风力发电系统的风机齿轮箱故障预测研究

风力发电系统的风机齿轮箱故障预测研究

盖兆明

深能南京能源控股有限公司江苏南京211225

[摘要]近年来，风力发电系统技术得到了更为广泛有效地推广应用。然而有时由于风向、风速大小和其他一些外部影响因素等引起风电负荷不很稳定，就必然缩减发电设备系统的工作寿命，这无疑大大地影响到了其电能质量。

[关键词]风力发电系统；风机齿轮箱；故障预测

随着我国风电装机容量的迅速增加，当风机不能或不能避免风机在实际运行中频繁出现运行故障时，为了迅速弥补风机故障造成的机组损失，采取了以下应急措施：正常机组的风机一般采用启动、长期维护、运行和日常维护的运行方式，风机开始运行后，未定期连续对风机进行至少2500万小时或50亿小时的日常维护，风机的正常运行状态准确，未进行定期连续维护和长期维护，问题可以查明。

1风机齿轮箱介绍

1.1二级斜齿

它时至今日仍是一种最被常用到的高级齿轮箱结构类型轴承之一。这种新型轴承结构和设计原理相对于更趋于简单，可以设计用来单独配备为一个通用结构的高级齿轮箱，与许多其他的专门被用于单独设计轴承尺寸的普通的齿轮箱机构型相比，价格同样又会可以获得一些相应的程度上降低。在使用这种轴承结构装置过程中，轴向两端之间也要至少有这样的一个相对安全的距离，这一端又必须不是直接地与主发电机轴向是同轴平行安装固定的。

1.2斜齿加行星轮结构

由于倾斜齿增速轴轴必须至少要经过机舱一定的宽度的水平距离，因此整个机舱面积都被进一步地扩大起来了。另一种齿轮结构形式也是采用类似于行星轮设计的结构。行星轮设计通常看作是另一种齿轮紧凑型设计结构，比大多数采用同一结构类型的变速型齿轮所设计生产的倾斜式行星齿轮成本更加合理便宜，与其他普通的变速式行星齿轮设计相对应同时它又往往具有保持着更高水平的效率。

2风机齿轮箱故障预测难点及原理

2.1风机齿轮箱故障预测困难

风SCADA系统设备在收集数据信息后实施的实际运行状态管理、监测分析和过程控制根据实际环境参数所设定出来的风机的实时状态的风机运作中的各种条件参数和参数，风机运行实际环境的风机实际运行时的实际状态参数所进行风机的状态实时监控分析及回归预测模型风机参数的精确选用根据风机可变齿轮轴的断裂等特征，选择风机回归的预测模型警务，设定门槛，直接相连，因此预测模型的选取具有准确性的风机系统的变速箱故障的回归预测系统难度之一就主要在于如何正确寻找参数并正确设计一个非线性的回归预测系统模型，齿轮箱故障的预测系统模型中的风机转速参数相对精度较高。

2.2风机齿轮箱故障预测原理

针对以上这两天主要技术难题，风力驱动发电系统设计所用的风机齿轮箱故障的温度预测的模型原理可分别理解为：从风机齿轮箱油罐中提取又积累了的一定的数量的温度数据及其和驱动风扇故障数据之间存在的各种相互转化关系，基于该温度数据即可进行对驱动风扇电机发生的驱风扇故障温度的温度预测，首先仅通过选择这些温度变量数据就基本可以比较准确地反映出风机齿轮箱油温泵的在正常运转工作时和运行状态时的运行特点，然后为风机正常运行工作状态回归后的风电齿轮箱油温的预测建立出了一个回归的预测回归模型，建立回归后的预测回归模型系统就能提前知道预测回归模型后给出的风机齿轮箱油温的预测和下一个回归时刻，然后可以通过模型对比风齿轮箱故障预测的实际故障发生幅值之和及与回归模型前给出的实际故障预测值和之间可能产生较大的残差，应用残差控制回归模型时若系统检测发现的残差幅值长时间都未超过故障处在预警值范围限内且又无车辆越过该故障预测报警界线，则系统即可准确认为这是一个齿轮箱故障并出现并在进入异常的运行工作状态，从而基本消除或者实现消除了该故障预测可能带来的潜在影响。

3风机齿轮箱故障预测算法

3.1皮尔逊相关系数

在建立模型预测模型过程研究的研究中，特征变量样本的有效准确地选取问题又应当是作为最后一个环节比较值得重要去考虑研究的重要研究的环节，主要强调的一点是应该在从众过多地选择了的某几个有效特征变量样本中准确的选取出来其中最有效选取的就是某几个有效特征变量样本作为建立模型预测模型研究中问题的最主要可解释问题的变量一方面，特征变量样本如果被选取了的话太多的话则又很容易地造成了出现一而过的拟合问题的现象，另一方面，在模型样本数量又不是那么大很多的一般实际情况条件的条件下，选取每一个需要过多的选取量的特征变量样本以进行对模型参数的预测，不管这是从实际建模或者计算分析中存在的各种问题和复杂问题的复杂程度上来说还是在模型性能评价的多个角度上来讲它都是最可能不适宜用于预测结果的，因此对模型特征变量进行筛选所能最终取得的结果其好之与是坏也就会直接地间接关系影响到最终模型结果的实际可预测性能和效果。由于使用皮尔逊方法的相关系数算法具有收敛变得很快，可重复解释和性能很好等多方面的许多优良设计特点，能同时很好地和可很快而准确的筛选出那些具有与模型的期望收敛和预期输出的性能相关度小于过大值的特征变量来确定作为模型的输入型特征变量，因此我们推荐选择采用皮尔逊方法的相关系数方法用于对模型特征变量的进行筛选。

3.2支持向量回归

支持向量机学习系统（SVM）学习系统是由一个在基于统计的学习机器理论研究中的VC维理论的基础研究和基于结构风险的最小化原理框架的研究的基础研究上所逐渐地发展而成长起来得了的另一种学习机器，它是将根据最有限的样本信息来在学习模型的复杂性程度和学习能力水平之间所进行的寻求的一个最佳的折中过程中，以达到能够获得的更有良好学习效果的学习模型推广能力。而支持向量回归系统（SVR）则实际上应该是仅指用于直接在解决向量机回归问题方面研究的另外一种支持向量机，是指对现有的支持向量机结构方法的另一种综合和改进。在用于解决各种非线性系统问题方面，支持的向量线性回归向量机理论就是通过利用给定一个向量非线性系统映射函数来先将一线性样本空间直接映射回到某一较高维上的向量线性空间，然后再通过函数在此向量空间内部构造向量线性分类器函数或向量线性回归器函数。它的还包括简化和降低改善了求解计算求解问题时的求解系统的复杂化的程度，提高或改善了运算求解过程的计算求解的精度范围及计算求解问题收敛计算的速度，比较理想地适用于对那些有像大型海上风电机组等这些问题具有较复杂的非线性、高的计算系统复杂性度要求等这些重要物理特性要求时的求解计算系统。因此还可带选择性地用来支持用向量回归理论方法建立的齿轮箱油温度的预测模型。

3.3统计过程控制

统计与过程实时控制方法（SPC）就是一种能够借助先进数理及统计控制方法应用的先进过程动态控制研究工具，主要任务是指企业在企业生产运行过程监控中综合应用大量统计信息分析研究技术并对全过程各个控制阶段参数进行全面实时监控，利用各过程状态波动中的一些统计与规律性数据对各种过程动态进行全面分析及控制，科学快速的定量区分判断出生产经营过程监控中常见的一些随机状态扰动点与过程异常地扰动，发现各类过程监控异常进行及时预警。

4结束语

皮尔逊相关系数的收敛运算速度快，可重复解释性比较好，支持的向量回归的计算模量偏小，泛化收敛能力更强，统计与过程优化控制可以较为科学细致地去区分求解过程中常见的各种随机扰动与随机异常扰动。

参考文献

［1］王瑞闯，林富洪．风力发电机在线监测与诊断系统研究［J］．华东电力，2009，37(1):190－193．

［2］王杰，曹道帆，蓝兴英，高金森．用于催化裂化装置产率预测的Filter－Wrapper特征变量选择方法［J］．化工学报，2017．

［3］张舰，李郁侠．风电机组齿轮箱温度预测中输入变量的选择及仿真［J］．西安工业大学学报，2015，35(4):340－344．