基于时间延迟的风机齿轮箱状态优化维修

风电机组运行环境恶劣,故障频发,尤其以齿轮箱的故障居多,造成风机整体维修成本偏高。针对以上问题,提出了一种基于时间延迟的状态优化维修策略,在时间延迟模型的基础上考虑振动监测信号,先结合故障数据和状态监测数据求得齿轮箱的比例危险函数和可靠度函数,再采用单位运行时间内平均维修费用最小的方法优化得到最优状态维修阈值,最后依据该阈值实施风机齿轮箱的优化状态维修。通过对某风电场仿真分析,求得了最优状态维修阈值,并制定了维修策略。仿真结果证实了该策略在避免过度维修和维修不足问题以及节约维修成本方面的有效性。     

某型半直驱风机齿轮箱断齿故障分析

针对风机齿轮箱故障，介绍了一起半直驱风机齿轮箱断齿导致风机停运故障。通过对故障齿轮箱进行振动数据监测、金属材质及油质分析，得出齿轮箱油的泡沫特性超标和颗粒污染度超标是故障的诱因，故障发生当天风机瞬时风速波动较大，齿轮箱二级行星轮组产生较强瞬时应力而导致齿轮损坏，引发风机齿轮箱振动过大是故障的主要原因。为避免同类故障再次发生，风电场应加强风机运行监测、提高齿轮箱内窥镜检查频率并加强风机齿轮箱在线滤油处理。     

基于子空间方法的风机齿轮箱故障预测算法

为了减少风机齿轮箱严重故障的发生,提出了一种基于随机子空间识别方法的齿轮箱故障预测算法。该算法首先建立齿轮箱的随机状态空间模型,并利用正常运行时的振动监测数据计算模型的参数矩阵的特征值,并将其作为参考特征值;然后将由实际振动数据所求得的特征值与参考特征值进行比较,如果两者误差很小,则说明齿轮箱正常,反之则异常。为了减少计算量,引入均方根误差(RMSE)作为齿轮箱故障判别指标,并利用统计过程控制(SPC)原理定义该指标的阈值。最后,对一台实际风机的振动监测数据进行仿真,结果表明了所提出算法的有效性。     

考虑不完全维修的风机齿轮箱优化检修策略

齿轮箱是风电机组中维修费用最高的部件之一,针对齿轮箱的状态检修策略研究对降低设备维修费用、提高可靠度具有关键作用。针对风机齿轮箱不完全维修这一现状,提出了一种基于比例强度模型的优化检修策略。该方法利用监测到的齿轮箱振动数据、温度数据及历史维修数据建立比例强度模型,确定齿轮箱的强度函数;然后采用物理规划方法权衡最小维修费用和最大可靠度两个优化目标函数,确定最优维修阈值,并制定最优维修策略。结合实际风电场故障数据和在线监测数据,对考虑不完全检修的优化检修策略进行仿真分析,结果验证了所提优化策略的有效性和合理性。     

基于统计过程控制的风机齿轮箱故障预测

为了减少风力发电机组齿轮箱故障,确保风电机组持续安全运行,对风电机组运行监控数据在线分析,提出一种结合最小二乘支持向量机（LSSVM）的风机齿轮箱统计过程控制故障预测方法。该方法以支持向量机学习风电机组的正常状态运行模式,利用风电机组实时运行数据来估计正常状态下该时刻齿轮箱油温度和齿轮箱轴承温度,并与实际温度测量值进行比较。随后利用统计过程控制技术分析齿轮箱油温和轴承温度的实际值与估计值的残差,以实现齿轮箱异常状态的预测。     

基于深度自编码网络模型的风电机组齿轮箱故障检测

为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型。该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示。首先,利用限制性玻尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型。然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量。为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则。最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性。     

风机齿轮箱故障原因浅析

简单分析了风机齿轮箱故障的原因,并指出静态偏心、动态偏心、轴承及齿轮、润滑及油过滤系统等是引起风机齿轮箱故障的主要原因。     

风机齿轮箱轴承状态评估与剩余寿命预测

为了提高风机运行的可靠性和经济性,提出一种基于马尔科夫链的风机齿轮箱轴承状态评估和剩余寿命预测方法。首先,建立风机齿轮箱轴承磨损状态的Gamma分布模型,并利用最大似然法对模型参数进行估计;其次,划分风机齿轮箱轴承磨损状态等级,并确定各状态等级区间限值;再次,计算齿轮箱轴承磨损状态转移概率,并构造马尔科夫过程的状态转移矩阵;最后,应用该方法对风机齿轮箱轴承进行算例仿真。算例仿真结果验证了该方法在确定风机齿轮箱轴承磨损状态和剩余寿命方面的有效性。     

基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法（variational mode decomposition,VMD）分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法（maximum correlated kurtosis decnvolution,MCKD）通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法（sparrow search algorithm,SSA）优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络（deep residual network,ResNet）的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相...     

基于威布尔分布的风机齿轮箱元件最优更换时间

研究了考虑单位时间系统维护费用最低的风电机组齿轮箱重要组成元件最优更换时间的计算问题。文章对风机齿轮箱的原理和结构进行了简单介绍,并将齿轮箱作为不可修系统对其构成元件的故障率分布进行了分析;建立了风机齿轮箱重要组成元件的最优更换时间计算模型,该模型的原理是对更换成本和故障成本进行平衡,使系统单位时间的维护费用最低;最后,采用文中建立的模型对某地实际风机齿轮箱齿轮、中速轴承和高速轴承的最优更换时间进行求解,结果表明,此方法得到的最优更换方案能够极大地降低风电机组齿轮箱维护费用。     

基于比例强度模型的风力发电机齿轮箱优化检修决策

针对传统的风力发电机齿轮箱检修方式存在的不足,引入针对可修系统检修的比例强度模型(proportional intensity model,PIM)概念,提出一种基于故障数据和状态监测数据的风力发电机齿轮箱检修策略。分析了PIM中各参数的意义,并阐述了参数估计算法。利用最小维修成本法确定最优维修决策阈值,绘制最优维修阈值曲线,并制定最优维修策略。通过某型风力发电机齿轮箱的实例分析,验证了此方法在风力发电机齿轮箱维修决策中的应用价值。     

基于小波包和改进核最近邻算法的风机齿轮箱故障诊断方法

齿轮箱作为风力机组的核心部件,故障频发,研究风机齿轮箱的故障诊断方法意义重大。针对最近邻(KNN)诊断方法对离群噪声不敏感和诊断精度较低的缺陷,提出了基于小波包和改进核最近邻算法的风机齿轮箱故障诊断方法。该方法应用小波包分析技术对故障特征进行提取,利用互近邻准则将故障数据集中的离群噪声点剔除,构建出基于核空间的改进型最近邻分类决策规则来识别齿轮箱的故障类型。试验表明:该方法可以有效地提升故障诊断精度和鲁棒性,为智能诊断技术的研究提供新思路。     

风机齿轮箱油液在线监测技术应用综述

针对风机齿轮箱故障问题对风电机组的严重影响,论述了风机齿轮箱油液在线监测技术的必要性与重要性,综述介绍了油液监测技术及其方法,针对与风机齿轮箱油液在线监测技术密切相关的水分、粘度、磨粒等指标介绍了对应的传感器的应用与发展,提出应尽快开展油液在线监测技术在风电机组齿轮箱的工程化应用研究。     

基于比例失效模型的风机齿轮箱轴承检修

提出一种基于故障数据和状态监测数据的风力发电机齿轮箱轴承的新型检修策略.分析了比例失效模型中各参数的意义.利用最小维修成本法确定最优维修决策阈值,绘制最优维修阈值曲线,进而制定出最优维修策略.通过某型风力发电机齿轮箱轴承的实例分析,证明了此方法在风力发电机齿轮箱轴承维修决策中的使用价值.     

基于小波BP-时间序列的齿轮箱温度预警

由于风电机组的运行条件恶劣,在运行过程中经常会出现许多不确定的外界因素,这些因素使得风电机组各部件的故障率较高。采用小波BP神经网络的时间序列方法对风电机组的齿轮箱温度进行预测,并利用滑动窗口技术对其预测残差进行统计分析,然后通过分析齿轮箱温度的残差均值和标准差来预测齿轮箱温度是否存在异常情况或是故障隐患,从而达到预警目的。     

基于Hadoop平台的风机群落故障预警

针对传统风机故障预警中采用设定单一变量恒定阈值的方法容易造成故障误报、不报以及排查时间不足等问题,提出一种在Hadoop平台采用分布式存储并行式计算的方法对整个风场进行分析。首先对SCADA系统历史数据进行分析,采用聚类方法对工况相似的风机进行群落划分。再依据统计学原理,对每一个风机群落里的风机温度类参数进行箱式分布,从而识别离群风机。最后采用显著性差异分析和滑动窗口的方法对离群风机进行分析判断最终确定异常风机。为进一步预测异常风机的变化特性,采用线性回归方法对异常风机建模并进行预测残差分析。结合一定的现场经验,设置合理的预测残差预警阈值实现异常风机的故障预警功能。通过对某大型风场进行试验验证,该方法在故障预警方面有较高的准确率。     

基于GRU和注意力机制的海上风机齿轮箱状态监测

海上风电机组齿轮箱运行状态的有效监测和及时预警对海上风机运维工作具有重要意义。为此,提出一种基于门控循环单元(Gated Recurrent Unit, GRU)和注意力机制的海上风电机组齿轮箱状态监测方法。在训练阶段,通过注意力机制自动提取海上风电SCADA数据集输入参量与目标建模参量间的关联关系,同时采用GRU网络提取数据间的时序依赖关系,进而建立风电机组齿轮箱的正常行为模型。在测试阶段,采用指数加权移动平均值(Exponentially Weighted Moving-Average,EWMA)控制图对目标建模参量实际值和模型预测值间的输出残差进行监控,实现海上风机齿轮箱运行状态的实时监测和预警。最后基于东海大桥海上风电场真实数据对所提方法的有效性和优越性进行了验证。结果表明：所提方法对故障和正常运行条件下的海上风电机组齿轮箱状态均可进行有效监测,且相比现有陆上风机状态监测方法具有更高的精度和可解释性,并能更早地揭示故障趋势。     

基于区间划分的风电齿轮箱在线故障预警方法

针对大型风电机组运行工况复杂多变,依靠恒定的润滑油温度值作为齿轮箱故障预警值容易不报的问题,提出了基于运行区间划分的风电机组齿轮箱在线故障预警方法。该方法通过划分不同的运行区间,对不同运行区间根据高斯模型分别设定阈值。将实时数据代入相应运行区间判定是否异常,再利用移动窗口计算异常率作为触发齿轮箱故障预警的指标。该方法用于某1.5 MW风电机组齿轮箱故障的分析,结果表明,该方法能够准确地反映故障的发展趋势,可实现齿轮箱故障的早期预警,避免故障向更严重的方向发展,降低风电机组运行和维修成本。     

基于Box-Cox变换和相对熵残差分析的风电机组齿轮箱状态监测

风电机组齿轮箱的故障频率和维修成本较高,有必要进行实时状态监测。残差分析是基于运行数据的状态监测方法之一。但使用常规统计量作为指标,无法全面描述残差概率分布的变化,可能会得到变化趋势不显著、故障敏感度低的监测信息。为此,提出一种基于Box-Cox变换和相对熵的残差分析方法:首先,结合滑动窗口法对正常行为模型的预测残差进行Box-Cox变换,以改善其正态性;之后,计算当前与基准残差数据间的一维连续正态分布相对熵,作为状态监测的指标。用某2MW风电机组齿轮箱故障前和维修后的两组数据进行验证。结果表明,相比常规方法,相对熵的变化趋势更显著、对故障的敏感度更高,且能够直接对比齿轮箱运行状态的相对变化;Box-Cox变换能够进一步改善相对熵的预警能力,使预警时刻提前约4～9h。     

基于振动分析的风力机齿轮箱故障诊断

为实时、准确、简易地诊断出风力机齿轮箱故障类型,提高风力机的稳定性,提出一种面向多故障的基于多尺度小波分析和希尔伯特变换的实时齿轮箱故障诊断方法。利用故障发生前期微弱的故障征兆,首先用小波降噪技术滤除齿轮箱振动信号中的噪声,然后对信号进行多尺度小波分解,通过分析高频重构信号,来判断是否将要产生故障;如果确定故障将要发生,再对高频重构信号进行希尔伯特变换,通过分析能量包络谱相应的波形参数值来判定预测故障的类型。利用试验数据对该方法进行分析验证,证明了该算法的简单和有效性。