風電軸承狀態(tài)監(jiān)測與智能維護策略研究

呂明珠

(1.遼寧裝備制造職業(yè)技術(shù)學院自控學院，遼寧 沈陽 110161；2.遼寧廣播電視大學，遼寧 沈陽 110034)

1 引言

隨著全球?qū)︼L力發(fā)電需求的持續(xù)大幅增加，風電機組的發(fā)展趨向于大型化、重型化，風力發(fā)電機組的規(guī)模和容量都在不斷擴大，加之服役年限的增長和極端惡劣的工況，導致風力機組機械部件存在潛在的安全問題以及復雜的性能退化過程的概率也日益增加，例如疲勞、裂紋、剝落等，這些問題如不及時排查，將最終引發(fā)設(shè)備故障停機甚至嚴重的安全事故，此外由于故障部件難于修理和更換無疑又增加了風力機運營和維護的成本。目前，風電項目的運營和維護成本約占總成本的10%～20%，在服役后期，這個百分比可以達到35%[1]，對于海上風電項目，這個百分比更高?？煽啃圆桓?、維護成本居高不下，這些因素在一定程度上阻礙了風力發(fā)電技術(shù)的發(fā)展，同時也已經(jīng)成為了風電行業(yè)面臨的新挑戰(zhàn)。因此，對風電設(shè)備的狀態(tài)退化評估與剩余壽命預測理論和技術(shù)的研究是提高風力機運行可靠性，延長風力機的使用壽命并降低維護成本的迫切需求。

2 風力發(fā)電機的主要故障模式和易損零件

2.1 主要故障模式

實際上，同一類型的陸上和海上風力發(fā)電機系統(tǒng)之間的失效率也有很大的不同，如圖1所示。圖1中的結(jié)果顯示了關(guān)鍵部件的故障率比其他部件高，在海上工作的相同部件的故障率比在陸地上工作的部件高得多。對于風力發(fā)電機傳動系統(tǒng)，關(guān)鍵部件如發(fā)電機、齒輪箱和葉片的故障率最高。齒輪箱故障主要由齒輪和軸承引起，發(fā)電機故障主要由軸承引起。

圖1 陸上和海上工作的風力發(fā)電機組件的故障率

(1)齒輪箱故障模式

齒輪箱中的任何關(guān)鍵部件發(fā)生故障，都可能導致高維修成本和生產(chǎn)損失，可能還需要較長的修理時間，尤其是海上風力發(fā)電機。齒輪箱的常見故障形式有軸承失效、齒輪疲勞、磨損、斷裂、潤滑不足等。

(2)發(fā)電機故障模式

發(fā)電機與風力機齒輪箱的高速軸相連，受時變機械扭矩的影響，發(fā)電機也是風力機中故障率較高的關(guān)鍵部件之一。引起發(fā)電機故障的根本原因通常包括設(shè)計問題、工作條件、維護情況以及外部環(huán)境，還與它們的功率等級有關(guān)。發(fā)電機故障中軸承故障是最常見的失效模式。

2.2 風力機高速軸軸承

滾動軸承是應(yīng)用廣泛的旋轉(zhuǎn)機械的支撐部件，也是風力機傳動系統(tǒng)中的關(guān)鍵零件和易損零件之一，其健康狀況直接關(guān)系到機組設(shè)備能否可靠穩(wěn)定運行[2]。由于風力機傳動系統(tǒng)由多個旋轉(zhuǎn)機械組成，因此有一套完整的專用軸承體系，包括:主軸承、齒輪箱軸承、發(fā)電機軸承、變槳軸承、偏航軸承等，其中，齒輪箱、發(fā)電機等部位的軸承一旦發(fā)生故障，則需要耗費大量的時間和成本進行檢修，嚴重影響機組的使用率，風力機傳動鏈簡化表達如圖2所示。

圖2 風力機傳動鏈簡化表達圖

一般情況下，風力發(fā)電機是連續(xù)不間斷運行，這就需要高精度制造的零部件才能保證運行的穩(wěn)定性，一個小缺陷或故障都可能成為風電場運營的大問題，尤其是對于地處偏遠地區(qū)的風場更難獲得機械零件的備件，因此，必須采用狀態(tài)檢測在真正影響生產(chǎn)之前預防或預測故障。此外，與其他傳統(tǒng)發(fā)電系統(tǒng)相比，風電機組常年運行在惡劣多變環(huán)境下，除了受到溫度、壓力、輻射、雨雪、冰雹等天氣變化的影響外，還承受著非定常載荷和動態(tài)轉(zhuǎn)速，風力機軸承在不同工況下的差異也不能忽視。通過研究可變工況條件下風力機易損軸承如齒輪箱軸承和發(fā)電機軸承的振動信號的退化特征，并協(xié)同溫度信號的退化特征，有利于提高對風力機軸承故障預測的準確性，為風力機軸承的狀態(tài)監(jiān)測、退化評估、狀態(tài)退化識別、早期故障檢測、剩余壽命預測等各方面管理提供必要的理論支撐。

為了避免設(shè)備故障帶來的長時間停機損失，對必要風力機進行行之有效的維護工作。目前，風電場主要采用的設(shè)備維護策略是定期維護的方式[3]。定期維護是指每隔一段運行周期(大約2500小時至5000小時)對風力機整機進行一次例行維護檢測工作，包括:連接點之間的螺栓力矩檢測如查看螺栓是否有松動或脫落，各個傳動部件間的潤滑程度如進行軸承與潤滑系統(tǒng)的維護，以及測試各項重點功能。對風力發(fā)電機進行定期檢修，可以避免事后維修造成更嚴重的經(jīng)濟損失，讓設(shè)備在一定程度上保持良好的工作狀態(tài)。然而，這種定期維護策略容易導致“維護不足”或“維護過剩”，依然無法滿足風電場對智能化運維的需要。隨著故障預測與健康管理(Prognostics and health management，PHM)理念的提出，運維策略逐漸從被動維護到主動預防過渡，這種視情維修的方式通過使用溫度、振動等傳感器進行檢查或監(jiān)測某些變量，可以顯著降低設(shè)備的維護成本[4]。因此，研究風力機軸承的狀態(tài)退化評估與剩余壽命預測方法有利于為風力發(fā)電機整機制定合理的維修策略，對于提高機組的運行可靠性，降低運維成本，維持整個風電行業(yè)健康、長期發(fā)展的態(tài)勢具有重要指導意義。

3 數(shù)據(jù)采集與信號處理

在信號處理分析方面，用于風力機狀態(tài)監(jiān)測的信號主要包括振動，聲發(fā)射，應(yīng)變，扭矩，溫度，潤滑油參數(shù)、以及數(shù)據(jù)采集(SCADA)系統(tǒng)，它們都是通過使用安裝在不同風力機部位中的相應(yīng)傳感器獲取的。

3.1 振動信號

許多風力機故障會引起相應(yīng)子系統(tǒng)的振動，振動監(jiān)測是目前狀態(tài)監(jiān)測系統(tǒng)中的主流方法，通常在齒輪箱、發(fā)電機、主軸、軸承、葉片表面上安裝振動傳感器來收集信號。振動傳感器的主要類型包括加速計、速度傳感器和位移傳感器，其中加速度計應(yīng)用最為廣泛，獲取的信號包含風力機部件由故障引發(fā)的加速度信息，振動信號的振幅可以指示故障嚴重程度[5]。目前，基于振動的狀態(tài)監(jiān)測和故障診斷技術(shù)已經(jīng)趨于成熟并有相應(yīng)的國際標準，如ISO10816。然而，這種方法需要安裝振動傳感器和數(shù)據(jù)采集設(shè)備，在一定程度上增加了風力機系統(tǒng)的資金成本和布線復雜性。

3.2 聲發(fā)射信號

受到應(yīng)力或應(yīng)變的材料可能會發(fā)射聲波，稱為聲發(fā)射。聲發(fā)射監(jiān)測技術(shù)用于風力機葉片、齒輪箱和軸承，聲發(fā)射的信號收集可以使用一個或多個聲發(fā)射傳感器。利用聲發(fā)射波形的有效的特征(如振幅、上升時間等)可以監(jiān)控和預測損傷的發(fā)展和故障的位置。與振動信號相比聲發(fā)射信號的頻率要高得多，因此對早期診斷更有效。然而，它通常需要安裝大量聲發(fā)射傳感器并由于高采樣率需要專用的信號數(shù)據(jù)采集系統(tǒng)，其信號處理過程復雜且昂貴。

3.3 應(yīng)變信號

主要通過光纖應(yīng)變傳感器用來對風力機葉片進行狀態(tài)監(jiān)測，可用于檢測可用于結(jié)構(gòu)缺陷或葉片損傷。與振動、聲發(fā)射監(jiān)測信號相比，基于應(yīng)變的狀態(tài)監(jiān)測可以在較更低的采樣頻率下觀察時域變化。但是，由于應(yīng)變傳感器始終與被監(jiān)控的材料相連，材料的變形可能導致傳感器和材料的分離，測量不準確，且所需成本也很高。

3.4 扭矩信號

扭矩信號可以通過安裝在齒輪箱、發(fā)電機轉(zhuǎn)子上的扭矩傳感器收集，也可以通過發(fā)電機的電信號計算得出而無需傳感器，這是這種方法的優(yōu)點。然而，當故障發(fā)生時，轉(zhuǎn)矩信號是相關(guān)部件與載荷的調(diào)制信號，因而需要更復雜的信號處理技術(shù)，故在故障診斷領(lǐng)域扭矩信號不如振動信號應(yīng)用廣泛。

3.5 溫度信號

風力機中所有部件或子系統(tǒng)的溫度正常運行期間不應(yīng)超過規(guī)定值，因此，溫度測量可以提供風力機健康狀況的有用信息。近年來，溫度監(jiān)測方法在風電機組運行狀態(tài)監(jiān)測和評估研究成果中略有涉及。如文獻[6]提出了利用齒輪箱油溫數(shù)據(jù)進行運行狀態(tài)的異常檢測，文獻[7]采用非線性狀態(tài)建立風力機熱模型，利用估計和測量的發(fā)電機溫度之間的殘差檢測早期故障，文獻[8]使用齒輪箱的溫度信號輔助監(jiān)測齒輪箱和軸承的運行情況。目前，國際上已經(jīng)有標準如IEEE 1310-2012和1718-2012以及ISO 17359-2006對溫度監(jiān)測進行了規(guī)定。基于溫度的監(jiān)測技術(shù)主要應(yīng)用于齒輪箱、發(fā)電機、軸承的故障診斷，溫度特征量具有熱慣性特征，相對于振動信號抗干擾能力強，通過探索溫度特征量與風力機部件劣化的關(guān)聯(lián)關(guān)系，將不失為一種研究漸變趨勢的新思路。然而，風力機中的溫升可由多種因素引起，可能很難識別溫度變化的來源和根本原因，因此溫度信號應(yīng)與其它信號(如振動信號)配合使用才能達到更好的效果。

3.6 潤滑油參數(shù)

潤滑油監(jiān)測方法可用于檢測風力機齒輪箱、發(fā)電機和軸承的狀態(tài)，主要監(jiān)測的參數(shù)有黏度，含水量、水位、顆粒計數(shù)、溫度和壓力，通過分析油污染程度，可以揭示含油部件的退化過程，可用于早期階段的故障檢測。然而，額外傳感器的使用同樣增加了風力機的成本。此外，并非所有的油液參數(shù)都能被實時監(jiān)控。

3.7 SCADA信號

近年來，很多風電場都安裝了SCADA系統(tǒng)用來監(jiān)測風機的運行狀態(tài)，典型的SCADA系統(tǒng)記錄間隔從幾秒到10min。SCADA數(shù)據(jù)可以從風力機各個傳感器收集的數(shù)據(jù)中獲取溫度、電流、電壓、功率、轉(zhuǎn)子轉(zhuǎn)速、風速等信號的統(tǒng)計學特征，通過適當?shù)乃惴ǎ捎行в糜陲L力機退化評估和故障預測。由于不需要額外的傳感器或數(shù)據(jù)采集設(shè)備，SCADA系統(tǒng)的經(jīng)濟性好，但是，由于SCADA系統(tǒng)有一定的記錄間隔，容易丟失故障診斷中的一些重要信息，無法通過使用SCADA信號進行頻率或時頻域分析，目前，SCADA信號主要用于基于模型的狀態(tài)監(jiān)測及剩余壽命預測。

4 狀態(tài)監(jiān)測與退化評估

故障檢測是要知道設(shè)備是否處于正常狀態(tài)，即設(shè)備是否有故障。故障檢測后，需要對損壞情況進行評估。粗略地說，故障嚴重程度可能與故障的物理尺寸或軸承的不同退化階段有關(guān)。在第一種情況下，需要更復雜的信號處理技術(shù)來分析滾動體在進入或離開故障區(qū)的動態(tài)行為；在第二種情況下，目標是建立一個退化評估指標，在某些情況下，基于歷史知識的退化模型的建立是預測軸承健康狀況的必要步驟。來自滾動軸承振動信號可以揭示故障的位置和嚴重程度。適當?shù)男盘柼幚砑夹g(shù)需要從這些振動信號中提取相關(guān)信息。在軸承退化評估中，需要定義退化指標確定每個監(jiān)測間隔的軸承故障等級，通過退化指標可以觀察到軸承狀態(tài)是否變差。選擇一個合適的退化指標是退化評估和故障預測都需要首先解決的問題。

4.1 退化指標的建立

根據(jù)退化指標的構(gòu)建策略，可以分為兩類:物理型指標和虛擬型指標[9]。物理型指標與故障的物理特征有關(guān)，通常使用統(tǒng)計方法從監(jiān)測信號中提取，如振動信號的均方根值(又叫有效值)、峭度值等；而虛擬型指標融合了多個物理指標或多個傳感器信號。它們失去了物理意義，只是描述軸承的退化趨勢。在物理型指標中，有效值指標能夠反映軸承運行狀態(tài)的整體趨勢，是目前最廣泛使用的退化指標，很多學者都是依據(jù)有效值指標進行軸承退化評估和預測的[10]。在虛擬型指標中，主成分分析(Principal component analysis，PCA)是目前最流行的降維技術(shù)之一，它經(jīng)常用于高維特征向量的降維。

4.2 退化指標的評價

選擇合適的退化指標是準確預測的前提。在實際應(yīng)用中，機械的退化過程是不可逆的，即如果沒有人工維修故障部件不能自我修復。為了與不可逆退化過程相吻合，一個合適的退化應(yīng)該具有單調(diào)增加或減少的趨勢，這個性質(zhì)稱為單調(diào)性。

由于測量噪聲、降解過程的隨機性和操作條件的變化，隨機波動通常包含在退化曲線中，這可能會降低預測結(jié)果的穩(wěn)定性。一個合適的退化指標應(yīng)該對這些干擾具有穩(wěn)健性，并且呈現(xiàn)平滑的退化趨勢，這個性質(zhì)稱為魯棒性。

隨著服役時間的增加，軸承更容易逐漸退化。因此，退化指標的趨勢應(yīng)與運行時間呈相關(guān)性。這個性質(zhì)稱為趨勢性。與單調(diào)性和魯棒性不同，趨勢性是與時間之間的一種相關(guān)特性，通常用特征指標與時間之間的相關(guān)性系數(shù)用來衡量趨勢性。

軸承在整個使用壽命中通常會經(jīng)歷幾種不同的退化階段。一個合適的退化指標應(yīng)該有識別不同狀態(tài)退化的能力，這個性質(zhì)稱為可識別性。與趨勢性不同，可識別性反映退化指標與退化階段的相關(guān)性。

4.3 退化指標的劃分

隨著故障嚴重程度的增加，軸承的退化指標一般呈現(xiàn)出不同的退化趨勢。退化過程在做剩余壽命預測前應(yīng)根據(jù)退化指標的變化趨勢劃分為不同的狀態(tài)退化。這個術(shù)語“狀態(tài)劃分”與故障診斷領(lǐng)域內(nèi)廣泛接受的術(shù)語“故障檢測”或“故障診斷”類似，但是它們的任務(wù)是不同的。故障診斷是對機械設(shè)備在某個時間點的故障模式進行識別而狀態(tài)劃分的目標是將機械設(shè)備的持續(xù)退化過程按嚴重程度分為不同的階段。根據(jù)退化趨勢的不同，退化階段的劃分有兩階段和多階段之分。

兩階段狀態(tài)退化劃分是指將退化過程分為健康階段和不健康階段，在健康階段，屬于正常運行階段，退化指標相對平穩(wěn)，僅有少量的隨機波動；在不健康階段，退化指標隨著軸承的退化而加速劣化，剩余壽命預測應(yīng)該是從不健康階段的首個異常點開始到最終失效的時間。兩階段劃分的最簡單策略是確定退化指標是否超過一個設(shè)定的報警閾值。

由于故障模式或操作條件的變化，軸承的退化趨勢可能會改變，這就很難用一個單一的模型來表達，在這種情況下，不健康階段應(yīng)該根據(jù)各種退化趨勢進一步劃分為不同的退化階段。

5 剩余壽命預測

機械的剩余壽命預測定義為“從當前時間到使用壽命結(jié)束的時間長度”，也可以定義為“到達故障點前的剩余時間”[11]。剩余壽命預測的主要任務(wù)是基于狀態(tài)監(jiān)測信息預測出軸承喪失運行能力前的剩余時間。它是機械設(shè)備預測的最后一個技術(shù)過程，也是機械預測的最終目標。預測方法可分為四類:基于物理模型的方法、基于統(tǒng)計模型的方法、基于數(shù)據(jù)驅(qū)動的方法和混合方法。

基于物理模型的方法通過建立數(shù)學模型來描述軸承的退化機理，物理模型的參數(shù)與材料的性質(zhì)和應(yīng)力水平相關(guān)，通常通過特定的實驗或有限元分析來識別。Paris-Erdogan模型是機械剩余壽命預測中應(yīng)用最廣泛的物理模型之一，適合于描述裂紋擴展，被很多文獻引用并應(yīng)用于機械預測領(lǐng)域[12]。如果物理模型是在完全理解失效機理和有效參數(shù)估計的情況下開發(fā)的，那么可以提供準確的剩余壽命預測。然而，對于一些復雜的機械系統(tǒng)，很難描述損傷機理，因而限制了這種方法的應(yīng)用。

基于統(tǒng)計模型的方法，也稱為基于經(jīng)驗?zāi)Ｐ偷姆椒?，通過建立基于經(jīng)驗知識的統(tǒng)計模型，并根據(jù)觀測結(jié)果將剩余壽命預測結(jié)果以條件概率密度函數(shù)的形式呈現(xiàn)出來。常用的統(tǒng)計模型有很多種，如AR模型，維納過程模型，逆高斯過程模型，馬爾可夫模型，比例風險模型等。在這些方法中，通過使用概率的方法擬合現(xiàn)有的觀測值到隨機系數(shù)模型或隨機過程模型中，而不依賴于任何物理或原理，通過在模型參數(shù)中引入隨機方差來描述不確定性，因此，基于統(tǒng)計模型的方法可以有效地描述退化過程的不確定性及其對剩余壽命預測的影響。目前已成為四類預測方法中最受歡迎的一類。

基于數(shù)據(jù)驅(qū)動方法嘗試利用人工智能技術(shù)從現(xiàn)有的觀測數(shù)據(jù)中學習機械退化模式而不是建立物理模型或統(tǒng)計模型。它們能夠處理難以用物理模型或統(tǒng)計模型描述的復雜的機械系統(tǒng)預測問題。隨著深度學習網(wǎng)絡(luò)的不斷發(fā)展，基于數(shù)據(jù)驅(qū)動的方法在機械設(shè)備預測領(lǐng)域受到越來越多的關(guān)注。機械預測領(lǐng)域常用的人工智能技術(shù)包括經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)、SVM/RVM、CNN、高斯過程回歸等。由于基于數(shù)據(jù)驅(qū)動的方法無需經(jīng)驗知識，但是對數(shù)據(jù)的依賴性較強，必須有足夠的訓練樣本才能得到比較理想的預測模型，因此不適合于少樣本的場合。

前述這三種方法在剩余壽命預測中都有各自的局限性?；旌戏椒ㄔ噲D通過整合不同方法的優(yōu)點來提高預測的準確性。

6 智能維護策略的基本框架

與傳統(tǒng)的計劃維護不同，智能維護是根據(jù)設(shè)備的當前狀態(tài)制定維護策略，屬于視情維護，能夠在很大程度上降低風電行業(yè)的運維成本，具有深遠的學術(shù)意義、經(jīng)濟效益和社會效益。本文所提的智能維護策略大體上分為五個階段:監(jiān)測數(shù)據(jù)獲取、退化指標建立、健康狀態(tài)劃分、剩余壽命預測和維護決策制定，具體框架如圖3所示。

圖3 風電軸承智能維護策略基本框架

7 結(jié)束語

隨著風力機單機容量越來越大，風力機傳動系統(tǒng)中軸承的工作條件也發(fā)生了一定程度的改變，相對于傳統(tǒng)電力系統(tǒng)來說，維護更加困難。本文討論了海上和陸上風力發(fā)電機組的主要失效形式及易損的關(guān)鍵部件，比較了常見的七種采集信號各自的優(yōu)缺點，分析了選擇合適的退化指標是退化評估和故障預測都需要首先解決的問題，提出了退化狀態(tài)劃分的兩階段和多階段思想，整理了四種剩余壽命預測方法的適用場合。最終，提出了五階段智能維護策略的基本框架，對降低大型風力機組的運行維護成本具有一定的指導意義和推廣價值。