考慮運行工況和信息簡化的風機傳動鏈狀態監測方法研究

2017-08-21 18:00:40 阜特科技　點擊量：評論 (0)

在人類面臨能源危機和環境污染雙重挑戰的今天，風能作為一種可再生的清潔能源具有巨大的環保效益和商業潛力。隨著各國對風能利用的重視和風力發電技術的提高，風電在電力市場中的占有比例不斷上升，風電機組單機

1.3 PCA降維技術的應用

時域指標的提取和閾值的計算可以針對若干個統計指標進行。為了簡潔和準確地反映風電機組的故障和狀態信息，消除一些不敏感的指標，本文選用了12 個統計指標進行真實數據的分析, 即峰峰值、平均值、平均幅值、最大值、均方根值、標準差、偏斜度、峭度、峰值指標、波形指標、脈沖指標和能量指標。同時，對原始振動信號做頻域分析，提取頻域上對應的12個統計指標。因此，時域和頻域共24個指標提供分析研究。

對于這24個指標，如果單獨進行研究，會導致數據結果龐雜，狀態監測決策效率大大降低；若綜合起來，把24個指標值看作24維的數據，其可視化能力又太低，無法很好地直觀描述其變化規律。因此，考慮引入PCA （Principal Component Analysis）分析，解決這個矛盾。

PCA是一種常用的數據分析方法。PCA通過線性變換將原始數據變換為一組各維度線性無關的表示，可用于提取數據的主要特征分量，常用于高維數據的降維。PCA能夠通過適當地變換，在將高維問題映射到低維空間的同時最大可能的保留原數據的信息，使問題能直觀、簡單的得到處理。此外，PCA還可以將原來有交叉的數據變換成獨立、不相關的數據，極大地降低了問題解決的難度。因此，采用PCA降維，通過求解原數據的協方差矩陣，進而計算協方差矩陣的特征向量和特征值，選取2-3個貢獻率高的特征向量與原數據矢量相乘，能夠將24維指標值降到2維或3維，轉換成2個或3個新的指標，并且極大地保留原有指標中蘊含的風機狀態信息。通過對PCA降維后的主成分進行研究，可以直觀描述其變化范圍，同樣基于閾值計算的原理，把變化范圍作為風機運行異常的監測閾值。

2 實例分析

2.1 時域指標的閾值

以山東某風電場對風電機組進行故障診斷為例，監測風電機組傳動鏈的振動情況，在風機上布置了8個振動信號監測點，各個監測點的位置如圖2-1。實例分析振動數據主要是其中1-6號傳感器測得的振動數據，1-6號傳感器分別測主軸軸向振動、主軸徑向振動、齒輪箱中部徑向振動、高速軸徑向振動、發電機輸入軸徑向振動和發電機輸出軸徑向振動。

圖2-1 風電機組傳動鏈上傳感器安裝圖

在選取分析的數據時，采用了CH1高速軸為900-2000rpm的振動數據。傳感器采樣頻率為20kHz，每個數據文件包含了40萬左右的振動測量值，共有8014個數據文件。通過對振動數據進行時域指標的計算，剔除掉異常數據后，其分布如圖2-2所示（以波形指標為例）：

圖2-2 波形指標波形圖

由圖2-2可知，波形指標在一定范圍內波動，通過計算波形指標的均值和標準差即可獲得其閾值，如圖2-2中紅線所示。

2.2 PCA降維分析

PCA降維的數據采用的數據來源與上述數據一致，進行24個指標計算之前，考慮到運行工況對研究結果的影響，因此，按照不同風機轉速對振動數據進行研究（900-1000rpm、1000-1200rpm、1200-1500rpm和1500-2000rpm四組數據）。然后分別計算時域和頻域指標值，將24組指標計算值合為24維數據，對其進行PCA降維，通過計算，降維之后前兩個主成分的貢獻率已經達到99.9%，基本上涵蓋原有指標的信息，因此可以只取第一和第二主成分，在觀察降維后主成分的變化情況。指標降維后主成分分布如圖2-3所示：

圖2-3 主成分二維分布圖

根據圖2-3可以看出前三個轉速范圍振動數據的主成分散點以第一主成分坐標值0.2左右為界分裂成兩個散點聚集群。為了研究各轉速范圍振動數據的兩個散點聚集群的不同點，將兩個散點聚集群對應振動數據的風機發電有功功率進行比較，發現數目較少一方（圖2-3豎線左側, 散點聚集群1）有功功率為0，數目較多一方（圖2-3豎線右側,散點聚集群2）的有功功率基本都大于0。而當有功功率為0時，風電機組并沒有發電，也就是風電的運行輸出為零，這兩部分的振動數據應區別對待，但是研究方法類似，因此，本文以風電發電狀態的數據為研究對象。

對于散點聚集群2，由圖2-3可以看出，每個轉速范圍內主成分分布范圍較窄，散點群的分布可以用近似一個圓描述；而且，隨著轉速的增大，散點的分布明顯呈現一個向右上方移動的變化規律。對此，用4個圓去分別代表每個轉速范圍內主成分的分布范圍，這四個圓即可實現對整個風機狀態的描述。當振動數據的指標進行降維后，主成分的分布與其對應圓的范圍差別較大，則可以認為風機傳動鏈出現異常。

散點分布閾值圓的確定：