考虑运行工况和信息简化的风电机组传动链状态监测方法

摘要

本发明公开一种考虑运行工况和信息简化的风电机组传动链状态监测方法，应用于状态监测与故障诊断领域，首先通过对风电机组传动链的振动数据进行分析，得到时域与频域内的24个故障敏感指标；然后通过计算各组数据的24个故障敏感指标的均值和均方差，由3σ原理剔除异常数据；再对剩下的每组数据的24个指标采用PCA降维，得到2‑3个主成分指标，筛选出主成分指标中有功功率大于零的指标；从而计算剩下的各组数据有功功率大于零的指标的散点分布阈值圆；若是新输入的监测数据主成分指标分布与对应的阈值圆范围差别较大，则判断为风电机组传动链异常；以此实现风电机组传动链状态监测和故障诊断；并且本申请的方法简便，可视化程度高。

说明书

技术领域

本发明属于状态监测与故障诊断领域，特别涉及一种风电机组传动链状态监测技术。

背景技术

在人类面临能源危机和环境污染双重挑战的今天，风能作为一种可再生的清洁能源具有巨大的环保效益和商业潜力。随着各国对风能利用的重视和风力发电技术的提高，风电在电力市场中的占有比例不断上升，风电机组单机容量也稳步增加。但是风电机组高额的运行维护成本影响了风电机组的经济效益。

风电机组一般地处偏远、环境恶劣，并且机舱位于50-80m的高空，给机组维护维修工作造成困难，增加了机组的运行维护成本。一旦风电机组故障停机，将对电网安全和国民经济造成巨大影响。因此，无论是从降低风电机组的运行风险，还是减少运行成本的角度考虑，都需要大力提高风电设备的状态监测和故障诊断能力。特别是当前海量风电机组运行状态数据已经存在，如何充分利用现有监测数据就成为一个刻不容缓的研究课题。

在已投产的风电机组中，其传动链结构比较复杂，一直是风电机组故障的多发区。振动信号作为传动链故障特征信息的载体，能够有效地反映风电机组传动链绝大部分的故障信息。但是，目前风电监测的振动数据动辄十余处，而且每处的振动信号又可以进行各种时域、频域分析，运行工况又复杂多变，造成故障决策过程头绪繁多，很难给出有效的分析和明确的结论。

发明内容

为解决上述技术问题，本申请提出一种考虑运行工况和信息简化的风电机组传动链状态监测方法，

本申请采用的技术方案为：考虑运行工况和信息简化的风电机组传动链状态监测方法，包括：

S1、对采集到的时域数据进行时域与频域分析，分别确定各数据时域内及频域内的故障敏感指标；

S2、计算步骤S1确定的时域内故障敏感指标以及频域内故障敏感指标的均值和均方差；

S3、对步骤S1的故障敏感指标进行筛选，具体为：根据3σ原理剔除μ±3σ以外的异常数据；

其中，μ为均值；σ为均方差；

S4、根据实际工况对转速进行分组，对每一组数据的故障敏感指标采用PCA降维得到若干主成分指标；

S5、在步骤S4得到各组数据的主成分指标中选出有功功率大于零的指标；

S6、根据3σ原理确定每组数据由步骤S4得到的主成分指标的散点阈值分布圆；

S7、若新输入的监测数据的主成分指标分布与该组数据对应转速范围的阈值分布圆差别较大，则表示风电机组传动链异常；否则风电机组传动链正常。

进一步地，步骤S1所述各数据的时域内的故障敏感指标和频域内的故障敏感指标均包括：峰峰值指标、平均值指标、平均幅值指标、最大值指标、均方根值指标、标准差指标、偏斜度指标、峭度指标、峰值指标、波形指标、脉冲指标以及能量指标。

进一步地，步骤S4所述PCA降维具体为：求解得到该组数据的协方差矩阵，然后计算该组数据协方差矩阵的特征向量和特征值，特征值大小与贡献率大小成正比；按贡献率从高到底对特征向量排序，选取前N个特征向量；进而将N个特征向量与该组数据对应的故障敏感指标相乘，得到N个主成分指标。

进一步地，步骤S6所述散点阈值分布圆的确定过程为：设圆的圆心为(x,y)，半径为R，散点集为(x_i,y_i)，散点数目为n，圆心(x,y)通过下式获得：

将半径R由0逐渐递增，直到半径R的值满足：在以(x,y)为圆心，半径为R的圆内散点数目达到总数目的99.7％，从而得到散点阈值分布圆，i＝1,2,...,n。

本发明的有益效果：本申请的一种考虑运行工况和信息简化的风电机组传动链状态监测方法，首先通过对风电机组传动链的振动数据进行分析，得到时域与频域内的24个故障敏感指标；然后通过计算各组数据的24个故障敏感指标的均值和均方差，由3σ原理剔除异常数据；再对剩下的每组数据的24个指标采用PCA降维，得到2-3个主成分指标，筛选出主成分指标中有功功率大于零的指标；从而计算剩下的各组数据有功功率大于零的指标的散点分布阈值圆；若是新输入监测数据的主成分指标分布与对应的阈值圆范围差别较大，则判断为风电机组传动链异常；以此实现风电机组传动链状态监测和故障诊断；并且本申请的方法与传统监测方法相比，考虑了运行工况对监测指标影响，对其进行分类处理，为不同工况下运行的风机定制不同判别标准；监测指标敏感且达24个，但最终决策操作简便，可视化程度高，运行高效。

附图说明

图1为本发明实施例的风电机组传动链上传感器安装图。

图2为本发明的方法流程图。

图3为本发明实施例的波形指标时域图。

图4为本发明实施例的主成分二维分布图。

图5为本发明实施例的1000-1200rpm主成分比较图。

图6为本发明实施例的1200-1500rpm主成分比较图。

图7为本发明实施例的1500+rpm主成分比较图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

下面以某风电场对风电机组进行故障诊断为例对本发明提供的一种考虑运行工况和信息简化的风电机组传动链状态监测方法作进一步说明：

图1为风电机组传动链上传感器安装图，用于监测风电机组传动链的振动情况，在风电机组上布置了8个振动信号监测点，实例分析振动数据主要是其中1-6号传感器测得的振动数据。1-6号传感器(图1中的CH01-CH06)分别测主轴轴向振动、主轴径向振动、齿轮箱中部径向振动、高速轴径向振动、发电机输入轴径向振动和发电机输出轴径向振动。

在选取分析的数据时，采用了高速轴为900-2000rpm的振动数据。传感器采样频率为20kHz，每个数据文件包含了40万左右的振动测量值，共有8014个数据文件。

本发明的方案流程更图如图2所示，本申请的技术方案为：考虑运行工况和信息简化的风电机组传动链状态监测方法，包括：

S1、结合图1所示的传感器采集信号；对采集到的时域数据进行时域与频域分析，分别确定各数据时域内及频域内的故障敏感指标；时域和频域内的故障敏感指标具体包括：峰峰值指标、平均值指标、平均幅值指标、最大值指标、均方根值指标、标准差指标、偏斜度指标、峭度指标、峰值指标、波形指标、脉冲指标以及能量指标各12个指标，即每组数据对应24个指标；

S2、计算步骤S1确定的24个指标的均值μ和均方差σ；以波形指标为例，如图3所示波形指标在一定范围内波动，通过计算波形指标的均值和标准差即可获得其阈值，如图3中虚线所示。

S3、对步骤S1的故障敏感指标进行筛选，具体为：根据3σ原理剔除μ±3σ以外的异常数据；

其中，μ为均值；σ为均方差；

步骤S3中剔除了μ±3σ以外数据。对于风电机组运行状态的监测，正常振动信号的时域指标X，其统计值x的分布均值为μ，分布标准差为σ。统计值x位于μ±3σ的概率高达99.74％，可以认为这个范围为指标值正常波形范围。当统计值x超出μ±3σ范围即判定风电机组机械部件运行状态异常，依此监测原则，将一个正常运行的风电机组机械部件误诊为故障的概率仅为0.26％，准确率极高。

S4、根据实际工况对转速进行分组，对每一组数据的故障敏感指标采用PCA降维得到若干主成分指标；本实施例中考虑到运行工况对研究结果的影响，按照不同风电机组转速对振动数据进行研究，分组为900-1000rpm、1000-1200rpm、1200-1500rpm和1500-2000rpm四组数据。然后分别计算时域和频域指标值，将24组指标计算值合为24维数据，对其进行PCA降维，具体为：求解得到该组数据的协方差矩阵，然后计算该组数据协方差矩阵的特征向量和特征值，特征值用于计算贡献率，特征值越大贡献率越大，按贡献率从高到底对特征向量排序，选取前N个特征向量；进而将N个特征向量与该组数据对应的故障敏感指标相乘，得到N个主成分指标。

通过计算，PCA降维之后前两个主成分的贡献率已经达到99.9％，基本上涵盖原有指标的信息，因此只取第一和第二主成分。

S5、在步骤S4得到各组数据的主成分指标中选出有功功率大于零的指标；本发明实施例中前三个转速范围振动数据的主成分散点以第一主成分坐标值0.2左右为界分裂成两个散点聚集群。两个散点聚集群对应振动数据的风电机组发电有功功率进行比较，发现数目较少一方(图4竖线左侧，即散点聚集群1)有功功率为0，数目较多一方(图4竖线右侧，即散点聚集群2)的有功功率基本都大于0。而当有功功率为0时，风电机组并没有发电，也就是风电机组的运行输出有功功率为零，这两部分的振动数据应区别对待，以风电发电状态的数据为研究对象。

S6、根据3σ原理确定每组数据由步骤S4得到的主成分指标的散点阈值分布圆；即每一个转速范围对应一个阈值分布圆；该圆的确定方式为：设圆的圆心为(x,y)，半径为R，散点集为(x_i,y_i)，散点数目为n，i＝1,2,...,n，圆心(x,y)通过下式获得：

根据3σ原理应该有99.7％的点满足：(x-x_i)²+(y-y_i)²≤R²，将半径R由0逐渐递增，直到半径R的值满足：在以(x,y)为圆心，半径为R的圆内散点数目达到总数目的99.7％，此时R的值即为所求，本发明实施例中各转速范围主成分分布圆的计算结果如表1所示。对本发明有效性进行验证如下：分别计算第5通道正常数据(有功功率非0)和故障数据(齿轮箱轴承磨损)的峰值、平均幅值等24个指标，并进行PCA降维，得到生成的主成分，分别比较几个转速范围下正常数据和故障数据的主成分分布情况，如图5、图6、图7所示，由图5到图7可以看出，在三个转速范围，故障数据的PCA降维结果与正常数据降维结果的分布有很大的差别，故障数据降维后的散点都落在分布圆外，可以实现正常数据与故障数据的分类。因此，结合PCA降维技术，考虑风电运行工况，对风电振动数据进行融合，获得散点分布圆，可以有效的实现风电设备的状态监测和故障诊断。

表1 各转速范围主成分分布圆计算结果

S7、若新输入的监测数据的主成分指标分布与该组数据对应转速范围的阈值分布圆差别较大，则表示风电机组传动链异常；否则风电机组传动链正常。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。