鄔春明, 銀海燕, 唐　杰

(1. 東北電力大學 信息工程學院, 吉林省 吉林市　132012;

2. 天津工業(yè)大學 機械工程學院現(xiàn)代機電裝備技術(shù)天津市重點實驗室, 天津　300000)

?

風電機組振動故障的檢測方法

鄔春明1, 銀海燕1, 唐杰2

(1. 東北電力大學 信息工程學院, 吉林省 吉林市132012;

2. 天津工業(yè)大學 機械工程學院現(xiàn)代機電裝備技術(shù)天津市重點實驗室, 天津300000)

摘要:論述了風電機組振動故障檢測的重要性及常用的振動故障的檢測方法;歸納比較了小波變換法、神經(jīng)網(wǎng)絡法、神經(jīng)網(wǎng)絡與模糊理論結(jié)合法及人工免疫法的性能與優(yōu)缺點;分析了我國在風電機組故障檢測預警系統(tǒng)方面的現(xiàn)狀與發(fā)展趨勢;指出目前小波變換故障診斷法在我國已趨成熟,而人工智能檢測法的應用才剛剛起步.

關(guān)鍵詞:風電機組; 振動故障; 小波變換; 人工智能; 檢測方法

風電機組的設備部件精細,故障高發(fā)區(qū)也越來越多.常見的故障主要分布于三大區(qū)域:主軸及軸承、齒輪箱和發(fā)電機.主軸的故障為主軸不平衡、軸松動,主軸承的故障模式有軸承過熱、軸承疲勞性損傷、軸承功能性失效、軸承配合間隙過大、軸承配合過度等.齒輪箱的主要故障包括軸斷裂、軸彎曲、疲勞損傷、內(nèi)齒圈斷裂、內(nèi)齒圈變形等.發(fā)電機是風電機組中將旋轉(zhuǎn)的機械能轉(zhuǎn)化為電能的裝置,由于其長期運行于電磁環(huán)境中,運行環(huán)境惡劣,常出現(xiàn)的故障有電機不啟動或啟動困難、發(fā)電機振動、發(fā)電機噪聲大、發(fā)電機過熱、發(fā)動機功率不足,運轉(zhuǎn)不良等[1].面對如此多的風電機組高發(fā)故障,使用在線風電機組振動故障檢測技術(shù)勢在必行.

1小波變換故障診斷法

小波變換故障診斷法屬于信號診斷方法中最常用的一種方法,它是利用小波變換中的多分辨分析(多尺度分析)和時頻域分析,同時根據(jù)風電機組輸出的特征值(如振幅、頻率、相位等)與風電機組故障源的關(guān)系,來進行有無故障的判斷.由于小波變換在時域和頻域上都可以運用多尺度分析捕捉信號的局部特征來檢測信號的瞬間動態(tài),查看信號有無奇異點出現(xiàn)[2],所以現(xiàn)在研究的方法有:利用觀察信號的奇異性來進行故障診斷,如文獻[3]給出了具體步驟:①選取合適的小波函數(shù)進行一階和二階求導;②將小波函數(shù)和一階二階求導函數(shù)進行小波變換;③對變換完的函數(shù)進行各尺度上的細節(jié)分析,通過對信號放大來觀察有無奇異點.還有利用觀測信號頻率結(jié)構(gòu)的變換來進行故障診斷(時頻分析),如文獻[4]給出了具體步驟:①測出風電機組振動故障高發(fā)位置的頻率值;②繪制頻率信號圖像,對信號進行小波分解;③對分解圖像進行時域到頻域的轉(zhuǎn)換,通過頻譜圖來觀測信號的故障位置.

本方法的優(yōu)點是小波變換的數(shù)學模型不需要建立一個系統(tǒng),它具有很高的靈敏度,很強的抑制噪聲能力,且具有較少的計算量,因此它是振動故障診斷的一種實用方法.其缺點在于如果風電機組設備的振動過于劇烈,診斷結(jié)果容易發(fā)生誤判.

2神經(jīng)網(wǎng)絡故障診斷法

神經(jīng)網(wǎng)絡算法是模仿人體神經(jīng)系統(tǒng)的一種數(shù)學模型.最具有代表性的是通過逆向傳遞誤差,進行多層向前反饋的BP網(wǎng)絡,即誤差逆向傳遞的多層前饋式網(wǎng)絡[5].文獻[6]給出了其主要步驟:①確定輸入層的參數(shù)特征值和輸出層的故障模式;②確定隱含層的訓練樣本模式集,即選取適合輸入輸出之間內(nèi)在關(guān)系的函數(shù);③確定所要達到的精度,開始對模型進行反復的訓練;④將待測數(shù)據(jù)特征輸入已訓練完的數(shù)學模型內(nèi)進行故障模式判斷.

本方法的優(yōu)點是能夠自行組織進行數(shù)學模型的優(yōu)化,具有聯(lián)想記憶的能力.其缺點在于只有輸入和輸出端明確,其推理過程就像一個黑盒子,沒有一定的邏輯解釋.

3神經(jīng)網(wǎng)絡與模糊理論結(jié)合故障診斷法

模糊理論是由于系統(tǒng)運行狀態(tài)過于復雜,有太多的不確定性,而隨之產(chǎn)生的一種隸屬度函數(shù)理論.它是依據(jù)檢測狀態(tài)空間與機組振動故障狀態(tài)空間的聯(lián)系來判斷與診斷故障類型的.根據(jù)模糊分類方法和神經(jīng)網(wǎng)絡相結(jié)合,利用兩者之間的優(yōu)勢分擔診斷中的各部分功能,構(gòu)造成為一種模糊神經(jīng)網(wǎng)絡的數(shù)學模型.

由于神經(jīng)網(wǎng)絡是分布式并行處理的數(shù)學模型,沒有像專家系統(tǒng)一樣有一定的邏輯解釋,其推理過程就像一個黑盒子,所以神經(jīng)網(wǎng)絡算法經(jīng)常會和模糊理論兩者相結(jié)合使用,將神經(jīng)網(wǎng)絡的推理過程進行粗略分段,來細化神經(jīng)網(wǎng)絡的推理過程.文獻[7]給出了其主要方法,在神經(jīng)網(wǎng)絡的學習樣本庫中采用聚焦式的模糊分段算法,將不同故障征兆根據(jù)機組的實際情況分散到不同的區(qū)間中去,進行數(shù)據(jù)模型的訓練.將待測數(shù)據(jù)特征值輸入到已訓練完的數(shù)學模型,其隸屬于哪個故障范圍就判斷是何種故障.

該方法的優(yōu)點在于它能夠粗略地分析神經(jīng)網(wǎng)絡的推理過程,但目前模糊理論在國內(nèi)的技術(shù)還尚未成熟,兩者的結(jié)合也只是用一些實際的故障診斷案例,并且還需要一定的學習樣本,否則就會陷入局部最優(yōu).

4人工免疫故障診斷法

20世紀80年代,Forrest等人率先開始了人工免疫系統(tǒng)的研究,提出了免疫系統(tǒng)的動態(tài)模型.同時討論了人工免疫與人工智能之間存在的聯(lián)系,尤其是與神經(jīng)網(wǎng)絡之間存在的不同.他們認為在模式識別、學習、記憶單元和數(shù)量上,系統(tǒng)的魯棒性是相似的,在通信控制系統(tǒng)、分布和單位上不同.風電機組的免疫應答機制同樣分為訓練與診斷兩個方面,其涵蓋了陰性選擇、模式識別、克隆選擇和免疫網(wǎng)絡等算法理論.

目前,應用在風電機組故障診斷中的人工免疫算法主要有陰性選擇算法和克隆選擇算法.陰性選擇算法的主要步驟:①隨機選擇N組正常數(shù)據(jù)特征值作為自我集;②產(chǎn)生于自我集不匹配的檢測器集作為抗體;③使檢測器集與故障模式一一匹配,刪除兩種及以上故障類型匹配的檢測器集;④將挑選的優(yōu)秀檢測器集進行訓練;⑤待測數(shù)據(jù)信號輸入進行有無故障的判斷.如文獻[8]中的方法是運用人工免疫中的陰性選擇機制,將正常狀態(tài)空間作為自我集,故障檢測器集作為抗體,未知狀態(tài)空間作為抗原,引入已知故障樣本作為疫苗來促進算法的收斂速度.而克隆選測算法一般是配合陰性選測算法使用的,如文獻[9]中的方法是以機組狀態(tài)空間為抗原,故障檢測器集為抗體,利用陰性選擇機制判斷機組的異常,通過克隆選擇獲取記憶抗體,依據(jù)隸屬度區(qū)間來判斷是何故障類型.

相對于神經(jīng)網(wǎng)絡算法來說,人工免疫法能更好地維護風電機組振動故障特征的多樣性,提高診斷精確度.該算法的不足之處在于:①訓練檢測器集與故障模式一一匹配的時間過于漫長;②捕捉有效的故障特征越多,其運算的精度就越高,但運算處理就越為復雜;③用一定數(shù)量的檢測器可能使故障集陷入局部最優(yōu).

5風電機組振動故障檢測方法的對比

就國內(nèi)的發(fā)展狀況來看,目前應用相對比較成熟的是小波變換和神經(jīng)網(wǎng)絡技術(shù)理論.小波變換是根據(jù)風電機組輸出的特征值判斷是否有故障產(chǎn)生,并且還能進行時頻轉(zhuǎn)換分析;神經(jīng)網(wǎng)絡也是經(jīng)過特征提取,經(jīng)過自身的反復記憶協(xié)調(diào)來達到一定的精準度,然后通過訓練好的模型來判斷故障類型,兩者的計算方法相對簡單實用,也是現(xiàn)在的熱點技術(shù).人工免疫方法是一種新型的理論技術(shù),雖與神經(jīng)網(wǎng)絡相似但更能有效地分析判斷,保證故障類型的多樣性,同時非常適用于風電機組故障診斷的在線監(jiān)測,非常符合診斷系統(tǒng)的智能化發(fā)展方向,但在實際應用中還是相對較少.

未來對人工免疫算法的研究進展可能有以下幾個方面:

(1) 針對現(xiàn)在人工免疫算法的不足繼續(xù)提出一些提高診斷精度的優(yōu)化算法.

(2) 由于人工免疫算法非常適合于風電機組故障診斷的在線監(jiān)測,因此在未來會出現(xiàn)遠程在線風電機組振動故障檢測系統(tǒng).

(3) 針對應用人工免疫算法的遠程在線風電機組振動故障檢測系統(tǒng),建立起有效的風電機組運行評價指標和體系.

6結(jié)論

我國在利用人工智能的故障檢測方法方面的研究初見成效,在風電機組振動故障檢測方法方面的研究已經(jīng)有了一定發(fā)展,且逐漸趨向成熟,但是真正運用到工業(yè)生產(chǎn)中去的還是相對較少,相對國外的先進技術(shù),如神經(jīng)網(wǎng)絡、模糊理論和人工免疫這樣的人工智能方法還有很大的距離.所以還需要積極引進國外技術(shù),為我國的企業(yè)發(fā)展壯大和經(jīng)濟建設發(fā)揮重要作用[10].

參考文獻:

[1] 張小科. 風力發(fā)電機組振動在線監(jiān)測及故障診斷[D]. 保定:華北電力大學, 2011.

(Zhang Xiaoke. Online Monitoring and Fault Diagnosis Used in Wind Turbine[D]. Baoding: North China Electric Power University,2011.)

[2] 孫喬. 機械系統(tǒng)的狀態(tài)監(jiān)測與故障診斷綜述[J]. 河南科技, 1998(11):4-5.

(Sun Qiao. Introduction of Machinery Condition Monitoring and Fault Diagnosis[J]. Journal of Henan Science and Technology, 1998(11):4-5).

[3] 周洋,蕭蘊詩,何斌, 等. 基于小波變換的機械振動故障診斷系統(tǒng)的研究[J]. 華東交通大學學報, 2006,23(4):105-107.

(Zhou Yang, Xiao Yunshi, He Bin, et al. The Study of Machinery Vibration Fault Diagnosis Detection System Based on Wavelet Transformation[J]. Journal of East China Jiaotong University, 2006,23(4):105-107.)

[4] 張照煌,丁顯,劉曼,等. 基于小波變換的風電機組傳動系統(tǒng)故障診斷與分析[J]. 應用基礎(chǔ)與工程科學學報, 2011,19(S1):210-218.

(Zhang Zhaohuang, Ding Xian, Liu Man, et al. Based on Wavelet Transform of Fault Diagnosis and Analysis of Wind Generator Transmission System[J]. Journal of Basic Science and Engineering, 2011,19(s1):210-218.)

[5] 劉文藝. 風電機組振動監(jiān)測與故障診斷研究[D]. 重慶:重慶大學, 2010.

(Liu Wenyi. Research on the Wind Turbine Vibration Monitoring and Fault Diagnosis[D].Chongqing: Chongqing University, 2010.)

[6] 張來斌,崔厚璽,王朝暉. 基于信息熵神經(jīng)網(wǎng)絡的風力發(fā)電機故障診斷方法研究[J]. 機械強度, 2009,31(1):132-135.

(Zhang Laibin, Cui Houxi, Wang Zhaohui. Fault Diagnosis of Wind Turbine Based on Information Entropy and Neural Network[J]. Journal of Mechanical Strength, 2009,31(1):132-135.)

[7] 楊蘋,陳武. 基于自組織模糊神經(jīng)網(wǎng)絡的汽輪發(fā)電機組振動故障診斷系統(tǒng)[J]. 電力系統(tǒng)自動化, 2006.30(14):66-70.

(Yang Ping, Chen Wu. Fault Diagnosing System for Turbo-generator Unit Based on Self-organized Fuzzy Neural Network[J]. Automation of Electric Power Systems. 2006,30(14):66-70.)

[8] 韓中合,王峰,郝曉冬,等. 基于人工免疫算法的機組振動故障診斷方法[J]. 華北電力大學學報, 2010,37(3):38-42.

(Han Zhonghe, Wang Feng, Hao Xiaodong, et al. Fault Diagnosis of Turbine Vibration Based on Artificial Immune Algorithm[J]. Journal of North China Electric Power University, 2010,37(3):38-42.)

[9] 劉忠,周建中,張勇傳,等. 基于免疫原理的水電機組故障診斷方法[J]. 水力發(fā)電, 2007,33(3):54-56.

(Liu Zhong, Zhou Jianzhong, Zhang Yongchuan, et al. Fault Diagnosis Method of Hydro-Generating Unit Based on Immunology Principles[J]. Water Power, 2007,33(3):54-56.)

[10] 薛端陽. 風力發(fā)電機塔筒制造的過程控制方案[J]. 沈陽大學學報:自然科學版, 2013,25(6):481-484.

【責任編輯: 王穎】

(Xue Duanyang. Process Control Scheme of Wind Turbine Tower Tube Manufacturing[J]. Journal of Shenyang University: Natural Science, 2013,25(6):481-484.)

Detection Methods of Wind Turbine Vibration Fault

WuChunming1,YinHaiyan1,TangJie2

(1. Information Engineering College, Northeast Dianli University, Jilin 132000, China; 2. Modern Electrical Equipment Technology Tianjin Key Laboratory, School of Mechanical Engineering, Tianjin Polytechnic University, Tianjin 300000, China)

Abstract:The importance of wind turbine vibration fault detection is discussed and the common vibration fault detection methods are described. The performance, advantages and disadvantages of the methods of wavelet transform, neural networks, the combination of neural networks and fuzzy theory and artificial immune are summarized and compared. The current situation and development trend of wind turbine fault detection warning system are analyzed. It is pointed out that, currently the wavelet transform fault diagnosis method in our country has matured, and the application of artificial intelligence detection method has just begun

Key words:wind turbine; fault detection; wavelet transform; artificial intelligence; detection method

收稿日期:2014-11-17

中圖分類號:TH 17

文獻標志碼:A

作者簡介:鄔春明(1966-),男,吉林省吉林市人,東北電力大學教授,碩士生導師.

基金項目:國家自然科學基金資助項目(61301257); 2013年吉林省科技發(fā)展計劃資助項目(201320605GX).

文章編號:2095-5456(2015)01-0069-03