基于多技术融合的风电大部件健康状态大数据分析

风力发电机组向着智能化方向发展，对风机大部件的状态监测提出了实时、远程、灵活、智能的要求。本文分析了风机状态监测的现状和发展趋势，并提出了基于多技术融合的风电大部件健康状态监测方案。基于相同软件平台的风机大部件状态监测，促进了多种状态监测技术融合，有利于风机早期故障预测和风机健康状态大数据分析。

引言

风电机组的大部件包括塔筒、机舱和风机主传动链等。风电机组大部件的可靠性是机组安全运行的保证，也是保证设备可利用率，提高机组经济效益的前提。根据业内调查统计显示[1]，风机故障率最高的依次是箱变系统，变桨系统，偏航系统和齿轮箱。而故障引起的停机时间统计中，引起停机时间最长的依次是齿轮箱故障、叶片故障和主传动链故障。综合来看 75%的故障引起了 5%的停机时间，而 25%的故障引起了95%的停机时间。另外从风电机组的维修成本上来看，大部件维修和更换成本高昂，占风机整机价格和发电成本的比例较高。 在风电的运维成本构成中， 定期维护成本占比远低于事后维修成本。因此如何有效减小风电机组大部件事后维修成本成为关系风电运维服务重要课题，这就对风电大部件状态监测和数据挖掘提出了很高的技术要求。风电机组相比传统设备状态监测，具有位置分散，机组台数多，工况复杂性和随机性强，面对的环境冲击大等特点。这就为风机大部件的状态监测提出了实时、远程、灵活、智能的要求。

主传动链震动检测发展趋势

目前对风机大部件的监测手段主要有针对主传动链和机舱、塔筒的振动监测，对齿轮箱油液监测和风电叶片的目视检查等。风电机组振动监测目前应用较为广泛，一般采取在线监测设备和离线监测设备相结合的方面进行。风电机组振动具有变速变载，柔性支撑的特点，受环境和风况影响较大，因此趋势分析对风电机组振动至关重要，在线实时设备可以自动长时间采集振动数据进行分析。而风机的振动是与风机运行、维护的各个方面相互关联的，为提高风电振动故障诊断的准确性，必须要结合风机的风速、功率、维修记录等多维信息。离线设备具有根据故障的初步诊断灵活布置测点，灵活数据采集的优势。

随着市场对风电状态监测要求的不断提高，不但要求准确判断目前设备的劣化程度，而且需要较为准确的预判继续劣化的速度和风险。只有状态监测的数据转换为运行、维修决策和行动，才能最大程度为用户创造价值。但目前仅仅依赖风机状态监测的振动数据的方式还存在一定的局限性。因此融合风机的环境参数、运行参数、维修事件记录、设计参数的大数据分析对于提高风机状态评估的准确性有重要意义。

风机状态监测发展的另一个趋势是对风机早期故障诊断的重视越来越强。一般来讲故障越往后期劣化速度越快，多数的早期故障通过加强维护，可以明显减缓劣化速度。而对振动检测而言，一方面早期故障引起的振动响应较小，另一方面也存在的背景噪音干扰的影响，因此针对早期故障有必要研发新的测试技术。

叶片检测发展趋势

一家新能源设备保险公司统计，根据美国市场出险统计，叶片损坏和齿轮箱损坏是风机出险的两大原因，各占41.4%和 35.1%。叶片常见的故障类型有叶片裂纹、开裂分层、叶片积冰、不平衡和雷击等。叶片由于生产过程的质量缺陷、长时间运行磨损和叶片的振动激励，都可能引起叶片的开裂分层和裂纹。带有裂纹和开裂分层的叶片长期运行严重影响风机的叶片甚至整机的安全，叶片事故带来的二次事故危害巨大。目前对风场条件下叶片的检查主要通过望远镜、无人机或者吊篮进行目视检查，辅以应变测试法、加速度测试法、声发射测试法和激光测距法等在线监测方法。但由于风电叶片恶劣的工作环境和复杂的材料特性，一款经济、可靠、易于安装、能够监测多种叶片失效模式的叶片状态监测产品成为叶片在线监测的发展趋势。

油液检测发展趋势

良好的润滑油状态可以明显减小齿轮箱故障。齿轮箱润滑油运维需要注意油液温度，油液颗粒数，油液水分和油液添加剂含量和粘度等。润滑油的粘度影响油膜厚度，粘度随着油温变化。温度升高，粘度降低，油膜厚度减小。由此接触区域的疲劳损坏会有所增加，进而减小齿轮箱的寿命。高油温还会带来油的加速氧化和使用寿命缩减。润滑油温度应该持续监测，如果油温超出报警值或者即使没有超出报警值，但油温不明原因在短时间内异常波动，也需要引起高度关注，查明起因。目前一般采用定期采样离线试验室检查润滑油的清洁度、水分含量、粘度和添加剂含量等，离线监测覆盖指标全、检测精度高，监测结果相对于齿轮箱实时状态具有一定的滞后性。目前有油液在线颗粒技术计等产品对进行油液实时监测，便于现场及时掌握齿轮箱的润滑和磨损状态。离线和在线油液监测相结合，一方面可以对润滑状态进行评价，另一方面可以利用油中磨损金属颗粒分析，进行磨损故障诊断。

风机健康状态大数据分析发展趋势

风电大部件健康状态各种监测技术，均从不同方面对风机的健康状态进行了评估，传统上风机状态数据挖掘中，因果分析和逻辑推理是最重要的研究方法。但由于风电机组中从环境参数、工况参数到风机状态参数均有一定的复杂、多变的特点，且各因素之间相互耦合，因此单纯依赖某几项状态监测参数进行风机健康状态评估，始终存在一定的偏差。这就要求多种监测技术的相互融合，利用大数据方法，从海量的数据进行统计性的搜索、比较，进行风机健康状态的关联分析。

目前风机各监测系统获取的设备信息，往往相互隔离，在设备故障诊断中容易成为信息的孤岛。这一方面因为各个厂家的监测系统常常互不兼容，存在着信息壁垒。另外设备的健康状况评估过程中，还存在着大量的事件记录，图片记录等非结构化数据。虽然这些信息对风机状态评估有重要的指导意义，但是这些数据如果未经预处理，仅仅依靠人工方式处理，不能满足风电机组大数据分析的需求。适应大数据对风机健康状态评估和劣化趋势分析的要求，首先需要整合风机健康状态的核心运行数据和监测数据。只有在核心数据整合的基础，才能逐渐延伸至外围数据乃至非结构化数据，实现数据基础从有限样本到云数据的转变，实现从单纯因果分析到关联分析多种分析方式的转变，实现静态回顾历史到动态实时分析的转变。

基于同一平台的多种风电状态监测技术融合

江苏华创光电科技有限公司从风机状态大数据分析出发，利用统一软件平台开发设计了涵盖风机轴承、齿轮箱、机舱、塔筒、叶片和油液的监测技术。风机状态监测系统CMS 可采集轴承、齿轮箱、机舱、塔筒的振动信息，并能采集风机转速、发电机功率和轴承温度等信息。遵循OPC标准开发服务器及应用软件接口，采用 SOA（面向服务架构）设计系统为与风机SCADA系统的集成提供了一个标准方案。该风机状态监测系统可获取工况信息及控制状态信息，并将机组变桨及偏航等信息作为状态评估的重要依据，显著提高了风机状态评估的准确性。该风机状态监测系统作为监测平台，具有模块化设计的特点，可以根据不同需求进行个性化定制和扩展。

针对风电轴承早期故障，采用“声振一体传感器”进行监测分析。材料在发生应变时有应变能释放，其中一部分以应力波的形式传递出来，这种以弹性应力波的形式传递的现象叫做声发射，也叫应力波发射。滚动轴承发生的碰撞摩擦现象时，轴承材料释放声发射信号。对该声发射信号进行采集监测，不同于采用传统加速度、速度和位移传感器对结构振动的监测。相比而言，振动信号属于低频信号，而声发射本身属于几十千赫兹以上的信号。因此可以与一般冲击引起的低频信号相区分，因此在低转速、早期故障的轴承诊断中具有一定的优势。

江苏华创光电科技有限公司研发的“声振一体传感器” ，不仅可以采集振动信号，还可以采集声发射信号，结合了声发射和振动传感器的优点。传感器采用特殊工艺加工而成，灵敏度远高于传统的加速度传感器及声发射传感器，具有带宽大，灵敏度高的特点。在轴承座支撑部位上安装声振一体传感器可较为准确的获取轴承磨损、剥落、裂纹等故障信息。特别对于早期轴承故障监测和劣化趋势分析具有重要应用价值。

基于相同软件平台开发的风电叶片监测系统，可以对叶片进行动平衡监测、覆冰监测、叶片损伤监测，对叶片的早期故障进行及时预警，提醒进行必要修复。在叶片发生严重故障时，可实施报警停机。实时监测叶片的覆冰状态，辅助风机和除冰设备启停机时机判断。设备采用电容式加速度传感器，有良好的低频响应特性。软件的自学习功能，对叶片历史振动数据进行大数据分析，从而判定叶片在不平衡、裂纹和覆冰状态下的模态异动。

齿轮箱油液在线监测系统可实时监测油液水分含量、氧化值、粘度和颗粒量等。另有温度传感器对润滑油异常温升进行持续监测。齿轮箱油液在线监测不仅提供油液实时状态和性能变化，而且对齿轮磨损状况能实时提供故障诊断依据，及早发现并预报突发性故障，避免重大事故的发生。

结束语

风机状态在线监测向着智能化方向发展，要求对风机各主要部件均能全面的监测。故障诊断也在从事后故障诊断向早期故障预警方向发展，声振一体传感器为振动监测故障诊断提供了有效补充。风机部件的劣化趋势预报，要求综合分析机组的轴承、机舱、塔筒、叶片振动数据，并结合油液状态和风机运行参数、维护事件记录等信息，提高预判的准确度。基于统一软件平台的多种监测技术融合，为风机健康状态的大数据分析提供了技术基础。