風(fēng)電機(jī)組振動(dòng)故障的檢測(cè)方法

鄔春明, 銀海燕, 唐　杰

(1. 東北電力大學(xué) 信息工程學(xué)院, 吉林省 吉林市　132012;

2. 天津工業(yè)大學(xué) 機(jī)械工程學(xué)院現(xiàn)代機(jī)電裝備技術(shù)天津市重點(diǎn)實(shí)驗(yàn)室, 天津　300000)

?

風(fēng)電機(jī)組振動(dòng)故障的檢測(cè)方法

鄔春明1, 銀海燕1, 唐杰2

(1. 東北電力大學(xué) 信息工程學(xué)院, 吉林省 吉林市132012;

2. 天津工業(yè)大學(xué) 機(jī)械工程學(xué)院現(xiàn)代機(jī)電裝備技術(shù)天津市重點(diǎn)實(shí)驗(yàn)室, 天津300000)

摘要:論述了風(fēng)電機(jī)組振動(dòng)故障檢測(cè)的重要性及常用的振動(dòng)故障的檢測(cè)方法;歸納比較了小波變換法、神經(jīng)網(wǎng)絡(luò)法、神經(jīng)網(wǎng)絡(luò)與模糊理論結(jié)合法及人工免疫法的性能與優(yōu)缺點(diǎn);分析了我國(guó)在風(fēng)電機(jī)組故障檢測(cè)預(yù)警系統(tǒng)方面的現(xiàn)狀與發(fā)展趨勢(shì);指出目前小波變換故障診斷法在我國(guó)已趨成熟,而人工智能檢測(cè)法的應(yīng)用才剛剛起步.

關(guān)鍵詞:風(fēng)電機(jī)組; 振動(dòng)故障; 小波變換; 人工智能; 檢測(cè)方法

風(fēng)電機(jī)組的設(shè)備部件精細(xì),故障高發(fā)區(qū)也越來(lái)越多.常見(jiàn)的故障主要分布于三大區(qū)域:主軸及軸承、齒輪箱和發(fā)電機(jī).主軸的故障為主軸不平衡、軸松動(dòng),主軸承的故障模式有軸承過(guò)熱、軸承疲勞性損傷、軸承功能性失效、軸承配合間隙過(guò)大、軸承配合過(guò)度等.齒輪箱的主要故障包括軸斷裂、軸彎曲、疲勞損傷、內(nèi)齒圈斷裂、內(nèi)齒圈變形等.發(fā)電機(jī)是風(fēng)電機(jī)組中將旋轉(zhuǎn)的機(jī)械能轉(zhuǎn)化為電能的裝置,由于其長(zhǎng)期運(yùn)行于電磁環(huán)境中,運(yùn)行環(huán)境惡劣,常出現(xiàn)的故障有電機(jī)不啟動(dòng)或啟動(dòng)困難、發(fā)電機(jī)振動(dòng)、發(fā)電機(jī)噪聲大、發(fā)電機(jī)過(guò)熱、發(fā)動(dòng)機(jī)功率不足,運(yùn)轉(zhuǎn)不良等[1].面對(duì)如此多的風(fēng)電機(jī)組高發(fā)故障,使用在線風(fēng)電機(jī)組振動(dòng)故障檢測(cè)技術(shù)勢(shì)在必行.

1小波變換故障診斷法

小波變換故障診斷法屬于信號(hào)診斷方法中最常用的一種方法,它是利用小波變換中的多分辨分析(多尺度分析)和時(shí)頻域分析,同時(shí)根據(jù)風(fēng)電機(jī)組輸出的特征值(如振幅、頻率、相位等)與風(fēng)電機(jī)組故障源的關(guān)系,來(lái)進(jìn)行有無(wú)故障的判斷.由于小波變換在時(shí)域和頻域上都可以運(yùn)用多尺度分析捕捉信號(hào)的局部特征來(lái)檢測(cè)信號(hào)的瞬間動(dòng)態(tài),查看信號(hào)有無(wú)奇異點(diǎn)出現(xiàn)[2],所以現(xiàn)在研究的方法有:利用觀察信號(hào)的奇異性來(lái)進(jìn)行故障診斷,如文獻(xiàn)[3]給出了具體步驟:①選取合適的小波函數(shù)進(jìn)行一階和二階求導(dǎo);②將小波函數(shù)和一階二階求導(dǎo)函數(shù)進(jìn)行小波變換;③對(duì)變換完的函數(shù)進(jìn)行各尺度上的細(xì)節(jié)分析,通過(guò)對(duì)信號(hào)放大來(lái)觀察有無(wú)奇異點(diǎn).還有利用觀測(cè)信號(hào)頻率結(jié)構(gòu)的變換來(lái)進(jìn)行故障診斷(時(shí)頻分析),如文獻(xiàn)[4]給出了具體步驟:①測(cè)出風(fēng)電機(jī)組振動(dòng)故障高發(fā)位置的頻率值;②繪制頻率信號(hào)圖像,對(duì)信號(hào)進(jìn)行小波分解;③對(duì)分解圖像進(jìn)行時(shí)域到頻域的轉(zhuǎn)換,通過(guò)頻譜圖來(lái)觀測(cè)信號(hào)的故障位置.

本方法的優(yōu)點(diǎn)是小波變換的數(shù)學(xué)模型不需要建立一個(gè)系統(tǒng),它具有很高的靈敏度,很強(qiáng)的抑制噪聲能力,且具有較少的計(jì)算量,因此它是振動(dòng)故障診斷的一種實(shí)用方法.其缺點(diǎn)在于如果風(fēng)電機(jī)組設(shè)備的振動(dòng)過(guò)于劇烈,診斷結(jié)果容易發(fā)生誤判.

2神經(jīng)網(wǎng)絡(luò)故障診斷法

神經(jīng)網(wǎng)絡(luò)算法是模仿人體神經(jīng)系統(tǒng)的一種數(shù)學(xué)模型.最具有代表性的是通過(guò)逆向傳遞誤差,進(jìn)行多層向前反饋的BP網(wǎng)絡(luò),即誤差逆向傳遞的多層前饋式網(wǎng)絡(luò)[5].文獻(xiàn)[6]給出了其主要步驟:①確定輸入層的參數(shù)特征值和輸出層的故障模式;②確定隱含層的訓(xùn)練樣本模式集,即選取適合輸入輸出之間內(nèi)在關(guān)系的函數(shù);③確定所要達(dá)到的精度,開(kāi)始對(duì)模型進(jìn)行反復(fù)的訓(xùn)練;④將待測(cè)數(shù)據(jù)特征輸入已訓(xùn)練完的數(shù)學(xué)模型內(nèi)進(jìn)行故障模式判斷.

本方法的優(yōu)點(diǎn)是能夠自行組織進(jìn)行數(shù)學(xué)模型的優(yōu)化,具有聯(lián)想記憶的能力.其缺點(diǎn)在于只有輸入和輸出端明確,其推理過(guò)程就像一個(gè)黑盒子,沒(méi)有一定的邏輯解釋.

3神經(jīng)網(wǎng)絡(luò)與模糊理論結(jié)合故障診斷法

模糊理論是由于系統(tǒng)運(yùn)行狀態(tài)過(guò)于復(fù)雜,有太多的不確定性,而隨之產(chǎn)生的一種隸屬度函數(shù)理論.它是依據(jù)檢測(cè)狀態(tài)空間與機(jī)組振動(dòng)故障狀態(tài)空間的聯(lián)系來(lái)判斷與診斷故障類型的.根據(jù)模糊分類方法和神經(jīng)網(wǎng)絡(luò)相結(jié)合,利用兩者之間的優(yōu)勢(shì)分擔(dān)診斷中的各部分功能,構(gòu)造成為一種模糊神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型.

由于神經(jīng)網(wǎng)絡(luò)是分布式并行處理的數(shù)學(xué)模型,沒(méi)有像專家系統(tǒng)一樣有一定的邏輯解釋,其推理過(guò)程就像一個(gè)黑盒子,所以神經(jīng)網(wǎng)絡(luò)算法經(jīng)常會(huì)和模糊理論兩者相結(jié)合使用,將神經(jīng)網(wǎng)絡(luò)的推理過(guò)程進(jìn)行粗略分段,來(lái)細(xì)化神經(jīng)網(wǎng)絡(luò)的推理過(guò)程.文獻(xiàn)[7]給出了其主要方法,在神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本庫(kù)中采用聚焦式的模糊分段算法,將不同故障征兆根據(jù)機(jī)組的實(shí)際情況分散到不同的區(qū)間中去,進(jìn)行數(shù)據(jù)模型的訓(xùn)練.將待測(cè)數(shù)據(jù)特征值輸入到已訓(xùn)練完的數(shù)學(xué)模型,其隸屬于哪個(gè)故障范圍就判斷是何種故障.

該方法的優(yōu)點(diǎn)在于它能夠粗略地分析神經(jīng)網(wǎng)絡(luò)的推理過(guò)程,但目前模糊理論在國(guó)內(nèi)的技術(shù)還尚未成熟,兩者的結(jié)合也只是用一些實(shí)際的故障診斷案例,并且還需要一定的學(xué)習(xí)樣本,否則就會(huì)陷入局部最優(yōu).

4人工免疫故障診斷法

20世紀(jì)80年代,Forrest等人率先開(kāi)始了人工免疫系統(tǒng)的研究,提出了免疫系統(tǒng)的動(dòng)態(tài)模型.同時(shí)討論了人工免疫與人工智能之間存在的聯(lián)系,尤其是與神經(jīng)網(wǎng)絡(luò)之間存在的不同.他們認(rèn)為在模式識(shí)別、學(xué)習(xí)、記憶單元和數(shù)量上,系統(tǒng)的魯棒性是相似的,在通信控制系統(tǒng)、分布和單位上不同.風(fēng)電機(jī)組的免疫應(yīng)答機(jī)制同樣分為訓(xùn)練與診斷兩個(gè)方面,其涵蓋了陰性選擇、模式識(shí)別、克隆選擇和免疫網(wǎng)絡(luò)等算法理論.

目前,應(yīng)用在風(fēng)電機(jī)組故障診斷中的人工免疫算法主要有陰性選擇算法和克隆選擇算法.陰性選擇算法的主要步驟:①隨機(jī)選擇N組正常數(shù)據(jù)特征值作為自我集;②產(chǎn)生于自我集不匹配的檢測(cè)器集作為抗體;③使檢測(cè)器集與故障模式一一匹配,刪除兩種及以上故障類型匹配的檢測(cè)器集;④將挑選的優(yōu)秀檢測(cè)器集進(jìn)行訓(xùn)練;⑤待測(cè)數(shù)據(jù)信號(hào)輸入進(jìn)行有無(wú)故障的判斷.如文獻(xiàn)[8]中的方法是運(yùn)用人工免疫中的陰性選擇機(jī)制,將正常狀態(tài)空間作為自我集,故障檢測(cè)器集作為抗體,未知狀態(tài)空間作為抗原,引入已知故障樣本作為疫苗來(lái)促進(jìn)算法的收斂速度.而克隆選測(cè)算法一般是配合陰性選測(cè)算法使用的,如文獻(xiàn)[9]中的方法是以機(jī)組狀態(tài)空間為抗原,故障檢測(cè)器集為抗體,利用陰性選擇機(jī)制判斷機(jī)組的異常,通過(guò)克隆選擇獲取記憶抗體,依據(jù)隸屬度區(qū)間來(lái)判斷是何故障類型.

相對(duì)于神經(jīng)網(wǎng)絡(luò)算法來(lái)說(shuō),人工免疫法能更好地維護(hù)風(fēng)電機(jī)組振動(dòng)故障特征的多樣性,提高診斷精確度.該算法的不足之處在于:①訓(xùn)練檢測(cè)器集與故障模式一一匹配的時(shí)間過(guò)于漫長(zhǎng);②捕捉有效的故障特征越多,其運(yùn)算的精度就越高,但運(yùn)算處理就越為復(fù)雜;③用一定數(shù)量的檢測(cè)器可能使故障集陷入局部最優(yōu).

5風(fēng)電機(jī)組振動(dòng)故障檢測(cè)方法的對(duì)比

就國(guó)內(nèi)的發(fā)展?fàn)顩r來(lái)看,目前應(yīng)用相對(duì)比較成熟的是小波變換和神經(jīng)網(wǎng)絡(luò)技術(shù)理論.小波變換是根據(jù)風(fēng)電機(jī)組輸出的特征值判斷是否有故障產(chǎn)生,并且還能進(jìn)行時(shí)頻轉(zhuǎn)換分析;神經(jīng)網(wǎng)絡(luò)也是經(jīng)過(guò)特征提取,經(jīng)過(guò)自身的反復(fù)記憶協(xié)調(diào)來(lái)達(dá)到一定的精準(zhǔn)度,然后通過(guò)訓(xùn)練好的模型來(lái)判斷故障類型,兩者的計(jì)算方法相對(duì)簡(jiǎn)單實(shí)用,也是現(xiàn)在的熱點(diǎn)技術(shù).人工免疫方法是一種新型的理論技術(shù),雖與神經(jīng)網(wǎng)絡(luò)相似但更能有效地分析判斷,保證故障類型的多樣性,同時(shí)非常適用于風(fēng)電機(jī)組故障診斷的在線監(jiān)測(cè),非常符合診斷系統(tǒng)的智能化發(fā)展方向,但在實(shí)際應(yīng)用中還是相對(duì)較少.

未來(lái)對(duì)人工免疫算法的研究進(jìn)展可能有以下幾個(gè)方面:

(1) 針對(duì)現(xiàn)在人工免疫算法的不足繼續(xù)提出一些提高診斷精度的優(yōu)化算法.

(2) 由于人工免疫算法非常適合于風(fēng)電機(jī)組故障診斷的在線監(jiān)測(cè),因此在未來(lái)會(huì)出現(xiàn)遠(yuǎn)程在線風(fēng)電機(jī)組振動(dòng)故障檢測(cè)系統(tǒng).

(3) 針對(duì)應(yīng)用人工免疫算法的遠(yuǎn)程在線風(fēng)電機(jī)組振動(dòng)故障檢測(cè)系統(tǒng),建立起有效的風(fēng)電機(jī)組運(yùn)行評(píng)價(jià)指標(biāo)和體系.

6結(jié)論

我國(guó)在利用人工智能的故障檢測(cè)方法方面的研究初見(jiàn)成效,在風(fēng)電機(jī)組振動(dòng)故障檢測(cè)方法方面的研究已經(jīng)有了一定發(fā)展,且逐漸趨向成熟,但是真正運(yùn)用到工業(yè)生產(chǎn)中去的還是相對(duì)較少,相對(duì)國(guó)外的先進(jìn)技術(shù),如神經(jīng)網(wǎng)絡(luò)、模糊理論和人工免疫這樣的人工智能方法還有很大的距離.所以還需要積極引進(jìn)國(guó)外技術(shù),為我國(guó)的企業(yè)發(fā)展壯大和經(jīng)濟(jì)建設(shè)發(fā)揮重要作用[10].

參考文獻(xiàn):

[1] 張小科. 風(fēng)力發(fā)電機(jī)組振動(dòng)在線監(jiān)測(cè)及故障診斷[D]. 保定:華北電力大學(xué), 2011.

(Zhang Xiaoke. Online Monitoring and Fault Diagnosis Used in Wind Turbine[D]. Baoding: North China Electric Power University,2011.)

[2] 孫喬. 機(jī)械系統(tǒng)的狀態(tài)監(jiān)測(cè)與故障診斷綜述[J]. 河南科技, 1998(11):4-5.

(Sun Qiao. Introduction of Machinery Condition Monitoring and Fault Diagnosis[J]. Journal of Henan Science and Technology, 1998(11):4-5).

[3] 周洋,蕭蘊(yùn)詩(shī),何斌, 等. 基于小波變換的機(jī)械振動(dòng)故障診斷系統(tǒng)的研究[J]. 華東交通大學(xué)學(xué)報(bào), 2006,23(4):105-107.

(Zhou Yang, Xiao Yunshi, He Bin, et al. The Study of Machinery Vibration Fault Diagnosis Detection System Based on Wavelet Transformation[J]. Journal of East China Jiaotong University, 2006,23(4):105-107.)

[4] 張照煌,丁顯,劉曼,等. 基于小波變換的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障診斷與分析[J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào), 2011,19(S1):210-218.

(Zhang Zhaohuang, Ding Xian, Liu Man, et al. Based on Wavelet Transform of Fault Diagnosis and Analysis of Wind Generator Transmission System[J]. Journal of Basic Science and Engineering, 2011,19(s1):210-218.)

[5] 劉文藝. 風(fēng)電機(jī)組振動(dòng)監(jiān)測(cè)與故障診斷研究[D]. 重慶:重慶大學(xué), 2010.

(Liu Wenyi. Research on the Wind Turbine Vibration Monitoring and Fault Diagnosis[D].Chongqing: Chongqing University, 2010.)

[6] 張來(lái)斌,崔厚璽,王朝暉. 基于信息熵神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機(jī)故障診斷方法研究[J]. 機(jī)械強(qiáng)度, 2009,31(1):132-135.

(Zhang Laibin, Cui Houxi, Wang Zhaohui. Fault Diagnosis of Wind Turbine Based on Information Entropy and Neural Network[J]. Journal of Mechanical Strength, 2009,31(1):132-135.)

[7] 楊蘋(píng),陳武. 基于自組織模糊神經(jīng)網(wǎng)絡(luò)的汽輪發(fā)電機(jī)組振動(dòng)故障診斷系統(tǒng)[J]. 電力系統(tǒng)自動(dòng)化, 2006.30(14):66-70.

(Yang Ping, Chen Wu. Fault Diagnosing System for Turbo-generator Unit Based on Self-organized Fuzzy Neural Network[J]. Automation of Electric Power Systems. 2006,30(14):66-70.)

[8] 韓中合,王峰,郝曉冬,等. 基于人工免疫算法的機(jī)組振動(dòng)故障診斷方法[J]. 華北電力大學(xué)學(xué)報(bào), 2010,37(3):38-42.

(Han Zhonghe, Wang Feng, Hao Xiaodong, et al. Fault Diagnosis of Turbine Vibration Based on Artificial Immune Algorithm[J]. Journal of North China Electric Power University, 2010,37(3):38-42.)

[9] 劉忠,周建中,張勇傳,等. 基于免疫原理的水電機(jī)組故障診斷方法[J]. 水力發(fā)電, 2007,33(3):54-56.

(Liu Zhong, Zhou Jianzhong, Zhang Yongchuan, et al. Fault Diagnosis Method of Hydro-Generating Unit Based on Immunology Principles[J]. Water Power, 2007,33(3):54-56.)

[10] 薛端陽(yáng). 風(fēng)力發(fā)電機(jī)塔筒制造的過(guò)程控制方案[J]. 沈陽(yáng)大學(xué)學(xué)報(bào):自然科學(xué)版, 2013,25(6):481-484.

【責(zé)任編輯: 王穎】

(Xue Duanyang. Process Control Scheme of Wind Turbine Tower Tube Manufacturing[J]. Journal of Shenyang University: Natural Science, 2013,25(6):481-484.)

Detection Methods of Wind Turbine Vibration Fault

WuChunming1,YinHaiyan1,TangJie2

(1. Information Engineering College, Northeast Dianli University, Jilin 132000, China; 2. Modern Electrical Equipment Technology Tianjin Key Laboratory, School of Mechanical Engineering, Tianjin Polytechnic University, Tianjin 300000, China)

Abstract:The importance of wind turbine vibration fault detection is discussed and the common vibration fault detection methods are described. The performance, advantages and disadvantages of the methods of wavelet transform, neural networks, the combination of neural networks and fuzzy theory and artificial immune are summarized and compared. The current situation and development trend of wind turbine fault detection warning system are analyzed. It is pointed out that, currently the wavelet transform fault diagnosis method in our country has matured, and the application of artificial intelligence detection method has just begun

Key words:wind turbine; fault detection; wavelet transform; artificial intelligence; detection method

收稿日期:2014-11-17

中圖分類號(hào):TH 17

文獻(xiàn)標(biāo)志碼:A

作者簡(jiǎn)介:鄔春明(1966-),男,吉林省吉林市人,東北電力大學(xué)教授,碩士生導(dǎo)師.

基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(61301257); 2013年吉林省科技發(fā)展計(jì)劃資助項(xiàng)目(201320605GX).

文章編號(hào):2095-5456(2015)01-0069-03