风电齿轮箱油温高原因分析及解决方法

针对某1.5 MW风电齿轮箱普遍存在油温高的问题,通过对齿轮箱润滑油冷却系统进行理论计算,分析与对比同机型不同风电场热交换器的实际冷却效果,分析与研究同台机组不同运行状态下的实际冷却效果,认为引起该风电齿轮箱润滑油温度高的因素有:翅片结构选型不适、机舱密封不严等因素引起的翅片堵塞问题,润滑油设计流量偏低的问题,以及温控阀失效、油温传感器失效、发电机水冷缺水等元件问题。在排除元件问题的基础上,通过改变散热器翅片结构,增加热交换器换热面积和增加换热器冷却风扇流量等方法,彻底解决了齿轮箱油温高问题。工程实际应用表明,该方法可在该系列齿轮箱油温高技术改造上推广使用,同时也可为后续产品技术升级提供参考依据。     

一种基于非线性偏最小二乘的风电机组齿轮箱状态监测方法北大核心CSCD

风电机组状态监测是提升机组运行水平和经济效益的重要手段。文章提出了一种基于非线性偏最小二乘(PLS)的风电机组齿轮箱状态监测方法,利用数据采集与监控系统(SCADA)数据对齿轮箱油温进行建模和监测。首先,基于无监督聚类对SCADA数据进行预处理,利用相关性分析选取与齿轮箱油温相关的输入变量;然后,构建用于表征非线性关系的输入变量,建立正常运行工况下齿轮箱油温的非线性PLS模型;最后,根据模型输出结果与齿轮箱油温的残差分布,设置合理阈值,用于齿轮箱状态监测。应用该模型对某大型风电机组齿轮箱进行状态监测。监测结果表明,相比于BP神经网络模型,该模型具有更高的拟合优度和预测精度。     

基于工况细化条件下数据统计分析的风电机组齿轮箱油温故障预警方法

文章针对风电机组齿轮箱油温劣化特征识别问题,提出了一种基于工况细化的异常变化检测和故障早期预警方法。该方法根据风机叶轮转速将机组运行数据进行细化分仓,在每个叶轮转速仓中建立基于概率统计分析的齿轮箱油温正常行为模型并设定其温度分布和温升变化的异常阈值;然后对现场机组齿轮箱油温变化进行监测,利用时序滑动窗口的评估方式实现风机齿轮箱油温故障预警。     

基于油液光谱监测的风电机组齿轮箱磨损状态的研究

风电机组齿轮箱的磨损微粒主要是铁颗粒,铁颗粒含量的增长趋势能直接反映出风电机组齿轮箱的磨损状态.以Spectro油液光谱分析仪监测风电机组齿轮箱在用齿轮油中的铁元素含量,通过一段时间内铁元素的增加量和风电机组可利用小时数,可计算得到单位可利用小时数下的铁元素增加量ΔQFe;引入可靠性理论研究了ΔQFe的分布规律,并以风...     

基于多元线性回归的风电机组齿轮箱温度预警研究

正风电机组的后期运行维护成本相当高,因此实时状态监测在风电机组中的应用越来越重要。风电机组齿轮箱的状态监测参数主要有温度、振动、油液等指标。目前大多数风电机组齿轮箱的故障预警机制较单一,如设定油池温度高于75℃报警,高于80℃停机;设定轴承温度高于90℃报警,高于95℃停机。这种常规的温度预警有一定的局限性。本文通过建立风电机组正常运行状态下的多元线性回     

某风电机组齿轮箱主轴断裂原因分析

目前风电机组齿轮箱出现齿断裂、主轴断裂、轴承断裂等现象时有发生,在大部分的事故分析上,厂家为维护自生利益而淡化或敷衍发生事故的主要原因,同时鉴于风电公司技术或管理水平参差不齐,多数企业也没有对事故进行深入剖析,对风电行业的健康发展非常不利。本文介绍了某风电机组齿轮箱主轴断裂原因,为齿轮箱制造企业及风电场运维企业提供参考。     

某风电场1.5MW风电机组齿轮箱点蚀及断齿故障分析

正齿轮箱是风电机组的重要部件,叶轮转速通过齿轮箱增速后使转速达到并网转速,有利于减少并网风电机组发电机的级数,缩小发电机的体积,提高机组效率。齿轮箱的损坏直接关系到风电场运行成本和收益。因受交变载荷的作用,在齿轮箱损坏的故障现象中,齿轮箱失效的主要形式是轮齿折断和齿面点蚀、剥落等,下面结合某风电场状况,对齿轮箱损坏的原因进行分析。     

浅析190系列柴油机温度过高的原因

柴油机温度过高主要表现为水温、油温过高两大类。分别分析了造成这两大类温度过高的原因。     

基于长短时记忆网络融合SCADA数据的风电齿轮箱状态监测

针对不具有时间记忆能力的机器学习方法融合风电机组数据采集与监控系统(SCADA)的时序数据而导致风电齿轮箱状态预测精度不高的问题,提出基于长短时记忆(LSTM)网络融合SCADA数据的风电齿轮箱状态预测模型。选择能表征风电齿轮箱运行状态的某个监测量作为模型的输出量,基于灰色关联度选择与该监测量关联密切的SCADA参数作为预测模型的输入量;使用正常状态下的SCADA数据训练LSTM预测模型,得出预测值和残差,通过3σ准则计算出上下预警阈值,用于风电齿轮箱状态监测和故障预警。某风电场风电齿轮箱的SCADA数据验证表明所提出的方法能有效预警风电齿轮箱故障。     

变风况下风电齿轮箱疲劳损伤评估研究

风电齿轮箱疲劳损伤的量化是风力发电机齿轮箱设计及工程应用中亟需解决的关键问题。文章通过建立齿轮箱多体动力学模型,在考虑齿轮箱外部和内部激励条件下,使用线性疲劳损伤理论,对其在不同风况下的10 min疲劳损伤进行了研究。结果表明,在相同风况下太阳轮的短期疲劳损伤最高,齿轮的短期疲劳损伤随着短期平均风速的增大而增加。基于该评估结果,提出了一种基于SCADA风速统计数据,对风电齿轮箱齿轮长期疲劳损伤进行的评估方法。该方法可以对风电齿轮箱的长期疲劳损伤做出初步的估算,其结果对校核齿轮箱在设计寿命内的机械参数亦具有一定参考价值。     

基于温度参数的风电机组异常识别

文章针对风电机组运行过程中机组早期的异常状态识别问题,提出一种考虑有功功率的基于机组温度参数变化特性的风电机组异常识别模型。首先,分析风电机组各系统与温度相关的参数。然后,利用相关性理论,确定了与有功功率相关的温度参数:齿轮箱高速轴轴承前端温度、齿轮箱高速轴轴承后端温度、齿轮箱油温、发电机驱动端轴承温度、发电机非驱动端轴承温度、发电机定子绕组温度,形成了异常检测的参数体系。再次,以正常状态下机组温度参数的偏度和峰度的最大区间作为阈值,建立风电机组异常识别模型。最后,采用滑动窗口对机组运行状态进行在线监测。通过实例研究发现,当机组发生异常状态时,温度参数的偏度或者峰度超过了阈值,比警报提前了15 d。该识别模型为风电机组的早期故障预警提供了参考。     

基于不同运行状态的风电机组齿轮箱故障率预测模型

以往基于威布尔故障分布曲线对风电机组齿轮箱故障率的研究主要考虑时间因素,在此基础上,该文进一步考虑齿轮箱实际运行状态,结合威布尔故障分布模型中的浴盆曲线,构建同时考虑时间（t）和运行状态（s）的齿轮箱故障率模型,并计算其在4种不同运行状况（整体故障率升高、整体寿命缩短故障时间提前、故障期故障速率加快、故障期寿命缩短）的组合下模型的可靠性函数、故障累计分布函数、故障概率密度函数和特定时间下特定数量设备发生故障的概率。     

风电机组齿轮箱故障分析及改进措施

本文总结了风电齿轮箱在运行、维护过程中的常见问题,并对其主要影响因素进行了分析,提出齿轮箱在设计、生产、运行维护时需要采取的措施及相关建议,以提高风电齿轮箱的可靠性。     

风电机组齿轮箱市场调研分析

本文介绍了目前风电机组齿轮箱的市场情况。外资品牌市场占有率较高的原因是整机厂商对齿轮箱产品可靠性考虑。随着生产成本的增加和产品价格的进一步压低,产品可靠性成为齿轮箱生产企业降本增效中不可忽视的问题。     

风电机组齿轮箱非平稳振动信号微弱故障特征提取

介绍风电机组齿轮箱的布置形式和结构特点。依据某类型风电机组齿轮箱特点,制定振动数据采集方案,采集两台风电机组齿轮箱高速轴振动信号;应用短时傅里叶幅值谱和小波尺度谱对比分析,分别提取两台机组齿轮箱高速轴测点振动信号中蕴含的微弱故障特征频率。分析得到一台机组齿轮箱高速轴损伤,实际验证了该机组齿轮箱高速轴为轻微点蚀故障。证实了短时傅里叶幅值谱和小波尺度谱相结合的分析方法在诊断风电机组齿轮箱微弱故障的有效性和实用性。     

油液监测技术在风电机组中的应用分析

本文从油液监测技术对降低风电机组维护成本的影响、保障风电机组润滑的可靠性、以及油液监测促进风电场维修理念更新和润滑管理水平提升三个方面分析了油液监测技术在风电机组中的应用。     

半直驱永磁式海上风电机组的发展

<正>0引言半直驱永磁式全功率变流风电机组是由变桨距风轮驱动中速齿轮箱,再由齿轮箱驱动中速永磁发电机发电,通过全功率变流器向电网馈电的风电机组。目前,这种风电机组在陆上风电场和海上风电场都有应用。陆上风电场应用的主要是5 MW以下功率的半直驱永磁式全功率风电机组,海上风电场应用的主要是5 MW及以上功率     

零部件

重齿公司5兆瓦海上风电齿轮箱下线6月9日,由重庆齿轮箱有限责任公司(简称重齿公司)自主研发生产的5兆瓦海上风电增速齿轮箱成功下线。该款5兆瓦海上风电增速齿轮箱由重齿公司独立研发,具有自主知识产权,填补了国内相关技术的空白。齿轮箱设计按照国际标准规范,吸收了重齿公司10多年风电齿轮箱的设计、制造、运行经验。行星传动采用了多分流技术,使齿轮箱具备了结构紧凑、体积小、重量轻等优势。5兆     

基于Hilbert解调法的风电机组齿轮箱故障诊断

对某台运行中的风电机组存在异响的齿轮箱的振动数据进行采集后,采用Hilbert解调法分析出了齿轮箱内部高速轴存在断齿现象,并通过现场检查齿轮箱内部部件发现了断齿。Hilbert解调法能有效提取风电机组齿轮箱振动信号的故障信息,可有效应用于风电机组齿轮箱的振动数据分析及故障诊断工作中。     

基于深度学习的齿轮箱故障模糊诊断方法

风电机组齿轮箱作为传动系统重要组成部分,其运行状态关乎整个风电机组的健康运行。由于齿轮箱振动信号具有非线性、非平稳等特性,传统时频分析方法分解故障信号和提取故障特征的能力有限。因此,文章提出将深度学习应用于齿轮箱故障诊断中,通过构建一维卷积神经网络模型对齿轮箱不同状态下的特征向量进行高效提取、重构。同时,将模糊理论应用于分类器,构建一个模糊多分类器(FMC)对故障进行识别,提出了以平均隶属度作为故障等级判断标准。实验结果表明,文章所提方法在确保齿轮箱故障诊断高准确率的同时,提升了故障分类的精度。