振动与冲击第卷第期! # %& ( ) &+, %&% .,

/ 0 1

3 2

45

%

5

67: 9 8

风力发电机组振动监测与智能诊断系统开发蒋东翔<,

黄,

乾

,

洪良友,,

,

丁勇山, :;

7清华大学热能工程系5

北京

9,

摘要为了保证风力发电机组安全可靠运行减少故障的发生提高风力发电机组的运行可靠性在实验室条件下开发了一套风力发电机组振动监测与智能诊断原型系统和主要构成=第三,,

本文首先介绍了系统的硬件结构及原理<其次给出了系统的软件流程、

描述了系统实现的主要功能如振动数据采集与存储。

状态监侧振动信号分析和智能故障诊断=最后、。

,

给出了一个系统运行的仿真实例和分析结果关锐词<风力发电机组中圈分类号<,

进一步完善后该系统可用于风力发电机组实际运行,

振动监测

,

诊断系统<

人工智能

>/,?

文献标示码

&

Α .Α2Α ΒΧ%> ( 2Δ &>Δ %

Χ%Δ> Δ%Ε&%Κ

.,%>Α ΔΕΑ%> .,&Ε% 月几,

>Δ0

Φ>ΑΧ ( )Δ%.># ,%Α

’Γ !. 7Μ

日刀ΗΛ

及确口Ι以喝Π 3Θ>ΡΜΟ<ΤΚ

从扭解必4ΑΛΗΣΛ贾ΣΛΜ 3

加叮3ΝΜΟΚ

乙

昌侧刀5 ,ΟΤ

刀.ΙΗΣΠ ΟΜ,

3ΗΦ .劝ΚΛΠΡΜ3ΜΜ ΟΟΜΛΜΜΜΛ,

ΝΚΟΠ3Μ

ΜΜΟ

ΣΛΗ

>ΤΣΛΗΡ Κ#ΛΣΥΜΠΣ3Λ

ΜΣΙΣΛΗ, :; 9ΜΜΚΛ3

&ΩΤΠΟΚΞΠΚΤ

<

+ΛΥΜΖ

3Ο

ΨΜΟΠ 3

ΜΛΤ ΟΜ 3

ΘΜΠ

3

Θ

ΨΠ ΩΣΛΜΟΒΜΟΚ

ΛΚΨΛ[ 3Λ

Π3

Ψ

ΘΘΚ 4ΠΤ

ΚΤ

ΖΜ

44

Π 3Σ 5ΒΟ 3

ΠΡΜ

ΟΜ

4ΣΚΩΣ 4ΣΠ Μ 3

Θ,ΣΛΨΠ ΟΩΣΛΜ

ΠΣ3ΛΚ

,

ΚΥΜ

ΣΩΟΚΠΣ 3ΨΣΠΣ3

ΣΠ 3ΟΣΛΗ

ΨΣΛΠΜ 4 4ΣΗ,

ΠΨΣΚΗΛ 3ΤΠΣΜΒΟ 3Π 3Π ΒΜΚΟΜ

Τ ΤΠ 3

[Μ,

Θ3ΟΤ

ΣΛΨΠ ΟΩΣΛ, ΣΛΠΟ

, ΨΜΥΜ, ΒΨ ΜΜΨΛ5

ΨΣΛΠΡΜ 4ΚΩΨ,

Ο 3

Π3

Ο

Λ 3

ΛΤ

5

+ΛΠΡΣΤΝΚΒΜΟΜ3[

(ΣΟ

Τ

Π

ΠΡΜΡΚΟΨΖ

ΒΟΣΛΜΣΝ 4ΜΝΟΜΤΜΛΜ3Λ

ΘΠΡΣΤ

ΤΠΜ[

ΜΜ 3ΛΤ

ΠΡΜ

Τ3ΘΠΖΚΟΜ

ΒΟ,

3ΜΜΤΤΜΤΤ ΜΡΚΤ

ΚΛΨΥ

Κ[Ι3Ο

Ν

3ΛΜΛΚΜ,

ΠΤ 3ΘΠΡΣΤΤ ΤΠΜ[

ΚΟΜ

ΠΜΨ

5

>ΡΣΟΨ5 3Λ3

ΠΡΜΟ

Κ[,

ΣΛΘ ΛΜΠΣ3ΣΩΟΚΠΣ 33ΛΤ

3Κ

ΘΠΡΣΤ

ΤΠΜ[ΚΛΨ5

, ΨΜΤΜΟΣΩΜΨ

ΣΩΟΚΠΣ 3ΛΨΚΠΚ, 5

∴ ΣΤΣΠΣ3ΛΚΛΨΤΚ

ΤΠ3ΟΚ

Η

Μ

,

Ψ

ΣΠΣ3

Λ

ΣΠ 3

ΣΛΗΤ

Υ

ΣΗΛ

4ΚΛΚ 4 ΤΣΤΜ

ΣΛΠΜ 44ΣΗΜΛΠΘΚ 4ΠΨΣΚ助 Τ

(ΣΛΚΜ

Κ

44 ΠΡΜΚ

Σ[ 4ΚΠΣ 3

ΛΚΛ

Ψ

ΟΜΤ

4ΠΤ

ΚΛΚΜ

4 ΤΣΤΚ

ΘΠΡΜΟ

ΤΠΜ[

Ν

ΜΟΚ

ΠΣ3Λ

ΟΚ

ΒΟ 3

Υ

ΣΨΜΨ

>ΡΜ

ΤΠΜ[

Μ

ΛΚ

ΩΜ

ΤΜΨ

Θ3

Ο

ΠΡΜ

Π

4

3

ΒΜΟ

ΠΣ3Λ 3

ΘΠΡΜ

份

ΣΛΨΠ ΟΩΣΛ

ΘΠ

ΜΟ

Θ

ΠΡΜΟ

Σ[ΒΟΨΤ<

3Υ

ΣΛΗ

5

1Μ

3Ζ

Ο

)ΣΛΨ

Π

Ο

ΩΣΛ

Μ,

2ΣΩΟΚΠΣ 3Λ

3[

Λ

,ΣΠ 3ΟΣΛΗ

.ΣΚ

助3ΤΠΣΜ

Τ

ΤΠΜ[

,

&ΟΠΣΘΣΜΣΚ 4ΣΛΠΜ 4 4ΣΗ

ΜΛ

Π

近年来随着风力发电的快速发展

我国风电技术的成熟度远远跟不上风力发电的发展速度风力发电,

,

是存储所测振动信号

。

机组在实际运行中出现了大量关于风力发电机齿轮箱主轴叶片的损坏甚至有风力发电机组倒塌、

齿轮箱

发电机

、

,

一

的现象运行,

。

因此。

,

气6

为了保证风力发电机组的安全可靠口州口目

开发风力发电机组的状态监测与故障诊断系Ο5

; 6

了

5

目

一护,目

统至关重要原型系统,

]

加 5

‘

本文构建了风力发电机组振动监测与智能诊断

几亚石刀下石

一

土⊥

,

来监测风力机关键部件主轴,

、

齿轮箱,

、

发电机的运行状况

分析设备的振动信号,、

对当前

又一一

⊥

⊥

工况状态及其发展趋势做出确切的判断

常工况

,

查明故障部位,

性质,

、

程度

,

并针对异将故障消除,

⊥

⊥

⊥

⊥⊥

⊥

⊥

Φ

厂琉祷感一动再二二二,二二丁

巨

⊥

在萌芽状态

即便发生故障=

能分析故障原因

缩

巨五卿二〕

一,

二二一三王

信号采集箱计算拐

二

弓杯

⊥

显示餐

短维修时间和损失

最后通过仿真实例验证系统的

图 4振动监测系统硬件结构框图

有效性,

。

根据风力发电机组的结构特点理、

、

性能参数和工作原,

风力发电机组振动监测系统硬件构成风力发电机组振动监测系统由振动传感器

,

同时根据积累的现场测试经验。

按照表,

4

选择

数其=

基本的几处振动测试点加速度传感器_<

这里选择了六个位置设里齿轮箱处埋设此外辅助转速

据采集器,

、

计算机等组成

,

其结构如图

,

所示,

。

风轮主轴承水平向

中振动传感器将机械振动量转变为适宜的电参量数据采集器则

将模拟信号转换成数字信号功能包括信号放大<、

个传感器

,

发电机内外轴承

个。

,

其主要

测Π通道

个 7低速轴和高速轴 9数据采集器采用,, αΨ

模数转换等

=

信号存储的功能63,

ΞΣ的是美国%公司生产的Τ +

信号调理配件配

5基金项目国家β _计划资助课题 7% 3<第一作者蒋东翔男博士生教授,,

0 6, _ 9 ;

,β? _

年生

振动与冲击

:

年第

卷

以,?通道的高速数字设备ΒΞ 4

。“ _?

。

所有采集到。

给出诊断结果

。

的数据都均传输至计算机进行数据分析计算机连接着一个打印机用于打印各种报告振动监测系统数据采集和分析的软件模块主要是利用%公司的助Ω 2+侧点部件+ )Α。

语言开发设计侧量方向

。

表,振动监测内容

传感器数Π

侧Π范围7/乞9 ,χ, 以洲 95

图_5

风力发电机组振动监测与智能诊断系统,

风轮主轴承

,, !‘,二

径向

人工神经网络方法

齿轮箱发电机轴承

,χ, 侧洲】5

,χ, 《旧阅5

系统的主要功能和软件流程风力发电机组振动监测与智能诊断系统主要实

匾δ聂

二袒缈二5、⊥

现以下几个方面功能7, 95

<、

巨巫二画巫吵巫垂巫

噩

信号的采集显示和储存振动信号通过硬件系统采集并可以显示在计算机,

屏幕上

同时可以。

用户

人工保存各种工作状态下的振动原始信号79

信号处理和分析、、

神经网络是由大量简单的处理单元 7称为神经元 9广泛地互相连接而形成的复杂网络,

滤波降噪=和剔除奇异点监测风力发电机组各测点处的振动=总Π=对稳态振动信号能进行频谱分析对振动信号参数进行趋势分析发生的时间5,

对风力发电机组参数进行预处理

它是对人,

脑神经网络的某种程度上的简化不是真实写照β,:年,。

、

抽象和模拟首次将。,

而

判断振动的变化趋势=对暂,

3ΡΟ[,

Μ

ΨΚ和 3Ζ

Μ

态振动信号能进行小波分析_ 7 9自动报替

可以判断或预测故障

于神经网络设计

构成了 (神经网络,

(

应用

从结构上

神经网络是一种三层前向网络输入层由信号源节点组成=第二层为隐含层其节点的多少看,

,

(

当发现运行状态异常时

自动报替模块会通过,,

视具体问题而定,

=

第三层为输出层。

5

(

人工神经。

计算机发出听觉和

视觉的誉告

并显示相应的振动信号特征 7例如幅值域趋势变化图9并自动转入诊断模块。

网络的结构如图 _所示

线性映射节点7 (节点9由像高斯核函数那样的辐射状作用仙函数组成。

4输入层实现从 一叭的非Σ输出层实现从电χ 的线性映射隐层

7; 9智能故障诊断

当发现运行状态异常时

,

系统自动转入智能诊。

断模块

,

判断故障类型和故障原因故障仿真

7 9

系统对常见振动故障可以仿真包括轴不对中齿轮均匀磨损和周节误差等,。

,

7? 9数据文件管理

系统软件流程如图

所示

。

图_,

(人工神经网络结构,

利用数据库管理振动监测结果和历时记录便管理分析风力发电机组振动特性_风力发电机组智能诊断方法。

方择,

对来自机组不同状态的振动信号网络的输入向量,

通过特征选,

找出对于故障反映最敏感的特征信号作为神经。

智能诊断系统嵌入有基于 (人工神经网络和基于规则的诊断专家系统模块,

络进行训练的状态信息_5

建立故障模式训练样本集对网当网络训练完毕对于每一个新输入,。

,

不同诊断方法得到,

网络将迅速给出分类结果

的诊断结果经过诊断融合模块进行决策融合

最后

基于规则的专家系统

第

期

蒋东翔等=风力发电机组振动监测与智能诊断系统开发

故障诊断专家系统是人工智能在设备故障诊断

障状态 9的个数 (

中的实际应用之一它是一种模拟专家决策能力的计算机系统风力发电机组故障诊断专家系统的构成如图;所示系统包括用户界面知识获取子系统解释机推理机知识库和全局数据库等几个。。

,

神经网络

,

、?在此我们建立一个,,?,的将训练样本输入训练网络用测试,,。

网络检验训练结果+.>, (

表 _为检验样本的网络输出_ (

,

、

衰(+

神经网络翰出(5 5

、

、

、

(_5

5

(;一5

5

部分专家系统的基本工作流程是用户通过用户界面回答系统的提问推理机将用户输入的信息与知识库中各个规则的条件进行匹配并把被匹配规,,,

。

, ;5

,,,, β5

,,

,,

_>

一

5 5

_β5

一

,β5

一

则的结论存放到全局数据库中

。

最后。

,

专家系统将Β利用 0 +

,

一

5

, 5

5

β

得出最终

结论呈现给用户过解释机,

。

同时专家系统还可以通一

向用户解释系统的行为

语言开发风力发电机组振动故障诊

巨酬。粤黔曰仁〕募三瓢知识获取子系统用户风能专家知识工程师

断专家系统

,

其流程如图

所示

。

图;风力发电机组智能诊断专家系统结构

图 风力发电机组专家系统振动流程图

Β 70作为专家系统开发工具的一种 0 + Κ,昭Μ+ΛΠ『ΚΠΜΨΝΟΜ ΜΠΣ3Μ ΤΠ[ 9的应用非常ΜΛΨΛ,

两种诊断方法都能很好的将待诊断样本准确的

诊断出来

。

广泛它是一种多范例编程语言支持基于规则的面向对象的和面向过程的编程对专家经验知识进,,。

、

结论与总结。

行处理可以得到产生式规则知识利用语言可以开发出风力发电机组振动故障诊断专家系统;仿真实例和分析结果。

,

0 +Β

本文开发了风力发电机组振动监测与智能诊断原型系统基于虚拟仪器的振动监测系统缩短了开发周期分析、,

并方便升级

。

振动数据采集模块可以采集,

根据风力发电机组的常见振动故障和征兆关系建立故障诊断模型为说明问题本文只研究传动 链中齿轮箱的,种典型故障并选取,个频率处的能量作为特征参数表示出了部分征兆参数和故障模式的对应关系并仿真出故障样本样本被随机分割成训练集和测试集。

风力发电机组的振动信号

并实现实时监测。

、

离线基于

,

趋势分析和故障仿真。

当故障发生时

,

,

人工智能 7人工神经网络和专家系统 9的诊断系统可以诊断出故障类型的实用性,。

。

仿真实例和结果验证了系统

。

,

。

参考文献【时轶崔新维李春兰,,5

衰

齿轮箱典型故阵和征兆参数关系矩阵 7部分 9

在线监测系统在风力发电机上

的应用

5

风机技术

5

5;<

;

一

?5 5

ε」周太阳轮偏心( 7+9 #,‘ !气

梅虚拟仪器技术在齿轮箱振动分析中的应用研究,5

5

_ε」盛兆顺尹琦岭京<

设备状态监测与故障诊断技术,

北<

化学工业出版社,

_,5

太阳轮均匀磨

,;εε φ

吴今培

肖健华,

5

智能故障诊断与专家系统5

北京

损任9太阳轮周节误(_差7 9<Ο,其中Θ为太阳轮旋转频率‘为第一级齿轮对,

科学出版社5

,β

,?,一,? _Λ

/

[Κ

以刃

,

5Φ

5

3/ΛΣΟ

Η

,

5ΦΧ

5

0Ρ 3

,

/&ΡΛ5

,

0 1

3ΛΗ

03ΛΨΣ 3ΣΠ

ΛΠΛ 3Λ

Σ 3Π

ΗΚΨΘΛΚΤ<

4Π

ΜΨΥ

ΜΠ

Μ

ΣΠ3Λ

3Θ

ΖΣΛΨ

#Π由ΣΛΜΤ

助Ψ

比 4ΚΠ

ΨΜ

Κ4 3Η

ΣΡΟΠ[

&

ΜΟ

Σ

5ΖΜ5

Α%旧场叭 Α

γ

啮合频率

。

#>&+& ΑΑ%Α ΕΦ Α 2+Α )%

5

根据特征参数和状态模式 7包括正常状态和故