基于健康样本的风电机组滚动轴承状态评估
2015-04-27安学利唐拥军
安学利,唐拥军,王 允
(1.中国水利水电科学研究院,北京 100038;2.响水长江风力发电有限公司,江苏 盐城 224600)
基于健康样本的风电机组滚动轴承状态评估
安学利1,唐拥军1,王 允2
(1.中国水利水电科学研究院,北京 100038;2.响水长江风力发电有限公司,江苏 盐城 224600)
针对风电机组运行工况复杂,故障样本的缺乏,难以进行有效诊断的情况,提出了一种基于健康样本的风电机组滚动轴承状态评估方法。该方法充分利用风电机组健康状态监测数据资源,采用径向基函数插值理论,建立了风速、转速和轴承状态参数间的映射关系,通过振动偏差有效地对风电机组滚动轴承运行状态进行实时评估。数据分析表明,该方法克服了单一静态阈值报警的不足,能有效地识别出风电机组工况变化时轴承存在的异常,为风电机组轴承健康评估提供了新的思路。
风电机组;滚动轴承;健康样本;RBF插值;状态评估
风能作为最具规模开发潜力的可再生新能源,近年来发展十分迅猛[1-7]。据全球风能理事会(Global Wind Energy Council,GWEC)统计,截止到2013年底,全球风电总装机容量为318 GW;中国风电总装机容量达到91 GW,为全球头号风电大国[8]。风力发电机组多安装在条件恶劣的环境中,机组部件更易加速老化,出现异常[1-4]。调心滚子轴承是风电机组风轮主轴主要的支承轴承,轴承故障及其复杂。由于故障样本的缺乏,机组现有在线监测系统还不能满足实际需要。
设置单一静态阈值仍是目前在线监测系统主要的报警方式。该方式会忽略机组不同风速、不能转速时的性能差异。如何从机组海量监测数据中获取其真实运行状况[9],是开发现场真正可用系统的重要研究课题。
因此,需要不同机组的自身特性建立能自适应风电机组工况变化的、精细的轴承状态评估模型。本文充分利用风电机组健康状态监测数据资源,建立基于健康样本的滚动轴承状态评估模型,以提高风电机组轴承运行维护的水平,减少故障导致的停机损失。
1 径向基函数插值
径向基函数法[10](radial basis function,RBF)能精确和稳定地用于数据不完整的、带噪声的散乱数据的插值和拟合,它采用非均匀的采样点构造出连续的隐式函数,插值时只需要对该函数进行重新采样。
定义使用径向基函数建立的隐式曲面方程:
式中:r为生成曲面上的任意数据点; pj为定义该方程的散乱点;wj是实系数;ϕ( ) r-pj为径向基函数,一般的径向基函数是基本函数;Q(r)是一个多项式:
为求实数值wj和多项式系数qj,要求满足正交条件式(3)和插值约束条件式(4)。
式中:i=1,2,……,n。
式中:。
式(5)左边通常是非半正定、可逆的,故存在唯一解(w1,w2,……,wn,p0,p1,p2,p3)。将求得的径向基系数和多项时系数代入式(2),能得到隐式曲面方程为:
从而实现散乱点的插值。
2 滚动轴承状态评估模型
大量现场及实验数据分析表明,风速和机组转速是影响风电机组轴承运行状态的关键工况参数。本文建立综合考虑风速和转速的轴承健康标准模型,v为轴承状态参数,s为风速,r为机组转速。所构建的基于RBF插值的风电机组滚动轴承状态评估模型,具体步骤如下:
(1)健康样本的获取。收集风电机组不同风速、不同转速下的在线监测数据,遴选轴承无故障时的健康样本。
(2)建立机组轴承健康模型。建立综合考虑风速和转速的轴承健康标准模型,获得风速、转速与轴承状态参数间的映射关系,如图1所示。
(3)建立机组轴承状态评估模型。将机组在线监测中的风速、机组转速数据代入,计算当前工况下的轴承状态参数健康值v(t),获得轴承当前振动偏差:
图1 风速、转速-轴承振动映射关系
式中:i为第i个样本点。振动偏差Dv(i)高于预设值时,进行预警。
3 应用实例
在风电机组实验台上进行了轴承故障实验,验证基于健康样本的风电机组滚动轴承状态评估模型的有效性。实验采样频率2 000 Hz,采样点数为4 096。实验模拟了调心滚子轴承发生外圈故障、内圈故障和滚动体故障[1]。
图2为轴承在发生滚动体故障状态下振动加速度峰峰值实验数据,从图中可以看出,由于风电机组结构复杂、风速的波动性,使得其振动参数时间序列非常复杂,难以从图中准确地分析其真实运行状态。通过分析可以发现,风电机组风速、转速对轴承振动参数有重要影响,由于轴承结构的复杂性及风速的波动性,使得轴承振动变化及其复杂,不能从振动数据中直接获取轴承的真实状态。需要建立能自适应风电机组工况变化的、精细的机组轴承状态评估模型。
图2 风电机组轴承状态实测数据
本文基于轴承健康样本,建立风电机组轴承振动-风速-转速模型,获得轴承健康状态下风速(s)、转速(r)和轴承振动参数(v)之间的映射关系。
选取该机组轴承运行状态良好的在线监测数据(345组)作为健康标准样本,抽取225组建立分布式健康模型,将剩下的120组数据作为测试样本进行模型验证。为了能使模型具有很好的状态评估性能,所选取的225组健康标准数据要尽量覆盖机组可能的风速和转速变化区间。
将120组测试样本计算出的健康标准值v(t)与实测数据r(t)的比较如图3所示。图中横坐标表示轴承振动的实测值,纵坐标表示轴承振动的模型计算值,斜线是一条与坐标轴成45°的直线,落在斜线上的点表明轴承振动的实测值与模型计算值相等,所有的点越集中在这条斜线附近,模型的效果越好。
从图3可以看出,模型能够很好地反映风电机组滚动轴承运行状态。计算结果表明,考虑风速和转速对轴承振动的影响,应用RBF插值方法建立的风电机组滚动轴承振动模型的计算平均相对误差分别为0.86%,具有很高精度。
对轴承设计3种异常类型,分别为内圈有缺口、外圈有缺口及滚动体有缺口。针对3种异常类型分别选263、243、260个样本来验证本文提出的滚动轴承状态评估模型。将机组在线监测中实时获得的风速、转速数据代入RBF健康模型,采用式v=f( ) s,r计算当前工况下轴承振动的健康值,将该值与实测值进行对比,算出它们的差值(即振动偏差),对振动偏差Dv(i)高于预设值(本文选取30%,不同机组轴承、不同参数的振动偏差预设值不同)的时刻进行预警,建立机组轴承状态评估模型。
图3 轴承振动实测值与计算值比较
图4—图6给出了轴承分别发生外圈故障、内圈故障、滚动体故障时,轴承振动健康值v和实测数据r的对比图,并给出了它们之间的偏差。从图4可以看出,当轴承发生外圈故障时,轴承振动的实际值和健康值之间有明显的差异,风电机组相同工况下实际值比健康值高20 m/s2,偏差比例达100%~200%,需要停机检查。从图5可以看出,当轴承发生内圈故障时,轴承振动的实际值和健康值之间同样有明显的差异,相同工况下实际值超过健康值约10~15 m/s2,偏差比例达50%~100%,需要停机检查。从图6可以看出,当轴承发生滚动体故障时,轴承振动的实际值和健康值之间的差异虽然没有外圈故障和内圈故障大,但仍有较明显的差异,需要停机检查。
为了便于比较,图7给出了轴承正常时,轴承振动健康值v和实测数据r的对比图,从图中可以看出,轴承运行正常时,轴承振动的实际值和健康值之间的差异不大和较小的振动偏差,可以继续运行。
图4 风电机组轴承外圈故障时状态评估结果
图5 风电机组轴承内圈故障时状态评估结果
图6 风电机组轴承滚动体故障时状态评估结果
图7 风电机组轴承正常时状态评估结果
综上所述,与传统设置静态报警阈值相比,本文所提出的基于健康样本的风电机组轴承状态评估模型能自适应机组运行工况的变化,能较全面地描述风电机组轴承运行状态变化过程,能尽早检测出轴承不断发展的异常。
4 结论
针对风电机组运行工况复杂,故障样本的缺乏,难以进行有效诊断的情况。在风电机组轴承实验数据的基础上,采用RBF插值方法,建立了基于健康样本综合考虑风速和转速因素作用的风电机组轴承状态评估模型,确定了风电机组轴承运行过程中在不同风速和不同转速运行工况下对应的最佳振动值(即健康值),以此值作为评价风电机组轴承状态的设定值。即根据机组在实际运行中轴承振动真实值与振动设定值之间的偏差来判定轴承的真实状态。实例分析结果表明,该评估模型能有效地检测出轴承存在的异常,从而实现轴承故障的早期预警,有很好的应用前景。
参 考 文 献:
[ 1] 安学利,蒋东翔,李少华.基于决策融合的直驱风力发电机组轴承故障诊断[J].电网技术,2011,35(7):36-41.
[ 2] An Xueli,Jiang Dongxiang,Li Shaohua,et al.Application of the ensemble empirical mode decomposition and Hilbert transform to pedestal looseness study of direct-drive wind turbine[J].Energy,2011,36(9):5508-5520.
[ 3] 安学利,赵明浩,蒋东翔,等.基于支持向量机和多源信息的直驱风力发电机组故障诊断[J].电网技术,2011,35(4):117-122.
[ 4] 安学利,蒋东翔,刘超,等.基于固有时间尺度分解的风电机组轴承故障特征提取[J].电力系统自动化,2012,36(5):41-44.
[ 5] 薛美娟,杨晓萍,马啸远 .基于最优潮流理论的风电、梯级水电短期联合优化调度[J].水利学报,2014,45(3):368-375.
[ 6] 符平,秦鹏飞,张金接 .海上风资源时空特性研究[J].中国水利水电科学研究学院学报,2014,12(2):155-161.
[ 7] 杨锋,高季章,张金接,等.近海风机基础-塔架结构体系振动监测与动力响应分析[J].中国水利水电科学研究学院学报,2013,11(2):87-93.
[ 8] Global Wind Report-annual Market Update 2013[Z].Global Wind Energy Council,2014.
[ 9] 严剑峰,于之虹,田芳,等 .电力系统在线动态安全评估和预警系统[J].中国电机工程学报,2008,28(34):87-93.
[10] 王威,周杰,王水林,等 .基于径向基函数的三维地层分块建模方法研究[J].岩土力学,2012,33(3):939-944.
State evaluation of wind turbine roller bearing based on normal samples
AN Xueli1,TANG Yongjun1,WANG Yun2
(1.China Institute of Water Resources and Hydropower Research,Beijing 100038,China;2.Xiangshui Yangtze Wind Power Co.,Ltd,Yancheng 224600,China)
Due to the complex operating condition of wind turbine and lack of its fault samples,it is diffi⁃cult to effectively diagnose its faults,thus a state evaluation method of wind turbine roller bearing based on normal samples is proposed in this paper.The method makes full use of monitoring data of wind tur⁃bine in its normal conditions and establishes a mapping between bearing condition parameters and wind speed,rotating speed by using radial basis function interpolation theory.The vibration deviation is used to effectively evaluate real-time running condition of wind turbine roller bearing.The results of data analysis show that the method can overcome the shortcomings of a single static threshold alarm and effectively identi⁃fy existing abnormalities of wind turbine bearing under the time-variant conditions of wind turbine.This pa⁃per provides a new way for state evaluation of bearings.
wind turbine;roller bearing;healthy samples;radial basis function interpolation;condition as⁃sessment
TK83
:Adoi:10.13244/j.cnki.jiwhr.2015.01.008
1672-3031(2015)01-0048-06
(责任编辑:韩 昆)
2014-11-17
国家自然科学基金项目(51309258)
安学利(1980-),男,山东肥城人,博士,高级工程师,主要从事发电机组运行保障及故障诊断研究。E-mail:an_xueli@163.com