風電齒輪箱主要故障形式及處理建議

栗寧

采埃孚（天津）風電有限公司 天津 300402

隨著風力發(fā)電行業(yè)的快速發(fā)展及其裝機容量的迅速增加，截止到2018年末，我國風電累計裝機容量已達到209530MW[1]。齒輪箱(也稱為“增速器”)作為雙饋式風電機組中傳遞轉(zhuǎn)速與扭矩的重要傳動部件，其運行的穩(wěn)定性與可靠性會直接影響風電機組整機的可利用率和發(fā)電性能。隨著風電機組運行年限的增長，齒輪箱的損傷概率也在逐步增加，及時發(fā)現(xiàn)齒輪箱的早期損傷并進行維修和處理，可有效避免因齒輪箱損傷擴大而造成如卡死、箱體開裂等重大損失。目前分析齒輪箱故障的方式通常有齒輪箱油溫監(jiān)測、軸承溫度監(jiān)測，等。由于齒輪箱油溫監(jiān)測和軸承溫度監(jiān)測無法準確發(fā)現(xiàn)齒輪箱故障，而內(nèi)窺鏡檢查無法全面檢測內(nèi)部部件，因此，振動數(shù)據(jù)監(jiān)測已成為齒輪箱故障診斷、分析的主流方法。

1 齒輪箱故障類型

齒輪箱作為風電機組傳動鏈的重要組成部件，主要是將葉輪吸收到的風能傳遞給發(fā)電機，并將葉輪的轉(zhuǎn)速升高以適應(yīng)發(fā)電機的工作轉(zhuǎn)速，從而實現(xiàn)發(fā)電機發(fā)電。由于風力機外部風速存在較大波動，齒輪箱的工作環(huán)境較為惡劣，再加上齒輪箱各部件在設(shè)計、材料處理、裝配精度方面可能會存在不足，高扭矩、高沖擊、高轉(zhuǎn)速的工作特點易導致齒輪箱內(nèi)各傳動部件在運行若干年后逐步出現(xiàn)損傷情況。較為常見的齒輪箱損傷有齒輪齒面斷裂、膠合、點蝕等，以及軸承內(nèi)圈、外圈、保持架、滾子損傷等。采用內(nèi)窺鏡對齒輪箱進行開蓋窺視檢查是較為常見的齒輪箱損傷排查方法，但是由于齒輪箱的特殊結(jié)構(gòu)，此方法無法全面地檢測到齒輪箱內(nèi)部部件，易造成漏檢，尤其是對于行星級齒圈、齒輪齒面的損傷，以及部分齒輪軸承的損傷，不易檢測到。因此，需要采取振動數(shù)據(jù)監(jiān)測的方法來分析齒輪箱的運行狀況和損傷情況。

2 風電齒輪箱故障的處理建議

2.1 風電齒輪箱故障診斷流程

采用CEEMDAN-EFICA算法實現(xiàn)信號去噪，SOM-BP神經(jīng)網(wǎng)絡(luò)建立風電齒輪箱故障診斷模型，用KPCA對降噪后振動信號的時域、頻域特征降維作為診斷模型的輸入變量數(shù)據(jù)，輸出為齒輪箱的故障類型。故障診斷的基本步驟如下：（1）使用傳感器分別采集齒輪箱在正常運行狀態(tài)以及幾種典型故障狀態(tài)下的振動信號數(shù)據(jù)作為樣本數(shù)據(jù)；（2）對振動信號進行CEEMDAN分解重構(gòu)，將重構(gòu)信號和原信號輸入到EFICA中進行盲源分離，獲得去噪后的振動信號；（3）對降噪后的信號進行劃分，選出訓練樣本集和測試樣本集，每個樣本取4096個點，對樣本集進行時域特征和頻域特征提取，來構(gòu)建高維特征向量；（4）利用KPCA方法對高維特征向量進行降維處理，實現(xiàn)特征信息融合，構(gòu)建訓練樣本特征和測試樣本特征；（5）將訓練樣本特征作為SOM-BP復合網(wǎng)絡(luò)的輸入?yún)?shù)，得到故障診斷模型；（6）將測試樣本特征輸入到訓練好的故障診斷模型中進行診斷，輸出診斷結(jié)果[2]。

2.2 時域同步平均技術(shù)

時域同步平均技術(shù)（Time Synchronous Average）是在原始復雜信號中提取出感興趣周期信號分量且讓整個周期信號中不同步因素最小化的一種方法。它按照轉(zhuǎn)軸周期進行數(shù)據(jù)截斷，然后進行平均并有效減緩隨機噪聲干擾。這種方法要求獲取實際轉(zhuǎn)軸轉(zhuǎn)速大小和與原始振動信號相關(guān)鍵相脈沖信號，以此保證截取的每段采樣信號和鍵相時標對齊。通過時域同步平均技術(shù)對采集齒輪箱振動信號進行分析，結(jié)果表明其能有效抑制齒輪箱復雜故障信號中隨機背景噪聲及其他因素干擾，使得故障特征更加凸顯。而對于實際參考軸轉(zhuǎn)速存在波動，使得每轉(zhuǎn)截取信號點數(shù)出現(xiàn)偏差這一不可避免問題，通過鍵相時標分段截取的方法有效避免因轉(zhuǎn)速波動對于最終故障特征提取影響。試驗研究和數(shù)據(jù)分析均表明時域同步平均分析方法可實現(xiàn)齒輪箱故障信號特征有效提取。

2.3 密集連接卷積網(wǎng)絡(luò)

在深度學習中，網(wǎng)絡(luò)層數(shù)的增加能夠更好地提取輸入圖像的本質(zhì)特征，但是，層數(shù)增加會帶來模型訓練時出現(xiàn)梯度消失或梯度爆炸的問題，導致模型難以訓練。基于此，采用跳躍連接的深度殘差網(wǎng)絡(luò)和密集連接卷積網(wǎng)絡(luò)被相繼提出。深度殘差網(wǎng)絡(luò)將連續(xù)卷積變換過程分成若干塊，除了前向傳播過程，每個塊的輸入直接連接到輸出，使得每個塊的訓練誤差最小，解決了梯度彌散的問題。受此啟發(fā)，密集連接卷積網(wǎng)絡(luò)在每個塊中進行更為密集的跳躍連接，稱為Dense塊。每一個Dense塊中，除了正常的卷積前向傳播之外，每一單元的輸入都會直接連接到后續(xù)單元的輸出，與各單元的卷積輸出進行合成，實現(xiàn)密集跳躍連接。因此，密集連接卷積網(wǎng)絡(luò)能夠更加強化特征的傳播，支持特征重用，在大幅減少參數(shù)數(shù)量的同時，有效地解決了梯度彌散問題。相比于深度殘差網(wǎng)絡(luò)，密集連接卷積網(wǎng)絡(luò)具有更高的運算速度。完整的密集連接卷積網(wǎng)絡(luò)通常由多個Dense塊組成，相鄰Dense塊之間設(shè)計過渡層，最后通過全連接層實現(xiàn)模式分類。

3 結(jié)語

齒輪箱是非常重要的機械設(shè)備，基于一維密集連接卷積網(wǎng)絡(luò)的風電齒輪箱智能故障分類方法，經(jīng)過一維卷積將原始振動信號轉(zhuǎn)換為多通道振動信息，進一步經(jīng)過多層密集跳躍連接和合并運算，映射最終的故障分類結(jié)果。風電齒輪箱變工況、多故障試驗臺的實測數(shù)據(jù)驗證了上述方法的有效性，與其他需要特征提取的機器學習分類方法相比，一維密集連接卷積網(wǎng)絡(luò)能獲得更高的分類精度，并且具有更高的智能性。同時，通過對不同傳感器DenseNet分類結(jié)果的分析，可以獲得傳感器位置對故障狀態(tài)的敏感程度，確定有效的測點位置[3]。