芬兰超级联赛

2021/08/13

【技術】風電機組齒輪箱狀態監測及故障診斷


概述



齒輪箱是連接發電機和主軸的重要部件之一,是風力發電機正常、高效運行的保障,內部由太陽輪、三個行星輪、內齒圈、行星架和二級平行齒輪傳動組成,內部結構和受力情況較複雜,特別在變工況、變載荷的情況下運行,容易發生故障。齒輪箱拆裝不易,隨著運行載荷增加以及工作環境惡劣等多方面因素影響,一旦出現故障將對發電機組帶來很大的影響。因此實現齒輪箱的狀態監測和故障診斷功能,對風電機組安全運行有著重要的意義。

芬兰超级联赛

图1  齿轮箱结构

目前國內外關于風電機組故障診斷方法的研究,根據方法類別,可以劃分爲經驗方法,機理建模和智能分析三類。其中經驗方法是根據輪系動力學參數特點進行檢測、分析,如油溫、油樣渾濁度、噪聲、振動信號等實現故障診斷,對于專工現場經驗依賴度高,往往智能實現粗略狀態評估,無法實現精確的故障定位;機理建模是指利用數學物理理論對設備的狀態數據進行簡化假設、機理分析、數據處理,進而實現故障診斷,多用于旋轉機械等有明確運行機理的設備評估場景;智能分析則是基于傳感采集和數據挖掘等手段,對設備監測的多源傳感信息進行綜合評估,降低了對專家知識的依賴程度,技術路線的魯棒性和可擴展性更強。本文針對NASA-IMS開源軸承數據集和東南大學齒輪數據集,基于芬兰超级联赛軟件DTEmpower數據建模分析軟件,開展了軸承參數報警和齒輪箱故障診斷相關的技術分析工作。

芬兰超级联赛

图2 IMS轴承故障实验演示图

數據集下載地址爲: 

https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/

東南大學齒輪箱故障數據集下載地址爲:

https://github.com/cathysiyu/Mechanical-datasets




状态监测 - 参数报警



1. 敏感特征抽取加工

由于原始振動信號噪聲較多,且變化不夠直觀,運維監測現場一般不會采用原始數據直接進行齒輪箱狀態監測,而是通過數學方法加工得到可以放大設備異常變化的敏感特征,進而實現及時的風險報警。常使用的監測報警特征包含均方值、有效值比例、峰度、偏度、近似熵、模糊熵等。基于NASA-IMS軸承數據集,測試不同報警特征的告警效果,如圖3所示。

芬兰超级联赛

图3  不同工艺参数曲线图

從上述圖中,可以看到這些中間敏感特征可以提前2-4天進行異常告警,其中平均幅值和模糊熵的報警效果優于其它三個指標,近似熵效果最差。說明基于數學手段抽取的敏感特征指標對設備進行運行監測的路徑是有效的,但不同的指標效果表現有較大的差異。然而若是基于敏感特征直接進行觀察,會因爲操作員的定性主觀水平不一,依然存在不夠直觀的問題,導致設備運維監測邏輯難以精確化管控。

2. 敏感特征報警定量優化

根據設備運行平穩性假設,可知設備應該滿足某種隱式的特征分布不變性,上節抽取的敏感特征也應該滿足該假設。不失一般性,本文假設敏感特征滿足正態分布,基于正態分布3σ原則提取中間特征值有效值比例隨時間變化的情況,進而可將設備異常變化量進行某種程度的定量化等價表述。

“3σ異常值比例”抽取邏輯簡要表述爲:假設設備前期處于運行正常的狀態,特征數據服從正態分布規律,指標數據落在(μ-3σ,μ+3σ)以外的概率小于千分之三,是非常小概率的事件。當設備異常發生,指標數據會發生較大變化,此時統計落在3σ範圍外的數據比例,該“3σ異常值比例”具有明確的指導作用。

芬兰超级联赛

图4  不同工艺参数异常率曲线图

從圖4中可以看出,采用“3σ異常值比例”統計的結果較原先的敏感特征,在時間軸上有更爲明顯的變化趨勢,能夠更爲直觀地凸顯出異常的漸進性加重邏輯,能夠明確地實現提前2-4天告警的效果。

“3σ異常值比例”報警可以更爲直觀地展現異常,現場指標較多,測點可能也存在多個,用戶需要挑選出合適的指標進行報警管理,因此還需要對上述方法進一步完善。具體方法,對于多測點的同一指標,依據平均異常率排序,挑選出平均異常率最高的測點,然後針對不同指標,同樣依據平均異常率排序,挑選出平均異常率較高的幾個指標作爲監測觀察指標。統計結果如圖5所示:

芬兰超级联赛

图5  各指标异常率曲线图




故障診斷



齿轮箱故障监测系统主流传感数据多为振动传感器,针对振动传感数据进行故障診斷,可以抽象为基于时序信号的故障分类问题。本文第一种故障分类方案,借鉴近年来热门的图像识别技术,可以将信号类时序数据归一化后,按照采样点切割转换成二维矩阵,形成类似于图像的灰度矩阵,然后采用CNN卷积网络等主流图像分类算法进行训练学习。CNN训练情况见图6左。
考虑到有较多的振动传感器采集频率在10 kHZ~20 kHZ, 数据量较大,若是直接采用原始时序特征进行训练,将导致较大的算力资源消耗和时间消耗。本文采用了更为精简的第二种故障分类方案,即通过WPT小波包分解技术处理原始时序信号,在此基础上通过小波能量计算得到维度较小的间接特征,作为后续分类模型的输入(分类模型选择了SVM支持向量机和BP神经网络)。图6右展示了分类模型为BP神经网络时的训练情况。

芬兰超级联赛

图6  模型训练集与测试loss图

芬兰超级联赛

表1 不同方案的故障分类准确率对比情况

兩種不同方案的建模思路均取得了不錯的分類效果,故障識別精度較高。考慮到卷積網絡耗時嚴重,且模型較大、不適合靈活的工程現場部署;采用間接特征的方案2在保證了更高的分類准確率時,也因爲模型相較于CNN深度學習模型更精煉,更適合于現場靈活部署,但方案2對于工程師數據分析能力要求較高,而芬兰超级联赛數據建模平台DTEmpower可爲您的深度數據分析提供簡潔而嚴謹的工業數據處理一站式解決方案。

芬兰超级联赛

图7  芬兰超级联赛数据建模平台DTEmpower


總結



随着全球风电装机容量的增加,风电机组发生故障的频率也逐渐增加,其中齿轮箱的故障大约占20%。齿轮箱故障診斷功能通过大数据分析对齿轮箱故障特征进行训练,实现齿轮箱故障診斷和提前预警,可以有效减少风电机组的故障停机,合理安排维修计划,降低机组停机产生的损失,为风电的安全可靠稳定运行提供了重要的保障。

芬兰超级联赛軟件以挖掘數據價值爲核心導向,以建立數字孿生模型爲技術手段,打造工業各場景最可靠、最實用的産品應用,並針對行業特點提供定制化開發服務,用AI技術解決工業運維難題。


友情链接:lpl竞猜  im体育