基于大數據和人工智能的風電機組傳動鏈故障診斷研究

陳思羽 胡常鑫

【摘?要】經濟的發展，城市化進程的加快，人們對電能的需求也逐漸增加。隨著風電行業的快速發展，越來越多的風電機組并網投運.因風電機組工作環境惡劣，風速、風向、轉速等變化大，致使機組運行工況復雜，容易導致機組傳動鏈的主軸、齒輪箱、聯軸器等關鍵零部件發生故障，從而損壞設備，帶來嚴重的經濟損失，甚至危及安全.對風電機組傳動鏈進行故障診斷，可以預先了解其健康狀況，合理調整運行，對實施風電機組的狀態檢修，提高機組的可靠性和安全性，降低運行和維護費用等具有重要意義。本文就基于大數據和人工智能的風電機組傳動鏈故障診斷展開探討。

【關鍵詞】風電機組;傳動系統;維護;故障診斷

引言

隨著我國科技的發展和經濟水平的提升，在能源利用上為了滿足當前可持續發展的基本國情，國家更加推崇使用無污染、可再生能源來代替煤、石油、天然氣等傳統資源。在這樣的背景下，風力發電逐漸進入了我國新能源研究中心的視線，風能源的開發和利用都在一定程度上得到了社會的好評和人們的認可，但是對風力進行利用過程中，同樣也要意識到，風力發電系統中的運行和維護以及故障診斷都是很重要的，我們也應該及時研究出相應的系統維護和故障修復措施。

1風電大數據

（1）數據來源。隨著風電規模日益擴大、智能化不斷的提高，由此帶來的是越來越多先進的自動化儀表產生的海量數據。在日常生產管理中產生的數據如風場的歷史運行數據、電網OMS系統數據、生產運營報表數據、廠區內監控視頻數據等。在一些有條件的風場，還有第三方研發的振動系統采集的振動監測數據。正是各大風電企業對狀態監測系統性能要求的不斷提高使得整個風電系統的數據規模不斷擴大，在實際使用過程中出現各系統不兼容、數據存儲效率不同、數據格式各異、傳輸協議存有差異等，如何將這些數據統一化、標準化成為急需解決的問題，這些都為大數據平臺的發展提供了現實基礎。（2）風電大數據平臺。隨著狀態監測系統的日益龐大和風場運行服務年限的增加，每年產生數據規模以TB級別的增加，如何存儲和管理成為急需解決的問題，早期風電企業為節約成本會定期對數據進行清除使得蘊含在數據內具有價值的信息不能有效的利用。大數據技術為風電數據的存儲和利用提供了有效的解決方法，在存儲管理方面可達到設計年限20年左右風機的存儲管理需求，實現不同系統數據的標準化處理;在數據分析挖掘方面可以有效發掘蘊含在各類數據中的價值為風電企業狀態監控、壽命預測、早期故障預警等提供了有效方法。

2風電機組傳動系統維修與故障診斷的意義

風電機組系統內部如果發生故障未得到及時的處理，很有可能會對整個機組造成零部件的損壞，降低其使用壽命，嚴重的還可能會對齒輪組或者主軸承等大型關鍵性零件造成散落或者零碎，最終導致風電機組系統癱瘓，無法正常使用，所以，對風電機組傳動系統的維修與故障分析診斷工作一定要有條理性，有時效性，要嚴格控制好風電機組系統的穩定程度，及時發現故障位置，降低故障發生風險，是對風電機組保護的重要方法，也是提高能源利用率和能源產生速率的有效手段。

3風電機組傳動鏈故障診斷

3.1風電機組傳動鏈的故障類型及機理分析

風電機組傳動鏈包括主軸、齒輪箱和聯軸器，其中，齒輪箱中一般含有齒輪、滾動軸承和軸.傳動鏈的故障類型主要體現在：（1）齒面損傷、斷齒、齒根有較大裂紋、局部齒形誤差;（2）滾動軸承內、外圈剝落，鋼球剝落;（3）聯軸器對中不良、配合松動、不平衡;（4）軸彎曲;（5）齒輪油異常等.傳動鏈中的主要零部件失效可能由多種原因造成，同時，其產生的故障通常也會相互影響.因此，分析各零部件的主要不同失效形式及機理是對傳動鏈故障診斷的基礎。

3.2基于SVM的傳動鏈故障分類

SVM的原理是使用一個明確的非線性映射，將維度較低的樣本映射到維度較高的空間內，建立最優分類超平面，來對輸入樣本進行分類和識別1609-1610。

其中，σ為核函數系數。在運行過程中，對風電機組傳動鏈提取振動信號，并求取其特征值，以此來判斷故障類型。將這些特征值作為SVM模型的輸入量，通過訓練和學習來識別故障種類。參數選擇對SVM的性能有很大影響，其中，最重要的參數為懲罰參數C和核函數系數σ。C和σ的不同取值導致分類模型的不同性能。SVM使用“一對多”法對傳動鏈故障類型進行分類，構造與故障樣本類型數目相等的二分器進行分類，以測試樣本的故障類型向量作為二分器的輸入。診斷結果與訓練樣本一致的，判定為該故障，不一致的，作為下一個二分器的輸入，繼續判斷，最終實現多種故障樣本的分類。

3.3風電機組傳動鏈故障樹診斷系統的推理機制

故障樹智能診斷推理包括2個過程：一是某層框架某節點的報警規則的推理，確定該節點是否異常;二是框架中診斷規則的推理，確定故障傳播關系，找出故障源.通過淺知識推理可獲取故障征兆，通過狀態監測、模糊神經網絡和專家診斷獲得;通過深知識推理可確定故障源，文中推理過程采用從頂上事件—中間事件—基本事件來確定故障樹上各節點的狀態，找出故障源。

4風電機組傳動系統的維護與保養

4.1齒輪箱的維護與保養

第一、清潔齒輪箱箱體表面，并仔細檢查齒輪箱的外觀是否存在管道或箱體滲透現象，箱底放油閥是否存在松動或滲漏現象，盡可能杜絕由于放油閥松動或滲透而引發的齒輪油大量泄漏現象發生。第二，檢查齒輪軸散熱器以及承溫度、壓差、壓力、油位、溫度等傳感器的接線是否正常，以及導線是否存在磨損現象。第三，采用油位窗或油標尺來檢查齒輪箱有色以及油位有無異常。如果油色較黑較深時，則應及時檢驗油質，并強化機組運行監視力度。如果出現濾清器堵塞報警的情況，應第一時間對其進行檢查與維護，全面清潔濾清器內部，并更換濾芯;如果油位較低，則應立即補充。第四，檢查齒輪箱有無異常噪音的發生。

4.2滾動軸維護和保養

一般軸承運轉不正常通常表現為軸承過熱、噪聲大、振動、軸承軸上松動、機械性能不達標、更換頻率高等問題。軸承存在著不同程度的損壞，軸承過熱通常是由于接觸型摩擦油封太緊，可以采取更換接觸型的油封，并潤滑油封表面。軸承箱內孔不圓、軸承發生扭曲變形、箱孔內徑過小或者支撐面不平均會導致軸承過熱，必須維護中檢查軸承箱、內孔，調整底座片分布情況。由于軸承的發熱量和排熱量不穩定，通常滾動軸承的運轉初溫速度會快速上升，達到正常狀態不太穩定。溫度達到穩定狀態的時候，由于滾動軸承的發熱量、冷卻面積、軸承等熱容量、潤滑油量以及周圍溫度不同而不同。

結語

風電機組傳動鏈作為整個機組能量轉化的關鍵部件，它的健康狀態關乎整個風機的健康安全運行，尤其齒輪箱安裝位置環境偏遠且處于風機頂部的機艙內，日常維護和檢修工作困難，一旦發生故障維修成本昂極其貴，因此對其早期故障預警、精準故障診斷對降低運維成本、提高風電機組運行的可靠性顯得尤為重要。隨著一些先進傳感器的應用，全狀態多通道的監測系統逐漸完善，工業智能化進一步提高，如何在大數據時代下利用海量狀態監測數據達到早期故障預警、精準故障診斷成為解決當前問題的關鍵。

參考文獻：

[1]辛衛東.風電機組傳動鏈振動分析與故障特征提取方法研究[D].北京：華北電力大學，2018.

[2]崔勇.小波包變換和RBF網絡在風電機組傳動鏈故障診斷的應用研究[J].組合機床與自動化加工技術，2018（10）：95-97.

[3]湯寶平，羅蕾，鄧蕾，等.風電機組傳動系統振動監測研究進展[J].振動，測試與診斷，2018，37（3）：417-425.

作者簡介：

陳思羽（1993-5月-18日），民族：漢，性別：男，籍貫：黑龍江省雞西市雞東縣，學歷：碩士研究生，職稱：無，研究方向：人工智能在風電故障檢測上的應用。

（作者單位：1黑龍江科技大學 電氣與控制工程學院;2國網遼寧省電力有限公司葫蘆島供電公司）