基于多变量状态估计的风电机组齿轮箱温度监测方法

张艳霞，翟永杰，赵海龙

（华北电力大学 控制与计算机工程学院，河北 保定 071003）

0 引言

齿轮箱主要是将叶轮转动产生的力矩传递给发电机，带动其转动，发出电能，是风电机组特别重要的部件之一。

目前风电机组故障诊断研究方法很多，比如基于时间序列故障的方法，采用振动数据研究的方法等，文献[1-3]主要讨论了风电机组监测方法的综述。文献[4-8]对振动故障进行了分析，并通过小波分析方法进行了处理。文献[9]用小波变换对风电机组传动系统进行了故障诊断。文献[10]采用BP 神经网络对齿轮箱和发电机进行建模并预测。华北电力大学赵洪山等开展了基于统计过程控制的风机齿轮箱故障预测，结合最小二乘支持向量机算法， 进行齿轮箱状态监测[11]。华北电力大学郭鹏等较早开展了基于SCADA数据的齿轮箱温度趋势状态监测以及风电机组塔架振动建模与监测[12]。

1 MSET建模原理

多 变 量 状 态 估 计（Multivariate State Estimation Technique, MSET）技术是由Gross K C，Singer R M 等提出的一种由数据驱动的非参数建模方法。它把各个参数正常工作状态下的运行数据构造成D记忆矩阵，D矩阵的列向量代表某一时刻的所有参数的运行数据，行向量代表某一参数在m个状态时的运行数据，然后定义各个参数之间的关系，从而做到状态估计。设在 时刻时观测到的n个相关变量为观测向量，即

然后在正常工作状态下的历史数据构成了过程记忆矩阵，即

观测向量Xobs为MSET的输入，模型的输出为对该输入的估计向量Xest。对任何一个输入观测向量Xobs，MSET生成一个m维的权值向量

从而得到估计向量Xest

构造权值向量W

将式(6)代入式(4)中，MSET模型对设备或过程的估计向量为

2 滑动窗口残差统计方法

为了可以连续地反映残差分布特性的变化，本文采用滑动窗口（Sliding Window）残差统计方法，该方法可以最快发现系统变量是否正常。当MSET模型位于覆盖能力稍差的区域时，其残差序列中会出现一些残差相对较大的点，降低估计精度，该方法可消除这些不确定因素和随机干扰。

假如在某一段时间之内，MSET齿轮箱温度的估计残差序列为

对该序列取一个宽度为N的滑动窗口。对窗口内的连续 个残差计算其均值

当齿轮箱的温度值超过某一临界值时，该系统有故障，提醒维修人员。

3 对齿轮箱温度进行建模及模型验证

本文研究的是Vestas V80风机用齿轮箱，额定功率为1.5MW，切入风速为4m/s,切出风速为25 m/s，主要由行星齿轮箱（环形齿轮、行星齿轮和中心小齿轮）和两个两级平行轴齿轮箱组成，这种行星齿轮与平行轴齿轮箱的组合从1990年曾用于标准风机中，齿轮比和功率容量很大。齿轮比取决于每个齿轮的齿数，并随风机机型的不同而不同，例如海上型，陆上型，50Hz或60Hz电网频率的风机，V80风机齿轮比在92:1 到120:1 之间变化。齿轮箱最佳运行温度65℃以下（满功率时）。报警温度为高温80℃、低温为-5℃。

本文选择以下参数作为MSET建模中的观测向量。

1）有功功率(P)：当机组的输出功率较大时，齿轮箱所承受的载荷就会增大，齿轮箱温度就会升高。

2）风速(u)：风是风力发电的基础，风速对风电机组的运行至关重要。风速越大，齿轮箱转速越高，齿轮箱温度越高。

3）环境温度(T)：风机所处的环境温度对齿轮箱温度也有一定影响。

4）机舱温度（Tc）：它影响着各部件的寿命。

5）齿轮箱油温（Toil）：在风电机组运行前，要保证齿轮箱油温高于0℃。

6）齿轮箱轴承温度(Tgear)：轴承是风电机组齿轮箱所有部件中最薄弱的环节之一。

本文选择2014年12月份1个月的数据进行分析和处理，图1为原始数据。

观察原始数据图1，可以发现如下问题：

（1）有些时刻功率小于0，考虑到风电机组的实际报警停机可能是由于传感器的问题，与设备故障之间没有必然联系，所以将该时间段内功率小于0的数据丢弃，首先需要进行数据滤波处理。

图1 SCADA 12月份的原始数据Fig.1 SCADA raw data for December

（2）对于同一个测点，数据存在遗漏现象；不同测点的采样时间也不相同，影响了完整数据集的构造。所以，为了准确构造造历史观测向量集合，对各测点数据进行插值处理，形成相同时间、相同数据量的数据。设定一个每个测点的采样时间，这里采用间隔6 min，从2014年12月7日0点，到2014年12月15日0点，9天的时间，1800个采样点。 图2为处理之后的数据。

图2 经过处理之后的数据Fig.2 After processing of data

接下来验证MSET模型的正确性，利用该机组在2014年12月7日0点到2014年12月15日0点时间段内的1800组正常运行历史数据进行验证。选用前 1700 组数据作为D矩阵，后 100组数据作为验证数据代入D矩阵，见公式（8），得出齿轮箱轴承温度估计值Xest。观测向量和估计向量之间的残差图如图3。

图3 观测向量和估计向量之间的残差图Fig.3 Observed between vectors and estimated vector of residual plots

图4 残差滑动窗口图Fig.4 Residual sliding w indow figure

接着采用滑动窗口残差统计方法对残差进行下一步的分析，本文设置滑动窗口宽度为N=10。得到的残差滑动窗口如图4所示。

从这里可以得出齿轮箱故障预警的阈值为±0.40，见公式（11），这里取k1=2。

4 齿轮箱温度的故障测试

为了验证MSET模型的有效性，本文从现场选取了一段有故障的数据进行测试。对2015年4月6日到2015年4月15日时间段内的历史数据代入MSET模型进行验证，根据风机运行的记录表，如表1，在4月14日发生了齿轮箱超温故障，其中故障码147代表齿轮箱超温。

表1 风机运行记录表Table 1 Fan running record form

MSET模型残差见图5。

图5 MSET模型测试残差Fig.5 Tests of MSET model residuals

对应的残差滑动窗口统计特性如图6。

图6 MSET模型测试残差滑动窗口统计特性图Fig.6 Testing residual slipping the MSET model statistical characteristics of the w indow

从图6可以看出，在故障时间对应的55个点处，MSET对应的残差变得很大，超过了阈值。可见，当齿轮箱出现故障导致其温度升高时，MSET模型可以做到早期故障诊断。

5 结论

MSET建模方法就是对设备正常状态下的历史数据进行学习，定义系统各个参数之间的关系，通过合理选择对齿轮箱温度影响较大的变量来建立过程记忆矩阵，然后利用滑动窗口残差统计方法进行故障监测。当机组运行异常时，各个参数之间的内在联系被破坏，导致残差增大。当残差超过阈值时，系统故障。MSET建模算法简单、物理意义明确，可以及时的发现设备的故障，提醒工作人员进行合理的维修。

[1]Hameed Z,Hong Y S,Cho Y M,et al.Condition monitoring and fau lt detection of w ind turbines and related algorithms：a review[J].Renewable and Sustainable Energy Review s,2009,13(1)：1-39.

[2]Amirat Y,Benbouzid M,Al-Ahmar E.A brief status on condition monitoring and fault diagnosis in w ind energy conversion systems[J].Renewable and Sustainable Energy Review s, 2009,13(9)：2629-2636.

[3]Lu Bin,Li Yaoyu,W u X in.A review of recent advance in w ind turbine condition monitoring and fault diagnosis [C]//Proceedings of Pow er Electronics and Machines in W ind Application,Lincoln,2009：1-7.

[4]Yang Wenxian,Tavner P J,Crabtree C J,et al.Cost- effective condition monitoring for w ind turbines[J].IEEE Trans Industrial Electronics,2010,57(1)：263-271.

[5]Simon J W,Xiang B J,Yang Wenxian.Condition monitoring of the power output of w ind turbine generators using wavelets[J].IEEE Trans.on Energy Conversion,2010,25(3)： 715-721.

[6]Yang W,Tavner P J,Wilkinson M R.Condition monitoring and fault diagnosis of a w ind turbine synchronous generator drive train[J].Renewable Power Generation,2009,3(1)： 1-11.

[7]Wilkinson M R,Tavner P J.Condition monitoring of generators& other subassem b lies in w ind turbine d rive trains[J] .Proceedings of IEEE International Symposium on Diagnostics for Electric Machines,Power Electrics and Drives,Cracow,2007.

[8]张兆煌,丁显,等.基于小波变换的风电机组传动系统故障诊断与分析[J].应用基础与工程科学学报,2011,19：210-218.

[9]Zaher A,McArther S D J,Infield D G,et al.Online wind turbine fault detection through automated scada data analysis[J].W ind Energy,2009,12(6)：574-593.

[10]赵洪山,胡庆春,等.基于统计过程控制的风机齿轮箱故障预测[J].电力系统与保护, 2012, 40(13)：67-73.

[11]Z.Hameed, Y.S.Hong, Y.M.Cho.“Condition monitoring and fault detection of w ind turbines and related algorithms: A review,”Renewable and Sustainable Energy Review, 2009,13：1-39.

[12]郭鹏,david infield,等.风电机组齿轮箱温度趋势状态监测及分析方法.中国电机工程学报,2011,31(32):129-136.