風(fēng)電機(jī)組傳動(dòng)系統(tǒng)振動(dòng)監(jiān)測(cè)研究進(jìn)展

湯寶平， 羅 雷, 鄧 蕾， 韓 延

(重慶大學(xué)機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室 重慶，400030)

?

?專(zhuān)家論壇?

風(fēng)電機(jī)組傳動(dòng)系統(tǒng)振動(dòng)監(jiān)測(cè)研究進(jìn)展

湯寶平， 羅 雷, 鄧 蕾， 韓 延

(重慶大學(xué)機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室 重慶，400030)

振動(dòng)監(jiān)測(cè)是當(dāng)前風(fēng)電機(jī)組傳動(dòng)系統(tǒng)狀態(tài)監(jiān)測(cè)的主要手段。首先，分析了風(fēng)電機(jī)組傳動(dòng)系統(tǒng)振動(dòng)監(jiān)測(cè)策略和各部件振動(dòng)特征提取流程，重點(diǎn)介紹了邊頻帶能量因子、階次譜邊頻帶能量比等振動(dòng)特征趨勢(shì)指標(biāo)；然后，分析指出解決現(xiàn)役風(fēng)電機(jī)組因傳動(dòng)系統(tǒng)故障導(dǎo)致巨大經(jīng)濟(jì)損失的關(guān)鍵是進(jìn)行風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障預(yù)示，重點(diǎn)介紹了泛化流形學(xué)習(xí)的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障預(yù)示方法；最后，從系統(tǒng)架構(gòu)、數(shù)據(jù)采集配置及監(jiān)測(cè)分析方法等方面分析了現(xiàn)有的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)振動(dòng)監(jiān)測(cè)系統(tǒng)的功能與特點(diǎn)，指出了基于多源信息融合的大數(shù)據(jù)預(yù)測(cè)分析與智能維護(hù)將是風(fēng)電機(jī)組健康管理的重要發(fā)展趨勢(shì)。

風(fēng)電機(jī)組傳動(dòng)系統(tǒng)； 振動(dòng)監(jiān)測(cè)； 特征提??； 早期故障預(yù)示； 大數(shù)據(jù)

引 言

風(fēng)能作為一種無(wú)污染的可再生資源，成為各國(guó)爭(zhēng)相發(fā)展的領(lǐng)域之一。但風(fēng)電機(jī)組安裝在野外幾十米的高空，在變風(fēng)載、大溫差等惡劣、變化的工況下，風(fēng)電機(jī)組使用壽命受到極大的影響，尤其是風(fēng)電機(jī)組的主軸、齒輪箱等傳動(dòng)部件在交變載荷的作用下很容易出現(xiàn)故障，造成機(jī)組停機(jī)。較之其他故障，風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障導(dǎo)致機(jī)組停機(jī)時(shí)間最長(zhǎng)[1]，嚴(yán)重影響發(fā)電量，造成經(jīng)濟(jì)損失，而且安裝維護(hù)相當(dāng)困難，維護(hù)費(fèi)用高，使得運(yùn)營(yíng)成本增加，嚴(yán)重?fù)p害風(fēng)力發(fā)電的經(jīng)濟(jì)效益。另一方面，隨著高速發(fā)展時(shí)期安裝的風(fēng)電機(jī)組開(kāi)始逐步走出質(zhì)保期，一個(gè)巨大的風(fēng)電運(yùn)維市場(chǎng)正在逐漸顯現(xiàn)。因此，開(kāi)展風(fēng)電機(jī)組傳動(dòng)系統(tǒng)狀態(tài)監(jiān)測(cè)，進(jìn)而進(jìn)行基于狀態(tài)的早期故障預(yù)示和健康管理就顯得非常迫切和必要。

風(fēng)電機(jī)組傳動(dòng)系統(tǒng)狀態(tài)監(jiān)測(cè)技術(shù)通常有振動(dòng)監(jiān)測(cè)[2-4]、聲發(fā)射(應(yīng)力波)監(jiān)測(cè)[5-6]、油液監(jiān)測(cè)[7-8]等。較之其他信號(hào)，風(fēng)電機(jī)組傳動(dòng)系統(tǒng)振動(dòng)信號(hào)包含的狀態(tài)信息更豐富，對(duì)傳動(dòng)部件異常更敏感，在傳動(dòng)部件早期故障預(yù)示上有明顯優(yōu)勢(shì)，并且振動(dòng)信號(hào)容易解釋?zhuān)哺菀讓?duì)故障進(jìn)行定位。因此，目前風(fēng)電機(jī)組傳動(dòng)系統(tǒng)狀態(tài)監(jiān)測(cè)多采用振動(dòng)監(jiān)測(cè)技術(shù)。

筆者介紹了風(fēng)電機(jī)組傳動(dòng)系統(tǒng)振動(dòng)監(jiān)測(cè)研究進(jìn)展，主要包括風(fēng)電機(jī)組傳動(dòng)系統(tǒng)振動(dòng)監(jiān)測(cè)策略、常用的振動(dòng)特征趨勢(shì)指標(biāo)、基于振動(dòng)的早期故障預(yù)示以及振動(dòng)監(jiān)測(cè)系統(tǒng)等，在此基礎(chǔ)上展望風(fēng)電機(jī)組傳動(dòng)系統(tǒng)振動(dòng)監(jiān)測(cè)技術(shù)的發(fā)展趨勢(shì)。

1 風(fēng)電機(jī)組傳動(dòng)系統(tǒng)振動(dòng)監(jiān)測(cè)策略

風(fēng)電機(jī)組傳動(dòng)系統(tǒng)主要包括葉片、主軸、增速齒輪箱和發(fā)電機(jī)等部件。增速齒輪箱結(jié)構(gòu)復(fù)雜，采用多級(jí)齒輪結(jié)構(gòu)，如圖1所示。其結(jié)構(gòu)采用一級(jí)行星和兩級(jí)平行軸傳動(dòng)，其中行星級(jí)采用齒圈固定、行星架輸入和太陽(yáng)輪輸出，所有齒輪均為斜齒輪。一般也分為低速級(jí)、中間級(jí)和高速級(jí)3級(jí)。低速級(jí)是結(jié)構(gòu)緊湊且堅(jiān)固的高轉(zhuǎn)矩行星齒輪，中間級(jí)和高速級(jí)為平行軸圓柱齒輪。

1-中間級(jí)主動(dòng)齒輪；2-中間級(jí)被動(dòng)齒輪；3-高速級(jí)主動(dòng)齒輪；4-高速級(jí)被動(dòng)齒輪；Tin-低速端輸入轉(zhuǎn)矩；Tout-高速端輸出轉(zhuǎn)矩；s-太陽(yáng)輪；p-行星輪；c-行星架；r-內(nèi)齒圈；gi-滾動(dòng)軸承代號(hào)；i-滾動(dòng)軸承編號(hào)(i=1，2，…，10)圖1 風(fēng)電增速齒輪箱結(jié)構(gòu)Fig.1 Structure sketch for wind turbine gearbox

風(fēng)電機(jī)組葉片捕獲風(fēng)能，經(jīng)過(guò)傳動(dòng)系統(tǒng)后將能量傳遞給發(fā)電機(jī)產(chǎn)生電能，實(shí)現(xiàn)風(fēng)能向電能的轉(zhuǎn)變。因傳動(dòng)系統(tǒng)結(jié)構(gòu)復(fù)雜，傳動(dòng)比大，轉(zhuǎn)速不穩(wěn)定，載荷變化大，其振動(dòng)特征時(shí)變性強(qiáng)，齒輪、軸承及軸等容易出現(xiàn)故障。因此，風(fēng)電機(jī)組傳動(dòng)系統(tǒng)振動(dòng)監(jiān)測(cè)主要使用加速度傳感器和轉(zhuǎn)速計(jì)，圍繞傳動(dòng)系統(tǒng)關(guān)鍵位置進(jìn)行布置，典型的振動(dòng)監(jiān)測(cè)點(diǎn)分布如表1所示。由于風(fēng)電機(jī)組增速齒輪箱的高傳動(dòng)比，主軸端與發(fā)電機(jī)端的轉(zhuǎn)速差異很大，監(jiān)測(cè)系統(tǒng)通常配置低頻和標(biāo)準(zhǔn)兩種加速度傳感器以適應(yīng)最佳頻率響應(yīng)范圍。加速度傳感器的安裝可采用螺紋連接或強(qiáng)力膠，保證傳感器與風(fēng)電機(jī)組表面的緊密可靠連接。電渦流轉(zhuǎn)速傳感器安裝一般采用專(zhuān)用夾具，將傳感器固定在高速軸剎車(chē)盤(pán)表面2～4 mm處，通過(guò)掃描高速軸剎車(chē)盤(pán)上的螺母，感知距離變化來(lái)產(chǎn)生轉(zhuǎn)速脈沖，獲取齒輪箱高速軸的轉(zhuǎn)速。

表1 典型的振動(dòng)監(jiān)測(cè)點(diǎn)分布

風(fēng)電機(jī)組傳動(dòng)鏈各部件振動(dòng)特征頻率與傳動(dòng)鏈的轉(zhuǎn)速和各部件結(jié)構(gòu)參數(shù)密切相關(guān)，傳動(dòng)鏈振動(dòng)特征提取流程如圖2所示。將測(cè)得轉(zhuǎn)速信息結(jié)合傳動(dòng)鏈參數(shù)計(jì)算各部件特征頻率，振動(dòng)加速度通過(guò)信號(hào)分析方法獲得特征頻譜，采用特征提取方法從特征頻譜中提取特征頻率，計(jì)算特征指標(biāo)用于趨勢(shì)分析，從而實(shí)現(xiàn)部件級(jí)的狀態(tài)監(jiān)測(cè)。常用的振動(dòng)信號(hào)處理方法包括基于快速傅里葉變換的特征提取和基于階次譜的特征提取等，有時(shí)還需進(jìn)行包絡(luò)譜分析。

圖2 風(fēng)電機(jī)組傳動(dòng)鏈振動(dòng)特征提取流程Fig.2 Feature extraction process of wind turbine drive chain

2 常用的振動(dòng)特征趨勢(shì)指標(biāo)

振動(dòng)特征趨勢(shì)指標(biāo)可將海量風(fēng)電機(jī)組傳動(dòng)系統(tǒng)振動(dòng)數(shù)據(jù)指標(biāo)化，直觀展現(xiàn)數(shù)據(jù)中蘊(yùn)藏的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)狀態(tài)信息，其隨時(shí)間的變化趨勢(shì)可反映風(fēng)電機(jī)組傳動(dòng)系統(tǒng)運(yùn)行狀態(tài)的變化過(guò)程。對(duì)這些特征指標(biāo)設(shè)定合理的閾值，可在風(fēng)電機(jī)組傳動(dòng)系統(tǒng)狀態(tài)異常時(shí)及時(shí)報(bào)警。因此，確定恰當(dāng)?shù)娘L(fēng)電機(jī)組傳動(dòng)系統(tǒng)狀態(tài)監(jiān)測(cè)振動(dòng)特征趨勢(shì)指標(biāo)，并根據(jù)振動(dòng)特征趨勢(shì)指標(biāo)進(jìn)行趨勢(shì)分析是風(fēng)電機(jī)組傳動(dòng)系統(tǒng)狀態(tài)監(jiān)測(cè)的關(guān)鍵。

2.1 邊頻帶能量因子

在平穩(wěn)工況下，某些振動(dòng)信號(hào)的時(shí)域統(tǒng)計(jì)特征可以作為振動(dòng)特征趨勢(shì)指標(biāo)，如振動(dòng)信號(hào)有效值、峭度及峰值因子等，但是交變載荷作用下的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)振動(dòng)時(shí)域統(tǒng)計(jì)特征受工況影響大，其變化趨勢(shì)單調(diào)性差、波動(dòng)大，根據(jù)這些特征指標(biāo)來(lái)進(jìn)行狀態(tài)監(jiān)測(cè)很容易產(chǎn)生誤報(bào)警。

不同傳動(dòng)件的振動(dòng)特征不盡相同。對(duì)于齒輪傳動(dòng)來(lái)講，其頻譜所表現(xiàn)的最突出的振動(dòng)特征是其嚙合頻率及其諧波以及由調(diào)制現(xiàn)象產(chǎn)生的邊頻帶，不同故障程度下齒輪嚙合邊頻帶變化[9]如圖3所示。

圖3 不同故障程度下的齒輪嚙合邊頻帶Fig.3 The sidebands of gear meshing frequency within different fault degree

健康狀態(tài)下齒輪的邊頻帶數(shù)量少且幅值比中心嚙合頻率小很多，隨著健康狀態(tài)退化，邊頻帶數(shù)量和幅值都會(huì)隨之增加。因此，邊頻帶對(duì)齒輪健康狀態(tài)有很強(qiáng)的預(yù)示作用，基于此故障機(jī)理提出的邊頻帶能量因子(sideband power factor,簡(jiǎn)稱(chēng)SBPF)指標(biāo)[10]可以更好地用于齒輪的健康趨勢(shì)監(jiān)測(cè)，其計(jì)算如下

(1)

其中：PSA(2Xfmesh)表示功率譜中齒輪嚙合頻率的二次諧波幅值；PSA(SBi),i=±1,±2,±3,±4,±5表示嚙合頻率前5階邊頻帶能量幅值。

美國(guó)National Renewable Energy Laboratory研究了變負(fù)載條件下平行齒輪傳動(dòng)結(jié)構(gòu)中斷齒及早期齒面磨損情況的邊頻帶能量因子變化趨勢(shì)，如圖4[10]所示。從圖上可以看出，邊頻帶能量因子對(duì)齒輪健康退化非常敏感，呈現(xiàn)指數(shù)發(fā)展趨勢(shì)，特別是在風(fēng)機(jī)功率輸出較大時(shí)，變化更加明顯。可見(jiàn)邊頻帶能量因子對(duì)平行齒輪傳動(dòng)中齒輪退化趨勢(shì)和早期故障預(yù)示效果顯著。由于行星齒輪傳動(dòng)結(jié)構(gòu)的低機(jī)械振動(dòng)傳遞特征和更加復(fù)雜的嚙合情況，邊頻帶能量因子指標(biāo)在行星齒輪傳動(dòng)中的效果還有待進(jìn)一步研究證實(shí)。

圖4 變載條件下SBPF隨齒輪性能退化趨勢(shì)Fig.4 Development trend of SBPF index with gear performance degradation under variable load

2.2 階次譜邊頻帶能量比

風(fēng)電機(jī)組長(zhǎng)時(shí)間在變速狀態(tài)下運(yùn)行，傳動(dòng)系統(tǒng)各部件特征頻率呈現(xiàn)時(shí)變特征，導(dǎo)致頻譜分析時(shí)頻率成分模糊，為特征提取帶來(lái)困難。采用階次重采樣可將非平穩(wěn)信號(hào)轉(zhuǎn)速無(wú)關(guān)化，把時(shí)域非平穩(wěn)信號(hào)轉(zhuǎn)換為角域平穩(wěn)信號(hào)，再進(jìn)行傅里葉分析得到階次譜，目前階次譜分析方法被風(fēng)電機(jī)組振動(dòng)監(jiān)測(cè)系統(tǒng)普遍采用。不同故障程度下的齒輪嚙合階次譜邊頻帶變化[9]如圖5所示。

圖5 不同故障程度下的齒輪嚙合階次譜Fig.5 The order spectrum of gear meshing under different fault status

美國(guó)GE公司能源研究團(tuán)隊(duì)在階次重采樣基礎(chǔ)上，將階次譜和邊頻帶分析相結(jié)合，提出了階次譜邊頻帶能量比(sideband energy ratio，簡(jiǎn)稱(chēng)SER)指標(biāo)[9]，階次譜前6階邊頻帶幅值之和與齒輪中心嚙合頻率(或嚙合頻率二次諧波)幅值的比值即是邊頻帶能量比指標(biāo)，其計(jì)算如下

(2)

其中：PSA(1Xfmesh)表示功率譜中齒輪中心嚙合頻率(或嚙合頻率二次諧波)幅值；PSA(SBi)，i=1～6表示嚙合頻率前6階邊頻帶能量幅值。

階次譜邊頻帶能量比指標(biāo)可以克服變轉(zhuǎn)速狀態(tài)下齒輪特征頻率不清晰的問(wèn)題，可用于監(jiān)測(cè)齒輪狀態(tài)退化過(guò)程。健康狀態(tài)下齒輪的邊頻帶能量比較小，通常小于1。隨著齒輪性能退化，邊頻帶能量比將逐漸增大。階次譜邊頻帶能量比指標(biāo)已被用于美國(guó)GEBently Nevada團(tuán)隊(duì)研發(fā)的ADAPT.wind風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)系統(tǒng)中。變轉(zhuǎn)速下某風(fēng)電機(jī)組斷齒故障三維瀑布圖及階次譜邊頻帶能量比隨故障的變化趨勢(shì)[11]如圖6所示。

圖6 SER指標(biāo)隨齒輪性能退化的發(fā)展趨勢(shì)Fig.6 Trend of SER index with gear performance degradation

2.3 基于階次包絡(luò)解調(diào)的軸承振動(dòng)特征

當(dāng)滾動(dòng)軸承出現(xiàn)故障時(shí)，在滾動(dòng)體相對(duì)滾道的旋轉(zhuǎn)過(guò)程中，常會(huì)產(chǎn)生有規(guī)律的沖擊脈沖，能量較大時(shí)，激勵(lì)起外環(huán)固有頻率，形成以外環(huán)固有頻率為載波頻率、以軸承通過(guò)頻率為調(diào)制頻率的固有頻率調(diào)制振動(dòng)現(xiàn)象。對(duì)軸承故障振動(dòng)信號(hào)中的周期性沖擊成分進(jìn)行提取和解調(diào)分析是軸承特征提取的關(guān)鍵。

軸承故障沖擊為寬帶沖擊，其激發(fā)的諧振響應(yīng)在頻率上高于其他諧振響應(yīng)，但是幅值更微弱，很容易淹沒(méi)在風(fēng)電機(jī)組強(qiáng)噪聲環(huán)境中。因此，軸承振動(dòng)特征提取必須建立在頻率成分清晰的高分辨率頻譜上，將軸承的高頻低幅信號(hào)從包含齒輪嚙合頻率、軸轉(zhuǎn)頻等高幅值成分的信號(hào)中分離出來(lái)，再進(jìn)行特征提取。為此，采用階次重采樣將風(fēng)電機(jī)組振動(dòng)非平穩(wěn)信號(hào)轉(zhuǎn)化為平穩(wěn)信號(hào)，通過(guò)帶通濾波將包含軸承高頻特征的部分提取出來(lái)，然后對(duì)提取出的信號(hào)進(jìn)行包絡(luò)解調(diào)得到包絡(luò)信號(hào)，再進(jìn)行快速傅里葉變換，實(shí)現(xiàn)軸承振動(dòng)微弱特征提取[10]?；陔A次包絡(luò)解調(diào)的軸承振動(dòng)特征提取流程如圖7所示。

綜上所述，有效表征風(fēng)電機(jī)組傳動(dòng)系統(tǒng)各部件狀態(tài)發(fā)展趨勢(shì)的特征指標(biāo)是當(dāng)前風(fēng)電機(jī)組振動(dòng)狀態(tài)監(jiān)測(cè)的重點(diǎn)。不同部件的故障機(jī)理不同，某個(gè)特征指標(biāo)并非對(duì)所有部件都適用，不同部件采用的特征指標(biāo)應(yīng)有所不同。然而，從風(fēng)電機(jī)組齒輪箱上測(cè)得的振動(dòng)信號(hào)包含了齒輪、軸承及齒輪箱中其他振源的響應(yīng)，如何將這些振動(dòng)信號(hào)進(jìn)行分離，對(duì)能否有效地提取部件級(jí)的特征指標(biāo)至關(guān)重要，值得深入研究。

圖7 軸承振動(dòng)階次包絡(luò)解調(diào)流程Fig.7 Vibration enveloping order demodulation process of bearing

3 風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障預(yù)示

在風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障出現(xiàn)階段，即故障萌芽即將出現(xiàn)、剛剛出現(xiàn)或者故障程度尚輕微時(shí)，及時(shí)準(zhǔn)確地予以辨識(shí)和預(yù)示，并據(jù)此指導(dǎo)保養(yǎng)和維修工作，及時(shí)采取措施，防止造成嚴(yán)重?fù)p失，可提高風(fēng)電機(jī)組運(yùn)行的可靠性，延長(zhǎng)其使用壽命。

風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障具有以下特點(diǎn)：首先，由于風(fēng)電機(jī)組運(yùn)行條件惡劣，環(huán)境影響因素多，振動(dòng)信號(hào)受噪聲干擾大；其次，早期故障源于正常狀態(tài)，故障特征微弱，且由于轉(zhuǎn)速不穩(wěn)定、負(fù)載交變，其故障特征呈現(xiàn)非線性特點(diǎn)；再次，風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障隨著風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的服役歷程逐漸演變凸現(xiàn)，早期故障特征處于動(dòng)態(tài)發(fā)展變化之中，需要?jiǎng)討B(tài)特征提??；最后，風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的振動(dòng)監(jiān)測(cè)才開(kāi)始起步，早期故障樣本缺乏系統(tǒng)的、長(zhǎng)期的收集，早期故障樣本稀缺。較之典型故障診斷，這些特點(diǎn)使得風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障預(yù)示難度更大、要求更高。

目前，針對(duì)風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障預(yù)示，國(guó)內(nèi)外主要采用了基于信號(hào)處理的早期故障預(yù)示方法和基于模型的早期故障預(yù)示方法。賀王鵬等[12]針對(duì)風(fēng)電機(jī)組軸承提出了周期稀疏導(dǎo)向超小波構(gòu)造方法，提取發(fā)電機(jī)軸承發(fā)生局部損傷后誘發(fā)的周期性非平穩(wěn)沖擊特征。Sun等[13]采用多小波自適應(yīng)分塊閾值降噪方法，在有效消除噪聲干擾的同時(shí)準(zhǔn)確提取故障特征。孫自強(qiáng)等[14]針對(duì)風(fēng)電機(jī)組齒輪早期故障振動(dòng)信號(hào)被噪聲調(diào)制污染、信噪比低及難以識(shí)別問(wèn)題，提出基于混沌和取樣積分技術(shù)結(jié)合的風(fēng)電機(jī)組齒輪早期故障特征提取方法。Wang等[15]采用集合經(jīng)驗(yàn)?zāi)B(tài)分解與獨(dú)立成分分析相結(jié)合的方法，在不需要轉(zhuǎn)速信息與軸承沖擊頻帶等先驗(yàn)信息情況下，實(shí)現(xiàn)強(qiáng)噪聲背景下風(fēng)電機(jī)組早期故障預(yù)示。彭進(jìn)等[16]針對(duì)風(fēng)力發(fā)電機(jī)組軸承故障振動(dòng)信號(hào)的高噪聲、非平穩(wěn)特性，通過(guò)集成經(jīng)驗(yàn)?zāi)B(tài)分解與峭度-相關(guān)系數(shù)準(zhǔn)則提取多特征量，結(jié)合支持向量機(jī)實(shí)現(xiàn)風(fēng)電機(jī)組軸承早期故障識(shí)別。但是，基于信號(hào)處理的早期故障預(yù)示方法主要側(cè)重微弱信號(hào)的提取，不能很好地實(shí)現(xiàn)早期故障預(yù)示。由于風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的正常、異常和故障等狀態(tài)都處于動(dòng)態(tài)的連續(xù)發(fā)展變化之中，基于模型的早期故障預(yù)示方法使用固定靜止的模型來(lái)辨識(shí)和預(yù)示早期故障，這樣的知識(shí)推廣方式無(wú)法適應(yīng)早期故障過(guò)程的非線性時(shí)變性，常常導(dǎo)致誤判和漏判。

流形學(xué)習(xí)是一種非線性數(shù)據(jù)降維方法，可有效地挖掘非線性數(shù)據(jù)的內(nèi)在分布規(guī)律和本質(zhì)信息，已很好地應(yīng)用于機(jī)械設(shè)備故障診斷中[17-18]。文獻(xiàn)[19-23]針對(duì)風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障的非線性時(shí)變特點(diǎn)，在研究和拓展流形學(xué)習(xí)的基礎(chǔ)上，將流形學(xué)習(xí)維數(shù)約簡(jiǎn)方法與信號(hào)處理方法、支持向量機(jī)等模式識(shí)別方法相結(jié)合，提出了基于泛化流形學(xué)習(xí)的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障預(yù)示方法(見(jiàn)圖8)，包括基于無(wú)監(jiān)督流形學(xué)習(xí)的非線性信號(hào)消噪方法、基于監(jiān)督流形學(xué)習(xí)的微弱特征提取方法、基于增殖流形學(xué)習(xí)的早期故障動(dòng)態(tài)特征提取以及基于參數(shù)優(yōu)化的小子樣早期故障模式識(shí)別方法，有效實(shí)現(xiàn)了風(fēng)電機(jī)組傳動(dòng)系統(tǒng)的早期故障預(yù)示。

圖8 泛化流形學(xué)習(xí)的早期故障預(yù)示方法流程Fig.8 Incipient fault prediction based on generalization manifold learning

上述的早期故障預(yù)示方法在實(shí)際應(yīng)用中需要構(gòu)建早期故障數(shù)據(jù)庫(kù)。由于風(fēng)電機(jī)組成本較高，特別是齒輪箱的技術(shù)成本較高，風(fēng)場(chǎng)和生廠商都不會(huì)故意去制造某些故障來(lái)構(gòu)建相關(guān)的早期故障庫(kù)，導(dǎo)致風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障樣本數(shù)據(jù)十分稀缺，需開(kāi)展風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障信號(hào)收集工作，積累早期故障樣本，為實(shí)際應(yīng)用提供數(shù)據(jù)支持。如美國(guó)National Wind Technology Center在美國(guó)能源部支持下，聯(lián)合了17家單位，正在建立風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障數(shù)據(jù)庫(kù)。

4 風(fēng)電機(jī)組傳動(dòng)鏈振動(dòng)監(jiān)測(cè)系統(tǒng)

目前，國(guó)內(nèi)外推出了一些風(fēng)電機(jī)組傳動(dòng)鏈振動(dòng)監(jiān)測(cè)系統(tǒng)。國(guó)外典型的振動(dòng)監(jiān)測(cè)系統(tǒng)包括瑞典SKF WindCon狀態(tài)監(jiān)測(cè)系統(tǒng)、以色列WSL WindSL狀態(tài)監(jiān)測(cè)系統(tǒng)、美國(guó)GE Bently Nevada公司的CBM狀態(tài)監(jiān)測(cè)系統(tǒng)、丹麥Brüel & Kjr公司的Brüel & KjrVibro狀態(tài)監(jiān)測(cè)系統(tǒng)等[24]。國(guó)內(nèi)典型的振動(dòng)監(jiān)測(cè)系統(tǒng)如重慶大學(xué)CQ_WindCon狀態(tài)監(jiān)測(cè)系統(tǒng)[25]、威銳達(dá)WindCMS.VibAnalyzer系統(tǒng)、容知MOS3000狀態(tài)監(jiān)測(cè)系統(tǒng)及觀為MDiag設(shè)備健康診斷系統(tǒng)等。這些振動(dòng)監(jiān)測(cè)系統(tǒng)雖各具優(yōu)勢(shì)和特色，也存在許多共性之處。下面將從系統(tǒng)架構(gòu)、采集配置及監(jiān)測(cè)分析方法等方面就系統(tǒng)共性之處做簡(jiǎn)要介紹。

4.1 系統(tǒng)總體架構(gòu)

當(dāng)前風(fēng)電機(jī)組傳動(dòng)鏈振動(dòng)監(jiān)測(cè)系統(tǒng)普遍采用C/S和B/S混合系統(tǒng)架構(gòu)，以實(shí)現(xiàn)靈活的監(jiān)測(cè)和訪問(wèn)。風(fēng)電現(xiàn)場(chǎng)的局域網(wǎng)內(nèi)以C/S架構(gòu)提供現(xiàn)場(chǎng)實(shí)時(shí)數(shù)據(jù)瀏覽、狀態(tài)監(jiān)測(cè)與預(yù)警、故障診斷等功能?，F(xiàn)場(chǎng)人員可以在控制中心集中監(jiān)視和管理整個(gè)風(fēng)場(chǎng)的風(fēng)電機(jī)組，發(fā)現(xiàn)問(wèn)題可及時(shí)分析并應(yīng)對(duì)。B/S架構(gòu)通過(guò)互聯(lián)網(wǎng)為遠(yuǎn)程用戶提供遠(yuǎn)程訪問(wèn)功能，借助于互聯(lián)網(wǎng)實(shí)現(xiàn)跨平臺(tái)、多用戶的監(jiān)測(cè)模式，為風(fēng)電機(jī)組的網(wǎng)絡(luò)化狀態(tài)監(jiān)測(cè)與管理提供極大的便利。典型風(fēng)電機(jī)組傳動(dòng)鏈振動(dòng)監(jiān)測(cè)系統(tǒng)架構(gòu)[25]如圖9所示。

圖9 風(fēng)電機(jī)組傳動(dòng)鏈振動(dòng)監(jiān)測(cè)系統(tǒng)架構(gòu)Fig.9 Architecture of wind turbine drive chain monitoring system

4.2 系統(tǒng)采集配置

在對(duì)風(fēng)電機(jī)組傳動(dòng)鏈振動(dòng)監(jiān)測(cè)之前，還必須對(duì)系統(tǒng)進(jìn)行相關(guān)采集配置，通過(guò)振動(dòng)監(jiān)測(cè)系統(tǒng)軟件、采集硬件與風(fēng)電機(jī)組傳動(dòng)鏈的一一對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)數(shù)據(jù)有序采集和分析。數(shù)據(jù)采集配置通常通過(guò)建立風(fēng)場(chǎng)-風(fēng)機(jī)-測(cè)點(diǎn)的層級(jí)視圖來(lái)組織整個(gè)振動(dòng)監(jiān)測(cè)過(guò)程。對(duì)于每臺(tái)風(fēng)電機(jī)組，需要定義機(jī)組基本信息如機(jī)組名稱(chēng)、機(jī)組編號(hào)、機(jī)組型號(hào)及主控IP等，還需定義傳動(dòng)系統(tǒng)的主要部件，包括主軸、齒輪及軸承等參數(shù)信息，建立傳動(dòng)鏈模型，結(jié)合轉(zhuǎn)速信息即可計(jì)算缺陷頻率以供后續(xù)分析所用。對(duì)于每個(gè)測(cè)點(diǎn)，需要配置測(cè)點(diǎn)信息如測(cè)點(diǎn)描述、采樣頻率、采樣長(zhǎng)度、采樣間隔及靈敏度等以便將數(shù)據(jù)正確采集到系統(tǒng)中，并設(shè)置對(duì)應(yīng)報(bào)警閾值。用戶通常還可以針對(duì)感興趣的內(nèi)容自定義測(cè)量定義，包括定義名稱(chēng)、測(cè)量位置、信號(hào)類(lèi)型及信號(hào)帶寬等，實(shí)現(xiàn)對(duì)重點(diǎn)部件、重點(diǎn)頻帶的跟蹤觀察和分析。典型的振動(dòng)監(jiān)測(cè)系統(tǒng)數(shù)據(jù)采集配置流程如圖10所示。

圖10 典型振動(dòng)監(jiān)測(cè)系統(tǒng)數(shù)據(jù)采集配置流程Fig.10 Data acquisition configuration flow of typical vibration monitoring system

4.3 監(jiān)測(cè)分析方法

時(shí)域信號(hào)分析是最基本的信號(hào)分析方法，直接通過(guò)時(shí)域波形可查看信號(hào)形狀，分析信號(hào)周期特性、沖擊特性等特征，并可通過(guò)計(jì)算時(shí)域特征量如峰值、峰峰值、有效值、波形因子、峭度值相對(duì)于時(shí)間、負(fù)載或轉(zhuǎn)速的發(fā)展趨勢(shì)，并通過(guò)設(shè)置預(yù)警和告警閾值來(lái)發(fā)現(xiàn)信號(hào)異常。另外，同一風(fēng)場(chǎng)不同風(fēng)電機(jī)組所處的環(huán)境工況差異較小，采用臨近風(fēng)電機(jī)組之間振動(dòng)信號(hào)的比較分析可在一定程度上剔除工況干擾，發(fā)現(xiàn)異常。

頻域分析方面，現(xiàn)有振動(dòng)監(jiān)測(cè)系統(tǒng)使用方法大致相同，主要基于快速傅里葉變換，典型的如幅值譜、相位譜、包絡(luò)譜分析、倒譜分析及頻譜峰態(tài)等。美國(guó)GEBently Nevada公司的CBM系統(tǒng)和丹麥Mita-Teknik的WP4086以加速度包絡(luò)譜分析為主，而B(niǎo)rüel & Kjr則兼有包絡(luò)譜分析和倒譜分析。系統(tǒng)提供了豐富的頻譜標(biāo)記功能，如單光標(biāo)、邊頻、倍頻及頻帶能量等，用戶通過(guò)頻譜分析獲取信號(hào)的主要頻率成分以及諧波成分，結(jié)合由傳動(dòng)鏈信息和轉(zhuǎn)速信息計(jì)算的部件故障頻率，配合諧波分析、邊頻分析，即可分析振動(dòng)信號(hào)的主要來(lái)源以及可能的故障類(lèi)型。

豐富的圖譜分析如瀑布圖、色譜圖及軸心軌跡圖等可以對(duì)數(shù)據(jù)做全方位的展示，方便理解數(shù)據(jù)和挖掘狀態(tài)信息。例如將不同時(shí)間點(diǎn)的頻譜組合起來(lái)可以以色譜圖或3D瀑布圖顯示，色譜圖以橫坐標(biāo)表示頻率，縱坐標(biāo)表示時(shí)間，顏色表示幅值，色譜圖上能直觀地看出各頻率成分在不同時(shí)間的幅值變化情況。3D瀑布圖則以三維的方式顯示頻率、時(shí)間以及幅值。色譜圖、瀑布圖可用于跟蹤頻譜不隨轉(zhuǎn)速變化而變化的固定的頻率成分。風(fēng)電機(jī)組傳動(dòng)鏈振動(dòng)監(jiān)測(cè)系統(tǒng)主要功能和分析方法如圖11所示。

圖11 振動(dòng)監(jiān)測(cè)系統(tǒng)主要功能和分析方法Fig.11 Main functions and analysis methods of vibration monitoring system

目前的風(fēng)電機(jī)組傳動(dòng)鏈振動(dòng)監(jiān)測(cè)系統(tǒng)的突出特點(diǎn)是強(qiáng)監(jiān)測(cè)、弱診斷，分析方法以經(jīng)典快速傅里葉變換分析為主，輔以振動(dòng)信號(hào)趨勢(shì)預(yù)測(cè)、閾值報(bào)警等功能，在風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障預(yù)示方面亟待加強(qiáng)。另一方面，基于單信息源的狀態(tài)監(jiān)測(cè)方法往往不能全面反應(yīng)風(fēng)電機(jī)組傳動(dòng)鏈各部件的健康狀態(tài)，難免造成誤報(bào)警和誤診斷，必須充分利用各種信息源的優(yōu)勢(shì)，研究基于多源信息的狀態(tài)監(jiān)測(cè)方法，提高監(jiān)測(cè)和診斷的準(zhǔn)確性和可靠性。

5 基于大數(shù)據(jù)的風(fēng)電機(jī)組健康管理

目前，除了振動(dòng)監(jiān)測(cè)系統(tǒng)外，風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)系統(tǒng)還有SCADA系統(tǒng)、變頻器監(jiān)控系統(tǒng)及箱變監(jiān)控系統(tǒng)等，各種工況信息如溫度、油液成分、功率、電氣信號(hào)及控制信號(hào)等都可以獲取，如何將這些海量多維狀態(tài)信息有效融合是風(fēng)電機(jī)組健康管理的重點(diǎn)。融入大數(shù)據(jù)、云計(jì)算等新一代信息技術(shù)，建立統(tǒng)一跨多系統(tǒng)的、跨設(shè)備的、基于設(shè)備狀態(tài)洞察分析的大數(shù)據(jù)分析平臺(tái)，挖掘大數(shù)據(jù)資源價(jià)值，實(shí)現(xiàn)基于多源信息融合的大數(shù)據(jù)預(yù)測(cè)分析與智能維護(hù)將是風(fēng)電機(jī)組健康管理的重要發(fā)展趨勢(shì)，如圖12所示。

圖12 基于大數(shù)據(jù)的風(fēng)電機(jī)組健康管理Fig.12 Health management of wind turbine based on big data

建立集風(fēng)電機(jī)組零部件運(yùn)行數(shù)據(jù)、風(fēng)場(chǎng)壞境數(shù)據(jù)、風(fēng)機(jī)設(shè)計(jì)、制造及安裝等多維數(shù)據(jù)的數(shù)據(jù)中心是進(jìn)行大數(shù)據(jù)分析的基礎(chǔ)。利用大數(shù)據(jù)技術(shù)，通過(guò)數(shù)理統(tǒng)計(jì)、模式識(shí)別、神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)及人工智能等深度數(shù)據(jù)挖掘算法，在海量數(shù)據(jù)中，挖掘出零部件故障信息，追溯其在設(shè)計(jì)、制造、裝配、運(yùn)輸及安裝各個(gè)環(huán)節(jié)的潛在缺陷，快速找尋引起故障或失效的原因是建立風(fēng)電機(jī)組大數(shù)據(jù)分析平臺(tái)的重點(diǎn)和難點(diǎn)。

6 結(jié) 論

1) 有效表征風(fēng)電機(jī)組傳動(dòng)系統(tǒng)各部件狀態(tài)發(fā)展趨勢(shì)的特征指標(biāo)是當(dāng)前風(fēng)電機(jī)組振動(dòng)狀態(tài)監(jiān)測(cè)的重點(diǎn)。不同部件采用的特征指標(biāo)有所不同，如何將包含了齒輪、軸承及齒輪箱中其他振源的振動(dòng)信號(hào)進(jìn)行分離，對(duì)有效提取部件級(jí)的特征指標(biāo)至關(guān)重要，值得深入研究。

2) 解決現(xiàn)役風(fēng)電機(jī)組因傳動(dòng)系統(tǒng)故障導(dǎo)致巨大經(jīng)濟(jì)損失的關(guān)鍵是進(jìn)行風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障預(yù)示，但風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障樣本數(shù)據(jù)十分稀缺，需開(kāi)展風(fēng)電機(jī)組傳動(dòng)系統(tǒng)早期故障信號(hào)收集工作，積累早期故障樣本，為實(shí)際應(yīng)用提供數(shù)據(jù)支持。

3) 建立統(tǒng)一跨多系統(tǒng)的、跨設(shè)備的、基于設(shè)備狀態(tài)洞察分析的大數(shù)據(jù)分析平臺(tái)，挖掘大數(shù)據(jù)資源價(jià)值，實(shí)現(xiàn)基于多源信息融合的大數(shù)據(jù)預(yù)測(cè)分析與智能維護(hù)將是風(fēng)電機(jī)組健康管理的重要發(fā)展趨勢(shì)。

[1] Crabtree C J, Feng Y, Tavner P J. Detecting incipient wind turbine gearbox failure: a signal analysis method for on-line condition monitoring[J]. Journal of Organic Chemistry, 2010, 75(18):6122-6140.

[2] Liang M, Faghidi H. Intelligent bearing fault detection by enhanced energy operator[J]. Expert Systems with Applications, 2014, 41(16):7223-7234.

[3] Unal M, Onat M, Demetgul M, et al. Fault diagnosis of rolling bearings using a genetic algorithm optimized neural network[J]. Measurement, 2014, 58:187-196.

[4] Zarei J, Tajeddini M A, Karimi H R. Vibration analysis for bearing fault detection and classification using an intelligent filter[J]. Mechatronics, 2014, 24(2):151-157.

[5] Ruiz-Cárcel C, Hernani-Ros E, Cao Y, et al. Use of spectral kurtosis for improving signal to noise ratio of acoustic emission signal from defective bearings[J]. Journal of Failure Analysis and Prevention, 2014, 14(3):363-371.

[6] Chacon J L F, Kappatos V, Balachandran W, et al. A novel approach for incipient defect detection in rolling bearings using acoustic emission technique[J]. Applied Acoustics, 2015, 89(89):88-100.

[7] Bai Xiuqing, Xiao Hanliang, Zhang Lu. The condition monitoring of large slewing bearing based on oil analysis method[J]. Key Engineering Materials, 2011, 474-476:716-719.

[8] Jiang Xufeng, Liu Fang, Zhao Pengcheng. Gearbox non-ferrous metal bearing wear condition monitoring based on oil analysis[J]. Applied Mechanics & Materials, 2012, 164:73-76.

[9] Pattabiraman T R, Srinivasan K, Malarmohan K. Assessment of sideband energy ratio technique in detection of wind turbine gear defects[J]. Case Studies in Mechanical Systems & Signal Processing, 2015, 2:1-11.

[10]Zappalá D, Tavner P J, Crabtree C J, et al. Sideband algorithm for automatic wind turbine gearbox fault detection and diagnosis[J]. IET Renewable Power Generation, 2014, 8(4):380-389.

[11]Sheng S. Wind turbine gearbox condition monitoring round robin study vibration analysis[J]. Office of Scientific & Technical Information Technical Reports, 2012, 68: 856-860.

[12]賀王鵬, 訾艷陽(yáng), 陳彬強(qiáng),等. 周期稀疏導(dǎo)向超小波在風(fēng)力發(fā)電設(shè)備發(fā)電機(jī)軸承故障診斷中的應(yīng)用[J]. 機(jī)械工程學(xué)報(bào), 2016, 52(3):41-48.

He Wangpeng, Zi Yanyang, Chen Binqiang, et al. Periodic sparsity oriented super-wavelet analysis with application to motor bearing fault detection of wind turbine[J]. Journal of Mechanical Engineering, 2016, 52(3):41-48. (in Chinese)

[13]Sun Hailiang, Zi Yanyang, He Zhengjia. Wind turbine fault detection using multiwavelet denoising with the data-driven block threshold[J]. Applied Acoustics, 2014, 77(3):122-129.

[14]孫自強(qiáng), 陳長(zhǎng)征, 谷艷玲,等. 基于混沌和取樣積分技術(shù)的大型風(fēng)電增速箱早期故障診斷[J]. 振動(dòng)與沖擊, 2013, 32(9):113-117.

Sun Ziqiang, Chen Changzheng,Gu Yanling, et al. Incipient fault diagnosis of large scale wind turbine gearbox based on chaos theory and sampling integral technology[J]. Journal of Vibration & Shock, 2013, 32(9):113-117. (in Chinese)

[15]Wang Jinjiang, Gao Robert X, Yan Ruqiang. Integration of EEMD and ICA for wind turbine gearbox diagnosis[J]. Wind Energy, 2014, 17(5):757-773.

[16]彭進(jìn),王維慶,王海云,等.基于EEMD峭度-相關(guān)系數(shù)準(zhǔn)則的多特征量風(fēng)電機(jī)組軸承故障診斷[J].可再生能源,2016,34(10):1481-1490.

Peng Jin, Wang Weiqing, Wang Haiyun, et al. Fault diagnosis method of wind turbine's bearing based on EEMD kurtosis-correlation coefficients criterion and multiple features[J]. Renewable Energy Resources, 2016,34(10):1481-1490. (in Chinese)

[17]Ding Xiaoxi, He Qingbo. Time-frequency manifold sparse reconstruction: a novel method for bearing fault feature extraction[J]. Mechanical Systems & Signal Processing, 2016, 80:392-413.

[18]Wang Shoubin, Sun Xiaogang, Li Chengwei. Wind turbine gearbox fault diagnosis method based on riemannian manifold[J]. Mathematical Problems in Engineering, 2014, 2014(4):1-10.

[19]馬婧華,湯寶平,宋濤.基于自適應(yīng)本征維數(shù)估計(jì)流形學(xué)習(xí)的相空間重構(gòu)降噪方法[J]. 振動(dòng)與沖擊，2015，34(11)：30-34.

Ma Jinghua, Tang Baoping, Song Tao. Phase space reconstruction method for vibration signal's noise reduction based on adaptive intrinsic dimension estimation manifold learning[J]. Journal of Vibration & Shock, 2015, 34(11):30-34. (in Chinese)

[20]宋濤, 湯寶平, 鄧?yán)?等. 動(dòng)態(tài)增殖流形學(xué)習(xí)算法在機(jī)械故障診斷中的應(yīng)用[J]. 振動(dòng)與沖擊, 2014, 33(23):15-19.

Song Tao, Tang Baoping, Deng Lei, et al. A dynamic incremental manifold learning algorithm and its application in fault diagnosis of machineries[J]. Journal of Vibration & Shock, 2014, 33(23):15-19. (in Chinese)

[21]Su Zuqiang, Tang Baoping, Ma Jinghua, et al. Fault diagnosis method based on incremental enhanced supervised locally linear embedding and adaptive nearest neighbor classifier[J]. Measurement, 2014, 48(1):136-148.

[22]Tang Baoping, Song Tao, Li Feng, et al. Fault diagnosis for a wind turbine transmission system based on manifold learning and Shannon wavelet support vector machine[J]. Renewable Energy, 2014, 62(3):1-9.

[23]蘇祖強(qiáng),湯寶平,劉自然,等. 基于正交半監(jiān)督局部Fisher判別分析的故障診斷[J]. 機(jī)械工程學(xué)報(bào), 2014, 50(6):1-7.

Su Zuqiang, Tang Baoping, Liu Ziran, et al. Fault diagnosis based on orthogonal semi-supervised local Fisher discriminant analysis[J]. Journal of Mechanical Engineering, 2014, 50(6):1-7. (in Chinese)

[24]Yang Wenxian, Tavner Peter J, Crabtree Christopher J, et al. Wind turbine condition monitoring: technical and commercial challenges[J]. Wind Energy, 2014, 17(5):673-693.

[25]馬婧華,湯寶平,韓延.風(fēng)電機(jī)組傳動(dòng)系統(tǒng)網(wǎng)絡(luò)化狀態(tài)監(jiān)測(cè)與故障診斷系統(tǒng)設(shè)計(jì)[J]. 重慶大學(xué)學(xué)報(bào)，2015(1)：37-44.

Ma Jinghua, Tang Baoping, Han Yan. Design of networking condition monitoring and fault diagnosis for wind turbine transmission system[J]. Journal of Chongqing University, 2015(1):37-44. (in Chinese)

10.16450/j.cnki.issn.1004-6801.2017.03.001

國(guó)家自然科學(xué)基金資助項(xiàng)目(51675067,51375514)；重慶市重點(diǎn)產(chǎn)業(yè)專(zhuān)項(xiàng)資助項(xiàng)目(cstc2015zdcy-ztzx70012)

2017-02-22；

2017-05-20

TH17

湯寶平，男，1971年9月生，教授、博士生導(dǎo)師。主要研究方向?yàn)闄C(jī)電裝備安全服役與壽命預(yù)測(cè)、測(cè)試計(jì)量技術(shù)及儀器、無(wú)線傳感器網(wǎng)絡(luò)。曾發(fā)表論文150余篇，出版專(zhuān)著1部，獲國(guó)家技術(shù)發(fā)明二等獎(jiǎng)1項(xiàng)、國(guó)家科技進(jìn)步二等獎(jiǎng)1項(xiàng)。 E-mail:bptang@cqu.edu.cn