風(fēng)電機組齒輪箱狀態(tài)監(jiān)測及故障診斷

概述

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

圖1 齒輪箱結(jié)構(gòu)

目前國內(nèi)外關(guān)于風(fēng)電機組故障診斷方法的研究，根據(jù)方法類別，可以劃分為經(jīng)驗方法，機理建模和智能分析三類。其中經(jīng)驗方法是根據(jù)輪系動力學(xué)參數(shù)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(xiàn)故障診斷，對于專工現(xiàn)場經(jīng)驗依賴度高，往往智能實現(xiàn)粗略狀態(tài)評估，無法實現(xiàn)精確的故障定位；機理建模是指利用數(shù)學(xué)物理理論對設(shè)備的狀態(tài)數(shù)據(jù)進行簡化假設(shè)、機理分析、數(shù)據(jù)處理，進而實現(xiàn)故障診斷，多用于旋轉(zhuǎn)機械等有明確運行機理的設(shè)備評估場景；智能分析則是基于傳感采集和數(shù)據(jù)挖掘等手段，對設(shè)備監(jiān)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(shù)路線的魯棒性和可擴展性更強。本文針對NASA-IMS開源軸承數(shù)據(jù)集和東南大學(xué)齒輪數(shù)據(jù)集，基于天洑軟件DTEmpower數(shù)據(jù)建模分析軟件，開展了軸承參數(shù)報警和齒輪箱故障診斷相關(guān)的技術(shù)分析工作。

圖2 IMS軸承故障實驗演示圖

數(shù)據(jù)集下載地址為：

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

東南大學(xué)齒輪箱故障數(shù)據(jù)集下載地址為：

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

一、狀態(tài)監(jiān)測 - 參數(shù)報警

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(jiān)測現(xiàn)場一般不會采用原始數(shù)據(jù)直接進行齒輪箱狀態(tài)監(jiān)測，而是通過數(shù)學(xué)方法加工得到可以放大設(shè)備異常變化的敏感特征，進而實現(xiàn)及時的風(fēng)險報警。常使用的監(jiān)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?；贜ASA-IMS軸承數(shù)據(jù)集，測試不同報警特征的告警效果，如圖3所示。

圖3 不同工藝參數(shù)曲線圖

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(yōu)于其它三個指標(biāo)，近似熵效果最差。說明基于數(shù)學(xué)手段抽取的敏感特征指標(biāo)對設(shè)備進行運行監(jiān)測的路徑是有效的，但不同的指標(biāo)效果表現(xiàn)有較大的差異。然而若是基于敏感特征直接進行觀察，會因為操作員的定性主觀水平不一，依然存在不夠直觀的問題，導(dǎo)致設(shè)備運維監(jiān)測邏輯難以精確化管控。

2. 敏感特征報警定量優(yōu)化

根據(jù)設(shè)備運行平穩(wěn)性假設(shè)，可知設(shè)備應(yīng)該滿足某種隱式的特征分布不變性，上節(jié)抽取的敏感特征也應(yīng)該滿足該假設(shè)。不失一般性，本文假設(shè)敏感特征滿足正態(tài)分布，基于正態(tài)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(shè)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”抽取邏輯簡要表述為：假設(shè)設(shè)備前期處于運行正常的狀態(tài)，特征數(shù)據(jù)服從正態(tài)分布規(guī)律，指標(biāo)數(shù)據(jù)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(dāng)設(shè)備異常發(fā)生，指標(biāo)數(shù)據(jù)會發(fā)生較大變化，此時統(tǒng)計落在3σ范圍外的數(shù)據(jù)比例，該“3σ異常值比例”具有明確的指導(dǎo)作用。

圖4 不同工藝參數(shù)異常率曲線圖

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

“3σ異常值比例”報警可以更為直觀地展現(xiàn)異常，現(xiàn)場指標(biāo)較多，測點可能也存在多個，用戶需要挑選出合適的指標(biāo)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(biāo)，依據(jù)平均異常率排序，挑選出平均異常率最高的測點，然后針對不同指標(biāo)，同樣依據(jù)平均異常率排序，挑選出平均異常率較高的幾個指標(biāo)作為監(jiān)測觀察指標(biāo)。統(tǒng)計結(jié)果如圖5所示：

圖5 各指標(biāo)異常率曲線圖

二、故障診斷

齒輪箱故障監(jiān)測系統(tǒng)主流傳感數(shù)據(jù)多為振動傳感器，針對振動傳感數(shù)據(jù)進行故障診斷，可以抽象為基于時序信號的故障分類問題。本文第一種故障分類方案，借鑒近年來熱門的圖像識別技術(shù)，可以將信號類時序數(shù)據(jù)歸一化后，按照采樣點切割轉(zhuǎn)換成二維矩陣，形成類似于圖像的灰度矩陣，然后采用CNN卷積網(wǎng)絡(luò)等主流圖像分類算法進行訓(xùn)練學(xué)習(xí)。CNN訓(xùn)練情況見圖6左?？紤]到有較多的振動傳感器采集頻率在10 kHZ~20 kHZ, 數(shù)據(jù)量較大，若是直接采用原始時序特征進行訓(xùn)練，將導(dǎo)致較大的算力資源消耗和時間消耗。本文采用了更為精簡的第二種故障分類方案，即通過WPT小波包分解技術(shù)處理原始時序信號，在此基礎(chǔ)上通過小波能量計算得到維度較小的間接特征，作為后續(xù)分類模型的輸入（分類模型選擇了SVM支持向量機和BP神經(jīng)網(wǎng)絡(luò)）。圖6右展示了分類模型為BP神經(jīng)網(wǎng)絡(luò)時的訓(xùn)練情況。

圖6 模型訓(xùn)練集與測試loss圖表1 不同方案的故障分類準(zhǔn)確率對比情況

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?？紤]到卷積網(wǎng)絡(luò)耗時嚴重，且模型較大、不適合靈活的工程現(xiàn)場部署；采用間接特征的方案2在保證了更高的分類準(zhǔn)確率時，也因為模型相較于CNN深度學(xué)習(xí)模型更精煉，更適合于現(xiàn)場靈活部署，但方案2對于工程師數(shù)據(jù)分析能力要求較高，而天洑數(shù)據(jù)建模平臺DTEmpower可為您的深度數(shù)據(jù)分析提供簡潔而嚴謹?shù)墓I(yè)數(shù)據(jù)處理一站式解決方案。

圖7 天洑數(shù)據(jù)建模平臺DTEmpower

三、總結(jié)

隨著全球風(fēng)電裝機容量的增加，風(fēng)電機組發(fā)生故障的頻率也逐漸增加，其中齒輪箱的故障大約占20%。齒輪箱故障診斷功能通過大數(shù)據(jù)分析對齒輪箱故障特征進行訓(xùn)練，實現(xiàn)齒輪箱故障診斷和提前預(yù)警，可以有效減少風(fēng)電機組的故障停機，合理安排維修計劃，降低機組停機產(chǎn)生的損失，為風(fēng)電的安全可靠穩(wěn)定運行提供了重要的保障。

天洑軟件以挖掘數(shù)據(jù)價值為核心導(dǎo)向，以建立數(shù)字孿生模型為技術(shù)手段，打造工業(yè)各場景最可靠、最實用的產(chǎn)品應(yīng)用，并針對行業(yè)特點提供定制化開發(fā)服務(wù)，用AI技術(shù)解決工業(yè)運維難題。