基于油液光谱监测的风电机组齿轮箱磨损状态的研究

孙建伟，杜琳娟，欧焕飞，张希希，毋瑞琪

(1.华润电力技术研究院，深圳 518000；2.润电能源科学技术有限公司，郑州 450000)

0 引言

齿轮箱是双馈式风电机组的核心部件之一，对风电机组的高效、安全运行起着至关重要的作用。风电机组齿轮箱的失效方式主要表现为轴承、齿轮等磨损失效，齿轮箱在长期运行中各种轴承、齿轮的严重磨损多为周期性疲劳磨损[1]。目前，针对风电机组齿轮箱运行状态的评估方式主要采用基于齿轮箱温度的状态监测、振动监测等。例如，黄小光等[2]提出了同时使用温度和压力信号对风电机组齿轮箱状态进行监测，并据此建立了一种风电机组齿轮箱的温度和压力模型进行故障预警；李莹等[3]基于隐马尔科夫模型建立了风电机组齿轮箱故障程度评估模型，并证明了该模型可有效识别实际齿轮箱的故障程度；王红君等[4]提出一种基于振动的EEMD 小波阈值去噪和布谷鸟算法优化BP 神经网络的故障诊断方法来判断齿轮箱的故障。对于齿轮箱磨损状态的监测手段主要采用油液监测技术[5-8]，其中对于齿轮箱内部磨损微粒的变化趋势和监测数据的分布，特别是铁元素含量的监测主要是采用定期取样、离线送检的方式[9-10]。

风电机组齿轮箱磨损微粒主要是铁颗粒，铁颗粒含量的增长趋势能直接反映出风电机组齿轮箱的磨损状态。国内外很多学者针对铁元素含量参数与风电机组齿轮箱磨损状态的关系开展了研究。何照荣等[11]借助铁谱仪获得了齿轮箱运行过程的磨损量，结合设备本身的故障率和铁谱分析数据的特点，对铁谱数据进行残差分析后筛选出合格数据，然后计算出了能够反映齿轮箱运行状况的磨损状态界限值；孙玉彬[12]采用累积分布法(百分位数法)对风电机组齿轮箱中铁元素含量的监测数据进行了数理统计分析，建立了铁元素含量的单侧上线注意值和警告值。

但在实际情况中，由于风电机组在不同运行工况条件下的停机及换油时间不同，采用光谱监测铁元素含量的方式不能真实地反映出齿轮箱在实际运行工况下的磨损情况。

基于此，本文采用油液光谱监测技术定期离线监测单台风电机组齿轮箱在用齿轮油中的磨损铁元素增加量，同时结合SCADA 系统上单台风电机组的发电量数据，通过计算得出单台风电机组每100 可利用小时数下齿轮箱在用齿轮油中磨损铁元素的增加量ΔQFe，以此分析风电机组齿轮箱在实际运行工况下的磨损情况。另外，由于风电机组齿轮箱的运行工况、风速、荷载、工作条件，以及轴承、齿轮等加工装配等受环境因素及不同材料的影响是具有随机性的，说明风电机组齿轮箱的磨损行为属于摩擦学的随机系统行为。随机过程理论所描述的磨损过程，可以体现磨损的规律性和动态性。因此，本文采用随机过程理论来研究风电机组齿轮箱的磨损可靠性[13]，通过ΔQFe建立风电机组齿轮箱磨损阈值模型。

1 实测数据分析

基于油液光谱监测分析，本文数据来源为某电力公司双馈式风电机组的358 个风电机组数据样本，通过Spectro 油液光谱分析仪对风电机组齿轮箱在用齿轮油进行光谱元素检测，得到994组磨损铁元素含量数据。

1.1 ΔQFe数据处理

计算一段时间内风电机组齿轮箱在用齿轮油中磨损铁元素的增加量和这段时间内的风电机组可利用小时数的比值，能真实反映出风电机组齿轮箱在有效工作时间内的磨损情况。

ΔQFe的计算公式为：

式中，ΔQFe为每100 可利用小时数下风电机组齿轮箱在用齿轮油中磨损铁元素的增加量，mg/kg；QFe为不同取样时间时齿轮油中铁元素的含量，mg/kg；E为不同取样时间时风电机组的发电量，kWh；W单为单台风电机组的标称功率，kW；角标1、2 分别为第1 次取样时间、第2 次取样时间。

经过统计计算，得到了497 个ΔQFe数据。

1.2 ΔQFe数据的频率分布图

根据公式(1)对监测数据进行统计分析，并制作得到ΔQFe数据的频率分布图，如图1 所示。

图1 ΔQFe数据的频率分布直方图Fig.1 Histogram of frequency distribution of ΔQFedata

从图1 可以看出，ΔQFe数据服从偏态分布。造成偏态分布的原因是在风电机组齿轮箱运行过程中会根据油品监测结果定期更换新的齿轮油，而换油后各种轴承和齿轮还处于磨损行为，所以铁元素磨损量仍会逐步增加，这就造成ΔQFe数据为偏右正态分布。

将ΔQFe数据取对数后，可以得到ΔQFe对数数据ΔQFelog的频率分布图，如图2 所示。

图2 ΔQFelog的频率分布直方图Fig.2 Histogram of frequency distribution of ΔQFelog

从图2 可以看出，将ΔQFe数据取对数后，ΔQFelog的频率分布呈明显的正态分布。

因此，结合图1、图2 可知，基于油液光谱监测的风电机组齿轮箱在用齿轮油中磨损铁元素的ΔQFe数据整体服从正态分布。

2 基于可靠性理论的ΔQFe磨损阈值模型

在统计学中，一个概率样本的置信区间是对这个样本的某个总体参数的区间估计，用于表示参数真实值有一定概率落在测量结果周围的程度，其给出被测量参数测量值的可信度，即“一个概率”，此概率即为置信水平[14]。

如果随机子样T=(T1,T2,…,Tn)为服从对数正态分布的总体T，令Y=lgY，则可以得到服从正态分布的总体Y～，并可以得到对应的随机子样Y=(Y1,Y2,…,Yn)。

由概率论与数理统计学理论可知：

式中，n为样本总数。

从而可以得到子样的100(1-a)%置信下限。

将磨损可靠性理论和概率论与数理统计学理论相结合，从两者概念所表达的意义上来看，把磨擦副实际的磨损量看作参数估计中的真实值，把参数区间估计中的一定概率看作磨损可靠度，那么由参数区间估计中的置信区间就可以得到在一定磨损可靠度条件下的阈值区间[15]。

风电机组齿轮箱的正常工作主要是依靠其内部齿轮、轴承等构件的正常稳定运行，所以风电机组齿轮箱运行的可靠性主要在于其内部齿轮、轴承等众多运行摩擦副的磨损可靠性。因此，本文引入可靠性理论和概率论与数理统计学理论可以为基于ΔQFe的风电机组齿轮箱磨损阈值模型的建立提供参考依据。

根据概率论与数理统计学理论，通常正态分布选择3σ原则定义超出3σ的为危险值；当ΔQFe失效影响表征为“造成重大后果”时，定义x=µ+3δ(其中µ为均数，δ为标准差)，为监测阈值“报警”；当ΔQFe失效影响表征为“重大损失”时，定义x=µ+2δ为监测阈值“预警”。

计算含ΔQFe数据样本的数学期望值E(P)和标准差S。

ΔQFe数据样本的数学期望值E(P)的计算式为：

式中，Pi(i=1,2,…,n)为ΔQFe数据样本的读数。

ΔQFe数据样本的标准差S的计算式为：

通过计算，可以得到风电机组齿轮箱在用齿轮油的497 个ΔQFe数据样本的E(P)=0.88 mg/kg，S=0.49。

根据概率论与数理统计学理论中关于数学期望值置信区间的概念，ΔQFe的阈值区间为：

1)基准值：E(P)=0.88 mg/kg；

2)预警值：E(P)+2S=1.86 mg/kg；

3)报警值：E(P)+3S=2.35 mg/kg。

3 基于ΔQFe的风电机组齿轮箱磨损监测

建立基于ΔQFe的风电机组齿轮箱磨损阈值模型，如图3 所示。

图3 磨损阈值线的ΔQFe数据图Fig.3 ΔQFe data diagram of wear threshold line

图中阈值线所对应的风电机组齿轮箱应采取的措施为：1)当ΔQFe＜1.86 mg/kg 时，判断风电机组齿轮箱的磨损状态为“正常”；2)当1.86≤ΔQFe＜2.35 mg/kg 时，判断风电机组齿轮箱的磨损状态为“预警”，此时需要采取的措施是关注油样的铁谱检测结果，关注齿轮箱油温、轴承温度变化，加强振动监测；3)当ΔQFe≥2.35 mg/kg 时，判断风电机组齿轮箱的磨损状态为“报警”，说明齿轮箱磨损严重，此时应采取的措施是加强振动监测，并考虑停机进行内窥镜检测，或更换齿轮油，或更换齿轮箱配件等。

用建立风电机组齿轮箱磨损阈值模型的497个数据样本对该模型进行置信度检验。从图3 中实际数据样本点的分布情况来看，有25 个数据样本点在预警线(ΔQFe≥1.86 mg/kg)以上，其中还包含12 个在报警线以上的数据样本点。

从理论上分析，假设这25 个数据点应该具有“正常”属性，但却被“误判”为“非正常”，则可计算得到“误判”的比例是5.0%，因此可认为这个现象是“小概率”事件。那么认为风电机组齿轮箱磨损阈值模型的置信度为95%。

对比概率论与数理统计学中置信度的成立条件预设值为95%，则本文建立的风电机组齿轮箱的磨损阈值在工程领域范围内是可以被接受的。

4 应用实例分析

为进一步说明本文建立的风电机组齿轮箱磨损阈值模型能实现对风电机组齿轮箱磨损状态的评估，采集了某风电场中于2014 年10 月投运的5 台风电机组(编号为H1～H5)的数据进行实例分析。

这5 台风电机组均为品牌为联合动力的双馈式1500 kW 机型，采用的齿轮箱的品牌为南高齿。采集并统计2016～2019 年这5 台风电机组的油液光谱监测数据，通过计算得到这5 台风电机组的ΔQFe数据的趋势图，具体如图4 所示。

图4 2016～2019 年5 台风电机组的ΔQFe数据的趋势图Fig.4 Trend of ΔQFedata of five wind turbines in 2016～2019

从图4 的统计结果来看，这5 台风电机组的ΔQFe数据均未超过齿轮箱磨损阈值预警线(即ΔQFe≤1.86 mg/kg)，所以这5 台风电机组的齿轮箱均为正常磨损。且根据投运时间，这5 台风电机组齿轮箱属于正常磨损阶段，符合磨损理论中的稳定磨损阶段的定义。

由于存在气候环境、风速、齿轮箱加工瑕疵、齿轮箱主轴安装不对中及维护不当等因素，即使风电机组在运行发电过程中处于稳定磨损阶段，齿轮箱也会出现异常磨损。而通过油液光谱监测及采用齿轮箱磨损阈值模型对齿轮箱的磨损状态进行评估，能及早发现齿轮箱磨损异常，并及时做出预防性维修。

以2014 年投运的某风电场的品牌为联合动力的某台双馈式1500 kW 风电机组为例，该风电机组的编号为H07，其近年的监测数据如表1所示。

采用齿轮箱磨损阈值模型，对H07风电机组的监测数据的变化趋势进行统计，可以得到H07风电机组的ΔQFe数据的趋势图，如图5 所示。

表1 H07风电机组的监测数据统计表Table 1 Monitoring data statistics table of H07wind turbine

图5 H07风电机组的ΔQFe数据趋势图Fig.5 Trend of ΔQFedata of H07wind turbine

从表1 及图5 中可以看出，2016 年5 月～2019 年8 月期间，H07风电机组的齿轮箱都属于正常磨损；2019 年11 月时，油液光谱监测的铁元素含量为62.03 mg/kg，未超过铁元素监测预警阈值75 mg/kg；但是在2019 年8～11 月期间，ΔQFe为4.95 mg/kg，已超过齿轮箱磨损状态报警阈值的2.35 mg/kg。因此，判断H07风电机组可能存在异常磨损，建议风电场工作人员立即重新取样复检，同时密切关注风电机组齿轮箱油温、轴承温度的变化，进行振动监测数据分析，并考虑停机进行内窥镜检测，或将对H07风电机组进行预防性维护列入计划。

5 结论

本文通过油液光谱监测技术定期离线监测风电机组齿轮箱在用齿轮油中铁元素的含量，并与风电机组发电量进行关联，通过计算得出每100 可利用小时数下风电机组齿轮箱在用齿轮油中磨损铁元素增加量ΔQFe，同时利用可靠性理论和概率论与数理统计学理论结合的方法为风电机组齿轮箱磨损建立了理论的磨损阈值模型，对风电机组齿轮箱磨损状态进行了分析。相比于利用铁元素含量数据趋势分析风电机组齿轮箱的磨损状态，该方法能更真实、更准确地反映出风电机组齿轮箱在运行工况下的磨损程度，可以为风电机组齿轮箱的预防性维修提供可靠的参考依据。