基于多變量狀態估計的風電機組齒輪箱溫度監測方法

張艷霞，翟永杰，趙海龍

（華北電力大學 控制與計算機工程學院，河北 保定 071003）

0 引言

齒輪箱主要是將葉輪轉動產生的力矩傳遞給發電機，帶動其轉動，發出電能，是風電機組特別重要的部件之一。

目前風電機組故障診斷研究方法很多，比如基于時間序列故障的方法，采用振動數據研究的方法等，文獻[1-3]主要討論了風電機組監測方法的綜述。文獻[4-8]對振動故障進行了分析，并通過小波分析方法進行了處理。文獻[9]用小波變換對風電機組傳動系統進行了故障診斷。文獻[10]采用BP 神經網絡對齒輪箱和發電機進行建模并預測。華北電力大學趙洪山等開展了基于統計過程控制的風機齒輪箱故障預測，結合最小二乘支持向量機算法， 進行齒輪箱狀態監測[11]。華北電力大學郭鵬等較早開展了基于SCADA數據的齒輪箱溫度趨勢狀態監測以及風電機組塔架振動建模與監測[12]。

1 MSET建模原理

多 變 量 狀 態 估 計（Multivariate State Estimation Technique, MSET）技術是由Gross K C，Singer R M 等提出的一種由數據驅動的非參數建模方法。它把各個參數正常工作狀態下的運行數據構造成D記憶矩陣，D矩陣的列向量代表某一時刻的所有參數的運行數據，行向量代表某一參數在m個狀態時的運行數據，然后定義各個參數之間的關系，從而做到狀態估計。設在 時刻時觀測到的n個相關變量為觀測向量，即

然后在正常工作狀態下的歷史數據構成了過程記憶矩陣，即

觀測向量Xobs為MSET的輸入，模型的輸出為對該輸入的估計向量Xest。對任何一個輸入觀測向量Xobs，MSET生成一個m維的權值向量

從而得到估計向量Xest

構造權值向量W

將式(6)代入式(4)中，MSET模型對設備或過程的估計向量為

2 滑動窗口殘差統計方法

為了可以連續地反映殘差分布特性的變化，本文采用滑動窗口（Sliding Window）殘差統計方法，該方法可以最快發現系統變量是否正常。當MSET模型位于覆蓋能力稍差的區域時，其殘差序列中會出現一些殘差相對較大的點，降低估計精度，該方法可消除這些不確定因素和隨機干擾。

假如在某一段時間之內，MSET齒輪箱溫度的估計殘差序列為

對該序列取一個寬度為N的滑動窗口。對窗口內的連續 個殘差計算其均值

當齒輪箱的溫度值超過某一臨界值時，該系統有故障，提醒維修人員。

3 對齒輪箱溫度進行建模及模型驗證

本文研究的是Vestas V80風機用齒輪箱，額定功率為1.5MW，切入風速為4m/s,切出風速為25 m/s，主要由行星齒輪箱（環形齒輪、行星齒輪和中心小齒輪）和兩個兩級平行軸齒輪箱組成，這種行星齒輪與平行軸齒輪箱的組合從1990年曾用于標準風機中，齒輪比和功率容量很大。齒輪比取決于每個齒輪的齒數，并隨風機機型的不同而不同，例如海上型，陸上型，50Hz或60Hz電網頻率的風機，V80風機齒輪比在92:1 到120:1 之間變化。齒輪箱最佳運行溫度65℃以下（滿功率時）。報警溫度為高溫80℃、低溫為-5℃。

本文選擇以下參數作為MSET建模中的觀測向量。

1）有功功率(P)：當機組的輸出功率較大時，齒輪箱所承受的載荷就會增大，齒輪箱溫度就會升高。

2）風速(u)：風是風力發電的基礎，風速對風電機組的運行至關重要。風速越大，齒輪箱轉速越高，齒輪箱溫度越高。

3）環境溫度(T)：風機所處的環境溫度對齒輪箱溫度也有一定影響。

4）機艙溫度（Tc）：它影響著各部件的壽命。

5）齒輪箱油溫（Toil）：在風電機組運行前，要保證齒輪箱油溫高于0℃。

6）齒輪箱軸承溫度(Tgear)：軸承是風電機組齒輪箱所有部件中最薄弱的環節之一。

本文選擇2014年12月份1個月的數據進行分析和處理，圖1為原始數據。

觀察原始數據圖1，可以發現如下問題：

（1）有些時刻功率小于0，考慮到風電機組的實際報警停機可能是由于傳感器的問題，與設備故障之間沒有必然聯系，所以將該時間段內功率小于0的數據丟棄，首先需要進行數據濾波處理。

圖1 SCADA 12月份的原始數據Fig.1 SCADA raw data for December

（2）對于同一個測點，數據存在遺漏現象；不同測點的采樣時間也不相同，影響了完整數據集的構造。所以，為了準確構造造歷史觀測向量集合，對各測點數據進行插值處理，形成相同時間、相同數據量的數據。設定一個每個測點的采樣時間，這里采用間隔6 min，從2014年12月7日0點，到2014年12月15日0點，9天的時間，1800個采樣點。 圖2為處理之后的數據。

圖2 經過處理之后的數據Fig.2 After processing of data

接下來驗證MSET模型的正確性，利用該機組在2014年12月7日0點到2014年12月15日0點時間段內的1800組正常運行歷史數據進行驗證。選用前 1700 組數據作為D矩陣，后 100組數據作為驗證數據代入D矩陣，見公式（8），得出齒輪箱軸承溫度估計值Xest。觀測向量和估計向量之間的殘差圖如圖3。

圖3 觀測向量和估計向量之間的殘差圖Fig.3 Observed between vectors and estimated vector of residual plots

圖4 殘差滑動窗口圖Fig.4 Residual sliding w indow figure

接著采用滑動窗口殘差統計方法對殘差進行下一步的分析，本文設置滑動窗口寬度為N=10。得到的殘差滑動窗口如圖4所示。

從這里可以得出齒輪箱故障預警的閾值為±0.40，見公式（11），這里取k1=2。

4 齒輪箱溫度的故障測試

為了驗證MSET模型的有效性，本文從現場選取了一段有故障的數據進行測試。對2015年4月6日到2015年4月15日時間段內的歷史數據代入MSET模型進行驗證，根據風機運行的記錄表，如表1，在4月14日發生了齒輪箱超溫故障，其中故障碼147代表齒輪箱超溫。

表1 風機運行記錄表Table 1 Fan running record form

MSET模型殘差見圖5。

圖5 MSET模型測試殘差Fig.5 Tests of MSET model residuals

對應的殘差滑動窗口統計特性如圖6。

圖6 MSET模型測試殘差滑動窗口統計特性圖Fig.6 Testing residual slipping the MSET model statistical characteristics of the w indow

從圖6可以看出，在故障時間對應的55個點處，MSET對應的殘差變得很大，超過了閾值。可見，當齒輪箱出現故障導致其溫度升高時，MSET模型可以做到早期故障診斷。

5 結論

MSET建模方法就是對設備正常狀態下的歷史數據進行學習，定義系統各個參數之間的關系，通過合理選擇對齒輪箱溫度影響較大的變量來建立過程記憶矩陣，然后利用滑動窗口殘差統計方法進行故障監測。當機組運行異常時，各個參數之間的內在聯系被破壞，導致殘差增大。當殘差超過閾值時，系統故障。MSET建模算法簡單、物理意義明確，可以及時的發現設備的故障，提醒工作人員進行合理的維修。

[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]張兆煌,丁顯,等.基于小波變換的風電機組傳動系統故障診斷與分析[J].應用基礎與工程科學學報,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]趙洪山,胡慶春,等.基于統計過程控制的風機齒輪箱故障預測[J].電力系統與保護, 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]郭鵬,david infield,等.風電機組齒輪箱溫度趨勢狀態監測及分析方法.中國電機工程學報,2011,31(32):129-136.