CN110907170A - 一种风电机组齿轮箱轴承温度状态监测与故障诊断方法 - Google Patents

Abstract

一种风电机组齿轮箱轴承温度状态监测与故障诊断方法，风电机组状态监测与故障诊断对风电场降低维护成本，提高运行水平具有重要的实用价值。由于风电场地理位置相似的机组运行参数具有的特殊分布规律与极强的相关性，本发明以某风电场具有强相关性的四台1.5MW机组齿轮箱轴承温度进行横向对比分析。统计四台强相关风电机组齿轮箱轴承温度‑功率散点分布特征，发现被监测风电机组齿轮箱轴承温度与其他相关风电机组齿轮箱轴承温度之间关系的异常变化，并对被监测风电机组齿轮箱状态进行判断，并发出故障预警。

Description

一种风电机组齿轮箱轴承温度状态监测与故障诊断方法

技术领域

本发明属于风电机组齿轮箱轴承故障诊断技术领域，具体涉及一种风电机组齿轮箱轴承温度状态监测与故障诊断方法。

背景技术

随着经济发展和人民生活水平提高，人类对能源的消耗日益增加，对环境的污染也越来越严重。面对能源危机和环境危机，必须找到清洁的可持续的替代能源。风能是最有发展潜力的替代能源。近年来风力发电技术日臻成熟，发电成本逐步降低与火电成本接近。

风电机组的运行条件恶劣，如外界温差变化大，风速变化随机等。这些不确定的外界因素导致风电机组的故障率高，使风电场后期运行维护成本居高不下。

齿轮箱是风电机组的重要部件之一，其制造技术已较为成熟，具有较高的可靠性。尽管齿轮箱的故障率较低，但和故障出现频率最高的电控系统、液压系统相比，其维修过程复杂，特别是对于海上风机，维护过程需要船舶、吊车等专用设备以及合适的天气，因此齿轮箱故障导致的停机时间和维护费用在各类故障中最高。风电机组齿轮箱运行有其自身的特点，即变速变载荷。随着风速的变化，齿轮箱各级的转速及承受的载荷随时发生变化，这给传统的状态监测方法应用于风电机组齿轮箱带来很大的挑战。对于齿轮箱状态监测方法的选择还需要考虑监测方法的性价比。和火电机组和水电机组相比，单台风机的造价较低，齿轮箱监测系统的成本是必须考虑的因素。

传统的齿轮箱轴承故障诊断技术，如振动分析，油液分析等，取得了一定的成果。由于风速随机变化，风电机组齿轮箱各级轴承的转速和载荷时变，而非转速不变的稳定工况。目前振动分析技术针对齿轮箱轴承的变转速变载荷的时变复杂工况下故障诊断的准确性较低，误报警和漏报警率较高。齿轮箱油液分析技术通过在风电机组停机期间采集齿轮箱油液标本，在实验室中分析润滑油液中的含水量、金属微粒数量及直径来对齿轮箱轴承状态进行诊断，但油液分析只能离线进行诊断，无法实现齿轮箱轴承的在线实时监测与诊断。还有采用多层前向神经网络对风电机组齿轮箱轴承温度进行建模并进行监测，但由于前向神经网络的结构简单，建模精度低，难以对齿轮箱轴承温度的异常变化进行及时准确地预警。

风电机组齿轮箱故障会导致机组长时间停机，维修费用高，停机损失大，对齿轮箱运行状态进行监测和诊断具有重要意义。

发明内容

为了克服上述现有技术存在的问题，本发明的目的在于提供一种风电机组齿轮箱轴承温度状态监测与故障诊断方法，本发明通过分析风电机组运行数据，研究运行状态相似的四台风电机组齿轮箱轴承温度-功率散点的独特分布特征和规律。通过控制图法和伽马曲线参数拟合法研究被监测机组齿轮箱轴承温度与相关机组轴承温度之间的变化关系和趋势，从而对被监测风电机组的齿轮箱运行状态进行在线监测和诊断。本发明无需安装额外的传感器，算法简单，仅需风电机组现有的运行数据即可实现齿轮箱状态监测。

为了达到上述目的，本发明采用如下技术方案：

一种风电机组齿轮箱轴承温度状态监测与故障诊断方法，包括如下步骤：

步骤1，选择与被监测风电机组齿轮箱轴承温度相关性最高的三台风电机组，共四台风电机组，同时剔除掉停机时段数据；采集所有被监测的风电机组运行数据，使用皮尔森相关系数公式计算多台风电机组齿轮箱轴承温度与被监测机组齿轮箱轴承温度的相关性，从中选取与被监测风电机组齿轮箱轴承温度相关性最高的三台，皮尔森相关系数公式如下：

其中：

r——皮尔森相关系数；

n——样本个数；

w_i——被监测机组齿轮箱轴承温度样本值；

——被监测机组齿轮箱轴承温度样本均值；

δ_w——被监测机组齿轮箱轴承温度标准差；

z_i——进行相关分析的其他机组齿轮箱轴承温度样本值；

——进行相关分析的其他机组齿轮箱轴承温度样本均值；

δ_z——进行相关分析的其他机组齿轮箱轴承温度标准差；

步骤2，从四台相关风电机组的原始数据中挑出功率大于0的点，设定有功功率区间为[P_min,P_max]；以齿轮箱轴承温度为纵坐标，以功率为横坐标，绘制风电机组齿轮箱轴承温度-功率散点图；以40KW为间隔将横坐标功率等分为P_num个区间，若以功率下限为零，上限为1600KW，则分为P_num＝40个区间；

对四台相关风电机组中的每一台，依次统计落在每一个功率区间内的齿轮箱轴承温度散点个数，存入X_4×40数组中；

其中：

X_i,j—第i台机组第j个功率区间内的齿轮箱轴承温度散点个数；

步骤3，采用控制图观察四台相关风电机组在不同功率区间的齿轮箱轴承温度散点个数互相之间的差异；控制图包含第j个功率区间四台风电机组齿轮箱轴承温度散点个数的极差Range(j)；40个功率区间的齿轮箱轴承温度散点个数平均极差MRange；齿轮箱轴承温度散点个数平均值M；齿轮箱轴承温度散点个数的控制上限UCL；齿轮箱轴承温度散点个数控制下限LCL，以上各变量采用以下公式计算：

Range(j)＝Max(X_i,j)-Min(X_i,j)

UCL＝M+0.729MRange

LCL＝M-0.729MRange

其中：

Max(X_i,j)——在第j个功率区间，四台相关风电机组中齿轮箱轴承温度散点个数的最大值；

Min(X_i,j)——在第j个功率区间，四台相关风电机组中齿轮箱轴承温度散点个数的最小值；

Range(j)——第j个功率区间四台风电机组齿轮箱轴承温度散点个数的极差；

MRange——40个功率区间散点个数平均极差；

UCL——散点个数控制上限；

LCL——散点个数控制下限；

由于被监测风电机组的齿轮箱轴承温度与其他三台风电机组的齿轮箱轴承温度具有很强的相关性；当被监测风电机组的齿轮箱运行正常时，其齿轮箱轴承温度与其他三台风电机组的齿轮箱轴承温度随功率的变化趋势非常相似；因此在每一个功率区间内，四台风电机组的齿轮箱轴承温度极差很小；

而当被监测风电机组的齿轮箱发生故障，轴承温度异常升高时，其与其他三台正常运行风电机组的齿轮箱轴承温度变化趋势产生很大差异；导致在某些功率区间，四台机组之间的齿轮箱轴承温度散点个数极差异常增大；

因此当发现某些功率区间齿轮箱轴承温度散点个数极差异常增大时，发出被监测机组齿轮箱运行异常报警；

步骤4，Kolmogorov-Smirnov方法检验齿轮箱轴承温度散点分布，采用伽马分布对散点分布拟合；根据被监测风电机组齿轮箱轴承温度散点伽马分布拟参数与其他三台风电机组拟合参数平均值的偏差，发现被监测风电机组齿轮箱运行异常；

针对四台风电机组齿轮箱轴承温度散点的分布情况提出假设，做拟合优度检验，采用以下公式计算：

Dn＝max|F(x)-Fn(x)|

其中：

Fn(x)—表示样本观察值的累计分布函数；

X_i—为样本观察值；

x—理论值；

I_[-∞,_x](X_i)—指标函数，如果X_i＜x则等于1，否则等于0；

Dn—检验量，F(x)与Fn(x)之间的最大偏差；

F(x)—表示理论分布的累积概率分布函数；

检验量临界值D(n,a)的部分值如下表1所示，表中n为样本个数；

表1检验量临界值D(n,a)的部分值

如果样本来自分布函数F(x)，则Dn会收敛到0；根据置信水平a为0.05和样本个数n为40，确定Kolmogorov-Smirnov方法检验的临界值D(n,a),若Dn<D(n,a)，则在a的显著性水平上，即接受样本符合对应的伽马分布或威布尔分布或正态分布；在对齿轮箱轴承温度数据散点统计分析和Kolmogorov-Smirnov方法检验后，齿轮箱轴承温度散点数据符合伽马分布；采用最大似然估计法，确定四台风电机组的齿轮箱轴承温度散点伽马分布的形状参数K和尺度参数θ，得到四台风电机组各自拟合度最优的伽马分布曲线；

当被监测风电机组的拟合参数与三台相关风电机组的拟合参数平均值相差超过阈值时，发出被监测风电机组齿轮箱轴承温度异常报警，如下式：

其中：

K_m—被监测风电机组齿轮箱轴承温度散点伽马分布拟合形状参数；

θ_m—被监测风电机组齿轮箱轴承温度散点伽马分布拟合尺度参数；

—其他三台相关风电机组齿轮箱轴承温度伽马分布拟合形状参数平均值；

—其他三台相关风电机组齿轮箱轴承温度伽马分布拟合尺度参数平均值；

Δ_m—被监测风电机组的拟合参数与三台相关机组的拟合参数平均值之间的方差；

ξ——为设定阈值；

步骤5，对步骤3和步骤4各自发出的被监测风电机组齿轮箱轴承温度异常报警进行综合：

当步骤3和步骤4同时发出被监测风电机组齿轮箱轴承温度异常报警时，两个异常报警能够相互验证，报警真实性强，向现场运行人员发出齿轮箱运行异常报警；

当步骤3或步骤4其中一个发出被监测风电机组齿轮箱轴承温度异常报警时，为降低误报警率，不发出被监测风电机组齿轮箱轴承温度异常报警，仅向现场运行人员发出需关注齿轮箱运行状态提示。

本发明采用风电机组的运行数据进行分析，无需额外增加传感器，成本低，原理简单，能够及时发现风电机组齿轮箱轴承温度异常并报警。

附图说明

图1为本发明方法流程图。

图2是被监测机组正常时四台风电机组齿轮箱轴承温度散点分布控制图。

图3是被监测机组正常时齿轮箱轴承温度-功率散点伽马分布参数。

图4是相关机组横向对比伽马分布图。

图5是被监测机组齿轮箱轴承温度异常时控制图。

图6是齿轮箱轴承温度异常的被监测机组与相关正常机组的伽马分布曲线对比示意图。

具体实施方式

下面结合附图和实例对本发明进行详细描述。以某风电场4台1.5MW机组的齿轮箱为研究对象，选取机组1分钟级别的运行数据。

如图1所示，本发明一种风电机组齿轮箱轴承温度状态监测与故障诊断方法，包括如下步骤：

步骤1，采用皮尔森系数选择与被监测风电机组在齿轮箱轴承温度参数上相关性高的其他三台风电机组作为参考对照机组。

步骤2，对四台相关性强的风电机组绘制各自的以功率为横坐标，齿轮箱轴承温度为综坐标的齿轮箱轴承温度-功率散点图。并统计各机组落在以40KW为分割的各个功率区间内的齿轮箱轴承温度散点个数，若以功率下限为零，上限为1600KW，则分为P_num＝40个区间，并存入X_4×40。

步骤3，采用控制图观察四台相关风电机组在不同功率区间的齿轮箱轴承温度散点个数互相之间的差异。绘制控制图，如图2显示选取的四台风电机组齿轮箱轴承温度散点均值分布情况。四台机组齿轮箱轴承温度散点极差在各个功率区间均较小，表明被监测机组的齿轮箱轴承温度变化趋势与其他三台相关机组一致，没有异常变化，被监测机组齿轮箱运行状态正常。

步骤4，对四台风电机组的齿轮箱轴承温度-功率散点选择Kolmogorov-Smirnov进行分布检验。

如图3所示齿轮箱轴承温度数据符合伽马分布，其分布参数为被监测机组参数K＝2.9943，θ＝1.0428。其他三台相关机组的伽马分布参数，其K值在3.0000±0.2000波动，θ值1.0000±0.1000波动。图4为横向对比其他相关机组的伽马分布曲线图，其趋势与参数近似相同，由此可见相关性较强的机组间其齿轮箱轴承温度散点分布具有很强的相似性。

图5为被监测风电机组齿轮箱轴承温度异常时的控制图，显示被监测机组与其他相关机组对比，高功率区间极差远高于平均极差值，且波动剧烈，说明被监测机组的齿轮箱轴承温度在高负荷工况下较其他三台相关机组明显异常升高。

图6为被监测风电机组齿轮箱轴承温度异常时的温度散点伽马分布拟合曲线及其他三台相关机组的伽马分布参数平均后拟合曲线对比。图6中，被监测机组的伽马分布参数为K＝5.9824，θ＝0.7256，其远大于同时段其他三台相关正常机组的伽马分布参数平均值

因此，从图5的控制图和图6的伽马分布参数都可以看出被监测机组的齿轮箱轴承温度出现异常，因此发出被监测机组齿轮箱轴承温度异常报警。

Claims (1)

1.一种风电机组齿轮箱轴承温度状态监测与故障诊断方法，其特征在于：包括如下步骤：

步骤1，选择与被监测风电机组齿轮箱轴承温度相关性最高的三台风电机组，共四台风电机组，同时剔除掉停机时段数据；采集所有被监测的风电机组运行数据，使用皮尔森相关系数公式计算多台风电机组齿轮箱轴承温度与被监测机组齿轮箱轴承温度的相关性，从中选取与被监测风电机组齿轮箱轴承温度相关性最高的三台，皮尔森相关系数公式如下：

其中：

r——皮尔森相关系数；

n——样本个数；

w_i——被监测机组齿轮箱轴承温度样本值；

——被监测机组齿轮箱轴承温度样本均值；

δ_w——被监测机组齿轮箱轴承温度标准差；

z_i——进行相关分析的其他机组齿轮箱轴承温度样本值；

——进行相关分析的其他机组齿轮箱轴承温度样本均值；

δ_z——进行相关分析的其他机组齿轮箱轴承温度标准差；

步骤2，从四台相关风电机组的原始数据中挑出功率大于0的点，设定有功功率区间为[P_min,P_max]；以齿轮箱轴承温度为纵坐标，以功率为横坐标，绘制风电机组齿轮箱轴承温度-功率散点图；以40KW为间隔将横坐标功率等分为P_num个区间，若以功率下限为零，上限为1600KW，则分为P_num＝40个区间；

对四台相关风电机组中的每一台，依次统计落在每一个功率区间内的齿轮箱轴承温度散点个数，存入X_4×40数组中；

其中：

X_i,j—第i台机组第j个功率区间内的齿轮箱轴承温度散点个数；

步骤3，采用控制图观察四台相关风电机组在不同功率区间的齿轮箱轴承温度散点个数互相之间的差异；控制图包含第j个功率区间四台风电机组齿轮箱轴承温度散点个数的极差Range(j)；40个功率区间的齿轮箱轴承温度散点个数平均极差MRange；齿轮箱轴承温度散点个数平均值M；齿轮箱轴承温度散点个数的控制上限UCL；齿轮箱轴承温度散点个数控制下限LCL，以上各变量采用以下公式计算：

Range(j)＝Max(X_i,j)-Min(X_i,j)

UCL＝M+0.729MRange

LCL＝M-0.729MRange

其中：

Max(X_i,j)——在第j个功率区间，四台相关风电机组中齿轮箱轴承温度散点个数的最大值；

Min(X_i,j)——在第j个功率区间，四台相关风电机组中齿轮箱轴承温度散点个数的最小值；

Range(j)——第j个功率区间四台风电机组齿轮箱轴承温度散点个数的极差；

MRange——40个功率区间散点个数平均极差；

UCL——散点个数控制上限；

LCL——散点个数控制下限；

由于被监测风电机组的齿轮箱轴承温度与其他三台风电机组的齿轮箱轴承温度具有很强的相关性；当被监测风电机组的齿轮箱运行正常时，其齿轮箱轴承温度与其他三台风电机组的齿轮箱轴承温度随功率的变化趋势非常相似；因此在每一个功率区间内，四台风电机组的齿轮箱轴承温度极差很小；

而当被监测风电机组的齿轮箱发生故障，轴承温度异常升高时，其与其他三台正常运行风电机组的齿轮箱轴承温度变化趋势产生很大差异；导致在某些功率区间，四台机组之间的齿轮箱轴承温度散点个数极差异常增大；

因此当发现某些功率区间齿轮箱轴承温度散点个数极差异常增大时，发出被监测机组齿轮箱运行异常报警；

步骤4，Kolmogorov-Smirnov方法检验齿轮箱轴承温度散点分布，采用伽马分布对散点分布拟合；根据被监测风电机组齿轮箱轴承温度散点伽马分布拟参数与其他三台风电机组拟合参数平均值的偏差，发现被监测风电机组齿轮箱运行异常；

针对四台风电机组齿轮箱轴承温度散点的分布情况提出假设，做拟合优度检验，采用以下公式计算：

Dn＝max|F(x)-Fn(x)|

其中：

Fn(x)—表示样本观察值的累计分布函数；

X_i—为样本观察值；

x—理论值；

I_[-∞,x](X_i)—指标函数，如果X_i＜x则等于1，否则等于0；

Dn—检验量，F(x)与Fn(x)之间的最大偏差；

F(x)—表示理论分布的累积概率分布函数；

检验量临界值D(n,a)的部分值如下表1所示，表中n为样本个数；

表1检验量临界值D(n,a)的部分值

如果样本来自分布函数F(x)，则Dn会收敛到0；根据置信水平a为0.05和样本个数n为40，确定Kolmogorov-Smirnov方法检验的临界值D(n,a),若Dn<D(n,a)，则在a的显著性水平上，即接受样本符合对应的伽马分布或威布尔分布或正态分布；在对齿轮箱轴承温度数据散点统计分析和Kolmogorov-Smirnov方法检验后，齿轮箱轴承温度散点数据符合伽马分布；采用最大似然估计法，确定四台风电机组的齿轮箱轴承温度散点伽马分布的形状参数K和尺度参数θ，得到四台风电机组各自拟合度最优的伽马分布曲线；

当被监测风电机组的拟合参数与三台相关风电机组的拟合参数平均值相差超过阈值时，发出被监测风电机组齿轮箱轴承温度异常报警，如下式：

其中：

K_m—被监测风电机组齿轮箱轴承温度散点伽马分布拟合形状参数；

θ_m—被监测风电机组齿轮箱轴承温度散点伽马分布拟合尺度参数；

—其他三台相关风电机组齿轮箱轴承温度伽马分布拟合形状参数平均值；

—其他三台相关风电机组齿轮箱轴承温度伽马分布拟合尺度参数平均值；

Δ_m—被监测风电机组的拟合参数与三台相关机组的拟合参数平均值之间的方差；

ξ——为设定阈值；

步骤5，对步骤3和步骤4各自发出的被监测风电机组齿轮箱轴承温度异常报警进行综合：

当步骤3和步骤4同时发出被监测风电机组齿轮箱轴承温度异常报警时，两个异常报警能够相互验证，报警真实性强，向现场运行人员发出齿轮箱运行异常报警；

当步骤3或步骤4其中一个发出被监测风电机组齿轮箱轴承温度异常报警时，为降低误报警率，不发出被监测风电机组齿轮箱轴承温度异常报警，仅向现场运行人员发出需关注齿轮箱运行状态提示。

Images