李鹏欢
内蒙古龙源蒙东新能源有限公司 内蒙古自治区 赤峰市 024000
摘要：随着国内风力发电的发展，风力发电机(风机组)快速增多，但风机故障诊断系统的相对落后导致了国内风机的维护成本居高不下，造成了严重的经济损失。据统计，内陆型风机组齿轮箱的维保费用占据单位电价的１０％~１５％，离岸型的比例更是达到了２０％~２５％。因此开发风机齿轮箱故障诊断专家系统，对风机长时间保持常态运行以及及时准确的故障诊断排除和设备维护有着重要意义。
关键词:风力发电机齿轮箱；故障诊断；小波算法
一、风力发电机组齿轮箱结构
1.1风力发电机组齿轮箱结构。主要包括齿轮箱箱体、齿轮传动部件、轴承及配套的润滑系统。传动部件包含行星架、输入轴、太阳轮、行星轮、内齿圈、中间轴和输出轴。根据动力传动方式的不同，齿轮箱的结构可分为定轴齿轮传动、行星齿轮传动，以及两者的组合传动形式3大类。其中齿轮箱的箱体为齿圈轴提供支撑，把叶轮的转动力传递给输出轴，承受着内部和外部多个载荷；齿轮箱内部包含3行星轮和两级定轴齿轮传动。一级行星齿轮传动加二级定齿轮传动齿轮箱结构，如图1。
.png)
1.2风力发电机齿轮箱工作机理。叶轮在风的作用下转动，其轮毂转动带动齿轮箱的输入轴，进而带动行星架转动。行星与轮箱体上的内齿圈以及太阳轮啮合，在实现自转的同时又能实现公转，完成第一轮增速；然后太阳轮带动同轴大齿轮和中间轴上的小齿轮啮合转动，进而完成第二级增速；中间轴和输出轴的齿轮啮合转动形成第三级增速。通过三级增速，能以100的传动比带动发电机发电。
二、系统框架设计
本文主要设计和实现一种风机齿轮箱故障诊断专家系统，该系统的组成如图2所示。系统由硬件和软件两部分组成。硬件部分有振动传感器、转速传感器、电压转换电路与数据采集卡。其中，转速传感器采集的转速信号用于计算一倍频。软件是构成该系统的重要组成部分，采用Matlab和Labview来开发。其中软件部分的主要模块功能如下：
1传统时频域分析模块。如Hilbert包络谱分析、功率谱分析等，可以用来初步判断风机齿轮箱的故障位置。2现代分析模块。利用小波包分解技术将信号中的高低频信息分解出来，得到不同频段的信号。将不同频段信号的尺度因子和小波系数进行重构，再求出重构后不同频段的能量值，用不同频段能量值在总能量中占的比例组成特征向量作为神经网络模型的输入。通过BP神经网络完成输入和输出的非线性映射，实现运行状态的智能识别。
.png)
三、常见的风力发电机齿轮箱故障
在风力发电机齿轮箱内，不只是存在齿轮整个部件，当然故障也不只是出现在齿轮身上，复杂的齿轮箱内部结构发生故障的出处，缘由复杂，这无疑对故障的检测以及识别都加大了难度，如果检测诊断不准确或者是不及时，将会引发更多的异常现象，齿轮箱甚至风力发电机也难以继续正常运行。一般来说，任何一个齿轮箱的部件有问题的时候其振动信号都会表现出对应的特征反应，相关专业人士按照这一振动信号就可以较准确地判断出齿轮箱故障出现于何处及其具体的类别。
3.1轴承方面的故障
轴承是齿轮箱运行中负荷的承担者，也是高发故障的齿轮箱中高发故障的部件，该部件主要分为与轴安装在一起随着轴转动的内圈、外圈以及在内外圈之间来回滚动的滚动体三部分。通常情况下，轴承方面容易出现轴承疲劳、轴承磨损、轴承变形和轴承断裂的故障。
3.2齿轮方面的故障
纵观各方位，齿轮方面有两大类故障，一是故障恰巧出现在具体一个齿上的局部故障，二是各个不同的齿上都存在或大或小的故障的分布式故障。一般来说，其分布式故障更多是齿轮断裂、齿轮胶合、齿轮点蚀和齿轮磨损等的故障。
四、风力发电机常用故障诊断方法
国内国外对风电系统故障的检测诊断方面都展开了相对应的研究，尤其是在目前人工智能被广泛运用于可再生能源技术方面的现状下，本文介绍为小型设备和不复杂的故障排除有效的传统方法、常用的信息融合技术方法以及模仿动物的神经网络行为特征的神经网络方法。
4.1传统方法
传统的较原始的诊断机械系统故障就是利用频谱分析方法处理，即借助傅里叶级数利用相关信号特征为基础，特别是振动信号和功率信号，检测故障。频谱分析方法或者是传统的诊断故障方法主要针对参数、故障以及设备相对单一的对象，而随着人们的需求以及故障的多变复杂，这些方法已然难以适用。
4.2信息融合方法
就目前的技术以及需求来看，信息融合是在风力发电机齿轮箱中诊断故障比较有效的且普遍使用的技术，在我国也有相关研究人士提出了针对更好的稳定性、更广阔的时空覆盖区域以及更强的故障容错和系统重构能力等的需求匹配了具有相应特点的信息融合技术，将该技术应用在故障监测和诊断中，达到了不错的效果。
4.3神经网络方法
该方法是相对敏感的一种方法，对动物的神经网络行为特征进行一定程度的效仿，在利用分布式并行信息处理的算法数学模型对其进行合理地有经验地计算以及掌握，只有了解到相关故障的内在联系，才能更好地实现信息得到良好的处理的目的。而神经网络则是更人性化并细节地利用模型众多节点进一步掌握其内部联系，同时神经网络也逐渐被越来越多的人接受，并成熟地发展出许多类似于小波神经网络以及BP神经网络等的分支。据长久使用的经验所知，其之所以得以广泛推广运用，不只是因为其可以有效地识别并诊断故障，更是因为其通过对复杂的信号进行处理并进行有效的分类为相关工作人员带来许多便利，尤其是对一些难以有规律可循但又较致命的故障的诊断而言，实为不错的选择。
五、结束语
风机齿轮箱故障系统应当首先采集相关的振动信号并进行小波降噪，其次将小波包换算成可靠科学的故障特征值，最后在已经建构好了的BP神经网络模型中对其展开运行状态的智能识别工作，据此可了解到风机齿轮箱的正常、磨损、断齿或者点蚀的运行状态，进而达到风机齿轮箱的智能故障诊断的目的。
参考文献：
[1]谢源,焦斌.风力发电机组状态监测系统与故障诊断方法研究现状[J].上海电学院学报,2010,13(6):328-333.
[2]杨锡运,关文渊,刘玉奇,等.基于粒子群优化的核极限学习机模型的风电功率区间预测方法[J].中国电机工程学报,2015,35(S1):146-153.
[3]方蔚涛,马鹏,成正斌,等.二维投影非负矩阵分解算法及其在人脸识别中的应用[J].自动化学报,2012,38(9):1503-1512.
[4]张树忠.风力发电机齿轮箱故障诊断系统的设计与实现[J].福建工程学院学报,2018,16(6):516-519.