基于多變量狀態(tài)估計的風電機組齒輪箱溫度監(jiān)測方法

張艷霞，翟永杰，趙海龍

（華北電力大學 控制與計算機工程學院，河北 保定 071003）

0 引言

齒輪箱主要是將葉輪轉動產生的力矩傳遞給發(fā)電機，帶動其轉動，發(fā)出電能，是風電機組特別重要的部件之一。

目前風電機組故障診斷研究方法很多，比如基于時間序列故障的方法，采用振動數據研究的方法等，文獻[1-3]主要討論了風電機組監(jiān)測方法的綜述。文獻[4-8]對振動故障進行了分析，并通過小波分析方法進行了處理。文獻[9]用小波變換對風電機組傳動系統(tǒng)進行了故障診斷。文獻[10]采用BP 神經網絡對齒輪箱和發(fā)電機進行建模并預測。華北電力大學趙洪山等開展了基于統(tǒng)計過程控制的風機齒輪箱故障預測，結合最小二乘支持向量機算法， 進行齒輪箱狀態(tài)監(jiān)測[11]。華北電力大學郭鵬等較早開展了基于SCADA數據的齒輪箱溫度趨勢狀態(tài)監(jiān)測以及風電機組塔架振動建模與監(jiān)測[12]。

1 MSET建模原理

多 變 量 狀 態(tài) 估 計（Multivariate State Estimation Technique, MSET）技術是由Gross K C，Singer R M 等提出的一種由數據驅動的非參數建模方法。它把各個參數正常工作狀態(tài)下的運行數據構造成D記憶矩陣，D矩陣的列向量代表某一時刻的所有參數的運行數據，行向量代表某一參數在m個狀態(tài)時的運行數據，然后定義各個參數之間的關系，從而做到狀態(tài)估計。設在 時刻時觀測到的n個相關變量為觀測向量，即

然后在正常工作狀態(tài)下的歷史數據構成了過程記憶矩陣，即

觀測向量Xobs為MSET的輸入，模型的輸出為對該輸入的估計向量Xest。對任何一個輸入觀測向量Xobs，MSET生成一個m維的權值向量

從而得到估計向量Xest

構造權值向量W

將式(6)代入式(4)中，MSET模型對設備或過程的估計向量為

2 滑動窗口殘差統(tǒng)計方法

為了可以連續(xù)地反映殘差分布特性的變化，本文采用滑動窗口（Sliding Window）殘差統(tǒng)計方法，該方法可以最快發(fā)現系統(tǒng)變量是否正常。當MSET模型位于覆蓋能力稍差的區(qū)域時，其殘差序列中會出現一些殘差相對較大的點，降低估計精度，該方法可消除這些不確定因素和隨機干擾。

假如在某一段時間之內，MSET齒輪箱溫度的估計殘差序列為

對該序列取一個寬度為N的滑動窗口。對窗口內的連續(xù) 個殘差計算其均值

當齒輪箱的溫度值超過某一臨界值時，該系統(tǒng)有故障，提醒維修人員。

3 對齒輪箱溫度進行建模及模型驗證

本文研究的是Vestas V80風機用齒輪箱，額定功率為1.5MW，切入風速為4m/s,切出風速為25 m/s，主要由行星齒輪箱（環(huán)形齒輪、行星齒輪和中心小齒輪）和兩個兩級平行軸齒輪箱組成，這種行星齒輪與平行軸齒輪箱的組合從1990年曾用于標準風機中，齒輪比和功率容量很大。齒輪比取決于每個齒輪的齒數，并隨風機機型的不同而不同，例如海上型，陸上型，50Hz或60Hz電網頻率的風機，V80風機齒輪比在92:1 到120:1 之間變化。齒輪箱最佳運行溫度65℃以下（滿功率時）。報警溫度為高溫80℃、低溫為-5℃。

本文選擇以下參數作為MSET建模中的觀測向量。

1）有功功率(P)：當機組的輸出功率較大時，齒輪箱所承受的載荷就會增大，齒輪箱溫度就會升高。

2）風速(u)：風是風力發(fā)電的基礎，風速對風電機組的運行至關重要。風速越大，齒輪箱轉速越高，齒輪箱溫度越高。

3）環(huán)境溫度(T)：風機所處的環(huán)境溫度對齒輪箱溫度也有一定影響。

4）機艙溫度（Tc）：它影響著各部件的壽命。

5）齒輪箱油溫（Toil）：在風電機組運行前，要保證齒輪箱油溫高于0℃。

6）齒輪箱軸承溫度(Tgear)：軸承是風電機組齒輪箱所有部件中最薄弱的環(huán)節(jié)之一。

本文選擇2014年12月份1個月的數據進行分析和處理，圖1為原始數據。

觀察原始數據圖1，可以發(fā)現如下問題：

（1）有些時刻功率小于0，考慮到風電機組的實際報警停機可能是由于傳感器的問題，與設備故障之間沒有必然聯(lián)系，所以將該時間段內功率小于0的數據丟棄，首先需要進行數據濾波處理。

圖1 SCADA 12月份的原始數據Fig.1 SCADA raw data for December

（2）對于同一個測點，數據存在遺漏現象；不同測點的采樣時間也不相同，影響了完整數據集的構造。所以，為了準確構造造歷史觀測向量集合，對各測點數據進行插值處理，形成相同時間、相同數據量的數據。設定一個每個測點的采樣時間，這里采用間隔6 min，從2014年12月7日0點，到2014年12月15日0點，9天的時間，1800個采樣點。 圖2為處理之后的數據。

圖2 經過處理之后的數據Fig.2 After processing of data

接下來驗證MSET模型的正確性，利用該機組在2014年12月7日0點到2014年12月15日0點時間段內的1800組正常運行歷史數據進行驗證。選用前 1700 組數據作為D矩陣，后 100組數據作為驗證數據代入D矩陣，見公式（8），得出齒輪箱軸承溫度估計值Xest。觀測向量和估計向量之間的殘差圖如圖3。

圖3 觀測向量和估計向量之間的殘差圖Fig.3 Observed between vectors and estimated vector of residual plots

圖4 殘差滑動窗口圖Fig.4 Residual sliding w indow figure

接著采用滑動窗口殘差統(tǒng)計方法對殘差進行下一步的分析，本文設置滑動窗口寬度為N=10。得到的殘差滑動窗口如圖4所示。

從這里可以得出齒輪箱故障預警的閾值為±0.40，見公式（11），這里取k1=2。

4 齒輪箱溫度的故障測試

為了驗證MSET模型的有效性，本文從現場選取了一段有故障的數據進行測試。對2015年4月6日到2015年4月15日時間段內的歷史數據代入MSET模型進行驗證，根據風機運行的記錄表，如表1，在4月14日發(fā)生了齒輪箱超溫故障，其中故障碼147代表齒輪箱超溫。

表1 風機運行記錄表Table 1 Fan running record form

MSET模型殘差見圖5。

圖5 MSET模型測試殘差Fig.5 Tests of MSET model residuals

對應的殘差滑動窗口統(tǒng)計特性如圖6。

圖6 MSET模型測試殘差滑動窗口統(tǒng)計特性圖Fig.6 Testing residual slipping the MSET model statistical characteristics of the w indow

從圖6可以看出，在故障時間對應的55個點處，MSET對應的殘差變得很大，超過了閾值?？梢?，當齒輪箱出現故障導致其溫度升高時，MSET模型可以做到早期故障診斷。

5 結論

MSET建模方法就是對設備正常狀態(tài)下的歷史數據進行學習，定義系統(tǒng)各個參數之間的關系，通過合理選擇對齒輪箱溫度影響較大的變量來建立過程記憶矩陣，然后利用滑動窗口殘差統(tǒng)計方法進行故障監(jiān)測。當機組運行異常時，各個參數之間的內在聯(lián)系被破壞，導致殘差增大。當殘差超過閾值時，系統(tǒng)故障。MSET建模算法簡單、物理意義明確，可以及時的發(fā)現設備的故障，提醒工作人員進行合理的維修。

[1]Hameed Z,Hong Y S,Cho Y M,et al.Condition monitoring and fau lt detection of w ind turbines and related algorithms：a review[J].Renewable and Sustainable Energy Review s,2009,13(1)：1-39.

[2]Amirat Y,Benbouzid M,Al-Ahmar E.A brief status on condition monitoring and fault diagnosis in w ind energy conversion systems[J].Renewable and Sustainable Energy Review s, 2009,13(9)：2629-2636.

[3]Lu Bin,Li Yaoyu,W u X in.A review of recent advance in w ind turbine condition monitoring and fault diagnosis [C]//Proceedings of Pow er Electronics and Machines in W ind Application,Lincoln,2009：1-7.

[4]Yang Wenxian,Tavner P J,Crabtree C J,et al.Cost- effective condition monitoring for w ind turbines[J].IEEE Trans Industrial Electronics,2010,57(1)：263-271.

[5]Simon J W,Xiang B J,Yang Wenxian.Condition monitoring of the power output of w ind turbine generators using wavelets[J].IEEE Trans.on Energy Conversion,2010,25(3)： 715-721.

[6]Yang W,Tavner P J,Wilkinson M R.Condition monitoring and fault diagnosis of a w ind turbine synchronous generator drive train[J].Renewable Power Generation,2009,3(1)： 1-11.

[7]Wilkinson M R,Tavner P J.Condition monitoring of generators& other subassem b lies in w ind turbine d rive trains[J] .Proceedings of IEEE International Symposium on Diagnostics for Electric Machines,Power Electrics and Drives,Cracow,2007.

[8]張兆煌,丁顯,等.基于小波變換的風電機組傳動系統(tǒng)故障診斷與分析[J].應用基礎與工程科學學報,2011,19：210-218.

[9]Zaher A,McArther S D J,Infield D G,et al.Online wind turbine fault detection through automated scada data analysis[J].W ind Energy,2009,12(6)：574-593.

[10]趙洪山,胡慶春,等.基于統(tǒng)計過程控制的風機齒輪箱故障預測[J].電力系統(tǒng)與保護, 2012, 40(13)：67-73.

[11]Z.Hameed, Y.S.Hong, Y.M.Cho.“Condition monitoring and fault detection of w ind turbines and related algorithms: A review,”Renewable and Sustainable Energy Review, 2009,13：1-39.

[12]郭鵬,david infield,等.風電機組齒輪箱溫度趨勢狀態(tài)監(jiān)測及分析方法.中國電機工程學報,2011,31(32):129-136.