河北省张家口市 中节能风力发电（张北）有限公司 076450
摘 要：针对风电机组齿轮箱计划外停机和意外故障导致的风电机组安全运行问题，提出了一种基于Matlab算法模型的故障趋势预测方法。该方法可以处理具有非线性和非平稳性特征的齿轮箱油液运行状态监测数据，用以SPC理论为基础的模型预测状态监测油液数据的趋势变化，选择生产现场采集到的齿轮箱油液数据，利用Matlab算法模型及现场开箱检测验证了该在线故障诊断方法的有效性。研究结果表明该方法能够适应齿轮箱油液随时间的变化而自动预警，具有良好的预测精度，对风电机组及其他行业的故障诊断方法具有一定的参考价值。
关键词：Matlab算法模型；风电机组；故障诊断；油液分析
0 引言
目前，随着经济全球化趋势的不断发展，能源危机不断加剧以及环境问题日益突出等问题的出现，寻找一种清洁无污染的绿色能源成为各国发展新型能源的焦点。风能因具有绿色、安全、无污染的特点成为开发利用的主要来源[1]。风力发电作为一种清洁安全的电能生产方式，近年来在世界各国得到快速应用发展。但是随着我国装机容量的不断增长，风场规模也在不断扩大，同时随着运营时间的不断累积，故障率也在不断升高，风机运营维护问题日益突出。其中齿轮箱作为风电机组的核心传动部件，加上风机工作环境以及齿轮箱的高度较高而使得其现场检测极为不便，这样在线状态监测与故障分析技术应运而生。在发生故障时，监测系统会发出警报，及时提醒工作人员进行检修，然而这种警报通常是在机组出现问题时发出的，有必要为提前预测故障找到解决方法[3]。
传统风机故障预测通过失效机理，分析风机关键部件失效原理，利用数学和物理模型，基于疲劳受损等先验知识去进行故障预测，但先验知识一般很难获取，对故障准确预测产生极大限制；另外，通过数据挖掘的方法，分析挖掘数据中有价值的信息，得到故障特征参量，从而实现预测。齿轮箱作为风机传动系统的关键部件，起到连接主轴与发电机的作用。随着大重型风机的投入运营，齿轮箱故障率也在随之增加，且维修成本高昂[4-5]。因此，对齿轮箱进行状态监测和故障预测尤为重要，如图1所示为我国2006—2017年风电装机容量统计。
图1 2006-2017年中国风电装机容量统计（MW）
由于受工作条件、传感器精度、齿轮箱加工误差以及现场装配误差等的影响，在线监测油液粘度的变化可能导致监测状态的误判，所以结合油液中齿轮磨损量的状态指标进行双向监测，可以更准确的对齿轮箱的故障类型做出分析。本文通过将采集到的油液数据进行处理，结合油液中磨损量以及油液粘度的变化，从多角度对齿轮箱进行在线故障诊断。首先对齿轮箱的传动系统结构和失效类型做出了简要介绍，然后在此基础上提出了一种复合式的风电机组齿轮箱在线油液监测数据分析方法，同时详细介绍了该方法中标准计算、统计分析和自动学习诊断的具体实现方法。最后通过实际测试，证明了该方法的准确性，为海量的齿轮箱磨粒监测数据分析工作提供了帮助。
1 工作原理
统计过程控制技术（SPC）是由美国人哈特在20世纪20年代提出的理论，发展到如今已经在现代化企业中得到了广泛的应用，其内容上主要分为两个部分，其一是通过控制图对过程的稳定性进行分析，一旦发出异常情况立即报警。其二是通过过程能力指数的计算对过程能力满足技术要求的程度进行分析。如下表1所示为控制界限及相应概率。
表1 控制界限及概率
为了便于观察比较，通常将控制界限表示到图中如图2 SPC控制过程示意图所示：
图2 SPC控制过程
SPC利用控制图，强调全过程监控、全过程参与，并且强调用科学方法来保证全过程的预防，其主要特点如下：
（1）对过程做出可靠的评估。
（2）确定过程的统计界限，判断过程是否失控。
（3）为过程提供一个早期报警系统，及时监控过程情况。
（4）减少对常规检验的依赖性，定时观察以及系统的测量方法代替了实际的工作检查。
2 油液在线监测原理
风电齿轮箱油液中含有水分、齿轮磨屑以及其他颗粒物等一些杂质，通过检测油液中齿轮磨屑的数量、尺寸以及增加速度可以间接的反应齿轮磨损的情况。而油液中的杂质会影响到油液的粘度变化，当油液的粘度减小到一定值时，不仅起不到减小摩擦的效果，还在一定程度上增加了轮齿的摩擦。
润滑油的在线监测原理主要是通过安装在油路上的传感器对油液粘度数据实时在线采集，并将采集到的油液粘度数据实时发送到PC端，通过对采集到的润滑油粘度进行分析预测，达到实时在线监测润滑油粘度的目的。如图3所示为直插式油液粘度在线监测传感器及安装示范，采用石英音叉谐振原理，能够快速测量油液的粘度，能够在-40 ℃至125 ℃的环境温度下工作，并具备优良的抗电磁干扰、抗瞬态高压的工作的能力，完全胜任各种场合的油液粘度测量工作。装有CAN接口，使该系统集成到任何的其他采集器成为可能，便于用 户以及其他监控设备集成商的使用。
3 复合式在线监测分析
3.1 复合式分析相关概述
本方法基于数学统计分析方法（SPC），通过对在用油液的定期检测的齿轮箱油中粘度及磨粒进行统计评价，制定并不断修正自我关键监控指标的报警门限值。进行报警限设定之前，应该首先确认用于表征润滑油状态的关键指标，并选定特定的，一定量的受控设备进行长期监控，进行检测数据收集工作。该监测指标应呈现“趋势积累”分布，由于齿轮箱油粘度及磨粒监测属于不断攀升的过程，而数据攀升的速率决定了润滑油性能水平，故本方法采取数据筛选和积累分布技术对粘度的监测情况给出预测模型，用于分析下一次监测的数据是否处于预警或者报警的范围内。如图5分析配置：
图5 复合式分析系统硬件配置
3.2 具体分析步骤
（1）数据获取；
（2）寻找数据中的最大值与最小值；
（3）在最大值与最小值之间设置积累区间；
（4）查找各个积累区间的样本数量；
（5）根据各个积累区间的样本数量绘制样本数量曲线图；
（6）根据各个积累区间与样本数量的柱状图寻求正态分布的σ作为报警关键值；
（7）根据关键积累区间自动设定预警限与报警限；
（8）最新数据不断迭代上述方法，用于判断下一条数据是否报警；
（9）根据粘度或磨粒分析是否报警情况进行对比分析；
3.3 Matlab算法模型及结果分析
Mmax=max(M);
Mmin=min(M);
n=(Mmax-Mmin)/20;
A=M(find(M>=Mmin&M<(Mmin+n)));
B=M(find(M>=(Mmin+n)&M<(Mmin+2*n)));
a=length(A);
b=length(B);
Result=[a;b;c;d;e;f;g;h;i;j;k;l;z;n;o;p;q;r;s;t];
to1=a;
to2=a+b;
tendency=[to1;to2];
如上所示为部分MATLAB算法，通过以上算法对某风场采集到的油液粘度数据进行分析，生成增量区间与对应增量区间内润滑油粘度柱状图，如图6所示：
图8 预警线及报警线
此时，在增量区间与样本总数曲线图中找到预警值与危险值对应的横坐标分别为：305、328与282、374。根据以上分析，现d对在线发来第12001条数据进行分析，371<374，数据处于预警阶段，综合考虑风电领域通常使用粘度等级320的润滑油，而该数据与标准润滑油粘度等级相差较大，所以单一从粘度方面来判断是否应该开箱检查有时候不准确，所以综合考虑磨粒数据分析如图9所示：
此时，在增量区间与样本总数曲线图中找到预警值与危险值对应的横坐标分别为：128、210。根据以上分析，根据在线磨粒数据发来的下一条数据186792，求出该数据的增量为186792-186573=219>210，则必须对齿轮箱的磨损状态进行报警，因为已经超过报警值，磨损加剧，必须检查。
3.4 结论验证
综合分析以上验证过程，随着油液粘度的不断增长，虽然在Matlab算法模型分析中，粘度数据并未处于报警阶段，但综合考虑风电领域通常使用的润滑油粘度等级，以及对该油液中的磨粒数量及增长速度进行分析，结果得出磨粒数量以超过报警值，因此如图12所示，在某风场实际开箱检验中，发现了轴承外表面的磨损问题，验证了该复合式油液分析方法的准确性。
图12 轴承外表面损坏
4 结论
由于风电齿轮箱工作环境的特殊，在线油液监测技术成为当前指导风机润滑管理与运行维护的有效手段。但是当前通过油液中的粘度指标的分析有时并不能充分反映齿轮或轴承的磨损情况，因此本文应用复合式油液分析方法，基于数据统计技术（SPC）与分布积累技术（ICDT），综合考虑油液的粘度及油液中磨粒数量的增长因素，来综合在线监测齿轮箱的工作情况。通过在线分析以及现场开箱验证，证明了该方法能够根据不同风机、不同牌号甚至不同地点的风力发电机组的在线油液和磨损监测大数据自动分析判断出针对某型号风机的特定预警值与危险值，用于确定适合于风力发电领域的齿轮箱工作预警值与报警值指标的确定，为风电领域的线上监测提供了帮助，具有广阔的应用前景。
[参考文献]
[1] 王炜超,袁逸萍,孙文磊,赵琴,樊盼盼,贾依达尔·热孜别克.融合SCADA数据的风电机组齿轮箱状态评估[J/OL].机械科学与技术:1-7[2019-06-13].
[2] 邓自波.风力发电机组齿轮箱故障诊断[J].设备管理与维修,2019(08):179-180.
[3] Andrew Kusiak,Anoop Verma. Analyzing bearing faults in wind turbines: A data-mining approach[J]. Renewable Energy,2012,48:110-116.
[4] Jinjiang Wang,Robert X. Gao,Ruqiang Yan. Integration of EEMD and ICA for wind turbine gearbox diagnosis[J]. Wind Energy,2014,17(5)：757-773.
[5] Wang Y, Infield D. Supervisory control and data acquisition data-based non-linear state estimation technique for wind turbine gearbox condition monitoring [J]. Renewable Power Generation Iet, 2013, 7(4):350—358.
论文作者:李群星
论文发表刊物:《科技新时代》2019年10期
论文发表时间:2019/12/6
标签：齿轮箱论文; 在线论文; 粘度论文; 数据论文; 方法论文; 风电论文; 过程论文; 《科技新时代》2019年10期论文;