故障诊断在风力发电机组的应用剖析

风力发电机组故障诊断方法研究 (长春科技学院学院，长春 132012） 摘要：在风机故障诊断中,采用的基本方法是时域监测、频域诊断,通过实时监测来对风力发电机的状态进行诊断。本文主要介绍当前风力发电机诊断的监测及故障诊断常用的方法。 关键词: 风机;故障诊断;振动；监测

Research of fault diagnosis in wind turbine generator system

Houshuang (1.School of Automation Engineering,Northeast Dianli University,changchun 132012,China. 2. School of Automation Engineering,Northeast Dianli University,Jilin 132012.) Abstract: The ways of the fault diagnosis of wind turbine generator system almost are monitoring in time domain and making diagnosis in frequency domain. The working state and the faults are known by analyzing the figures .Some new developments in fault mechanism, signature extraction ,diagnosis method, how to prevent fault. Keywords: wind turbine generator system ; fault diagnosis ;vibration

1引言

面对当前不可再生资源的短缺状况，许多国家的学者们都在不断的探索和发展可以利用并能保护环境的可再生清洁能源，主要包括风能、太阳能、潮汐能等等，一二五规划的大力推动下风力发电已经建成一定规模，风力发电的各种相关技术也在不断的发展和完善并日趋成熟，风电行业的市场也正在迅猛的发展和扩大，风力发电作为一种增长速度快、可持续再生的新能源，使其具备了在能源竞争中的一定优势。 风力发电迅猛发展的同时，又不断出现了新的问题，就我国而言我国风力发电机组频出故障，如果不能及早发现故障，在故障时及时排除故障，必将对风力发电机的发电量和使用寿命造成直接的影响。因而对于风力发电机的故障诊断变得尤为重要，并且风力发电机是大型的旋转机械设备，其故障诊断理论同样使用于其他大型机械设备，所以对风力发电机故障诊断的研究有很深远的实践意义。

2风机故障机理研究 风力发电机的故障常从风力发电机各部分的振动状况方面体现出来,根据振动信号进行实时监测与诊断是目前风机设备维护管理的主要手段,经过多年的发展与完善,风机振动故障诊断已经形成了比较完备的理论与技术体系。近年来,随着非线性理论的发展,尤其是信号处理、知识工程和计算智能等理论技术与故障诊断的融合渗透,使风机故障诊断的内容得到了进一步的丰富与充实。发生故障的风机设备在运行中一般处于非线性振动状态。风机等旋转机械常见故障,如不平衡、不对中、弯曲、裂纹、松动、碰摩、喘振、油膜涡动、油膜振荡、旋转失速等，总体来说,风机振动故障产生于 4个方面:电机、风机本身、基础和风管 。其中由风机方面原因引起的故障占主导地位。

图1 风机振动因果图 3故障征兆提取 风机的振动信号反映了风机设备的运行状况,其时域、频域和幅值域分析结果均可以作为故障征兆。由于以快速 Fourier变换(FFT)为基础的数字信号处理技术在机械动力学中广泛应用,测试分析方法已经达到了比较完善的程度,而且,风机的振动信号在频域内的能量分布具有比较明显的特点,因此,目前的风机故障诊断仍以振动信号的频域特征作为主要的故障征兆。

3.1功率谱估计 由于风机振动信号在频域内具有明显的分布特征,因此,各种功率谱估计技术在故障征兆提取中得到了广泛应用。其中,经典功率谱估计方法(如周期图法、自相关法)在工程实践中应用最为广泛,但是,该方法存在着方差性能差,分辨率低等局限。现代功率谱估计中的最大熵谱估计和参数模型功率估计 (如AR,MA,ARMA和 Prony模型)提高了频率分辨率,在振动信号的分析中也得到了应用。对于平稳信号而言,其频域的能量分布不随时间变化,上述功率谱估计方法可以满足精度要求。

电机方面 1、 轴弯曲；2、轴承损坏； 3、转自不平衡；4、轴承座刚性差；5、电源电压不平衡；6、磁隙不均；7、磁力中心不正常

风机方面 1、机件损坏；2、轴不对中；3、转自不平衡；4、转子弯曲；5、轴承磨损；6、轴承油膜涡动；7、密封摩擦震动；8、机件松动

基础方面 1、基础共振；2、基础刚性差；3、基础破损；4、地脚螺栓损伤松动；5、振动传递

管道方面 1、管道共振；2、支撑不良；3、气流脉动；4、管道阻力；5、进风阻力

风 机 振动 3.2时频分析 风机在升降速过程中的振动信号为非平稳信号,为了获得信号相对于频率和时间的变化规律,提高分析结果的精度,需要采用时频分析技术,如短时 Fourier变换(SFFT),Wigner-Ville分布(WVD)和小波(Wavelet)分析等。其中,短时 Fourier变换用窗函数将信号截短,将每小段信号视为平稳过程来进行谱估计,从而得到功率谱随时间变化的大致规律,转速谱阵是该方法的一种变化形式;Wigner-Ville分布真正将一维的时间或频率函数映射为时间-频率的二维函数,比较准确地反映了信号能量随时间和频率的分布情况,但是该方法存在频率干涉现象,难以将含有多成份的信号表示清楚;小波分析是适应信号处理的实际需要而发展起来的一种时频分析方法,与传统的信号处理方法相比,小波变换在时域和频域同时具有良好的局部化特征,目前,基于小波包和多分辨分析的小波分析方法已经在旋转机械的故障征兆提取中得到了研究和应用 。

3.3其它方法 为了尽可能全面地获得风机设备的运行状态信息,提取故障征兆,针对类似风机等旋转机械还有一些其它的分析技术。 ① 轴心轨迹 ② 风机状态监测的重要参数,该参数不但能够显示转子轴径相对滑动轴承位移,反映轴承的预负荷,而且还可以提供转子的涡动频率和进动方向。 ③ 全息谱能够反映转子弯曲和扭转振动的形式,是针对类似风机的旋转机械故障征兆提取而提出的一种方法 。该技术在 FFT算法的基础上,通过内插技术,精确求得按自由方式采集的振动信号的幅值、频率和相位值,然后将转子截面水平和垂直方向振动信号的幅值、频率和相位信息进行集成,用合成的一系列椭圆来刻划不同频率分量下的转子振动行为。 ④ 角域分析 该方法适用于类似风机的旋转机械的非平稳状态分析,实现的必要技术是对数据采集进行反馈控制,使采样频率跟踪转速变化,将相对频率非平稳的信号转变成相对转子转角为平稳的信号,在信号幅值相对时间变化平稳的假设前提下,对数据进行谱分析,阶次跟踪分析的依据就是这种原理 。 ⑤ 分形维数 分形是非线性理论中的概念,是事物的形状、形态、结构和组织的分解、分割、分裂与分析,是事物从整体向局部、从宏观向微观转化的过程。机械设备发生故障时,振动信号通常变得更为复杂、不规则,分形维数能够描述信号的复杂性和不规则性,研究表明,可以将其作为故障征兆来识别设备的状态。结合小波分析对汽轮发电机组轴承发生松动故障前后振动信号的分形维数进行了计算,得到了不同的结果。 4风机故障的诊断推理 目前,故障诊断推理过程中采用的方法较多,按照它们隶属的学科体系,可以将其分为 3类:基于控制模型故障诊断、基于模式识别故障诊断和基于人工智能故障诊断。

4.1基于控制模型的故障诊断 对于动态系统,若通过理论或实验方法能够建立模型,则系统参数或状态的变化可以直接反映设备物理系统或物理过程变化,为故障诊断提供依据。此方法涉及模型建立、参数估计、状态估计和观测器应用等技术,其中,参数与状态估计技术是关键,需要系统的精确模型,在实际生产环境中,对于复杂的设备而言,该方法不是经济可行的。

4.2基于模式识别的故障诊断 模式识别是对一系列过程或事件进行分类或描述,主要分为统计法和语言结构法两大类。设备的故障诊断可以视为模式识别过程 :测量并记录设备的运行状态参数,从中提取故障征兆参数,对于不同的故障状态,相应的征兆参数形成不同的模式,将系统的状态模式与故障字典中的故障样本模式进行匹配,从而识别出设备的故障。当系统的模型未知或者非常复杂时,该方法为解决故障诊断问题提供了一种简便有效的手段。

4.3基于人工智能的故障诊断 基于人工智能故障诊断的研究主要分为两类 :基于知识(符号推理)的故障诊断和基于神经网络(数值计算)的故障诊断。 ①基于知识的故障诊断 大致经历了两个发展阶段:基于浅知识(规则)的专家系统和基于深知识(模型知识)的专家系统。专家系统是一种人工智能软件系统,利用领域专家的经验知识,根据用户给出的关于问题的信息数据,按照一定的推理机制,从知识库中选择对于问题的最合理的解释。基于知识的故障诊断专家系统有很多优点,例如:适合于模拟人的逻辑思维过程,解决需要进行逻辑推理的复杂诊断问题，知识可以用符号表示,在已知基本规则的情况下,无需大量的细节知识，便于与传统的符号数据库接口等。 ② 基于神经网络的故障诊断 神经网络是模拟生物神经系统而建立起来的自适应非线性动力学系统,具有可学习性和并行计算能力,