時域-頻域-MEWMA 算法在風機發電機軸承監測中的應用

王莉娟

(上海電氣風電集團股份有限公司,上海 200241)

0 引言

近幾年來,我國的風電行業得到了迅猛的發展,風力發電機組智能運維發展迅速。 發電機軸承故障率占據風機傳動鏈日常運維的絕大多數,所以對于風機發電機軸承的智能運維在風電行業起著決定性的作用。文獻[1-4]顯示學者使用智能運維算法應用于風機發電機機組,但尚缺乏足夠的實際案例樣本進行論證,且與工業實際環境還有一定偏差。 鑒于此,基于工業實際運維狀況,本文提出了一種結合時域、頻域和MEWMA算法用于風機發電機組發電機軸承智能診斷,并提供一組真實閉環案例進行驗證,用于縮小相關學界研究與工業實際問題之間的距離。 本文的結構如下:算法結構部分描述本文所提出的算法細節及對應公式,用于分析風機發電機軸承狀態運維的問題;實際案例部分使用一組閉環實際發電機軸承案例,通過展示所提出算法的效果及提前量,用于解決風機發電機軸承狀態的問題。

1 算法結構

1.1 時域指標

時域指標是指使用原始的發電機軸承振動信號作為輸入源{x1,x2,…xn},在時域內對其進行統計算法,達到特征提取的目的。 在風機發電機狀態運維中,時域特征具有計算簡單的優點,可廣泛應用于工業使用,且不同時域指標有不同的對應功能和使用場景。 其中,xi代表某時間點的數據,n為采樣個數。 不同時域信號的作用及數學公式如表1 所示。

表1 時域指標

1.2 頻域指標

頻域指標是指使用原始的發電機軸承振動信號經過傅里葉變換后的頻域數據作為輸入源,在頻域內對其進行統計算法,達到特征提取的目的。 其中,s(k)是信號x(t)的頻譜,k=1,2,…,K,K是譜線數;fk是第k條譜線的頻率;A是幅值。 在風機發電機狀態運維中,頻域特征具有強機理的優點,且不同頻域指標有不同的對應功能和使用場景,可廣泛應用于工業使用。 不同頻域信號的作用及數學公式如表2 所示。

表2 頻域指標

1.3 MEWMA 算法

Lowry[5]等于1992 年提出的多元指數加權平均(Multivariate Exponentially Weighted Moving Average,MEWMA)控制圖通過將當前和歷史信息以加權的形式進行組合的方式將小波動累計放大,能監測微小且緩慢的波動。 設t時刻采樣數據為Xt=[X1tX2t…Xpt],Xt服從多元正態i分布,均值向量為μ0,協方差矩陣為∑0,p為過程變量維數。 設MEWMA 控制圖的統計量為Z,其表達式為:

當Qt ＞H時,過程出現異常。 在工業上,式(1) 中的r一般取0.1,H一般使用3-sigma 準則。 在風機發電機狀態運維中,MEWMA 具有不需要海量歷史數據及不需要很多計算資源的優點,可廣泛應用于工業使用。

1.4 算法邏輯

本文所提的模型流程如圖1 所示。

圖1 算法框架

其步驟及解決步驟如下:

(1)獲取原始風機發電機軸承數據。

(2)將數據進行時域特征和頻域特征計算,計算出原始數據中的有效特征。

(3)將已計算特征,使用max-min(最大-最小)方法進行歸一化,用于解決不同指標維度的問題。

(4)將步驟3 的數據分為測試集和訓練集,用于后續驗證算法有效性。

(5)構建MEWMA 模型,詳細參數見式(1—3)。

(6)將訓練集輸入步驟5 的模型,進行訓練,構建MEWMA 指標。

(7)將測試集輸入已訓練好的模型,進行智能運維,分析及驗證算法有效性。

2 實際案例

本研究選擇某風場2 MW 機型265 筆發電機軸承數據用來驗證模型,為減小數據波動,僅選擇轉速大于500 rpm 的數據,共234 條。 選取前100 筆作為訓練集,后134 筆作為測試集。 本研究通過表1 時域P1 ～P6 計算公式,表2 頻域f1～f6 計算公式,計算相關特征指標。 同時,將前100 個數據作為訓練集,用于計算式1—3 中的MEWMA 算法構建及歸一化計算。 本研究使用3-sigma 算法用于閾值的計算,超過3-sigma 閾值為紅色報警,超過2-sigma 閾值為黃色報警。 圖2 為某風場2 MW 機型閉環案例應用于時域-頻域-MEWMA 算法的結果。 其中,圖2(a)為MEWMA 趨勢,橫坐標為時間,縱坐標為MEWMA(無量綱);圖2(b)為報警狀態顯示。 其中,0 為健康狀態,1 為黃色報警狀態,2 為紅色報警狀態。

圖2 MEWMA 智能算法

通過圖2(a)可以看出,時域-頻域-MEMWA 算法指標單調性佳,走勢顯著。 根據圖2(b)可以看出,實際故障發生時間為2019 年5 月28 日,時域-頻域-MEWMA 算法黃色預警點為2019 年5 月12 日,紅色報警點位2019 年5 月21 日,黃色報警與實際故障相比提前了14 天,紅色報警與實際故障相比提前了7 天,證明該算法具有一定的工業應用性。

3 結語

本文提出一種基于時域-頻域-MEWMA 算法對風機發電機組發電機軸承進行監測,首先使用原始振動數據提取時域特征6 個、頻域特征6 個。 使用MEWMA算法將提取的特征融合為風機發電機軸承狀態指標。一個實際的2 MW 風機閉環案例驗證所提算法的有效性,報警提前量最大可達到14 天,證明該案可有效地對其進行智能運維。 若風電場的運行維護人員根據算法結果,及時對風機狀態進行校正處理,可提高風電場的發電量。