考虑运行工况和信息简化的风机传动链状态监测方法研究

2017-08-21 18:00:40 阜特科技　点击量：评论 (0)

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

1.3 PCA降维技术的应用

时域指标的提取和阈值的计算可以针对若干个统计指标进行。为了简洁和准确地反映风电机组的故障和状态信息，消除一些不敏感的指标，本文选用了12 个统计指标进行真实数据的分析, 即峰峰值、平均值、平均幅值、最大值、均方根值、标准差、偏斜度、峭度、峰值指标、波形指标、脉冲指标和能量指标。同时，对原始振动信号做频域分析，提取频域上对应的12个统计指标。因此，时域和频域共24个指标提供分析研究。

对于这24个指标，如果单独进行研究，会导致数据结果庞杂，状态监测决策效率大大降低；若综合起来，把24个指标值看作24维的数据，其可视化能力又太低，无法很好地直观描述其变化规律。因此，考虑引入PCA （Principal Component Analysis）分析，解决这个矛盾。

PCA是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。PCA能够通过适当地变换，在将高维问题映射到低维空间的同时最大可能的保留原数据的信息，使问题能直观、简单的得到处理。此外，PCA还可以将原来有交叉的数据变换成独立、不相关的数据，极大地降低了问题解决的难度。因此，采用PCA降维，通过求解原数据的协方差矩阵，进而计算协方差矩阵的特征向量和特征值，选取2-3个贡献率高的特征向量与原数据矢量相乘，能够将24维指标值降到2维或3维，转换成2个或3个新的指标，并且极大地保留原有指标中蕴含的风机状态信息。通过对PCA降维后的主成分进行研究，可以直观描述其变化范围，同样基于阈值计算的原理，把变化范围作为风机运行异常的监测阈值。

2 实例分析

2.1 时域指标的阈值

以山东某风电场对风电机组进行故障诊断为例，监测风电机组传动链的振动情况，在风机上布置了8个振动信号监测点，各个监测点的位置如图2-1。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。

图2-1 风电机组传动链上传感器安装图

在选取分析的数据时，采用了CH1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。通过对振动数据进行时域指标的计算，剔除掉异常数据后，其分布如图2-2所示（以波形指标为例）：

图2-2 波形指标波形图

由图2-2可知，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2-2中红线所示。

2.2 PCA降维分析

PCA降维的数据采用的数据来源与上述数据一致，进行24个指标计算之前，考虑到运行工况对研究结果的影响，因此，按照不同风机转速对振动数据进行研究（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，通过计算，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，因此可以只取第一和第二主成分，在观察降维后主成分的变化情况。指标降维后主成分分布如图2-3所示：

图2-3 主成分二维分布图

根据图2-3可以看出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。为了研究各转速范围振动数据的两个散点聚集群的不同点，将两个散点聚集群对应振动数据的风机发电有功功率进行比较，发现数目较少一方（图2-3竖线左侧, 散点聚集群1）有功功率为0，数目较多一方（图2-3竖线右侧,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，也就是风电的运行输出为零，这两部分的振动数据应区别对待，但是研究方法类似，因此，本文以风电发电状态的数据为研究对象。

对于散点聚集群2，由图2-3可以看出，每个转速范围内主成分分布范围较窄，散点群的分布可以用近似一个圆描述；而且，随着转速的增大，散点的分布明显呈现一个向右上方移动的变化规律。对此，用4个圆去分别代表每个转速范围内主成分的分布范围，这四个圆即可实现对整个风机状态的描述。当振动数据的指标进行降维后，主成分的分布与其对应圆的范围差别较大，则可以认为风机传动链出现异常。

散点分布阈值圆的确定：