王莉娟
(上海電氣風(fēng)電集團(tuán)股份有限公司,上海 200241)
近幾年來(lái),我國(guó)的風(fēng)電行業(yè)得到了迅猛的發(fā)展,風(fēng)力發(fā)電機(jī)組智能運(yùn)維發(fā)展迅速。 發(fā)電機(jī)軸承故障率占據(jù)風(fēng)機(jī)傳動(dòng)鏈日常運(yùn)維的絕大多數(shù),所以對(duì)于風(fēng)機(jī)發(fā)電機(jī)軸承的智能運(yùn)維在風(fēng)電行業(yè)起著決定性的作用。文獻(xiàn)[1-4]顯示學(xué)者使用智能運(yùn)維算法應(yīng)用于風(fēng)機(jī)發(fā)電機(jī)機(jī)組,但尚缺乏足夠的實(shí)際案例樣本進(jìn)行論證,且與工業(yè)實(shí)際環(huán)境還有一定偏差。 鑒于此,基于工業(yè)實(shí)際運(yùn)維狀況,本文提出了一種結(jié)合時(shí)域、頻域和MEWMA算法用于風(fēng)機(jī)發(fā)電機(jī)組發(fā)電機(jī)軸承智能診斷,并提供一組真實(shí)閉環(huán)案例進(jìn)行驗(yàn)證,用于縮小相關(guān)學(xué)界研究與工業(yè)實(shí)際問(wèn)題之間的距離。 本文的結(jié)構(gòu)如下:算法結(jié)構(gòu)部分描述本文所提出的算法細(xì)節(jié)及對(duì)應(yīng)公式,用于分析風(fēng)機(jī)發(fā)電機(jī)軸承狀態(tài)運(yùn)維的問(wèn)題;實(shí)際案例部分使用一組閉環(huán)實(shí)際發(fā)電機(jī)軸承案例,通過(guò)展示所提出算法的效果及提前量,用于解決風(fēng)機(jī)發(fā)電機(jī)軸承狀態(tài)的問(wèn)題。
時(shí)域指標(biāo)是指使用原始的發(fā)電機(jī)軸承振動(dòng)信號(hào)作為輸入源{x1,x2,…xn},在時(shí)域內(nèi)對(duì)其進(jìn)行統(tǒng)計(jì)算法,達(dá)到特征提取的目的。 在風(fēng)機(jī)發(fā)電機(jī)狀態(tài)運(yùn)維中,時(shí)域特征具有計(jì)算簡(jiǎn)單的優(yōu)點(diǎn),可廣泛應(yīng)用于工業(yè)使用,且不同時(shí)域指標(biāo)有不同的對(duì)應(yīng)功能和使用場(chǎng)景。 其中,xi代表某時(shí)間點(diǎn)的數(shù)據(jù),n為采樣個(gè)數(shù)。 不同時(shí)域信號(hào)的作用及數(shù)學(xué)公式如表1 所示。
表1 時(shí)域指標(biāo)
頻域指標(biāo)是指使用原始的發(fā)電機(jī)軸承振動(dòng)信號(hào)經(jīng)過(guò)傅里葉變換后的頻域數(shù)據(jù)作為輸入源,在頻域內(nèi)對(duì)其進(jìn)行統(tǒng)計(jì)算法,達(dá)到特征提取的目的。 其中,s(k)是信號(hào)x(t)的頻譜,k=1,2,…,K,K是譜線數(shù);fk是第k條譜線的頻率;A是幅值。 在風(fēng)機(jī)發(fā)電機(jī)狀態(tài)運(yùn)維中,頻域特征具有強(qiáng)機(jī)理的優(yōu)點(diǎn),且不同頻域指標(biāo)有不同的對(duì)應(yīng)功能和使用場(chǎng)景,可廣泛應(yīng)用于工業(yè)使用。 不同頻域信號(hào)的作用及數(shù)學(xué)公式如表2 所示。
表2 頻域指標(biāo)
Lowry[5]等于1992 年提出的多元指數(shù)加權(quán)平均(Multivariate Exponentially Weighted Moving Average,MEWMA)控制圖通過(guò)將當(dāng)前和歷史信息以加權(quán)的形式進(jìn)行組合的方式將小波動(dòng)累計(jì)放大,能監(jiān)測(cè)微小且緩慢的波動(dòng)。 設(shè)t時(shí)刻采樣數(shù)據(jù)為Xt=[X1tX2t…Xpt],Xt服從多元正態(tài)i分布,均值向量為μ0,協(xié)方差矩陣為∑0,p為過(guò)程變量維數(shù)。 設(shè)MEWMA 控制圖的統(tǒng)計(jì)量為Z,其表達(dá)式為:
當(dāng)Qt >H時(shí),過(guò)程出現(xiàn)異常。 在工業(yè)上,式(1) 中的r一般取0.1,H一般使用3-sigma 準(zhǔn)則。 在風(fēng)機(jī)發(fā)電機(jī)狀態(tài)運(yùn)維中,MEWMA 具有不需要海量歷史數(shù)據(jù)及不需要很多計(jì)算資源的優(yōu)點(diǎn),可廣泛應(yīng)用于工業(yè)使用。
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(fēng)機(jī)發(fā)電機(jī)軸承數(shù)據(jù)。
(2)將數(shù)據(jù)進(jìn)行時(shí)域特征和頻域特征計(jì)算,計(jì)算出原始數(shù)據(jù)中的有效特征。
(3)將已計(jì)算特征,使用max-min(最大-最小)方法進(jìn)行歸一化,用于解決不同指標(biāo)維度的問(wèn)題。
(4)將步驟3 的數(shù)據(jù)分為測(cè)試集和訓(xùn)練集,用于后續(xù)驗(yàn)證算法有效性。
(5)構(gòu)建MEWMA 模型,詳細(xì)參數(shù)見(jiàn)式(1—3)。
(6)將訓(xùn)練集輸入步驟5 的模型,進(jìn)行訓(xùn)練,構(gòu)建MEWMA 指標(biāo)。
(7)將測(cè)試集輸入已訓(xùn)練好的模型,進(jìn)行智能運(yùn)維,分析及驗(yàn)證算法有效性。
本研究選擇某風(fēng)場(chǎng)2 MW 機(jī)型265 筆發(fā)電機(jī)軸承數(shù)據(jù)用來(lái)驗(yàn)證模型,為減小數(shù)據(jù)波動(dòng),僅選擇轉(zhuǎn)速大于500 rpm 的數(shù)據(jù),共234 條。 選取前100 筆作為訓(xùn)練集,后134 筆作為測(cè)試集。 本研究通過(guò)表1 時(shí)域P1 ~P6 計(jì)算公式,表2 頻域f1~f6 計(jì)算公式,計(jì)算相關(guān)特征指標(biāo)。 同時(shí),將前100 個(gè)數(shù)據(jù)作為訓(xùn)練集,用于計(jì)算式1—3 中的MEWMA 算法構(gòu)建及歸一化計(jì)算。 本研究使用3-sigma 算法用于閾值的計(jì)算,超過(guò)3-sigma 閾值為紅色報(bào)警,超過(guò)2-sigma 閾值為黃色報(bào)警。 圖2 為某風(fēng)場(chǎng)2 MW 機(jī)型閉環(huán)案例應(yīng)用于時(shí)域-頻域-MEWMA 算法的結(jié)果。 其中,圖2(a)為MEWMA 趨勢(shì),橫坐標(biāo)為時(shí)間,縱坐標(biāo)為MEWMA(無(wú)量綱);圖2(b)為報(bào)警狀態(tài)顯示。 其中,0 為健康狀態(tài),1 為黃色報(bào)警狀態(tài),2 為紅色報(bào)警狀態(tài)。
圖2 MEWMA 智能算法
通過(guò)圖2(a)可以看出,時(shí)域-頻域-MEMWA 算法指標(biāo)單調(diào)性佳,走勢(shì)顯著。 根據(jù)圖2(b)可以看出,實(shí)際故障發(fā)生時(shí)間為2019 年5 月28 日,時(shí)域-頻域-MEWMA 算法黃色預(yù)警點(diǎn)為2019 年5 月12 日,紅色報(bào)警點(diǎn)位2019 年5 月21 日,黃色報(bào)警與實(shí)際故障相比提前了14 天,紅色報(bào)警與實(shí)際故障相比提前了7 天,證明該算法具有一定的工業(yè)應(yīng)用性。
本文提出一種基于時(shí)域-頻域-MEWMA 算法對(duì)風(fēng)機(jī)發(fā)電機(jī)組發(fā)電機(jī)軸承進(jìn)行監(jiān)測(cè),首先使用原始振動(dòng)數(shù)據(jù)提取時(shí)域特征6 個(gè)、頻域特征6 個(gè)。 使用MEWMA算法將提取的特征融合為風(fēng)機(jī)發(fā)電機(jī)軸承狀態(tài)指標(biāo)。一個(gè)實(shí)際的2 MW 風(fēng)機(jī)閉環(huán)案例驗(yàn)證所提算法的有效性,報(bào)警提前量最大可達(dá)到14 天,證明該案可有效地對(duì)其進(jìn)行智能運(yùn)維。 若風(fēng)電場(chǎng)的運(yùn)行維護(hù)人員根據(jù)算法結(jié)果,及時(shí)對(duì)風(fēng)機(jī)狀態(tài)進(jìn)行校正處理,可提高風(fēng)電場(chǎng)的發(fā)電量。