風電齒輪箱磨損狀態靜電在線監測方法研究

劉舒沁，劉若晨，孫見忠，張進武

（1.江蘇理工學院汽車與交通工程學院，江蘇常州213001；2.南京航空航天大學民航學院，江蘇南京211106）

風電齒輪箱的結構復雜，在運行過程中其不同結構之間存在較大差異，且在惡劣環境中持續工作時，其性能不斷退化。在風電齒輪箱性能不斷退化的過程中，傳統監測手段很難有效地在故障出現的早期就及時監測到故障，而等發現故障時，風電齒輪箱的傳動系統已出現嚴重的故障甚至失效［1‐3］。目前，國內外常用的風電齒輪箱狀態監測方法有振動監測、溫度監測和油液磨粒監測等［4‐5］。為解決傳統監測方法不能及時發現故障這一問題，提出將靜電監測技術應用于風電齒輪箱磨損狀態的監測。

靜電監測技術是一種新型的機械系統狀態監測技術，它能夠實時監測機械系統的1個或多個狀態參數，這些參數能夠為機械系統的性能異常提供故障預警信息。相關技術人員根據這些參數反饋的信息，及時對機械系統進行視情維護，從而避免機械系統故障［6］。靜電監測技術最早應用于航空領域，最初是為了探測航空發動機氣路中的碎片，以檢測外來物吸入和葉片摩擦等情況［7‐13］。靜電監測原理如圖1所示（圖中OLS表示潤滑油路靜電傳感器，Q表示電荷量），靜電傳感器通過感應探極檢測移動電荷量，并通過電荷放大電路及A/D（analog/digital，模擬/數字）轉換器將電荷信號轉換成電壓信號輸出。

圖1 靜電監測原理Fig.1 Principle of electrostatic monitoring

Harvey等［14］采用3個磨損區域靜電傳感器和1個潤滑油路靜電傳感器來監測由內圈預縮和超載加速的圓錐滾子軸承的失效狀態。在監測過程中發現：在軸承失效前4小時，潤滑油路靜電傳感器檢測到排氣管路中磨損碎片的產生量增加，安裝在測試軸承附近的磨損區域靜電傳感器的監測結果也顯示軸承性能惡化；在故障發生前6.5小時，3個磨損區域靜電傳感器的輸出值呈穩定上升趨勢。結果表明，磨損區域靜電傳感器能夠識別失效軸承的位置，而潤滑油路靜電傳感器能夠檢測到排氣管路中的磨損碎片，由此說明靜電監測技術是一種可行且能夠替代傳統監測技術（如振動監測技術）的新型狀態監測技術。Craig等［15‐16］通過結合其他狀態監測技術，進一步研究了軸承磨損狀態靜電監測方法，通過磨損部位的動態電荷量、加速度和溫度對軸承的摩擦磨損狀態進行識別，摩擦后的良性磨損表現為磨損部位和油路的電荷量減少［17‐18］。

在上述研究的基礎上，筆者根據靜電監測原理搭建了風電齒輪傳動系統靜電監測平臺，采用多個同類型的靜電傳感器對風電齒輪箱的磨損狀態進行監測，并基于傳統方法提取特征參數，然后運用移動窗局部離群因子（moving window local outlier factor，MWLOF）算法分別對負荷試驗和破壞試驗［19］中風電齒輪箱磨損狀態的靜電監測信號進行分析，旨在驗證靜電監測技術在風電齒輪箱狀態監測應用中的可行性。

1 多監測信息融合算法

1.1 特征參數提取

靜電信號特征參數的提取是判斷故障診斷準確性的前提。目前，常用的特征參數提取方法為傳統的時域特征參數提取方法。傳統的時域特征參數分為有量綱參數和無量綱參數，包括平均值、均方根、標準差、峰‐峰值、偏度和峭度等［20］。

時域分析是一種線性分析方法，在實際應用中其對靜電信號的變化不能作出及時的反應，這一缺點在一定程度上限制了時域分析的發展。為了彌補傳統時域分析的不足，引入復雜度度量參數，如樣本熵、模糊熵和排列熵［20］。復雜度度量法是一種非線性分析方法，該方法有效提高了靜電監測技術的早期故障診斷能力。

1.2 LOF算法的原理

局部離群因子（local outlier factor，LOF）算法是一種基于密度的檢測算法［21］。為了能夠檢測出離群點，為每個數據賦予一個指標，從而實現對每個數據離群程度的判斷。其具體計算步驟如下。

步驟1 給定一個數據集x=[x1x2…xN]T，根據式（1）找出數據xa(a =1，2，…，N )的k個近鄰點，并將這些近鄰點的集合記為k（xa）。

式中：d（xa，xb）為xa與xb間的距離。

步驟2 將xa按從小到大的順序進行排列，β(xa)為xa與排列后第k個近鄰點間的距離，該值也是d(xa，xb)的第k個最小的值，即為xa的鄰域最大展開半徑。定義xa與其任一近鄰點xb的可達距離R(xa，xb)為：

由式（2）可以看出，xa與xb的可達距離是xa與xb間的實際距離和xa鄰域最大展開半徑中的較大值。值得注意的是，R(xa，xb)≠R(xb，xa)，即可達距離不可逆。

步驟3 計算xa的局部可達密度l(xa)：

步驟4 根據式（3）計算xa及其所有近鄰點的局部可達密度，并根據所得結果計算xa的LOF值f(xa)：

由LOF值的定義可知，f(xa)表示xa的偏離程度，通過f(xa)可判斷xa是否分布在較為集中的區域。當f(xa)<1時，xa是正常點的概率較大；當f(xa)=1時，xa的局部可達密度等于其鄰域內各點的平均局部可達密度，無法判斷xa是否為離群點；當f(xa)>1時，xa為離群點。

2 多靜電傳感器信息融合

2.1 多靜電傳感器信號初始轉化

考慮到實際數據集是由多個靜電傳感器采集的數據組成的，因此在運用LOF算法融合信息時，須先對數據集進行標準化處理。若不對數據集進行標準化處理，則在計算時無法準確判斷故障的發生。數據集標準化處理步驟如下。

首 先 ，假 設 An={an1，an2，…，ant}( )n=1，2，…，d為對應的時間序列為t時某路（共d路）靜電傳感器探極的輸出信號，對各路靜電信號進行特征參數提取，得到各路靜電信號在同一時間序列上的m個特征參數，由此形成初始數據集B=[b1b2…bm]，其中

然后，利用式（5）對初始數據集B進行標準化處理，得到一個新的數據集X。

式中：xnr為標準處理后的數據；μ(br)為初始數據集B中某特征參數的均值；σ(br)為初始數據集B中某特征參數的均方差。

最后，基于計算得到的新數據集X，采用LOF算法對多靜電傳感器信息進行融合。

2.2 基于MWLOF的模型在線更新

為了避免監測系統將靜電監測信號的正常變化當作故障，將移動窗引入LOF算法，形成MWLOF算法。其計算步驟如下。

假設初始窗口為W1，長度為L，根據標準化處理結果，從大到小排列移動窗內的數據xj(j=1，2，…，L)，并將所得近鄰點的集合記作k1(xj)。然后，利用式（2）和式（3）計算xj與其任一近鄰點xq的可達距離d（xj，xq），以及xj的局部可達密度l1(xj)。最后，計算得到移動窗口內每個數據的LOF值。

移動窗口的模型在線更新過程如圖2所示。圖中：3個矩陣分別表示原始窗口Wi、移除起始數據xi后的過渡窗口?以及添加新樣本xi+L后的新窗口Wi+L，圖中μ表示均值，σ表示均方差。

圖2 移動窗口的模型在線更新Fig.2 Online update of model of moving window

模型在線更新的具體步驟主要有2步：移除和添加。

1）移除。將原始窗口內數據集中的起始數據xi移除后，剩余數據（即過渡窗口內數據）的均值、方差和均方差均發生變化。

從原始窗口Wi更新到過渡窗口?后，數據xi的所有信息被移除，將更新前原始窗口Wi中以數據xi為鄰域關系的數據存儲到集合Si-1中。

2）添加。在將原始窗口內起始數據xi移除以及新數據xi+L被判定為正常點后，將它添加進過渡窗口中，然后進行在線更新，得到新窗口Wi+1。此時，新窗口內數據的均值、方差和均方差發生變化。

當添加新數據xi+L后，若新數據xi+L距離目標數據更近，則新窗口內數據xj的近鄰點集合ki+1（xj）中的值將更新為：

根據可達距離的定義，數據xj的β(xj)發生了變化，但xj與其近鄰點xq的可達距離不一定發生變化。為了避免出現這種不確定性，當移動窗口中數據的任意近鄰點屬于集合Si-1時，須對該數據的可達距離重新進行計算：

根據重新計算的可達距離，得到新窗口內各數據的局部可達密度和LOF值分別為：

根據上文分析可知，如果fi(xi+L)≤1，那么其周圍分布著大量的數據。但須要注意的是，由于fi(xi+L)≤1，控制限不再更新，而新數據xi+L的引入會使數據的鄰域關系更新。

3 試驗驗證

以風電齒輪箱作為研究對象，在2組風電齒輪傳動系統的不同位置安裝潤滑油路靜電傳感器，并分別進行負荷試驗和破壞試驗。由于潤滑油路靜電監測信號不受工況的影響，采用不考慮工況變化的MW‐LOF算法對風電齒輪傳動系統穩定運行后的前1 000個靜電監測信號進行融合計算。

3.1 負荷試驗

風電齒輪傳動系統負荷試驗靜電監測平臺如圖3所示。該平臺采用的是新型3.5 MW風電齒輪傳動系統，包括主、陪試齒輪箱，其中陪試齒輪箱的速比大于主試齒輪箱的速比。由于2個風電齒輪箱的結構復雜，而試驗條件有限，僅分別在2個齒輪箱的出油口處安裝靜電傳感器。2個靜電傳感器通過探極與監測系統連接，以進行數據傳輸與處理。

圖3 風電齒輪傳動系統負荷試驗靜電監測平臺Fig.3 Electrostatic monitoring platform for load test of wind power gear transmission system

風電齒輪傳動系統負荷試驗的動力源和加載裝置為2臺功率為8 MW的電機。負荷試驗共連續循環進行50次，每次均持續570 min。為了便于觀察，將這50次循環分成5個組，每10次循環為一組。具體試驗步驟如下：開始試驗時，啟動靜電監測系統，監測系統的運行始終與風電齒輪傳動系統的運行保持一致；在試驗過程中，連續采集5次數據后停機檢查，然后繼續采集。若風電齒輪傳動系統出現異常或報警，監測系統依舊記錄數據，作為判斷該傳動系統狀態的依據。當試驗結束后，對監測到的靜電信號進行分析。

風電齒輪傳動系統負荷試驗靜電監測結果如圖4所示。為了使分析更加準確，對監測結果進行階段化處理，如圖5所示。圖中LOF值表示風電齒輪箱磨損狀態靜電監測信號的LOF值，下文同。

圖4 風電齒輪傳動系統負荷試驗靜電監測結果Fig.4 Electrostatic monitoring results of load test of wind power gear transmission system

圖5 風電齒輪傳動系統負荷試驗各階段靜電監測結果Fig.5 Electrostatic monitoring results of each stage of load test of wind power gear transmission system

通過觀察圖4和圖5可知，在整個風電齒輪傳動系統負荷試驗中，靜電監測信號的變化幅度較大；共26次循環的靜電監測信號的LOF值基本穩定在閾值以下，其他循環的靜電監測信號的LOF值基本在閾值以上。在整個負荷試驗過程中，風電齒輪箱磨損狀態靜電監測信號的變化規律為：第1次循環中靜電監測信號的LOF值始終小于閾值；第2次循環中靜電監測信號的LOF值超過閾值，LOF值變化平穩；第3次循環中靜電監測信號的LOF值開始增大；第4次循環中靜電監測信號的LOF值先持續增大后逐漸減小；第5次循環中靜電監測信號的LOF值逐漸減小，一直到第10次循環中靜電監測信號的LOF值減小至閾值之下；第11循環至第27次循環中靜電監測信號的LOF值基本保持穩定；第28次循環中靜電監測信號的LOF值出現突變，LOF值急劇增大并且大于閾值；第31次循環中靜電監測信號的LOF值進一步增大；當運行至第34次循環時，靜電監測信號的LOF值開始呈減小趨勢；第36次循環中靜電監測信號的LOF值先增大后減小；第37次循環中靜電監測信號的LOF值減小并且小于閾值；第38次循環至第45次循環中靜電監測信號的LOF值變化平穩；第46次循環中靜電監測信號的LOF值先增大后減小，一段時間之后再次增大；第47次循環至第49次循環中靜電監測信號的LOF值較為穩定；第50次循環中靜電監測信號的LOF值再次減小，一直減小至閾值以下。

由圖4和圖5可知，上述風電齒輪傳動系統在第2和第3次循環中產生了故障，通過采取一定的措施后重新運行；在第28次循環后該傳動系統的性能出現退化；在第31次循環和第46次循環中該傳動系統出現了早期故障。由此可推斷，該風電齒輪傳動系統未出現較嚴重的故障，能正常運行。

上述結果表明：靜電監測技術具有高靈敏度、高分辨率的特征，它可以監測到系統輕微故障引起的變化，提供早期預警。

3.2 破壞試驗

風電齒輪傳動系統破壞試驗靜電監測平臺如圖6所示。該平臺采用的是某新型2.5 MW風電齒輪傳動系統。與負荷試驗靜電監測平臺不同的是，該平臺中的靜電傳感器是經改裝設計后再安裝在風電齒輪傳動系統的回油管路上的。破壞試驗的動力源和加載裝置為2臺功率為3.6 MW的電機。具體試驗過程如下：開始試驗時，啟動靜電監測系統，設置風電齒輪傳動系統的轉速和扭矩，其中轉速始終是額定轉速，扭矩為2倍額定扭矩；在試驗過程中，保持風電齒輪傳動系統持續運行。破壞試驗只須對主試齒輪箱的磨損狀態靜電信號進行在線監測，監測結果如圖7（a）所示。為使分析更加準確，對第4 000個至第4 400個靜電監測信號的LOF值的變化進行放大分析，如圖7（b）所示。

圖6 風電齒輪傳動系統破壞試驗靜電監測平臺Fig.6 Electrostatic monitoring platform for damage test of wind power gear transmission system

由圖7可知，在整個風電齒輪傳動系統破壞試驗中，采集的靜電監測信號的數量為4 891個，前4 320個靜電監測信號的LOF值小于閾值；第3 223，4 068和4 188個靜電監測信號的LOF值遠遠大于閾值。

圖7 風電齒輪傳動系統破壞試驗靜電監測結果Fig.7 Electrostatic monitoring results of damage test of wind power gear transmission system

通過觀察可知，第3 223個靜電監測信號的LOF值突變，說明此時風電齒輪傳動系統開始出現故障，但仍然能夠正常運行；第4 321個靜電監測信號之后，LOF值的異常值增多，說明此時風電齒輪傳動系統接近失效；第4 352個靜電監測信號之后，其LOF值均大于閾值，說明此時風電齒輪傳動系統已完全失效。

上述結果表明：相比于傳統監測技術，靜電監測技術具有更高的靈敏度，能夠更準確且更早地監測到故障的發生。

4 結 論

運用MWLOF算法分析了風電齒輪傳動系統負荷試驗和破壞試驗中風電齒輪箱磨損狀態靜電監測信號的變化趨勢。研究結果表明，靜電監測相比于振動監測等傳統監測技術能夠更早地監測到風電齒輪箱的故障并作出較準確的預警，這可為針對大型設備關鍵部件的狀態監測提供參考。