风力发电齿轮箱安全运行的远程监控

王 林，李会鹏，王 平，田贵云

（1.国华（东台）风电有限公司，东台 224200；2.南京航空航天大学 自动化学院，南京 210016）

随着全球能源紧缺，风力发电作为一种清洁能源，在国内外得到了快速发展。我国风力资源丰富，具有商业化和规模化发展的潜力。现有风电机组的运行时间大大增加，风电机组的故障率也随之提高。如何从技术手段上对风力发电设备进行安全运行监控是一项亟需解决的问题。目前常用的手段有力、位移、振动、温度、现场环境监控等方式［1］，但是由于风力发电设备现场情况复杂，单一的检测手段已经不能满足其安全运行的需要。笔者从振动分析、温度采集、烟雾报警以及环境视频监控四个方面对其安全状况进行监控和评估。

1 风力发电设备安全状况分析

通过统计分析得出，风力发电设备实际运行中的故障和安全隐患主要分为以下几种［2］：

1.1 机械故障

齿轮箱作为风力发电设备中的传动设备，受力较大且受力情况复杂。在多次较大应力循环作用下，其齿轮容易因为疲劳而产生裂纹，甚至折断；轴承在运转过程中，由于润滑不足、长期应力集中等方面的原因，也容易产生疲劳、表面剥落、裂纹等缺陷，使轴承失效，对整机设备的安全运行造成隐患。

1.2 温度异常

齿轮箱油温是齿轮箱非常重要的状态参数，可以反映齿轮箱的工作状态是否正常。由于风电机组长时间处于满负荷工作状态，润滑油因齿轮箱发热而温度上升超过正常值，导致油温异常时应引起运行人员的高度重视。在未找到温度异常原因之前，应该避免盲目开机使故障范围扩大，造成不必要的经济损失。

1.3 火灾隐患

对于风力发电设备来说，其内部特殊的构造会使得现有的高效防火解决方案面临严峻挑战。强气流的狭小空间内容纳了各种机械和电气设备，高压系统加上工作区内温度的上升，使火灾风险大大增加。所以利用烟雾报警传感器对设备内部进行烟雾报警对于预防火灾，降低经济损失具有实用意义。

1.4 现场环境异常

由于风力发电设备的复杂性，其故障也多种多样。除了常见的机械故障、油温异常以及火灾隐患，风电场运维人员需要随时在主控室观看机舱内的实时状况。发生事故时，运维人员能够第一时间观察到现场画面，从而做出初步判断。现场视频方案的应用为运维人员尽早解决问题提供了有利信息，同时也为事后判断故障原因带来很大帮助。

2 系统整体硬件结构

通过对风力发电设备安全运行状况的分析，采用齿轮箱振动监测、油温监测、烟雾报警以及环境视频监控四种方式对其运行状况进行全面监控。采用DSP＋ARM的方式，DSP模块负责传感器数据（包括振动传感器、温度传感器、烟雾报警器）的采集和处理，然后通过GPRS模块将数据实时上传到远程服务器，并且通过串口将数据保存在本地ARM模块中。基于嵌入式Linux系统的ARM模块同时负责视频信号的采集，并且可以通过选配的3G模块将视频图像传输到后台服务器。其整体结构框图如图1所示。

图1 系统硬件整体结构框图

3 风力发电齿轮箱安全运行监测方法

3.1 齿轮箱振动监测

任何机械设备在运转时都会产生机械振动，所以通过对风电机组齿轮箱产生的振动信号进行时域和频域分析可以进行故障诊断。齿轮箱中各部件的结构不同导致了各部件产生的振动信号也有相应的差异，对应的频域分析也会得到不同的结果。当某一组件出现故障时就会产生异常的振动信号，分析这些振动信号就可以较早地判断出风电机组齿轮箱发生故障的部分和损坏程度［3］，及时进行维修，很大程度上可以避免这些故障隐患带来的损失。

笔者采用加速度度传感器（ADXL337）采集齿轮箱振动信号，通过安装在风机上的DSP微处理器（DsPIC30f6014A）对数据进行预处理，然后通过GPRS模块将数据实时传输到后台服务器［4］进行存储、分析，实现齿轮箱振动状况的实时在线监控。其中的数据处理部分流程为：测点选择→数据处理→时域处理→频域处理→频谱分析→故障诊断。

因为齿轮箱有多级传动，所以选择多个测点进行测量，测点选择如图2所示。

图2 齿轮箱振动测点选择

首先根据各级转轴和齿轮的旋转频率和啮合频率，选择不同的采样频率。然后对采集到的信号进行IIR滤波和FFT变换从而得到相应的频谱图，由此判断在哪些频率点出现异常。最后与各个部件的正常振动时的频率特性进行比较，就可以定位故障部位［5－6］。

3.1.1 时域振动信号分析

图3为正常和故障情况下相同测点的时域振动信号。对比可见，故障情况下时域信号波动较大，并且被调制上一个明显的周期信号，其频率大概为20Hz。

3.1.2 频域分析

图3 齿轮箱不同测点不同情况时的时域振动信号

图4 不同情况下测点5的振动加速度频谱图

图4分别是正常和故障情况下测点5的频谱图。从图中可以发现，除了测点5的固有旋转频率外，故障情况下在20Hz左右还有一个较大的频率成分，该频率成分和时域图中的周期基本吻合，从而可以定位5号测点存在故障。

3.2 齿轮箱油温监测

在上述安装加速度传感器的部位同时安装温度传感器，采集齿轮箱各个点的温度值。当温度超过85℃时表明出现温度异常，向后台服务器发送温度报警。

选用的温度传感器为DS18B20。这是一种单总线式温度传感器，只需要一根总线就可以实现通信，并且可以在一根总线上挂接多个设备，其温度测量范围为－55～125℃ ，输出为可编程的9～12位数字信号，每次温度探测需要时间750ms。

图5是某一通道的温度曲线。从中可以看出，当齿轮箱温度出现异常时，会有一个温度缓慢升高的过程，当其超过85℃时就会发出报警。

图5 齿轮箱油温曲线

3.3 烟雾报警

针对风力发电机舱内的火灾隐患，采用烟雾传感器对其进行实时监控。选用的传感器为 MQ－2，它是一种电阻控制型气敏器件，其阻值随被测气体的浓度而变化，将被测气体的浓度信号转换成相应的电信号。MQ－2适用于对液化气、丁烷、丙烷、甲烷、酒精、氢气、烟雾等的探测，其探测灵敏度特性曲线如图6所示，其中Rs和Ro是传感器外围电阻值。

在实际使用中，MQ－2在放置一段时间后再通电使用时，有一个大约10min的初期稳定时间。所以，为了避免通电开始时的误报动作，在程序中设计了15min的延时，只有在上电15min后探测到气体浓度超过某一设定值时，系统才会向服务器发出烟雾报警。

3.4 现场视频监控

图6 MQ－2灵敏度特性曲线

随着USB摄像头的普及和基于ARM的嵌入式Linux的发展，两者的结合使便携式视频图像采集成为可能。该视频监控模块基于嵌入式Linux操作系统，ARM硬件选用三星公司的S3C6410处理器，基于ARM1176JZF－S内核架构，主频为533MHz，最高可达667MHz，外接256MB DDR RAM，2GB MLC2Nand Flash，并且可以外接SD存储卡，USB接口和LCD液晶触摸屏接口。摄像头采用中芯微的301P方案USB摄像头，硬件30万像素，插值500万像素，速率30fps／s，最高分辨力可达1280×960像素。

Video4Linux2（简称v4l2）是Linux中关于视频设备的内核驱动。它针对视频设备的应用程序编程提供一系列接口函数，这些视频设备包括现今市场上流行的TV卡、视频捕捉卡和USB摄像头等［8］。

在Linux下，应用程序可以按操作普通文件一样来操作外部设备，可以使用和操作文件中相同的、标准的系统调用接口函数来完成对硬件设备的打开、关闭、读写以及控制操作。选用系统中所用USB摄像头的设备名为“／dev／video0”，视频捕捉的具体程序流程如图7所示。

4 远程数据传输和监控服务器设计

系统中所有的数据，包括齿轮箱振动数据、温度数据、烟雾报警信息以及视频图像都需要实时传输到远程服务器端，进行存储和显示，以方便风机运维人员实时监测了解风机设备运行状况。

4.1 GPRS网络数据传输

由于风力发电设备一般处于比较偏远的地区，所以系统的基本数据传输采用GPRS的方式，选用的模块为SIMCOM公司的SIM900A。它属于双频GSM／GPRS模块，完全采用SMT封装形式，性能稳定、外观精巧、性价比高、最大上行速率可达16kbps，下行速率可达86kbps。并且其封装了ht－tp协议栈，通过串口发送AT命令就可以实现http的get或者post操作，将加速度数据、温度数据、烟雾报警数据发送给web服务器。

图7 视频捕捉程序流程图

4.2 3G网络数据传输

USB摄像头采集的图像数据需要同步上传到后台服务器。由于图像数据信息量较大，所以采用GPRS方式已经不能满足图像上传的需要，需要采用3G数据传输。项目可以选配一个3G模块，采用的是联通WCDMA制式，其下行速率14.4Mbps，上行5.76Mbps，而USB摄像头设置的采集图像为320×240像素，一帧图像大小大约10K，为了节省流量，项目实际每10s上传一帧图像数据。

4.3 后台web服务器设计

为了实现监测数据的实时浏览以及历史数据的存储，系统还设计了一个基于web的服务器的GPRS模块或者是3G模块，可以通过http操作的方式将数据上传到web服务器，风力发电运维人员就可以通过网页形式查看风机当前的运行状况，并且可以设置数据采集参数［4］。

5 结语

分析了风机运行故障，提出并设计了一套风力发电设备安全运行监控系统。利用多种方式采集设备运行数据，能够在不影响风机正常工作的情况下实时监测风机运行状况，对保障风机安全运行，提早发现风机故障，降低经济损失具有重要意义。

［1］ 苏凤岐.基于MMA7260QT的风力发电振动在线监测系统［J］.信息科技，2011（11上）：231－232.

［2］ TSAI CS，HSIEH CT，HUANG SJ.Enhancement of damage－detection of wind turbine blades via CWT－based approaches［J］.IEEE Transactions on Energy Conversion，2006，21（3）：776－781.

［3］ 苏杭.机械设备状态检测与故障诊断［M］.北京：机械工业出版社，1999：88－90.

［4］ 黎洪生，何岭松，史铁林，等.基于B／S的远程故障诊断专家系统研究［J］.武汉工业大学学报，1999，21（4）：39－41.

［5］ 张玉.基于振动信号分析的齿轮箱故障诊断［J］.仪器仪表与分析监测，2011（1）：20－24.

［6］ 唐德修.设备机械故障预测技术［M］.成都：西南交通大学出版社，2007：8－12.

［7］ 徐明超.风电火灾原因及防火对策［J］.消防科学与技术，2011（30）：1073－1074.

［8］ 王军.风电机舱的嵌入式视频监控系统［D］.安徽：安徽理工大学，2010.