下载文档原格式
发电运维Power Operation基于离线振动数据分析的风电机组故障诊断内蒙古华电辉腾锡勒风力发电有限公司 张凯 李忠善 王志东内蒙古华电二连浩特新能源有限公司 肖盛忠华电电力科学研究院 孔德同摘要：本文针对风电机组主传动系统振动分析，从测试方法、分析方法等方面进行了详细阐述。
由于风电机组主传动系统结构复杂，尤其是齿轮箱，一般为多级传动，内部的多对齿轮啮合导致信号相互耦合，因此在利用振动数据分析主传动系统劣化趋势时，需要进行详细的分析及诊断。
关键词：风电机组；主传动系统；振动1 前言风电机组工作在变速变载恶劣工况下，导致主传动系统故障率居高不下。
振动分析作为风电机组常用的检测手段，具备较好的通用性。
然而，由于风电机组主传动系统结构复杂，尤其是齿轮箱，一般为多级传动，传动比达到100左右，内部的多对齿轮啮合导致信号相互耦合，因此，在利用振动数据分析主传动系统劣化趋势时，需要进行详细的分析及诊断。
2 测试背景及方案内蒙某风场98号风机于2016年10月份出现异常振动。
更换轴承之后9天，机组振动更加强烈。
针对该机组出现的问题，现场采集该风电场26、30、65、93和98共5台风力发电机组的振动信号，并对振动信号进行分析以诊断98号机组故障。
结构简图如图1所示。
齿轮箱、发电机参数信息如表1所示。
表1 齿轮箱发电机参数图1 华锐Sl82-1500kw风力发电机组传动系统简图该机组型号为华锐SL82-1500，主传动系统由叶片、齿轮箱、发电机等组成。
机组机械传动系统测试方案如下：1）针对测试对象发电机进行测试。
采集发电机驱动端轴承振动信号和自由端轴承振动直信号，同步采集。
2）针对测试对象齿轮箱进行测试。
采集齿轮箱输出轴振动信号和齿轮箱内齿圈振动信号，同步采集。
3）针对测试对象齿轮箱进行测试。
采集齿轮箱中间轴振动信号和齿轮箱内齿圈振动信号，同步采集。
4）为综合评估发电机振动与齿轮箱振动的相互传递，针对齿轮箱和发电机进行联合测试。
基于振动特征的风机叶片故障检测与诊断方法随着风能的开发和利用，风机作为风能转换的重要设备，其正常运行对风电场的发电效率和经济效益有着重要影响。
然而，由于外界环境和长期运行等因素的影响，风机叶片容易出现各种故障，如裂纹、疲劳断裂和松动等。
这些故障如果不能及时发现和诊断，可能会导致严重的事故和设备损坏，因此风机叶片故障的检测和诊断显得尤为重要。
近年来，基于振动特征的风机叶片故障检测与诊断方法得到了广泛关注和应用。
振动信号是风机叶片故障的重要特征之一，通过对叶片振动信号的分析可以有效地识别和判断叶片故障类型和程度。
下面将介绍几种常用的基于振动特征的风机叶片故障检测与诊断方法。
一、时域振动特征分析法时域振动特征分析法是一种常用的风机叶片故障检测与诊断方法。
该方法主要是通过对风机叶片振动信号的时域波形进行分析，提取出其中的故障特征信号。
常用的时域振动特征包括峰值、波形、振幅等。
通过对这些特征进行统计和分析，可以准确地判断叶片是否存在故障以及故障类型和程度。
二、频域振动特征分析法频域振动特征分析法是另一种常用的风机叶片故障检测与诊断方法。
该方法主要是通过对风机叶片振动信号进行频谱分析，得到叶片振动频率和振动幅度的分布情况。
常用的频域振动特征包括频谱图、功率谱密度和谐波分析等。
通过对这些特征进行分析，可以判断叶片是否存在频率异常或振动幅度异常，从而判断叶片是否存在故障。
三、小波变换分析法小波变换分析法是一种较新的风机叶片故障检测与诊断方法。
该方法主要是通过对风机叶片振动信号进行小波分析，得到叶片振动信号的时频特性。
通过对时频特性进行分析，可以提取出叶片振动的瞬时能量和频率分布情况，从而判断叶片是否存在异常振动和故障。
四、模式识别方法模式识别方法是一种较为高级的风机叶片故障检测与诊断方法。
该方法主要是通过建立风机叶片振动特征和故障类型之间的模型，利用相关算法对叶片振动信号进行分类和诊断。
常用的模式识别算法包括神经网络、支持向量机和朴素贝叶斯等。
数据分析方法在工业设备故障诊断中的应用教程随着工业设备的智能化程度不断提高，设备故障诊断成为了工程师们面临的重要挑战之一。
传统的故障诊断方法往往需要繁琐的人工操作和大量的试错实验，而且往往耗时耗力。
然而，随着数据科学的快速发展，数据分析方法在工业设备故障诊断中的应用逐渐成为一种高效、准确的诊断手段。
本文将介绍一些常见的数据分析方法，并详细说明如何将其应用于工业设备故障诊断中。
一、故障诊断的基本方法在介绍数据分析方法之前，我们需要了解一些基本的故障诊断方法。
通常，故障诊断可以分为以下几个步骤：1. 故障检测：通过监测设备的传感器数据，判断设备是否存在故障。
常用的方法包括统计分析、峰值检测和模型匹配等。
2. 故障分类：将检测到的故障进行分类，确定故障的类型和程度。
通常采用模式识别、特征提取和机器学习等方法。
3. 故障定位：确定故障发生的位置，帮助维修人员准确定位故障点。
常用的方法包括信号处理、模型推理和故障树分析等。
4. 故障预测：根据设备的运行状态和历史数据，预测可能发生的故障，提前采取措施避免故障的发生。
常用的方法包括时间序列分析、模型预测和人工智能等。
二、数据分析方法在故障诊断中的应用1. 统计分析：统计分析是最常见、最基础的数据分析方法之一。
通过对设备的传感器数据进行统计计算，可以获得设备的运行状态、变化趋势等信息。
例如，通过计算设备的平均值、方差和标准差，可以判断设备是否正常工作。
此外，统计分析还可以用来检测异常数据，帮助发现潜在的故障。
2. 特征提取：特征提取是将原始数据转化为有意义的特征向量的过程。
通过选择适当的特征，可以提高故障诊断的准确性和效率。
常用的特征提取方法包括主成分分析、小波变换和奇异值分解等。
例如，在汽车故障诊断中，可以通过提取引擎转速、进气温度和油压等特征，判断发动机是否存在故障。
3. 机器学习：机器学习是一种能够自动从数据中学习模式和规律的方法。
在工业设备故障诊断中，机器学习可以通过训练模型，自动识别设备的故障类型和程度。
冷冻水泵振动异常分析摘要：本文详细叙述了对冷冻水泵的一种故障进行分析诊断的全过程，从而说明在企业开展设备状态监测的重要意义。
关键词：冷冻水泵振动频谱诊断前言：冷冻水泵作为一种提供制冷机冷量传输的设备，在烟草行业的生产过程中是相当的重要，冷冻水泵故障将导致整个企业的空调系统无法正常调控生产车间环境温湿度，从而影响产品质量。
我公司2010年二期技改项目采用流量EBARA的冷冻水泵配合运行，10月分投入运行。
冷冻水泵的连接方式采用弹性联轴器连接，该冷冻水泵2010年10月投入运行。
我公司采用艾默生的CSI-2130状态监测分析仪进行设备的状态监测及故障诊断，在生产过程中的设备管理起到了很好的效果。
一、故障现象根据对冷冻水泵的振动趋势分析，发现电机自由端水平方向、垂直方向的振动峰值超出故障设置值，并且根据维修工日常设备巡检反馈冷冻水泵的异常声响在加大，因此对这台水泵我们进行了更进一步的分析。
利用CSI-2130状态监测仪进行振动监测发现：M1H、M1U测点出现了振动异常值，M2H、M2V、P1H、P1V2的振动幅值有明显小幅上升。
二、振动分析从振动的趋势管理可以明显的看出，M1H、M1U振动幅值已经超过了设定的故障值，M2H、M2V振动幅值也超过了报警值，且M1H、M1U、M2H、M2V振动幅值有逐步攀升趋势。
因此侧重分析M1H、M1U两个测点，频谱图如下：对这2张频谱图进行重点分析，可以看出在高倍频部位出现了冲击，根据资料可判断为轴承出现故障。
三、故障处理维修工对冷冻水泵电机自由端的轴承进行拆卸检查，发现润滑油存在变质，将轴承拆卸后，手动转动轴承有存在敲击感，证明经过振动分析的故障诊断是正确的。
更换了轴承之后，异常声音消失了，利用CSI2130仪器重新检测M1H、M1U振动幅值恢复正常，说明故障诊断及故障处理的正确性。
并对M1H测点进行测量并作出前后对比图，如下：四、结论企业在利用先进的状态监测技术，例如振动分析、油液分析、温度测量等手段进行设备运行状态进行分析，提前预知设备的故障，做好设备的维修保养工作，说明了状态监测的重要性。
机械系统振动监测与故障诊断方法引言机械系统的振动是指机械元件或部件在运动过程中产生的周期性或非周期性的震动现象。
振动会导致机械系统的运行不稳定，降低系统的工作效率，甚至引发故障。
因此，对机械系统的振动进行监测和故障诊断是非常重要的。
本文将介绍机械系统振动监测与故障诊断的一些常见方法。
一、振动传感器的应用振动传感器是一种用于测量机械系统振动的装置，常见的振动传感器包括加速度传感器、速度传感器和位移传感器。
加速度传感器常用于测量机械系统的振动加速度，速度传感器则用于测量振动速度，位移传感器用于测量机械系统的振动位移。
二、频谱分析方法频谱分析是一种常见的振动信号处理方法，可用于对机械系统的振动信号进行分析。
通过将振动信号转换为频谱图，可以清晰地观察到振动信号在不同频率上的能量分布情况。
频谱分析可以帮助工程师判断机械系统振动的原因，例如确定是否存在某个特定频率的共振点。
三、时域分析方法时域分析是通过分析振动信号在时间域上的波形特征来判断机械系统的振动情况。
时域分析可以通过计算信号的均值、方差、峰值等参数来评估振动信号的特性。
通过时域分析，工程师可以了解振动信号的幅值、周期、频率等信息，从而判断机械系统是否存在振动问题。
四、振动特征提取方法振动特征提取是通过对振动信号进行数学运算和处理，提取出能够反映机械系统振动特征的特征参数。
常见的振动特征参数包括峰值、脉冲指数、裕度、峭度等。
通过提取振动特征参数，可以更准确地诊断机械系统的故障原因。
五、人工智能在振动监测与故障诊断中的应用近年来，人工智能技术在振动监测与故障诊断中得到了广泛的应用。
通过使用机器学习算法和深度学习模型，可以从大量的振动数据中学习并建立模型，实现对机械系统的状态识别和故障预测。
人工智能的引入可以大大提高振动监测与故障诊断的准确性和效率。
六、实时监测与远程诊断技术实时监测与远程诊断技术是指利用物联网和远程通信技术，对机械系统的振动进行实时监测和故障诊断。
