[0020]
【權利要求】
1.一種風電機組齒輪箱遠程在線狀態監測及壽命評估方法，其特征在于:該方法具體步驟如下:步驟一:遠程中心計算機通過SCADA實時采集各風機的實時運行參數、溫度數據和振動數據；實時運行參數包括:風機葉輪的轉速、發電機轉速、有功功率和無功功率；溫度數據包括齒輪箱油溫、散熱片溫度、機艙溫度、齒輪箱軸承溫度以及發電機的前后軸承溫度；振動數據包括齒輪箱輸入軸的振動、行星輪的振動、齒輪箱低速軸的振動和齒輪箱高速軸的振動；數據得到后需要對采集的振動數據需要進行有效性判斷； 步驟二:對采集的振動數據進行數據有效性判斷是為了剔除振動傳感器故障時采集的數據；通過對信號時域和頻域的特征值進行分析，診斷振動傳感器是否存在故障；當診斷出傳感器存在故障時，將該數據剔除，減小錯誤數據進行齒輪箱故障的診斷精度影響；步驟三:對數據進行歸一化處理，降低數據之間的差異，提高診斷精度；采用的歸一化處理的方法有幅值歸一化、統計歸一化、能量歸一化以及基頻歸一化；在采用不同的故障診斷方法是需要采用不同的歸一化方法；步驟四:在對風力發電機組齒輪箱的故障進行診斷時，針對不同算法采用不同的濾波方式，然后提取相應的特征；應用小波濾波的方法對數據進行軟閾值降噪，減小白噪聲對數據的干擾，采用梳狀濾波器對振動信號進行提取得到相應頻率范圍內容數據；步驟五:對采集的數據進行特征提取；振動數據的特征包括時域特征、頻域特征以及其他算法提取的特征向量；溫度數據的特征包括變化率、幅值，然后根據提取的數據特征對齒輪箱進行故障診斷；步驟六:故障診斷將給出故障有無以及故障的程度；故障診斷采用的方法包括:基于模型的方式，通過風機參數以及特征向量計算正常情況下某個特征值的理論數值，然后通過測量值與理論值比較進行故障診斷；當判斷齒輪箱存在故障時，提取幅值、有效值、峭度、峰峰值、波形指標、脈沖指標、轉頻、1/3倍頻、1/2倍頻、2倍頻、3倍頻故障因子；步驟七:殘余壽命預估是根據歷史數據的診斷結果和故障因子，通過灰色理論模型估計故障齒輪箱的殘余壽命，對其預測結果的殘差建立自回歸模型，來提高預測精度；系統默認采用有效值作為狀態參量進行殘余壽命預測，通過設置相應參數來改變狀態參量；設預測的原始序列為x(°) (k)，k=l, 2，…，N ；N是原始序列的個數，灰色生成是對該序列作累加生成，一次正向累加生成序列(1-AGO) x(1) (k)，k=l, 2，…，N ;
【文檔編號】G01M13/02GK103645052SQ201310671317
【公開日】2014年3月19日 申請日期:2013年12月11日 優先權日:2013年12月11日
【發明者】錢政, 田雙蜀, 申燭, 周繼威, 王棟, 張波, 李闖, 張 林 申請人:北京航空航天大學, 中能電力科技開發有限公司