本書詳細介紹風電機組的振動監(jiān)測、故障診斷與壽命預測的基礎理論、相關方法及工程應用。主要內容包括風電機組結構及運行控制、風電機組振動監(jiān)測基礎、風電機組傳動鏈故障特征提取、風電機組群的智能故障診斷及風電機組軸承的剩余使用壽命預測方法。
本書注重理論聯(lián)系實際,書中通過大量風電場的故障案例對相關方法進行了驗證,適合從事風電設備狀態(tài)監(jiān)測與故障診斷工作的研究人員使用,也可以為風電場技術人員提供運維參考。
過去十余年來,為應對化石能源短缺和環(huán)境污染等問題,風力發(fā)電在世界范圍內得到了迅猛發(fā)展。自2012年開始,我國風電總裝機容量一直處于世界領先地位,十余萬臺風電機組矗立在全國各地,源源不斷地向電網注入綠色電力。新形勢下面對氣候變化與二氧化碳排放壓力,我國于2020年提出“30·60”雙碳目標,即二氧化碳排放達到峰值的時間力爭控制在2030年前,努力爭取2060年前實現(xiàn)碳中和。風能具有清潔、可再生等特點,將成為實現(xiàn)碳達峰、碳中和目標的支柱能源之一。
風電機組是風能到電能轉換的載體,受隨機風載荷激勵、極端溫差等惡劣環(huán)境影響,其核心部件,如葉片、齒輪箱、發(fā)電機等,故障率較高。由于運行于高空,地處風資源豐富的偏遠地區(qū)或海洋,風電機組的檢修維護存在較大難度。風電機組核心部件的故障會導致較長的停機時間,造成較大的發(fā)電量損失。
振動監(jiān)測是發(fā)現(xiàn)機械傳動部件故障的有效手段,風電機組這類結構復雜、遠程集群運行的設備對振動監(jiān)測的需求更為強烈。結合風電機組結構參數(shù)與運行規(guī)律,振動監(jiān)測、診斷與壽命預測技術可以輔助發(fā)現(xiàn)風電機組早期故障,探明故障機理,預測核心部件的失效時刻,為風電行業(yè)的預知檢修維護提供依據(jù),對于避免更為嚴重的故障、降低風電場經濟損失具有重大的現(xiàn)實意義。
然而,由于風電機組自身特點,針對其進行振動監(jiān)測與精確故障診斷存在挑戰(zhàn),主要表現(xiàn)在:①風電機組傳動鏈由多組齒輪、軸承等部件組成,低速部件的各故障特征頻率之間、特征頻率與調制成分之間存在極為接近的情況,難以區(qū)分故障部件;②齒輪箱中各傳動軸旋轉頻率跨度大,高速級的振動能量容易掩蓋低速齒輪或軸承的故障特征,低速部件的診斷存在困難;③風電機組是典型的機電液一體化設備,運行中的電氣特性可能干擾機械部件的故障特征提取,增加診斷難度;④風電機組處于變速、變載荷運行工況,準確構建排除載荷干擾的健康指標用于壽命預測是目前的研究熱點。應該講,風電機組振動監(jiān)測、故障診斷與壽命預測的研究涉及振動機理、信號處理、工程優(yōu)化、機器學習等學科的交叉融合,既依托于學術前沿,又具有重要的工程價值。
目前,基于振動的狀態(tài)監(jiān)測系統(tǒng)(condition monitoring system,CMS)成為主流風電機組的標準配置,為本領域的研究提供豐富的數(shù)據(jù)來源,同時也反映出設備商與運營企業(yè)對風電機組故障診斷與壽命預測技術的重視。研究團隊經過十余年的積累,對風電行業(yè)擁有了深刻的認識,出版本書旨在探討風電機組常見故障機理,分析不同部件故障特征提取與故障診斷的適用方法,給出核心部件的剩余使用壽命預測手段,為風電機組的狀態(tài)檢修與預知維護提供參考。
得益于華北電力大學這座培養(yǎng)了眾多電力人才的高等學校,作者在風力發(fā)電領域的研究與工程實施進展順利,保證了本書內容的豐富翔實。在風電機組故障診斷方面,博士生李狀、張博、碩士生史秉帥、馬海飛等做了較多工作;在壽命預測方面,博士生黎曦琳、碩士生馬玉峰、張曉龍、黃乙珂等進行了多種方法的嘗試,并取得了一些實際的應用效果。感謝龍源電力集團股份有限公司的陳鐵、華潤電力風能有限公司的張陽陽與邵德偉、北京英華達電力電子工程科技有限公司的吳仕明與唐詩堯、山東中車風電有限公司的劉海晨等為本書的研究所提供的素材及來自現(xiàn)場的眾多反饋驗證。
本書各章節(jié)的安排如下:第1章論述了風能產業(yè)的特點,介紹了多種適用于風電機組不同部件的狀態(tài)監(jiān)測技術,并綜述了傳動鏈的故障診斷方法,后提出風電機組振動診斷與預測中的技術難點;第2章介紹了風電機組的總體結構、常見的傳動鏈結構,分析了風電機組的運行控制原理,便于讀者對風電機組的運行過程具有宏觀的認識;第3章是風電機組振動監(jiān)測的基礎,內容包括傳動鏈失效原因,齒輪與軸承在故障狀態(tài)下的振動機理與故障表征,不同結構風電齒輪箱中部件故障特征頻率,分析了風電機組傳動鏈離線/在線振動監(jiān)測系統(tǒng)及相關參數(shù),并介紹了國內外風電機組的振動評價標準;第4章涵蓋風電機組傳動鏈故障特征提取的多種方法,既涉及頻譜、包絡、倒頻譜等經典技術,也包含應對傳動鏈診斷難題的相關算法和提高診斷效率的自適應方法;第5章針對風電機組部件眾多、故障多樣的問題,提出了無監(jiān)督學習的故障識別方法,在已知故障類別的基礎上識別新類,具有較高的工程價值;第6章以風電機組中的軸承為對象,探討了軸承的健康指標構建方法和模型與數(shù)據(jù)結合的壽命預測方法,并通過實際風電機組軸承剩余使用壽命數(shù)據(jù)予以驗證。
本書內容集中了作者在風電機組故障診斷領域多年的研究成果,分析了大量的現(xiàn)場案例,可以為風電場的實際運維決策提供參考,也有助于研究者在本領域內新思路、新方法的啟發(fā)。由于作者水平有限,書中難免存在不足之處,敬請讀者批評指正。
滕偉于北京前言
第1章緒論1
11風能產業(yè)與特點概述1
111風能產業(yè)發(fā)展概述1
112風電機組故障診斷與壽命預測的
意義3
12風電機組狀態(tài)監(jiān)測技術4
121振動監(jiān)測技術5
122油液監(jiān)測技術6
123無損檢測技術7
124不平衡狀態(tài)監(jiān)測技術8
125基于模態(tài)分析的狀態(tài)監(jiān)測技術8
13風電機組傳動鏈故障診斷方法9
131風電齒輪箱故障動力學模型9
132變轉速工況下故障特征提取10
133故障信息增強方法11
134智能故障診斷方法12
135風電機組關鍵部件壽命預測
方法12
14風電機組振動診斷與預測技術難點13
15風電機組監(jiān)測、診斷技術發(fā)展的
關鍵14
第2章風電機組結構及運行控制16
21風電機組總體結構16
22雙饋機組傳動鏈結構18
23直驅機組結構20
24半直驅機組結構21
25風電機組運行控制原理21
251風力發(fā)電的空氣動力學模型21
252風電機組的控制技術27
第3章風電機組振動監(jiān)測基礎36
31風電機組傳動鏈失效原因36
311交變載荷引起的疲勞損傷37
312過載引起的損傷37
313維護不當引起的故障39
32齒輪、軸承故障狀態(tài)下的振動機理40
321齒輪故障振動調制機理40
322軸承故障振動調制機理41
33風電齒輪箱故障特征頻率42
331一級行星+兩級平行結構齒輪箱
特征頻率42
332二級行星+一級平行結構齒輪箱
特征頻率43
333行星級各齒輪故障特征頻率44
334定軸軸承故障特征頻率45
335行星軸承故障特征頻率45
34風電機組傳動鏈振動監(jiān)測系統(tǒng)46
341在線振動監(jiān)測系統(tǒng)46
342離線振動監(jiān)測系統(tǒng)49
343振動采樣頻率的確定50
35風電機組傳動鏈振動評價標準50
351風電檢測認證及振動測試標準50
352風電機組振動評價標準51
第4章風電機組傳動鏈故障特征
提取53
41振動信號基本分析方法53
411時域分析53
412頻域分析53
413包絡解調分析54
414倒頻譜分析54
42行星部件故障特征提取55
421行星輪系局部故障56
422行星輪系分布式故障57
423行星軸承故障73
43風電齒輪箱典型故障特征提取73
431中間軸小齒輪崩齒故障73
432高速軸齒輪故障74
433齒輪、軸承復合故障75
44發(fā)電機軸承故障特征描述與提取84
441軸承潤滑不良84
442軸承電腐蝕故障85
443軸承打滑跑圈故障87
444發(fā)電機軸承保持架故障87
445電磁振動下發(fā)電機軸承故障88
45自適應故障特征提取97
451自適應特征提取方法98
452基于經驗模態(tài)分解的齒輪故障
特征提取102
453基于經驗小波變換的軸承故障
特征提取109
46風輪不平衡故障特征提取112
第5章風電機組群智能故障診斷116
51智能故障診斷基礎116
511有監(jiān)督學習的模式識別原理116
512無監(jiān)督學習的模式識別原理119
513兩種模式識別方法的比較120
52基于自適應共振神經網絡的風電機組
趨勢分析120
521ART2神經網絡結構120
522ART2神經網絡學習算法121
523基于ART2神經網絡的發(fā)電機
軸承健康趨勢分析124
53結合ART2神經網絡和C均值聚類的
機組群智能診斷128
531ART2神經網絡算法存在的
問題128
532C均值聚類算法129
533結合ART2神經網絡和C均值
聚類的分類算法129
534風電機組設備群故障診斷130
54基于模糊核聚類的風電機組故障
診斷133
541模糊核聚類算法133
542優(yōu)化模糊核聚類算法137
543基于模糊核聚類算法的故障
診斷139
544風電機組故障診斷案例142
第6章風電機組軸承剩余使用壽命
預測146
61風電機組軸承剩余使用壽命預測基本
概念146
62基于神經網絡滾動更新的風電齒輪箱
軸承剩余使用壽命預測147
621短期趨勢預測的神經網絡148
622剩余使用壽命預測流程148
623案例分析149
63基于改進無跡粒子濾波的發(fā)電機軸承
剩余使用壽命預測156
631貝葉斯濾波156
632剩余使用壽命預測流程160
633案例分析160
64基于特征融合與自約束狀態(tài)空間估計的
軸承剩余使用壽命預測166
641軸承健康指標構建166
642自約束狀態(tài)空間估計器169
643案例分析172
參考文獻182