基于SCADA系统和信号处理的风力发电机主轴承故障分析与诊断

周王君,卢妙政,孟井煜枫,吴博阳

(1.浙江运达风电股份有限公司,杭州 311199; 2.浙江省风力发电技术重点实验室,杭州 311199)

0 引 言

随着全球对环境保护意识的日益增强和对低碳经济的追求,风力发电已经成为各国重要的能源战略之一。风力发电机是一种利用自然风力来转化成电能的设备,其稳定运行和高效发电对于实现清洁能源的目标至关重要。主轴承位于风力发电机内部,它起到承受风力产生的旋转力矩和重量的作用,使风力涡轮机能够以较低的摩擦损失和高效率地旋转。风力发电机通常处于恶劣工况条件下,并且承受着巨大的随机冲击力。作为风力发电机中旋转机械系统的关键部件,主轴承在风机运行时始终处于工作状态,因此其会产生多种类型的故障,例如磨损、疲劳、腐蚀、断裂和开裂等故障,其中断裂和开裂故障是最危险的一种故障形式,如果未能及时对故障进行预警和维护,将产生巨大经济损失[1]。因此,针对风力发电机主轴承状态监测和早期故障识别方法就显得很有意义。

同时为了响应国家“智慧风场”建设的需求,彻底改变传统的靠人力巡检的运作模式,本文将基于数据采集与监视控制(supervisory control and data acquisition,SCADA)系统对风力发电机主轴承进行在线监测,对采集到的振动信号数据进行处理,根据机组主轴承运行数据趋势变化情况及特征,提高故障准确诊断能力,实现预防式维修,延长风力发电机使用时间,降低风力发电机组的运维成本。

1 主轴承结构以及故障机理

风力发电机轴承通常由内外套圈、滚动体、保持架、密封圈及润滑油等构成,如图1所示。

图1 主轴承的几何模型

主轴承故障机理包括以下几种情况[2]:

1)疲劳失效:长时间高速运转会导致主轴承材料疲劳损伤,性能下降,甚至产生裂纹断裂。

2)轴向载荷过大:若因设计或安装不当引起的轴向载荷超过了承受范围,可能会导致主轴承过早磨损、变形或损坏。

3)润滑不良:主轴承需要正常的润滑以减少摩擦和磨损,如果润滑不良或者润滑油缺失,可能会导致轴承过热、磨损加剧,最终引发故障。

4)环境腐蚀:风力发电场常处于恶劣的外部环境中,如高湿度、盐雾等,这些可能会导致轴承表面产生腐蚀,进而影响其正常运转。

主轴承若发生故障,工作运行时轴承滚动体将接触故障部位并产生瞬时冲击响应,传感器采集的振动加速度信号时域图通常包含冲击特性,同时在频谱图上出现滚动轴承故障特征频率。轴承故障特征频率计算公式如表1所示。

表1 轴承故障特征频率计算公式

表1中,R是轴内外圈转速;D是轴承节圆直径,N是滚动体个数;d为滚动体直径;α是接触角。

2 状态监测与建模思路

基于SCADA系统在线监测数据的风力发电机组大部件状态监测是目前风电行业的研究热点之一,可以有效提高风电机组的安全性、可靠性和经济性,减少停机时间和维修成本,对于推动风力发电行业的发展具有重要意义。本文将 SCADA系统中利用振动传感器采集到的风电机组主轴承的振动信息,结合信号处理技术建立主轴承的状态监测模型,根据模型预测主轴承的运行状态。

2.1 SCADA系统

SCADA系统是指监控和数据采集系统,在风力发电机中用于监测、控制和管理风力发电机组的运行。该系统主要具有以下功能:

1)数据采集与分析:SCADA系统能够准确地采集和记录风力发电机的各项数据,包括气象信息、功率产出、设备运行状态等。

2)远程监控与控制:SCADA系统使得操作员可以从远程位置对风力发电机进行监控和控制。

3)报警与事件处理:SCADA系统会实时检测风力发电机是否出现故障或异常情况,如温度过高、振动超标等。

4)监管与合规性:SCADA系统可以记录风力发电机的运行数据,并生成报告,以满足监管和合规要求。

SCADA系统为提高风电场运行安全性、稳定性和经济效益做出了贡献,改变传统的靠人力巡检的运作模式,提高了运维效率。如图2所示,该系统的组成主要包括监视与控制、视频监控、振动监测、故障诊断等模块[3]。

图2 SCADA系统组成框图

2.2 信号处理

本文主要采用小波变换、集合经验模态分解、时域谱和频域谱分析等技术对故障信号进行识别、故障特征提取、处理和利用[4]。

3 方法原理及实现

当前,大多数风电场都已部署了SCADA系统,用于收集风力发电机组的各项运行参数[5]。利用SCADA系统中的传感器可收集风力发电机组的运行状态数据,并实现机组运行过程监控以及自动控制和报警。大多数SCADA 系统采用的是越限报警模式,即当故障发生并严重至一定程度时才会报警。因此该报警模式不能做到部件故障的提前预警,同时机组各个分系统以及部件的运行状态也无法充分反映出来[6-7]。本文将SCADA系统采集到的风力发电机主轴承振动数据,结合信号处理技术(小波包降噪、集合经验模态分解等)的故障诊断模型实现对主轴承故障特征的提取,实现故障自诊断和提前预警,如图3所示。

图3 状态监测与故障诊断流程图

3.1 故障诊断模型

从包含噪声信号的振动加速度信号中有效且准确提取故障特征信号是轴承故障诊断的重要环节。本文的主轴承故障诊断模型将使用小波包滤波来对信号进行分析和降噪。振动信号经过滤波后使用集合经验模态分解模型对风力发电机主轴承故障进行特征提取。

3.1.1 小波包降噪

小波包降噪是一种通过小波包变换对信号进行去噪的方法[8]。其原理是基于小波包变换的特点,在信号的不同尺度上进行分析和处理,以提取有效的信号信息并抑制噪声。下面是小波包降噪的基本步骤:

1)首先将采集到的振动信号进行N层小波包分解,三层小波包分解,如图4所示[9]。

图4 小波包三层分解树

2)利用最小代价原理,找出最优小波包基,常用的有Daubechies、Symlets、Haar等小波基。

3)选择合适的阈值,在小波包分解后的小波系数中,采用合适的方法选择合适的阈值。

4)对小波系数进行阈值处理:将小于阈值的小波系数置零,保留大于阈值的系数[10]。

5)经过上述步骤可以将信号进行小波包重构,重构后的信号就是降噪处理后的目标信号。

3.1.2 集合经验模态分解

集合经验模态分解(以下简称EEMD)是一种信号分解与自适应滤波技术,用于对非平稳信号进行分解和分析。它具有数据驱动、自适应性强的特点,在信号处理领域得到了广泛应用[11]。EEMD 算法的基本步骤和原理如下:

1) 在原始信号x(t)中多次加入幅值均值为0、标准差为常数的白噪声ni(t) ,即:

xi(t)=x(t)+ni(t)

(1)

2)对xi(t)分别进行 EMD 分解,得到若干个IMF 分量cij(t)与一个余项rij(t)。其中cij(t) 表示第i次加入高斯白噪声后分解得到的第j个IMF分量。

3) 重复第1和第2步骤N次。将上述对应的IMF进行总体平均运算,消除多次加入高斯白噪声对真实IMF的影响,最终得到EEMD分解后的IMF:

(2)

式中:cj(t)是原振动加速度信号x(t)进行EEMD 分解得到的第j个IMF分量。当N越大,对应白噪声的IMF之和将越小并趋于0。此时EEMD分解的结果:

(3)

式中:r(t)是最终残余分量,本征模分量cj(t),j=1,2,…… 代表信号从高到低不同频段的组成部分,每个部分所包含的频率成分是各异的,各部分所携带的能量也是不同的,并且两者会随着振动信号x(t)的变化而变化[12-13]。

3.2 信号趋势项消除

SCADA系统中传感器等采集设备因为自身性能原因或受复杂工况干扰,导致振动加速度信号偏离基线,间接影响振动加速度信号分析的准确性。因此本文采用最小二乘拟合法来去除该影响[14]。

4 实例验证与分析

本文根据实际风电场调研情况,选取某风电场一台风力发电机组主轴承,该机组主轴承运行约一年半后,通过其振动数据分析发现主轴承存在损伤。

4.1 仪器及测点布置

该风场配备了型号为WindDAU的在线振动监测设备,选用了加速度传感器,对主轴承进行监测。主轴承测点示意如图5所示,风力发电机组厂家通常在主轴承的径向水平、径向垂直、轴向位置安装振动传感器。

图5 主轴承测点示意图

4.2 振动监测数据

选取风力发电机主轴承驱动端径向振动加速度信号作为分析数据,如表2所示。

表2 待分析数据详细信息

4.3 故障信号处理

将采集到的振动数据通过MATLAB软件分析其时域图和频谱图。如图6所示,振动信号包含大量噪声,这将影响振动故障分析与诊断。

图6 降噪前的振动加速度信号和频谱图

将原始主轴承振动加速度信号用小波包将其分解和滤波,通过对比可以发现,小波包降噪效果明显如图7所示。

图7 降噪后的振动加速度信号和频谱图

4.4 结果分析

将EEMD程序包部署进我司部件振动故障检测系统中进行下一步故障特征提取和分析,结果如图8～图11所示。

图8 发电机驱动端径向趋势图

图8显示发电机驱动端径向趋势持续上升;图9中发电机驱动端径向时域存在冲击,且最大冲击幅值达到 19g;图10的发电机驱动端径向频谱中存在轴承外圈故障频率等间隔带;图11发电机驱动端径向包络图中存在轴承外圈故障频率及其倍频(105.8 Hz)。由以上在线振动状态监测数据分析可知,发电机驱动端轴承外圈存在故障。

图9 发电机驱动端径向时域图

图10 发电机驱动端径向频谱图

图11 发电机驱动端径向包络图

4.5 故障处理

作者指导现场运维人员登塔检查发现,该风机发电机空转无异响,油脂状态正常,发电机地脚螺栓未松动。厂家需进场对发电机进行拆解检查,图12为发电机拆解检查情况,发现其存在发电机非驱动端轴承外圈剥落故障。

图12 发电机非驱动端轴承外圈剥落

5 结 语

本文对风力发电机主轴承故障进行了分析和诊断。通过对已有研究成果的综述,归纳了风力发电机主轴承故障的类型、特征以及常见的故障原因。针对主轴承故障的分析与诊断方法,本文基于SCADA 系统和信号处理技术,通过在风力发电机上进行实际测试,并采集振动加速度信号,运用小波包降噪、EEMD等方法对信号进行处理和特征提取。对风力发电机主轴承故障作出运行状态监测与分析,同时对主轴承故障作出准确诊断,有效提高了风电机组稳定运行和故障分析效率。今后可以进一步改进主轴承故障诊断与分析方法,为风力发电机主轴承故障预警和运维提供帮助。