基于区间划分的风电齿轮箱在线故障预警方法

顾煜炯，苏璐玮，钟 阳，徐 婷

(华北电力大学 能源动力与机械工程学院，北京102206)

0 引言

风力发电技术由于其低污染、绿色环保及可持续发展的特点成为当今世界新能源发展浪潮中的主流能源。随着风电机组向大单机容量的方向发展，风电机组设备的结构和功能日益复杂，加之风电机组的运行环境恶劣，导致机组的故障率较高，使得风电机组的维修成本居高不下。风电机组状态监测和故障预警技术通过对机组重要部件的状态监测，进行故障的早期探测，及早的发现故障，合理安排运行和维修工作，减轻甚至避免设备的损坏，达到降低维修成本的作用。

齿轮箱作为风电机组的重要部件之一，起着提高转速和传递转矩的作用。由于风速波动较大，随机性较强，加之风电机组的运行环境恶劣，风电齿轮箱的故障频发。根据西班牙纳瓦拉能源水电集团(EHN)公司的统计，其2 700 台风电机组在2001～2003 年发生的故障中，齿轮箱的故障分别占到了48%，53%和60%［1］。而根据瑞典皇家理工学院(KTH)对瑞典、芬兰、德国的2 151台风电机组故障情况的统计结果表明，齿轮箱故障也是造成机组长时间停机的主要因素［2］。可见，实现齿轮箱的故障预警不仅可以极大地减少风电机组故障次数，而且能够降低故障停机时间，进而降低维护的成本。

目前，风电机组齿轮箱的故障预警通过安装的温度传感器监测到齿轮箱润滑油温度值的超限报警来实现。预警值固定，不能很好地适应风电机组运行工况的复杂性和多变性。如外界风速较低时，风电机组转速较低，即使齿轮箱故障发生，齿轮箱润滑油温度也不会到达设定的预警值来触发预警，使得故障严重程度不断加深，进而造成更大的损失。

为此，本文提出一种基于运行区间辨识和高斯分布模型的风电机组故障预警方法。充分考虑了风电机组运行环境的复杂性来划定运行区间，根据区间润滑油温度的高斯分布特性，来划定各运行区间齿轮箱润滑油温度的预警限，克服了单一恒定预警值不能适应风电机组运行工况多变的不足［3～5］。

1 风电机组齿轮箱在线故障预警方法框架

本文提出的风电机组齿轮箱在线故障预警方法框架如图1 所示，分为离线和在线两部分。

图1 风电机组齿轮箱在线故障预警框架图

(1)离线部分:首先对往年的运行数据进行收集整理，去除风电机组不工作、异常停机及奇异值数据点，保留正常运行数据，建立齿轮箱正常运行条件下的润滑油温度样本;之后按照风速和环境温度这两个参数对运行工况进行区间划分;最后通过正常运行的样本数据对各运行工况区间内的齿轮箱润滑油温度参数分布的高斯模型进行训练，获得模型参数，并划定预警限和设定触发预警的异常率ηw。

(2)在线部分:对运行和监测的实时数据进行预处理，按风速和环境温度确定其所属的运行区间，将齿轮箱润滑油温度数据代入该区间，如果该温度数据点在上下预警限之间，则标记为正常点，如果在上下预警线之外，则标记为异常点。一段时间内，标记的正常点和异常点组成时间序列，采用滑动窗口计算连续N 个数据中异常点的个数Na，计算异常点百分比η，与预先设定的预警值ηw进行比较，超出则进行齿轮箱故障预警。

2 数据筛选

风电机组的运行数据中，包含着机组不工作、异常停机及奇异值数据点，这些数据不是机组正常运行时的数据，会对结果的可靠性产生影响，在建立风电机组齿轮箱正常运行条件下的样本数据时，要对上述数据进行剔除。

机组不工作的数据点的判断方法是当风速大于切入风速时，输出功率仍为0 或负值的点。风电机组在切入风速以上、切出风速以下功率从正常值减小到0 或负值的点即为风电机组的异常停机点，删除这些点以及前3 个停机过程的点(风电机组历史数据库中数据为10 min 数据的平均值，删除3 个点约为30 min 的数据)。同理，在切入风速以上，风电机组输出功率由0 或负值渐增加到正值的过程即为风电机组切入风速以上的启动，删除这些点以及后3 个启动过程的点。数据中的奇异点指数据点中的异常数据，可能是由于传感器故障、通信异常等原因产生，应该加以清除。参考IEC 标准中的Bin 方法［6］，把风速范围按照0．5 m/s 间隔分成若干区间(Bin)，每个Bin 的中心值为0．5 m/s 的整数倍，计算每个区间齿轮箱润滑油温度的平均值μ 和标准差σ，对于小于μ-3σ 和大于μ+3σ 的数据点可以作为奇异点去除。通过这些处理基本删除了对分析影响较大的数据点，如图2 所示，可以认为剩下的数据为齿轮箱正常运行条件下的历史数据。

图2 数据筛选前后对比图

3 运行区间划分

3.1 运行区间划分参数选取

实现运行工况的合理划分，要选择合适的运行工况特征参数，选取的特征参数要能够直接或者间接地影响到齿轮箱润滑油温。风电机组的外部输入参数包括环境温度、风速和风向等。图3由某风电机组3 月份和6 月份实际运行数据绘制而成。从图中可以看出，润滑油温度与风速有较高的相关性，基本上呈现一种线性分布的特点。这与风速影响转速，转速高低又进而影响润滑油温有关。6 月份的齿轮箱润滑油温度要明显高于3月份，这与6 月份的环境温度高于3 月份有关。环境温度通过影响齿轮箱润滑油的基础温度和油的冷却，来对润滑油工作温度产生影响。可见，风速和环境温度对齿轮箱润滑油温都有较大的影响，因而，需要根据风速和环境温度对运行区间进行划分。

图3 3 月、6 月润滑油温度随风速分布图

3.2 运行区间划分方法

运行区间划分方法流程如下:

(1)对环境温度的历史数据进行统计，确定温度Tmax和Tmin，按照不小于Tmax的最小5 的倍数取上界，不大于Tmin的最大5 的倍数取下界。以5 ℃为间隔，对运行工况进行第一步划分，设分成m 段。

(2)按环境温度进行工况划分后，再按照风速对运行工况进行第二步划分。以风电机组的切入风速Vin为下界，以风电机组的切出风速Vout为上界，根据IEC 标准中Bin 方法，按照0．5 m/s的风速间隔，分成n 个运行区间。

经过以上两步划分，将运行工况划分为n ×m个运行区间，标记为Oij(i=1，2，3，…，m;j=1，2，3，…，n)。将正常运行工况下的样本数据按上述运行区间划分方法划入相应的运行区间，生成各运行区间的训练样本集。

4 预警限和预警指标设定

4.1 基于正态分布的预警限设定

经过运行区间划分，得到了各运行子区间Oij(i=1，2，3，…，m;j=1，2，3，…，n)和各运行区间的训练样本集。通过绘制各运行区间温度数据的概率密度分布图，发现各运行区间的样本数据呈现一种正态分布的特点。由统计学知识，如果样本总体服从正态分布N(μ，σ2)，则样本在QQ图近似呈现一条直线形状。这样，可以利用QQ图直观地作正态性检验，即若QQ图近似为一条直线，则可以认为样本数据来自正态分布。各运行区间数据绘制成的QQ图如图4 所示。图中各区间数据分布近似呈现为一条直线，这说明经过区间划分后，各区间正常运行条件下的样本数据服从正态分布。

图4 各运行区间样本数据QQ图

对于正常运行的风电机组齿轮箱，在某一确定工况下，它的润滑油温输出值应该呈现一种正态分布:在均值处的数据点数多，出现的概率大;偏离均值越大，点数越少，出现的概率小。当齿轮箱出现了故障时，其运行状态将会偏离正常的运行状态，输出的齿轮箱润滑油温度值将会偏离正常值，概率密度曲线将会出现偏移的现象，导致在正常运行条件下，出现概率较小的数据点大量的出现。通过检测小概率点出现频率的变化，能够达到实现对齿轮箱故障预警的目的。

由正态分布的特点可知，数据点分布在μ ±2．58σ 范围内的概率为99%，可以认为分布在μ±2．58σ 范围外的点为异常点，可以以此为据，划定预警限。由于风电机组运行工况的复杂性，其运行工况在不断的变化，需要对每个运行区间都划定预警界限。对各运行区间Oij的训练样本集进行计算，得到各运行区间的μij和σij，Uij=μij+2．58σij为上界点，Lij=μij-2．58σij为下界点。将Uij和Lij对应各运行区间风速的中值画点，相同环境温度区间的不同Uij和Lij依次连线，形成该环境温度区间全风速范围内的上下预警线，如图5所示。

图5 某环境温度区间预警线划定示意图

4.2 预警指标的制定

对于预处理后的实测数据，按风速和环境温度确定其所属的运行区间，将齿轮箱润滑油温度代入该运行区间内，如果该润滑油温度数据点在上下预警限之间，则为正常点，如果在上下预警线之外，则为异常点。由于风电机组运行环境多变，风速和环境温度的随机性较大，单纯的依靠一两个点异常来进行故障预警，误报率较高，因此，本文采用异常率作为故障预警的指标。

对齿轮箱润滑油温运行数据进行异常点检测，标记的正常点和异常点组成时间序列，采用滑动窗口计算连续N 个数据中异常点的个数Na，计算异常点百分比η=Na/N，与预先设定的预警值ηw进行比较，超出则进行齿轮箱故障预警。

滑动窗口方法如图6 所示，能够连续实时地检测异常点百分比的变化，算法简单，适合在线实时分析［7］。通过合理选择滑动窗口的宽度N，既能及时迅速地反映异常点百分比的连续变化，又能消除随机因素的影响，提高监测的可靠性，降低误报警的几率。

图6 滑动窗口方法示意图

5 案例分析

为了验证上述风电齿轮箱在线故障预警方法的有效性，本文以某风电场1．5 MW 风电机组发生的严重的齿轮箱故障为案例，选取故障停机前100 个历史数据点(历史数据都是将10 min 运行数据的平均值进行存储)进行分析。从中选取齿轮箱润滑油温、风速、环境温度和功率4 个运行参数，其时间序列如图7 所示。可以看出，齿轮箱润滑油温总体上随风速变化而变化，在故障发生前齿轮箱油温也没有超过该型号机组设定的80 ℃预警值。总体上来看，齿轮箱故障发生前，机组各项运行参数都在正常范围内，并没有触发预警。可见，利用恒定预警值的故障预警方法不能满足风电机组多变运行工况下的齿轮箱的故障预警。利用该机组过去一年的历史运行数据作为样本，这些数据基本上覆盖该机组全部的运行工况。经过数据筛选和运行区间划分，得到各个运行区间预警值，建立该机组全部运行空间完整预警限。将故障发生前的100 个数据点代入各个运行区间，与各区间的预警限相比较，判断各数据点是否异常。判定的结果如图8 所示。从图中可以明显地看出，在下标为40 的点之前，异常数据点只是零星的出现;40 之后，异常数据点连续出现，直到故障停机前的较长时间内，所测得的润滑油温度值绝大多数都被标记为异常数据。图9 为异常率计算结果图，从图中可以更清晰地看出异常率在故障发生和发展的过程中有明显增大的趋势，到了故障的后期，异常率已经近似为1，可见故障已经发展到了非常严重的程度。通过设定一个异常率预警值，在齿轮箱润滑油温度异常率到达该数值时触发故障预警，则可以有效地防止齿轮箱故障的加深，避免造成齿轮箱的损坏。可见，本方法对齿轮箱的故障能够更加准确地进行故障预警。

图7 润滑油温、风速、环境温度和功率时间序列

图8 数据点异常检测结果图

图9 异常率计算结果图

6 结论

利用润滑油温数据来实现风电机组齿轮箱的故障预警，可以在不增加硬件成本的基础上，及早地发现故障隐患，指导之后的运行和维修工作，降低机组的故障率，提高机组运行的可靠性，进而降低风电机组运行和维护的成本。在充分考虑风电机组运行工况的复杂性以及恒定阈值在多变运行工况中的不足后，本文提出基于运行区间划分和高斯模型的故障预警方法。针对不同的运行区间，划定不同的预警值，各个区间的预警值连接成预警线。对润滑油温实际运行数据进行异常点标记，之后引入异常率作为故障预警的指标。异常率能够反映故障发展的渐变性趋势，通过与设定值比较，能够实现齿轮箱故障的早期预警。通过对某1．5 MW 机组齿轮箱故障前100 个数据点的分析，可以明显看出故障发展的趋势，克服了把某一恒定齿轮箱润滑油温度作为预警值的不足，证明了该方法对齿轮箱故障早期预警的有效性。

［1］胡姚刚．并网风力发电机组的运行状态评估［D］．重庆:重庆大学，2011．

［2］Johan Ribrant，Lina Margareta Bertling．Survey of failures in wind power systems with focus on Swedish wind power plants during 1997-2005［C］．IEEE Transcations on Energy Conversion，2007．167-173．

［3］董玉亮，李亚琼，曹海斌，等．基于运行工况辨识的风电机组健康状态实时评价方法［J］．中国电机工程学报，2013，33(11):88-95．

［4］Schlechtingen M，Ferreira Santos I．Comparative analysis of neural network and regression based condition monitoring approaches for wind turbine fault detection［J］．Mechanical Systems and Signal Processing，2011，25(5):1849-1875．

［5］Lapira E，Brisset D，Davari Ardakani H，et al．Wind turbine performance assessment using multi-regime modeling approach［J］．Renewable Energy，2012，45:86-95．

［6］IEC International Standard IEC61400-11，wind turbine generator systems-acoustic noise measurement techniques［S］．2002．

［7］Guo Peng，David Infield，Yang Xinyun．Wind turbine generator condition-monitoring using temperature trend analysis［C］．IEEE Transcations on Sustainable Energy，2012，3(1):124-133．