基于大数据的风电齿轮箱状态监测与故障诊断研究

2022-12-08吴晓军

现代工业经济和信息化 2022年10期

吴晓军

（河北龙源风力发电有限公司，河北张家口 075000）

引言

风能资源是一种特殊的清洁能源，其稳定性较差，导致风电机组的负荷变化呈现波动性的特点，因此对风电机组进行实时监测，以保证其安全平稳运行就显得尤为必要[1-2]。但是整个风电机组在运行过程中，其数据量巨大、来源广泛、数据格式不统一且数据表现形式非常复杂[3]。因此以现有的技术条件无法完成对整个风电机组的全面、实时监控，而且往往由于风电机组故障点位于高空，运维环境较为恶劣，无法及时维护，导致故障恶化，提高风场发电成本[4]。考虑到在风电机组运行过程中，其故障率最高的部件为齿轮箱，齿轮故障往往会导致机组停机，由于其复杂的结构，导致相关方往往要承担高额维修费用以及停机带来的巨大成本损失，这为风电机组安全平稳生产带来了极大的挑战。因此，需要对齿轮箱进行实时监测与故障诊断，以确保风电机组的安全平稳运行[5]。

1 基于大数据的齿轮箱状态监测与故障诊断系统

齿轮箱本质上属于机械设备，对其进行状态监测和故障诊断其本质上仍然是数据的搜集、归纳、分析，通过海量的运行数据研究其运行状态，根据其异常状态信息在数据库中进行分析以判定其故障部位和故障原因，根据历史数据提供解决方案。在日常运维过程中也可以根据其监测数据信息对故障趋势进行预测，防患于未然。然而，在实际操作层面，应考虑到齿轮箱在运行过程中将会产生巨量的数据信息，尤其对于其故障原因，齿轮箱内部含有齿轮、轴承等关键性零部件，风场在实际运行过程中，负荷波动不平稳，导致其工作负载变化较为剧烈，故障率较高，故障原因繁多，例如齿轮的齿面划伤、点蚀和轴承的疲劳、腐蚀等。因此需要加装大量的传感器监测其各项运行指标，对于大量的运维数据，必须依靠大数据的手段对其进行归纳、分析与预测。其基于大数据的齿轮箱状态监测与故障诊断系统如图1所示。

图1 基于大数据的齿轮箱状态监测与故障诊断系统

2 状态监测内容

2.1 温度监测

温度因素是保持齿轮箱稳定运行的重要因素，其原因在于，齿轮箱内部的润滑油温度影响着整个齿轮箱的寿命和平稳运行，齿轮之间的啮合需要润滑油润滑，一旦温度过高，齿轮表面难以形成润滑油膜，造成齿面磨损，同时温度升高还易导致滑动轴承气蚀磨损。一般齿轮箱内部温度应在80℃以内为宜。可通过热电偶法或红外热成像技术进行监测。

2.2 油液监测

油液监测是监测齿轮箱运行状态最为直接的手段，干净无污染的润滑油液可以有效降低齿轮的磨损状态，提高其使用寿命。可以通过定期对齿轮箱内的油液状态进行分析，监测其磨粒、污染度、铁谱等信息，判断齿轮箱内部齿轮、轴承的磨损状态以及润滑油的油品及污染状态，为设备的状态监测以及油品更换提供依据。

2.3 振动监测

振动监测在机械故障监测中是一种非常成熟的技术，振动普遍存在于齿轮箱的日常工作中，但是健康状态下的齿轮箱在平稳运行过程中往往传达出平稳的振动信号，一旦发生异常故障，其信号往往会产生异常波动，但是其异常信号是有特点的，包含着大量的故障信息，通过对特征信号的提取，可以有效地判定故障种类以及缺陷位置。

3 大数据故障诊断流程及解决思路

基于大数据对齿轮箱进行状态监测与故障诊断时，其具体流程如图2所示。往往需要联合多种信号通过大数据进行集成分析，进行状态识别并进行故障识别及预警，若未发生异常，则进行大数据算法的实时更新，一旦数据异常即将异常数据导入专家系统进行设备故障诊断，通过即时反馈出的振动频谱、油液温度、油品质量进行综合分析，对故障类型、部位、原因进行判断，确定实效模式与实效机理，最终提供故障解决方案。

图2 大数据联合多种信号综合分析流程图

3.1 阶段性

考虑到齿轮箱的故障并不是一蹴而就的，根据齿轮、轴承的磨损状态以及油品的状态其通常存在几种具体的渐进状态，即正常状态，各项指标在正常线以内，齿轮箱平稳正常运转；注意状态，部分指标超出正常线，位于警戒线以内；警戒状态，指标超出警戒线但位于危险线以内，此时齿轮箱可能仍然能够工作，但是零部件磨损严重接近实效；危险状态，此时指标已经完全超出危险线，部分零部件已经完全实效。因此在对故障数据进行分析时，要考虑其所处的状态，不同的状态其对应的故障机制和故障现象也不同，不可生搬硬套以一套判据判断所有状态。

3.2 动态性

齿轮箱的磨损是动态性变化的，不能直接依据设定的参数值进行判断，尤其是线性预测方面，随着预测时间的增长，其预测误差必然增大，导致状态预测失误。

3.3 多维性

齿轮箱的故障分析不能由单一维度因素下定论，往往是由工况参数、油品参数、污染参数、温度参数等多维度因素共同判定。

3.4 适用性

齿轮箱的状态监测与故障诊断结果，与其采用的监测技术和监测数据相关，因此要明确数据处理的针对性，以数据驱动故障诊断。

3.5 集成性

故障分析的数据来源较为广泛，但究其根源依然是摩擦学系统，其各项数值之间存在关联性，例如油品变差、磨损加剧、温度升高。

3.6 定量化

在齿轮箱的监测样本与监测数据中，依然有很大比例的定性分析，例如油液的颜色、磨损的状态，这些诊断较多的依赖经验，无法精准判断齿轮箱的健康状态，导致日常运维效率低下，精准度有待提升。因此要依赖大数据的手段，将各项指标进行定量化处理已实现更加精准的判断与预测。

3.7 标准化

齿轮箱在风电场中并不是统一标准的，其有多种规格、标准，不同类型的齿轮箱其材料、工况、传感器均不相同，缺乏统一的监测标准与故障诊断准则，很多故障排除只能依靠工人经验智慧。因此需要对大量多类型的齿轮箱进行监测，获取其运行样本，充实数据库，建立分层分类分级的监测与故障诊断标准。

3.8 统一化

通常情况下，设备的生产供应商与风场实际用户所采用的的各项标准并不统一，其监测手段也各不相同，导致监测结果之间往往相互独立，无法相互支撑，极易发生欠维护或者过维护的状况，造成一定的经济损失，因此有必要对监测技术与监测信息进行统一化，打破壁垒进行标准共建。

4 齿轮箱状态监测与故障诊断管理平台

为解决齿轮箱的状态监测与故障诊断问题，依托大数据的手段，搭建了齿轮箱状态监测与故障诊断管理平台，如图3所示。其通过在齿轮箱上部署安装不同的监测设备，采集其运行状态数据，上传至故障诊断管理平台，由基于大数据的齿轮箱状态监测与故障诊断系统进行分析确认，并将结果上传至云端，确保用户可以便捷的对其进行访问。