一种风电机组齿轮箱工况在线监测方法技术

一种风电机组齿轮箱工况在线监测方法，包括：获取不同运行模式下的风机运行数据；用基于统计聚类的方法对风机数据进行分组；根据分组结果的数据特征识别风电机组的运行模式；基于不同运行模式分辨不同类型的齿轮状态，分组的数据用于线性回归训练模型拟合并输出随时间变化的齿轮速比，实现定量的判定齿轮磨损情况；根据线性回归训练模型的预测结果和实际运行数据得到平均齿轮转速比残差；通过分析平均转速比残差实现不同种类的齿轮箱故障识别与监测，进而实现对风机齿轮箱工况的在线监测。进而实现对风机齿轮箱工况的在线监测。进而实现对风机齿轮箱工况的在线监测。

【技术实现步骤摘要】
一种风电机组齿轮箱工况在线监测方法


[0001]本申请属于风力发电领域，具体而言，尤其是风电机组齿轮箱工况在线监测方法。

技术介绍

[0002]在风力发电快速发展的过程中，风电机组高昂的运维成本严重影响了风力发电厂的经济效益，而对整个风电机组来说，通常齿轮箱的故障率最高，我国虽然是风电大国，但是风电机组的设计制造与国际先进水平还存在很大差距，导致我国齿轮箱故障率高达40％，同时由于齿轮箱故障导致的风电机组停机维修，除了造成机组生产效率下降外，还会产生高昂的维护成本。要想降低风电厂运维成本，关键需要对风电齿轮箱开展科学的检测和维修，因此对风机齿轮箱的状态监测和故障诊断预警，对最大化齿轮箱效率至关重要。
[0003]齿轮箱状态监测的现有技术较为单一，且多针对单变量数据，不具备信息融合能力。典型的风电齿轮箱状态监测方法有温度监测、声音监测、振动监测以及齿轮箱润滑油监测。监控与数据采集(SCADA)系统在固定间隔时间内采集的风机运行数据，包括风速、发电量、俯仰角等性能参数可用于监测风机叶片、齿轮箱发电机等的健康状况，而准确辨析风机信号和故障之间的映射关系是风电齿轮箱故障诊断的核心内容，由于状态监测方法的单一导致基于多传感器信息融合的故障特征提取方法研究不足，目前还无法对风机齿轮箱的所有故障类型、故障部位、故障的发展阶段等要素进行全面准确识别。
[0004]现有的齿轮箱在线监测系统应用最多的是基于振动量的在线监测，但是早期服役的风电机组多数齿轮箱均未安装振动监测系统而难以获取振动信号，并且采用常规的信号处理方式，通过监测的振动信号难以对齿轮箱中点蚀、微小裂纹等早期故障进行有效诊断。
[0005]基于监控与数据采集(SCADA)系统的风电齿轮箱故障预警方法大多采用机器学习方法融合SCADA多个参数建立正常工况和异常工况下的状态变量模型，通过监测预测值与实际值的残差动态变化进行状态评估，由于SCADA数据是一种非线性、复杂多变的时间序列数据，浅层机器学习方法限制了模型挖掘数据的能力，模型精度不高，而针对齿轮箱状态监测的深度学习模型还在研究阶段，还没有大量投入实际应用，因此基于检测信号的故障智能诊断方案有待完善。

技术实现思路

[0006]针对上述不足，本专利技术提供一种基于齿轮箱转速比的新型风电机组齿轮箱工况在线监测技术，以缓解现有风电机组齿轮箱工况在线监测方案中检测精度不高，监测方法单一的技术问题。
[0007]一种风电机组齿轮箱工况在线监测方法，其特征在于，包括：
[0008]步骤1，获取完整时间段内不同运行模式下的风机运行数据，包含风机正常启停以及故障的完整工业运行数据；
[0009]步骤2，使用基于统计聚类的方法对风机数据进行分组，基于数据之中隐含的自然特征对风机数据进行分组；
[0010]步骤3，根据分组结果的数据特征识别风电机组的运行模式；
[0011]步骤4，基于不同运行模式分辨不同类型的齿轮状态，分组的数据用于线性回归训练模型拟合并输出随时间变化的齿轮速比，实现定量的判定齿轮磨损情况；根据线性回归训练模型的预测结果和实际运行数据得到平均齿轮转速比残差；
[0012]步骤5，通过分析平均转速比残差实现不同种类的齿轮箱故障识别与监测。
[0013]本专利技术的技术方案的优点：
[0014]本专利技术实施例提供的一种风电机组齿轮箱工况在线监测方法及技术，在获取到风机一段时间内的完整运行数据后，通过统计聚类的方式基于有功功率、风速、转子转速和俯仰角四个参数对风机数据进行划分，进而区分风机不同的运行数据，充分考虑了随时间变化的齿轮转速比在相似的运行模式下对齿轮磨损的监测可行性，根据分组结果线性拟合并对预测结果和实际结果的残差分析可以得到：在相同的运行模式下对齿轮速比残差的分析能实现风机齿轮磨损情况的在线监测，进而实现对风机齿轮箱工况的在线监测。
附图说明
[0015]图1为一种风电机组齿轮箱工况在线监测方法的示意图；
[0016]图2为一种风电机组齿轮箱工况在线监测装置的结构示意图；
具体实施方式
[0017]下面结合附图对本专利技术作进一步描述，应当理解，此处所描述的内容仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0018]目前常用的风机齿轮箱状态在线监测技术是通过监测振动信号并对振动信号进行常规信号处理，从振动信号中能进行故障定位和故障类型的判断，在故障状态下，风电齿轮箱的振动信号一般为非线性非平稳信号。然而输入信号单一导致现监测技术对故障特征提取不全面，无法对所有故障进行全面识别，也难以对齿轮箱中的微小裂纹等早期故障进行有效诊断；同时单一的风机齿轮箱状态监测技术由于数据量小，增加了预测结果的偶然性并影响了故障的预测精度和可靠性，而基于深度学习的新型齿轮箱监测技术还在研究阶段，综合来看，尚未存在有效的风电机组齿轮箱工况在线监测技术能够依照风机的多变量运行数据对风机齿轮箱进行准确的特征提取并根据提取的特征进行模型描述，从而根据模型预测结果对风机齿轮箱工况进行精确检测。
[0019]实施流程如图1所示，一种风电机组齿轮箱工况在线监测方法，包括：
[0020]步骤1，获取完整时间段内不同运行模式下的风机运行数据，包含风机正常启停以及故障的完整工业运行数据；
[0021]步骤2，使用基于统计聚类的方法对风机数据进行分组，基于数据之中隐含的自然特征对风机数据进行分组。
[0022]步骤3，根据分组结果的数据特征识别风电机组的运行模式。
[0023]运行模式可以包括停止、启动、部分或全部生产。所述不同运行模式下的风机运行数据取决于实际运行要求，数据之中隐含的自然特征唯一的识别风机的不同运行模式，如果多个运行模式有类似的特征，就可以将多个运行模式的数据点结合起来分析。
[0024]利用监测量中的有功功率、风速、转子转速和俯仰角四个量作为聚类的特征参数，
识别风机的运行模式，按照聚类结果，根据风强度、扭矩和振动频率将风机数据分为不同的运行模式，不同的运行模式对应不同的负载状态，进而可以在不同的运行模式下测量齿轮箱齿轮速比来表征随时间变化的齿轮磨损情况；
[0025]步骤4，基于不同运行模式分辨不同类型的齿轮状态，分组的数据用于线性回归训练模型拟合并输出随时间变化的齿轮速比，实现定量的判定齿轮磨损情况；根据线性回归训练模型的预测结果和实际运行数据得到平均齿轮转速比残差。
[0026]现阶段常用的能准确分析不同类型的齿轮箱齿轮故障的技术方案为停机抽取齿轮箱油后，对齿轮箱油进行磨粒分析，根据磨粒分析结果分辨齿轮箱故障类型、故障部位等具体因素。齿轮箱油磨粒分析能实现齿轮箱故障的精确监测，然而，对齿轮箱油的磨粒分析只能在机组停机时检测，检测周期长而且单次油品分析时间久，不利于故障预警和早期故障诊断，除了对齿轮箱油的磨粒分析外，还需要更详细、采样频率更高的数据集。故此，本专利技术选择对相同运行模式下的数据集进行分组，通过在组内分析随时间变化的齿轮传动比作为衡量齿轮磨损的指示值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风电机组齿轮箱工况在线监测方法，其特征在于，包括：步骤1，获取完整时间段内不同运行模式下的风机运行数据，包含风机正常启停以及故障的完整工业运行数据；步骤2，使用基于统计聚类的方法对风机数据进行分组，基于数据之中隐含的自然特征对风机数据进行分组；步骤3，根据分组结果的数据特征识别风电机组的运行模式；步骤4，基于不同运行模式分辨不同类型的齿轮状态，分组的数据用于线性回归训练模型拟合并输出随时间变化的齿轮速比，实现定量的判定齿轮磨损情况；根据线性回归训练模型的预测结果和实际运行数据得到平均齿轮转速比残差；步骤5，通过分析平均转速比残差实现不同种类的齿轮箱故障识别与监测。2.根据要求1所述方法，其特征在于：步骤3中，运行模式包括停止、启动、部分或全部生产。3.根据要求1所述方法，其特征在于：步骤3中，利用监测量中的有功功率、风速、转子转速和俯仰角四个量作为聚类的特征参数，识别风机的运行模式，按照聚类结果，根据风强度、扭矩和振动频率将风机数据分为不同的运行模式，不同的运行模式对应不同的负载状态，进而在不同的运行模式下测量齿轮箱齿轮速比来表征随时间变化的齿轮磨损情况。4.根据要求1所述方法，其特征在于：步骤4中，选择对相同运行模式下的数据集进行分组，通过在组内分析随时间变化的齿轮传动比作为衡量齿轮磨损的指示值；齿轮传动比定义为每分钟主动齿轮转速除以从动齿轮转速，将齿轮传动比的微小变化视为基于状态的齿轮箱齿轮健康监测指标，齿轮转速比S
R
和齿轮半径的关系为：式中,...

【专利技术属性】
技术研发人员：刘庆伏，王宏伟，王振福，白志深，靳江江，陈卓，岳红轩，王真涛，徐峰，冯翔宇，梁思超，陈志文，
申请(专利权)人：北京华能新锐控制技术有限公司，
类型：发明
国别省市：