【工业智能】风机齿轮箱故障诊断 — 基于振动信号

2018 年 9 月 5 日 产业智能官


风机齿轮箱及其故障类型


风电机组多位于高山、海滩、荒漠等风口处,交通不便,运维资源调度困难,且一旦发生故障停机,每日仅由于少发电所造成的损失高达1.2万元(2MW风机)。


齿轮箱作为风力发电机组中的重要传动部件,主要作用是将风轮动力传递给发电机,使其得到相应的转速,是实现风能转换为电能的最主要部件之一,也是风机中故障率最高的零部件之一。



而且由于齿轮箱安装于距离地面几十米高空塔顶的狭小机舱内,出现故障修复十分困难。如果齿轮箱故障比较复杂,无法在塔顶完成维修,还需要下塔处理,其维修费用高、维修周期长,严重影响风机的正常运行。


“滑”雪维修 心疼风电运维工程师一秒


因此,对齿轮箱进行故障诊断,判断故障发生位置及时间,能有效提升运维效率,降低维护成本。常见的齿轮箱故障模式可分为以下两类:


齿轮类故障


齿轮箱内部结构复杂,通常含有多级齿轮,常见的齿轮故障形式有:齿轮断齿、齿面胶合、齿面磨损、齿面胶合和擦伤、齿面点蚀等。


轴承类故障


轴承本身的抗冲击能力不是很强,在实际的生产活动中,是很容易损坏的部件。常见的轴承故障有:外圈故障、内圈故障、保持架故障、滚动体故障等。

齿轮箱中的轴、齿轮和轴承在工作时会产生振动,若发生故障,其振动信号的能量分布就会发生变化,所以上述故障一般都能在振动信号中体现出来。对振动信号进行合理有效地采集分析,可以很好地识别设备运行状态,大大降低风机维护成本。


基于振动信号的齿轮箱故障诊断

数据是制约算法能力的根本因素,所以为了能更准确地从齿轮箱运行状态信息中提取出故障特征,从而提高故障诊断可靠性和有效性,需要从传感器测点、振动信号采集,及结合行业机理的信号处理和特征工程技术等多方面着手。


首先,选择最佳测点 

传感器作为信号采集分析的第一步,选择最佳测点成为获得有效故障信息的重要保证。布点位置不对,导致采集不到优质信号的同时,甚至可能将错误的信号发送到主机而引发一系列误判。


如将传感器安装到发电机箱体上,由于它距离振动源太远且箱体噪声较多,无法采集到所需的振动信号,更不用提后期的算法实现。


为了真实而充分地监测到能客观反映设备状况的振动信号,在掌握设备结构、设备参数、设备工作条件和设备工作原理等的基础上,还应该把握以下几个原则:


  • 测量部位应选在设备上对振动敏感的部位。一般都把轴承处选为主要测量点,把机壳、箱体、基础的部位作为辅助测点。


  • 对于低频振动,一般应在水平、垂直、和轴向三个方向进行测量;对于高频振动,则只需在一个方向(径向)进行测量即可。这是因为低频信号的方向性强,而高频信号对方向不敏感。


  • 选择测点时还应考虑环境因素的影响,尽可能避免选择高温、高湿、出风口和温度变化剧烈的地方作为测量点,以保证测量结果的有效性。


其次,合理采集振动信号 


传感器布置到合理的位置之后,我们需要考虑为准确提取故障特征需要采集哪些振动信号。对数据本身而言,应该把握以下几个原则:


  • 数据量:我们需要采取足够多的历史数据样本来帮助建模。


  • 数据质量:采集的信号需要能够支撑业务目标,提供足够好的数据质量,数据具有可分类性。


  • 数据样本数量及丰富性:采集的信号是仅限于单机的单体设备,还是需要采集集群对象的相关数据。


具体到风机齿轮箱故障预测的振动信号采集,则需要在满足风机主状态为发电状态,且发电机转速高于100RPM的前提下,每隔半小时采集20s的CMS数据,并每50ms通过modbus读取一次主控数据。


最后,运用特征工程等技术进行故障诊断


在机理理解强、数据相关性弱的情况下,有效的预处理与特征工程能达到事半功倍的预测效果。为了便于大家更好的理解,下面以在2009年PHM数据竞赛中的齿轮箱故障诊断竞赛题作为案例进一步分析。


如图所示,在齿轮箱的输入端与输出端分别装有振动传感器,但对于健康信号及故障等信息完全不知,要求在此情况下判断其故障。(大家能想到哪些方法,欢迎在文末留言讨论)



我们当时在做这个项目时,总结下来主要涉及以下几种技术或方法:


  • 时域特征提取

  • 时域同步平均

  • 信号预处理

  • 频率分析

  • 检测轴承故障的包络谱分析

  • 其他齿轮诊断相关有用特征

  • 谱峭度

  • 频谱相似度

  • 小波分析


下面进行具体说明。


首先是对信号进行观察,提取出时域特征,这是由于时域特征的计算方式相对简单,且能够直接筛除一些非常严重的故障。



之后对信号进行预处理,增强其中的一些机械信号,运用时域同步平均的方法,把不同转的振动信号分割开,在时域进行平均,从而得到转一周360度的振动信号标准情况,其本质是对信号降噪。


当轴承磨损一定程度时,能够在频域直接看到有具体哪些故障,所以在分析时要先判断是否有严重故障之后再做精细处理。


再对轴承进行包络谱分析后,我们发现在内环对应的故障频率有故障的发生。 



此外对于非稳态的信号产生的故障,我们运用小波的方式进行抓取,定位到故障的发生时间、层级等。


之后对整个信号进行小波分解,其基本原理是将原始信号不断细分,针对离散的小波变换采用不同的信号处理方式。


而谱峭度相当于对原始的信号做滤波,突出其尖度、脉冲度非常高的信号,因为这些信号往往很可能对应着某些故障信息。


同时,我们也开发了一个对频谱的相似度进行量测的量,通过衡量频域相似度进行自动化判断。


工况分割主要针对一些特殊的变量,如转速、负载等信号等,将多工况的整体信号拆解开后,再对简单量化后的工况做分析,对同类信息进行对比,提高精确度。


最终通过整个分析过程来判断齿轮箱具体有什么故障,而且即使在分析过程中没有发现明确的故障,也可以通过对比判断出存在哪些潜在的故障。


以上算法被评选为2009年PHM竞赛的冠军算法,其中融入了非常多的行业机理,可以让信号处理、特征提取等技术更好的发挥作用,进而取得更精确的诊断结果。





工业互联网




产业智能官  AI-CPS


加入知识星球“产业智能研究院”,践行新一代信息技术(云计算+大数据+物联网+区块链+人工智能)在场景中构建状态感知实时分析自主决策精准执行和学习提升的机器智能认知系统实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。




版权声明产业智能官(ID:AI-CPS推荐的文章,除非确实无法确认,我们都会注明作者和来源。涉权烦请联系协商解决。联系、投稿邮箱:erp_vip@hotmail.com






登录查看更多
29

相关内容

FPGA加速系统开发工具设计:综述与实践
专知会员服务
61+阅读 · 2020年6月24日
【ICMR2020】持续健康状态接口事件检索
专知会员服务
16+阅读 · 2020年4月18日
专知会员服务
121+阅读 · 2020年3月26日
深度神经网络实时物联网图像处理,241页pdf
专知会员服务
75+阅读 · 2020年3月15日
【白皮书】“物联网+区块链”应用与发展白皮书-2019
专知会员服务
90+阅读 · 2019年11月13日
去哪儿智能故障预测与应用健康管理实践
DBAplus社群
12+阅读 · 2019年9月2日
互联网+检验检测智能化成发展趋势
人工智能学家
7+阅读 · 2019年3月2日
【大数据】工业大数据在石化行业的应用成功“落地”
【质量检测】机器视觉表面缺陷检测综述
产业智能官
30+阅读 · 2018年9月24日
【机器学习】如何通过机器学习预测维护设备?
产业智能官
16+阅读 · 2018年7月9日
【工业智能】电网故障诊断的智能技术
产业智能官
33+阅读 · 2018年5月28日
【工业大数据】一文带你读懂《工业大数据白皮书》
产业智能官
14+阅读 · 2018年1月20日
Arxiv
14+阅读 · 2020年2月6日
A Comprehensive Survey on Graph Neural Networks
Arxiv
13+阅读 · 2019年3月10日
Arxiv
8+阅读 · 2018年11月27日
VIP会员
Top
微信扫码咨询专知VIP会员