论文部分内容阅读
【摘 要】经济的发展，城市化进程的加快，人们对电能的需求也逐渐增加。随着风电行业的快速发展，越来越多的风电机组并网投运.因风电机组工作环境恶劣，风速、风向、转速等变化大，致使机组运行工况复杂，容易导致机组传动链的主轴、齿轮箱、联轴器等关键零部件发生故障，从而损坏设备，带来严重的经济损失，甚至危及安全.对风电机组传动链进行故障诊断，可以预先了解其健康状况，合理调整运行，对实施风电机组的状态检修，提高机组的可靠性和安全性，降低运行和维护费用等具有重要意义。本文就基于大数据和人工智能的风电机组传动链故障诊断展开探讨。
【关键词】风电机组;传动系统;维护;故障诊断
引言
随着我国科技的发展和经济水平的提升，在能源利用上为了满足当前可持续发展的基本国情，国家更加推崇使用无污染、可再生能源来代替煤、石油、天然气等传统资源。在这样的背景下，风力发电逐渐进入了我国新能源研究中心的视线，风能源的开发和利用都在一定程度上得到了社会的好评和人们的认可，但是对风力进行利用过程中，同样也要意识到，风力发电系统中的运行和维护以及故障诊断都是很重要的，我们也应该及时研究出相应的系统维护和故障修复措施。
1风电大数据
（1）数据来源。随着风电规模日益扩大、智能化不断的提高，由此带来的是越来越多先进的自动化仪表产生的海量数据。在日常生产管理中产生的数据如风场的历史运行数据、电网OMS系统数据、生产运营报表数据、厂区内监控视频数据等。在一些有条件的风场，还有第三方研发的振动系统采集的振动监测数据。正是各大风电企业对状态监测系统性能要求的不断提高使得整个风电系统的数据规模不断扩大，在实际使用过程中出现各系统不兼容、数据存储效率不同、数据格式各异、传输协议存有差异等，如何将这些数据统一化、标准化成为急需解决的问题，这些都为大数据平台的发展提供了现实基础。（2）风电大数据平台。随着状态监测系统的日益庞大和风场运行服务年限的增加，每年产生数据规模以TB级别的增加，如何存储和管理成为急需解决的问题，早期风电企业为节约成本会定期对数据进行清除使得蕴含在数据内具有价值的信息不能有效的利用。大数据技术为风电数据的存储和利用提供了有效的解决方法，在存储管理方面可达到设计年限20年左右风机的存储管理需求，实现不同系统数据的标准化处理;在数据分析挖掘方面可以有效发掘蕴含在各类数据中的价值为风电企业状态监控、寿命预测、早期故障预警等提供了有效方法。
2风电机组传动系统维修与故障诊断的意义
风电机组系统内部如果发生故障未得到及时的处理，很有可能会对整个机组造成零部件的损坏，降低其使用寿命，严重的还可能会对齿轮组或者主轴承等大型关键性零件造成散落或者零碎，最终导致风电机组系统瘫痪，无法正常使用，所以，对风电机组传动系统的维修与故障分析诊断工作一定要有条理性，有时效性，要严格控制好风电机组系统的稳定程度，及时发现故障位置，降低故障发生风险，是对风电机组保护的重要方法，也是提高能源利用率和能源产生速率的有效手段。
3风电机组传动链故障诊断
3.1风电机组传动链的故障类型及机理分析
风电机组传动链包括主轴、齿轮箱和联轴器，其中，齿轮箱中一般含有齿轮、滚动轴承和轴.传动链的故障类型主要体现在：（1）齿面损伤、断齿、齿根有较大裂纹、局部齿形误差;（2）滚动轴承内、外圈剥落，钢球剥落;（3）联轴器对中不良、配合松动、不平衡;（4）轴弯曲;（5）齿轮油异常等.传动链中的主要零部件失效可能由多种原因造成，同时，其产生的故障通常也会相互影响.因此，分析各零部件的主要不同失效形式及机理是对传动链故障诊断的基础。
3.2基于SVM的传动链故障分类
SVM的原理是使用一个明确的非线性映射，将维度较低的样本映射到维度较高的空间内，建立最优分类超平面，来对输入样本进行分类和识别1609-1610。
其中，σ为核函数系数。在运行过程中，对风电机组传动链提取振动信号，并求取其特征值，以此来判断故障类型。将这些特征值作为SVM模型的输入量，通过训练和学习来识别故障种类。参数选择对SVM的性能有很大影响，其中，最重要的参数为惩罚参数C和核函数系数σ。C和σ的不同取值导致分类模型的不同性能。SVM使用“一对多”法对传动链故障类型进行分类，构造与故障样本类型数目相等的二分器进行分类，以测试样本的故障类型向量作为二分器的输入。诊断结果与训练样本一致的，判定为该故障，不一致的，作为下一个二分器的输入，继续判断，最终实现多种故障样本的分类。
3.3风电机组传动链故障树诊断系统的推理机制
故障树智能诊断推理包括2个过程：一是某层框架某节点的报警规则的推理，确定该节点是否异常;二是框架中诊断规则的推理，确定故障传播关系，找出故障源.通过浅知识推理可获取故障征兆，通过状态监测、模糊神经网络和专家诊断获得;通过深知识推理可确定故障源，文中推理过程采用从顶上事件—中间事件—基本事件来确定故障树上各节点的状态，找出故障源。
4风电机组传动系统的维护与保养
4.1齿轮箱的维护与保养
第一、清洁齿轮箱箱体表面，并仔细检查齿轮箱的外观是否存在管道或箱体渗透现象，箱底放油阀是否存在松动或渗漏现象，尽可能杜绝由于放油阀松动或渗透而引发的齿轮油大量泄漏现象发生。第二，检查齿轮轴散热器以及承温度、压差、压力、油位、温度等传感器的接线是否正常，以及导线是否存在磨损现象。第三，采用油位窗或油标尺来检查齿轮箱有色以及油位有无异常。如果油色较黑较深时，则应及时检验油质，并强化机组运行监视力度。如果出现滤清器堵塞报警的情况，应第一时间对其进行检查与维护，全面清洁滤清器内部，并更换滤芯;如果油位较低，则应立即补充。第四，检查齿轮箱有无异常噪音的发生。
4.2滾动轴维护和保养
一般轴承运转不正常通常表现为轴承过热、噪声大、振动、轴承轴上松动、机械性能不达标、更换频率高等问题。轴承存在着不同程度的损坏，轴承过热通常是由于接触型摩擦油封太紧，可以采取更换接触型的油封，并润滑油封表面。轴承箱内孔不圆、轴承发生扭曲变形、箱孔内径过小或者支撑面不平均会导致轴承过热，必须维护中检查轴承箱、内孔，调整底座片分布情况。由于轴承的发热量和排热量不稳定，通常滚动轴承的运转初温速度会快速上升，达到正常状态不太稳定。温度达到稳定状态的时候，由于滚动轴承的发热量、冷却面积、轴承等热容量、润滑油量以及周围温度不同而不同。
结语
风电机组传动链作为整个机组能量转化的关键部件，它的健康状态关乎整个风机的健康安全运行，尤其齿轮箱安装位置环境偏远且处于风机顶部的机舱内，日常维护和检修工作困难，一旦发生故障维修成本昂极其贵，因此对其早期故障预警、精准故障诊断对降低运维成本、提高风电机组运行的可靠性显得尤为重要。随着一些先进传感器的应用，全状态多通道的监测系统逐渐完善，工业智能化进一步提高，如何在大数据时代下利用海量状态监测数据达到早期故障预警、精准故障诊断成为解决当前问题的关键。
参考文献：
[1]辛卫东.风电机组传动链振动分析与故障特征提取方法研究[D].北京：华北电力大学，2018.
[2]崔勇.小波包变换和RBF网络在风电机组传动链故障诊断的应用研究[J].组合机床与自动化加工技术，2018（10）：95-97.
[3]汤宝平，罗蕾，邓蕾，等.风电机组传动系统振动监测研究进展[J].振动，测试与诊断，2018，37（3）：417-425.
作者简介：
陈思羽（1993-5月-18日），民族：汉，性别：男，籍贯：黑龙江省鸡西市鸡东县，学历：硕士研究生，职称：无，研究方向：人工智能在风电故障检测上的应用。
（作者单位：1黑龙江科技大学 电气与控制工程学院;2国网辽宁省电力有限公司葫芦岛供电公司）
【关键词】风电机组;传动系统;维护;故障诊断
引言
随着我国科技的发展和经济水平的提升，在能源利用上为了满足当前可持续发展的基本国情，国家更加推崇使用无污染、可再生能源来代替煤、石油、天然气等传统资源。在这样的背景下，风力发电逐渐进入了我国新能源研究中心的视线，风能源的开发和利用都在一定程度上得到了社会的好评和人们的认可，但是对风力进行利用过程中，同样也要意识到，风力发电系统中的运行和维护以及故障诊断都是很重要的，我们也应该及时研究出相应的系统维护和故障修复措施。
1风电大数据
（1）数据来源。随着风电规模日益扩大、智能化不断的提高，由此带来的是越来越多先进的自动化仪表产生的海量数据。在日常生产管理中产生的数据如风场的历史运行数据、电网OMS系统数据、生产运营报表数据、厂区内监控视频数据等。在一些有条件的风场，还有第三方研发的振动系统采集的振动监测数据。正是各大风电企业对状态监测系统性能要求的不断提高使得整个风电系统的数据规模不断扩大，在实际使用过程中出现各系统不兼容、数据存储效率不同、数据格式各异、传输协议存有差异等，如何将这些数据统一化、标准化成为急需解决的问题，这些都为大数据平台的发展提供了现实基础。（2）风电大数据平台。随着状态监测系统的日益庞大和风场运行服务年限的增加，每年产生数据规模以TB级别的增加，如何存储和管理成为急需解决的问题，早期风电企业为节约成本会定期对数据进行清除使得蕴含在数据内具有价值的信息不能有效的利用。大数据技术为风电数据的存储和利用提供了有效的解决方法，在存储管理方面可达到设计年限20年左右风机的存储管理需求，实现不同系统数据的标准化处理;在数据分析挖掘方面可以有效发掘蕴含在各类数据中的价值为风电企业状态监控、寿命预测、早期故障预警等提供了有效方法。
2风电机组传动系统维修与故障诊断的意义
风电机组系统内部如果发生故障未得到及时的处理，很有可能会对整个机组造成零部件的损坏，降低其使用寿命，严重的还可能会对齿轮组或者主轴承等大型关键性零件造成散落或者零碎，最终导致风电机组系统瘫痪，无法正常使用，所以，对风电机组传动系统的维修与故障分析诊断工作一定要有条理性，有时效性，要严格控制好风电机组系统的稳定程度，及时发现故障位置，降低故障发生风险，是对风电机组保护的重要方法，也是提高能源利用率和能源产生速率的有效手段。
3风电机组传动链故障诊断
3.1风电机组传动链的故障类型及机理分析
风电机组传动链包括主轴、齿轮箱和联轴器，其中，齿轮箱中一般含有齿轮、滚动轴承和轴.传动链的故障类型主要体现在：（1）齿面损伤、断齿、齿根有较大裂纹、局部齿形误差;（2）滚动轴承内、外圈剥落，钢球剥落;（3）联轴器对中不良、配合松动、不平衡;（4）轴弯曲;（5）齿轮油异常等.传动链中的主要零部件失效可能由多种原因造成，同时，其产生的故障通常也会相互影响.因此，分析各零部件的主要不同失效形式及机理是对传动链故障诊断的基础。
3.2基于SVM的传动链故障分类
SVM的原理是使用一个明确的非线性映射，将维度较低的样本映射到维度较高的空间内，建立最优分类超平面，来对输入样本进行分类和识别1609-1610。
其中，σ为核函数系数。在运行过程中，对风电机组传动链提取振动信号，并求取其特征值，以此来判断故障类型。将这些特征值作为SVM模型的输入量，通过训练和学习来识别故障种类。参数选择对SVM的性能有很大影响，其中，最重要的参数为惩罚参数C和核函数系数σ。C和σ的不同取值导致分类模型的不同性能。SVM使用“一对多”法对传动链故障类型进行分类，构造与故障样本类型数目相等的二分器进行分类，以测试样本的故障类型向量作为二分器的输入。诊断结果与训练样本一致的，判定为该故障，不一致的，作为下一个二分器的输入，继续判断，最终实现多种故障样本的分类。
3.3风电机组传动链故障树诊断系统的推理机制
故障树智能诊断推理包括2个过程：一是某层框架某节点的报警规则的推理，确定该节点是否异常;二是框架中诊断规则的推理，确定故障传播关系，找出故障源.通过浅知识推理可获取故障征兆，通过状态监测、模糊神经网络和专家诊断获得;通过深知识推理可确定故障源，文中推理过程采用从顶上事件—中间事件—基本事件来确定故障树上各节点的状态，找出故障源。
4风电机组传动系统的维护与保养
4.1齿轮箱的维护与保养
第一、清洁齿轮箱箱体表面，并仔细检查齿轮箱的外观是否存在管道或箱体渗透现象，箱底放油阀是否存在松动或渗漏现象，尽可能杜绝由于放油阀松动或渗透而引发的齿轮油大量泄漏现象发生。第二，检查齿轮轴散热器以及承温度、压差、压力、油位、温度等传感器的接线是否正常，以及导线是否存在磨损现象。第三，采用油位窗或油标尺来检查齿轮箱有色以及油位有无异常。如果油色较黑较深时，则应及时检验油质，并强化机组运行监视力度。如果出现滤清器堵塞报警的情况，应第一时间对其进行检查与维护，全面清洁滤清器内部，并更换滤芯;如果油位较低，则应立即补充。第四，检查齿轮箱有无异常噪音的发生。
4.2滾动轴维护和保养
一般轴承运转不正常通常表现为轴承过热、噪声大、振动、轴承轴上松动、机械性能不达标、更换频率高等问题。轴承存在着不同程度的损坏，轴承过热通常是由于接触型摩擦油封太紧，可以采取更换接触型的油封，并润滑油封表面。轴承箱内孔不圆、轴承发生扭曲变形、箱孔内径过小或者支撑面不平均会导致轴承过热，必须维护中检查轴承箱、内孔，调整底座片分布情况。由于轴承的发热量和排热量不稳定，通常滚动轴承的运转初温速度会快速上升，达到正常状态不太稳定。温度达到稳定状态的时候，由于滚动轴承的发热量、冷却面积、轴承等热容量、润滑油量以及周围温度不同而不同。
结语
风电机组传动链作为整个机组能量转化的关键部件，它的健康状态关乎整个风机的健康安全运行，尤其齿轮箱安装位置环境偏远且处于风机顶部的机舱内，日常维护和检修工作困难，一旦发生故障维修成本昂极其贵，因此对其早期故障预警、精准故障诊断对降低运维成本、提高风电机组运行的可靠性显得尤为重要。随着一些先进传感器的应用，全状态多通道的监测系统逐渐完善，工业智能化进一步提高，如何在大数据时代下利用海量状态监测数据达到早期故障预警、精准故障诊断成为解决当前问题的关键。
参考文献：
[1]辛卫东.风电机组传动链振动分析与故障特征提取方法研究[D].北京：华北电力大学，2018.
[2]崔勇.小波包变换和RBF网络在风电机组传动链故障诊断的应用研究[J].组合机床与自动化加工技术，2018（10）：95-97.
[3]汤宝平，罗蕾，邓蕾，等.风电机组传动系统振动监测研究进展[J].振动，测试与诊断，2018，37（3）：417-425.
作者简介：
陈思羽（1993-5月-18日），民族：汉，性别：男，籍贯：黑龙江省鸡西市鸡东县，学历：硕士研究生，职称：无，研究方向：人工智能在风电故障检测上的应用。
（作者单位：1黑龙江科技大学 电气与控制工程学院;2国网辽宁省电力有限公司葫芦岛供电公司）