風機齒輪箱狀態監測與故障診斷系統設計研究

胡亞威，孫文磊

（新疆大學機械工程學院，新疆 烏魯木齊 830047）

1 引言

風能作為一種可再生的清潔能源儲量巨大，使用方便，是世界上增長最迅速的清潔能源之一，也是解決世界能源短缺的重要手段之一[1]。但是極端環境條件下風機設備運行維護困難一直是阻礙風電發展的突出問題。在風電的運維成本構成中，定期維護成本遠低于事后維護成本，但因為風電機組所處環境惡劣，機組臺數多，位置分散和工況復雜等特點，給人工定期巡檢帶來諸多不便[2]。因此去尋求一種替代人工巡檢且優于人工巡檢的解決方案是風機產業發展急需解決的問題。利用物聯網（IoT）技術對風機關鍵部件實現遠程狀態監測與智能故障診斷是解決這一問題的有效手段[3-4]。

風機齒輪箱作為風機重要組成部分，且是風機故障多發部分，具有重要的研究價值。狀態監測能夠通過風機所處運行狀態下的一些數據分析目前的安全情況，并通過故障預警來進行提示，以及時作出對應處理。由于風機的故障發生并非突變式的，而是由許多微小的異常逐漸積累形成，對風機狀態進行監測，就是要及早發現這些微小異常，采取措施避免發展成故障[5]。根據風機當前的運行情況，對比正常狀態下的數據，如果偏差超出正常值，則立即啟動報警裝置，并自動觸發故障診斷機制，同時對異常機組進行緊急制動停機處理，等故障報告產生再做進一步的相關處理，這樣避免風機在故障情況下的繼續運行產生連鎖故障，同時故障報告為故障處理給出專家指導意見，提高風機運行的安全性與經濟性[6-8]。

2 系統總體架構與實現功能設計

系統的設計是為了解決風力發電機組地處偏遠，運行工作環境惡劣，易發生故障，且不利于技術維修人員定期巡檢，及故障排查等問題。運用物聯網技術使風機遠程狀態集中監測，故障精確定位及故障智能診斷有機結合，通過對狀態信息文件的解析及可視化顯示，為技術工程師進行實時故障診斷提供簡潔直觀，精確可靠的事實依據。針對以上目的，該系統有三部分組成，分別是風機齒輪箱狀態遠程監測子系統，智能故障診斷子系統以及故障診斷報告生成與發布子系統，其機構框架，如圖1 所示。

圖1 風機遠程監測與故障診斷系統框架結構Fig．1 Wind Turbine Remote Monitoring and Fault Diagnosis System Framework Structure

2．1 風機齒輪箱狀態遠程監控子系統

該子系統對風機組各個關鍵部位狀態信息進行采集，處理，打包，利用GPRS 實現信息文件的無線遠程發送，故障診斷中心接收數據，并對文件中信息進行識別判斷，當狀態信息超出正常范圍情況則觸發故障診斷子系統，同時狀態信息會在遠程顯示控制中心顯示在技術專家面前。該子系統由四個部分組成，從底層到高層依次是風機組狀態信息采集、處理、打包模塊，利用GPRS實現信息保遠程發送模塊，接收數據文件并解析判斷模塊，以及風機狀態信息遠程現實與控制中心。

2．2 故障診斷子系統

風電廠中發電機組數量多，覆蓋面積廣，工作環境復雜，各風機組機構較復雜，涵蓋廣泛的各領域機械知識，且持續運行時間長，因此高效、可靠排除故障情況是風機組正常工作的重要保證，而智能故障診斷是排除故障的基礎。因此需建立完備的故障診斷子系統即專家經驗系統，其中包括三個模塊故障規則管理模塊，故障診斷規則庫，故障推理診斷模塊。

故障規則管理模塊為故障診斷專家提供對故障規則進行查詢、修改、增加和刪除操作功能。維修工程師可根據需要直接對故障進行查詢。故障診斷專家可以根據新增案例對故障規則進行更新修改或直接新增、刪除。故障規則由專家知識形成，根據故障現象推斷故障原因和給出對應解決方案。故障推理診斷模塊是指運用故障規則診斷庫里的專家知識，通過規則匹配和故障推理對風機異常狀態文件信息進行推理診斷，為風機維護人員高效的提供基于專家知識的診斷結果。

2．3 診斷報告生成與發布子系統

該子系統將故障診斷結果生成標準的模板形式，該模板包含故障原因，診斷結果，推理過程，解決方案等所有關鍵信息。將該報告通過人機交互界面展現在維修工程師面前，也可通過郵件、短信息等形式發布給相關人員，其靈活的發布方式為用戶提供了良好的體驗感。該報告也被作為歷史故障信息存入故障規則庫中，以備后期查閱。

3 狀態監測方法設計

對風機齒輪箱進行狀態監測，其實質就是采用某些方法對風機齒輪箱的狀態特征參數進行判別分析。

3．1 警告限和報警限

風機的狀態監測和質量控制檢測類似，因此參考統計學相關的過程控制和測量方法的標準來實現風機主要零部件的狀態監測。根據統計方法國家標準，2σ 準則可以得到警告限，3σ 準則可以得到控制限，設全部測得的數據平均值為，標準差為σ，其上下警告限為：±2σ；其上2σ 下報警線為：±3σ。若所檢測參數的分析結果在警告限以外（仍在報警限以內），則表示分析結果接近故障狀態，提出警告，應給予關注；若所檢測參數的分析結果落在報警限之外，則表示對應的零部件出現故障，應該發出報警信息，提醒工作人員采取相應的措施。

3．2 狀態監測圖

狀態監測示意圖，如圖2 所示。其中橫軸表示時間，縱軸表示監測參數，測點之間用折線相連，中間的灰線表示歷史監測參數的平均值，上下兩條黑線和紅線分別表示上下警告限和上下報警限，分別根據統計學國家標準的2σ、3σ 準則計算得到。在圖中橫坐標為7 的點，它的縱坐標超出下警告限，這時系統會提出警告；在圖中橫坐標為11 的點，它的縱坐標超出了上報警限，此時，判定為對應零部件出現故障。系統會發出報警廣播，并自動觸發故障診斷功能，生成故障診斷結果報表。

圖2 狀態監測圖Fig．2 Condition Monitoring Chart

3．3 具體算法

（1）如果采集到的規定參數在規定的范圍之內，則判定零部件正常，系統不作任何動作，繼續監視后續的參數。

（2）如果采集到的參數超過警告限，系統會發出警告，以引起工作人員的注意，并顯示發生警告的零部件及對應的狀態監測圖，并觸發故障診斷功能。

（3）如果采集到的實時參數值超過了報警限，系統會通過揚聲器發出報警聲音提醒工作人員需要高度重視，因為監測的參數超出了閾值，可能達到了破壞的狀態，則顯示發出報警的零部件及對應的狀態監測圖，并觸發故障診斷功能。

4 故障診斷規則庫設計

規則庫是專家系統的核心，主要用來存儲所研究問題的原理性知識、領域專家的經驗性知識以及相關的事實等，它決定了專家系統解決問題的能力。專家系統的問題求解過程是通過對知識庫中知識的搜索來模擬專家的思維方式，因此，知識庫是專家系統質量優越的關鍵所在，即知識庫中知識的質量和數量決定著專家系統的質量水平。專家系統中的知識庫與專家系統程序是相互獨立的，用戶可以通過改變、完善知識庫中的知識內容來提高專家系統的性能[9]。

故障診斷規則庫涵蓋風機齒輪箱各組件運行過程中涉及的故障情況。以維修工程師的實踐經驗和專家的診斷知識建立的故障樹為基本模式，結合關系數據庫技術，能夠克服傳統專家系統的知識存儲結構不清晰、冗余性大、訪問速度慢、使用效率低、不利于查詢、可擴充性差及管理能力弱的問題[10]。結合關系數據庫技術建立故障診斷規則知識庫，將使知識庫系統更加穩定、高效。齒輪箱故障樹結構，如圖3 所示。

圖3 風力發電機組齒輪箱故障樹結構圖Fig．3 Wind Turbine Gearbox Fault Tree Structure Diagram

5 故障診斷推理機設計

推理機是專家系統中實現推理的部件，是基于知識的推理在計算機中的實現。是指通過某種推理方法實現對專家系統知識的有效利用，得到相應結論。

圖4 自動推理故障樹Fig．4 Automatic Reasoning Fault Tree

（1）自動推理。自動推理也叫快速故障診斷是一種方便快捷的基于故障樹的診斷方法，在基本故障樹的每個節點添加一個查詢條件，如果該查詢條件成立，說明該故障樹節點有故障發生，如果查詢條件不成立。則說明該節點對應的零部件是正常的，添加條件后的快速診斷故障樹，如圖4 所示；在完成對零部件a的診斷匹配后，保證零部件a的診斷結果，然后從故障樹中獲取所有子部件，并根據其查詢條件進行故障匹配，保存診斷結果后再對每個子部件的子孫部件進行同樣的處理，直到算法進行到故障樹的葉子節點為止。在進行完故障的診斷后，將本次診斷的所有的診斷結果整理綜合形成快速的診斷報告并存儲到數據庫中，以便結果的保存及向用戶展示。

（2）貝葉斯推理。在故障診斷過程中，由于故障癥狀和故障原因之間并不是簡單的一一對應關系，其間存在著大量偶然性和不確定性因素，利用貝葉斯方法可以推理出概率最大最有可能的故障原因。若某個故障多次發生，則需要對故障發生的原因進行調整。如果確定是某個原因多次導致了故障的發生，那么其發生的概率就應該有所提高。如果下次該故障再一次發生，這個原因就更加有可能是導致故障的因素。調整的方法依據貝葉斯公式。

貝葉斯公式是在觀察到事件B 已經發生的條件下，尋找導致B發生的每個原因的概率。貝葉斯公式如下所示：

式中：A1，A2，…，An—兩兩互斥的事件；概率p［B|Aj］，i=1，2，3，…，n是事件Ai發生的條件下B事件發生的條件概率；概率p［Ai］，i=1，2，3，…，n是事件Ai的先驗概率；概率p［Ai|B］，i=1，2，3，…，n是事件B發生情況下Ai事件發生的后驗概率。

其中，每個未知量都可以看作隨機變量，可以用概率分布進行描述。若這個分布在抽樣或實驗之前就有關于參數的先驗信息，即先驗概率分布。對當前樣本參數估計后與先驗信息的綜合稱后驗概率分布。兩者的差異是樣本信息出現后，人們對參數認識的一種調整，因此認為對參數進行的任何估計和統計推斷必須基于且只能基于參數的后驗分布來進行。

6 系統算法流程

圖5 狀態監測與故障診斷系統算法流程圖Fig．5 State Monitoring and Fault Diagnosis System Algorithm Flow Chart

根據風電機場實際運行狀況及具體需求，設計了其狀態監測與故障診斷系統的算法，其算法流程圖，如圖5 所示。

7 系統運行實例

系統開發環境為Windows7，JDK1．8，在開發工具Eclipse Java Oxygen（4．7）上進行的開發。采用Spectra Quest 公司生產的風電機組齒輪傳動實驗臺進行實驗[11]，如圖6 所示。試驗臺齒輪傳動系統結構簡圖，如圖7 所示；包括兩級平行軸和一級行星齒輪減速機構。用于更換的正常和故障齒輪為兩級定軸齒輪箱高速軸直齒輪，故障齒輪齒數為36，故障齒輪有齒輪偏心、斷齒、缺齒、齒根局部損傷、齒面磨損5 種，如圖8 所示。設定采樣頻率為5000Hz，采樣時間為1s，磁粉制動器施加扭矩約為22N·m，在各故障齒輪狀態下運用4 通道數據采集卡和安裝在定軸齒輪箱三個相互垂直方向的加速度傳感器對振動信號進行原始振動信號采集。

圖6 風機齒輪傳動系統試驗臺Fig．6 Wind Turbine Gear Transmission System Test Bench

圖7 試驗臺齒輪傳動系統結構簡圖Fig．7 Test Block Gear Transmission System Structure Diagram

圖8 正常與故障齒輪Fig．8 Normal and Faulty Gear

圖9 正常與故障狀態下振動信號時域圖Fig．9 Time Domain Diagram of Vibration Signals in Normal and Fault Conditions

正常和齒輪出現故障時采集得到的原始振動信號時域分析，如圖9 所示；由時域圖可知，齒面磨損時振動加速度幅值最大，振動最為劇烈，斷齒時次之；斷齒時有明顯的瞬時沖擊信號出現，且呈顯一定的周期性，缺齒時與斷齒時相比，也存在周期性沖擊，但觀察缺齒時沖擊信號的包絡曲線發現沖擊信號幅值呈顯周期性衰減和增加現象，類似于正弦函數；偏心狀態有沖擊信號，但看不出明顯的周期性；齒根局部損傷時沒有明顯的沖擊信號，與正常狀態差別不大。

圖10 時域特征統計圖Fig．10 Time Domain Feature Chart

齒輪6 種狀態分別對應的16 種時域指標統計圖，如圖10所示；從（1～16）的指標分別為最大值、最小值、峰峰值、均值、絕對均值、方差、標準差、均方差、均方根值、偏斜度、峭度、波形指標、峰值指標、脈沖指標、裕度指標、峭度指標，由圖可知，最大值、最小值、峰峰值和幾個無量綱指標在不同狀態區別較大，可以作為齒輪主要故障特征。不同狀態之間時域統計指標平均值的方差，如圖11 所示；由圖可知，時域指標中不同狀態的最大值，最小值，峰峰值，峰值指標，脈沖指標，裕度指標，峭度指標方差較大，離散程度較大，使用這些指標便于區分不同的故障狀態，可以作為故障特征向量元素。

圖11 不同狀態時域統計參數方差圖Fig．11 Different State Time Domain Statistical Parameter Variance Diagram

對試驗臺采集的數據進行處理，將其以表格和圖表的形式可視化展示，將狀態信息數據與預先設定的正常狀態進行對比，發現有部分數據超出正常狀態上下限值，引起系統報警，系統運行實例，如圖12 所示；同時系統針對該組異常數據啟動故障診斷功能，確定故障原因為輸入軸齒輪偏心異常，該異常會造成過嚙合和嚙合不足，從而產生異常振動和沖擊，長期如此會導致齒輪失效。同時系統針對該異常產生對應的故障診斷報告，給故障維修工程師進行故障維修提供參考依據，如圖13 所示。

圖12 狀態監測與故障診斷系統運行實例Fig．12 Condition Monitoring and Fault Diagnosis System Operation Example

圖13 故障診斷報告示例Fig．13 Troubleshooting Report Example

狀態監測與故障診斷系統可有效解決維修工作人員現場巡檢的困難，及早發現風機齒輪箱運行狀態異常，根據異常嚴重性，采取相應應對措施，如制動停機等，避免異常狀態進一步擴大，引發鏈式破壞，造成更大的經濟損失。

8 結論

以風電場對遠程實時故障監測與故障診斷的需求為背景，設計并開發了風力機遠程故障監測與故障診斷系統，闡述了系統架構和工作流程，通過解析風機狀態信息，異常狀態信息觸發故障診斷功能，生成相應故障報告，為維修工程師進行故障排查提供解決方案，提高排故效率，縮短排故時間，降低排故難度。

（1）以實現風機齒輪箱狀態監測與智能故障診斷為目的，結合系統需求分析，獨立自主設計完成了風機齒輪箱狀態監測與故障診斷系統。

（2）通過對風機試驗臺齒輪傳動系統6 種不同狀態的高速直齒輪的狀態采集與數據信號的時域分析，及特征提取，利用特征信號明顯的特征參數結合系統故障模塊實現具體故障類型的有效判別。

（3）系統將物聯網（IoT）技術與智能故障診斷的技術有機地融合，構成了一個有機地智能故障診斷的統一整體，具有很強的通用性、適應性、容錯性和易實現性，同時，其專家知識診斷庫、自動推理和貝葉斯推理能力、遠程分析診斷能力，使系統達到了較高的智能化水平。