基于大數據的風電齒輪箱狀態監測與故障診斷研究

吳曉軍

（河北龍源風力發電有限公司，河北 張家口 075000）

引言

風能資源是一種特殊的清潔能源，其穩定性較差，導致風電機組的負荷變化呈現波動性的特點，因此對風電機組進行實時監測，以保證其安全平穩運行就顯得尤為必要[1-2]。但是整個風電機組在運行過程中，其數據量巨大、來源廣泛、數據格式不統一且數據表現形式非常復雜[3]。因此以現有的技術條件無法完成對整個風電機組的全面、實時監控，而且往往由于風電機組故障點位于高空，運維環境較為惡劣，無法及時維護，導致故障惡化，提高風場發電成本[4]。考慮到在風電機組運行過程中，其故障率最高的部件為齒輪箱，齒輪故障往往會導致機組停機，由于其復雜的結構，導致相關方往往要承擔高額維修費用以及停機帶來的巨大成本損失，這為風電機組安全平穩生產帶來了極大的挑戰。因此，需要對齒輪箱進行實時監測與故障診斷，以確保風電機組的安全平穩運行[5]。

1 基于大數據的齒輪箱狀態監測與故障診斷系統

齒輪箱本質上屬于機械設備，對其進行狀態監測和故障診斷其本質上仍然是數據的搜集、歸納、分析，通過海量的運行數據研究其運行狀態，根據其異常狀態信息在數據庫中進行分析以判定其故障部位和故障原因，根據歷史數據提供解決方案。在日常運維過程中也可以根據其監測數據信息對故障趨勢進行預測，防患于未然。然而，在實際操作層面，應考慮到齒輪箱在運行過程中將會產生巨量的數據信息，尤其對于其故障原因，齒輪箱內部含有齒輪、軸承等關鍵性零部件，風場在實際運行過程中，負荷波動不平穩，導致其工作負載變化較為劇烈，故障率較高，故障原因繁多，例如齒輪的齒面劃傷、點蝕和軸承的疲勞、腐蝕等。因此需要加裝大量的傳感器監測其各項運行指標，對于大量的運維數據，必須依靠大數據的手段對其進行歸納、分析與預測。其基于大數據的齒輪箱狀態監測與故障診斷系統如圖1所示。

圖1 基于大數據的齒輪箱狀態監測與故障診斷系統

2 狀態監測內容

2.1 溫度監測

溫度因素是保持齒輪箱穩定運行的重要因素，其原因在于，齒輪箱內部的潤滑油溫度影響著整個齒輪箱的壽命和平穩運行，齒輪之間的嚙合需要潤滑油潤滑，一旦溫度過高，齒輪表面難以形成潤滑油膜，造成齒面磨損，同時溫度升高還易導致滑動軸承氣蝕磨損。一般齒輪箱內部溫度應在80℃以內為宜。可通過熱電偶法或紅外熱成像技術進行監測。

2.2 油液監測

油液監測是監測齒輪箱運行狀態最為直接的手段，干凈無污染的潤滑油液可以有效降低齒輪的磨損狀態，提高其使用壽命。可以通過定期對齒輪箱內的油液狀態進行分析，監測其磨粒、污染度、鐵譜等信息，判斷齒輪箱內部齒輪、軸承的磨損狀態以及潤滑油的油品及污染狀態，為設備的狀態監測以及油品更換提供依據。

2.3 振動監測

振動監測在機械故障監測中是一種非常成熟的技術，振動普遍存在于齒輪箱的日常工作中，但是健康狀態下的齒輪箱在平穩運行過程中往往傳達出平穩的振動信號，一旦發生異常故障，其信號往往會產生異常波動，但是其異常信號是有特點的，包含著大量的故障信息，通過對特征信號的提取，可以有效地判定故障種類以及缺陷位置。

3 大數據故障診斷流程及解決思路

基于大數據對齒輪箱進行狀態監測與故障診斷時，其具體流程如圖2所示。往往需要聯合多種信號通過大數據進行集成分析，進行狀態識別并進行故障識別及預警，若未發生異常，則進行大數據算法的實時更新，一旦數據異常即將異常數據導入專家系統進行設備故障診斷，通過即時反饋出的振動頻譜、油液溫度、油品質量進行綜合分析，對故障類型、部位、原因進行判斷，確定實效模式與實效機理，最終提供故障解決方案。

圖2 大數據聯合多種信號綜合分析流程圖

3.1 階段性

考慮到齒輪箱的故障并不是一蹴而就的，根據齒輪、軸承的磨損狀態以及油品的狀態其通常存在幾種具體的漸進狀態，即正常狀態，各項指標在正常線以內，齒輪箱平穩正常運轉；注意狀態，部分指標超出正常線，位于警戒線以內；警戒狀態，指標超出警戒線但位于危險線以內，此時齒輪箱可能仍然能夠工作，但是零部件磨損嚴重接近實效；危險狀態，此時指標已經完全超出危險線，部分零部件已經完全實效。因此在對故障數據進行分析時，要考慮其所處的狀態，不同的狀態其對應的故障機制和故障現象也不同，不可生搬硬套以一套判據判斷所有狀態。

3.2 動態性

齒輪箱的磨損是動態性變化的，不能直接依據設定的參數值進行判斷，尤其是線性預測方面，隨著預測時間的增長，其預測誤差必然增大，導致狀態預測失誤。

3.3 多維性

齒輪箱的故障分析不能由單一維度因素下定論，往往是由工況參數、油品參數、污染參數、溫度參數等多維度因素共同判定。

3.4 適用性

齒輪箱的狀態監測與故障診斷結果，與其采用的監測技術和監測數據相關，因此要明確數據處理的針對性，以數據驅動故障診斷。

3.5 集成性

故障分析的數據來源較為廣泛，但究其根源依然是摩擦學系統，其各項數值之間存在關聯性，例如油品變差、磨損加劇、溫度升高。

3.6 定量化

在齒輪箱的監測樣本與監測數據中，依然有很大比例的定性分析，例如油液的顏色、磨損的狀態，這些診斷較多的依賴經驗，無法精準判斷齒輪箱的健康狀態，導致日常運維效率低下，精準度有待提升。因此要依賴大數據的手段，將各項指標進行定量化處理已實現更加精準的判斷與預測。

3.7 標準化

齒輪箱在風電場中并不是統一標準的，其有多種規格、標準，不同類型的齒輪箱其材料、工況、傳感器均不相同，缺乏統一的監測標準與故障診斷準則，很多故障排除只能依靠工人經驗智慧。因此需要對大量多類型的齒輪箱進行監測，獲取其運行樣本，充實數據庫，建立分層分類分級的監測與故障診斷標準。

3.8 統一化

通常情況下，設備的生產供應商與風場實際用戶所采用的的各項標準并不統一，其監測手段也各不相同，導致監測結果之間往往相互獨立，無法相互支撐，極易發生欠維護或者過維護的狀況，造成一定的經濟損失，因此有必要對監測技術與監測信息進行統一化，打破壁壘進行標準共建。

4 齒輪箱狀態監測與故障診斷管理平臺

為解決齒輪箱的狀態監測與故障診斷問題，依托大數據的手段，搭建了齒輪箱狀態監測與故障診斷管理平臺，如圖3所示。其通過在齒輪箱上部署安裝不同的監測設備，采集其運行狀態數據，上傳至故障診斷管理平臺，由基于大數據的齒輪箱狀態監測與故障診斷系統進行分析確認，并將結果上傳至云端，確保用戶可以便捷的對其進行訪問。

圖3 齒輪箱狀態監測與故障診斷管理平臺

5 結論

風電齒輪箱在狀態監測與故障診斷方面存在著諸多問題，本文從階段性、動態性、多維性、標準化和統一化等八方面提出了解決思路。搭建了基于大數據的齒輪箱狀態監測與故障診斷系統，并以此為核心搭建了齒輪箱狀態監測與故障診斷管理平臺，有效提升了齒輪箱的故障診斷與預警的可行性與準確性。