猜你喜欢
风电机组振动监测、故障诊断与寿命预测

风电机组振动监测、故障诊断与寿命预测

书籍作者:滕伟 ISBN:9787111735571
书籍语言:简体中文 连载状态:全集
电子书格式:pdf,txt,epub,mobi,azw3 下载次数:7252
创建日期:2024-05-10 发布日期:2024-05-10
运行环境:PC/Windows/Linux/Mac/IOS/iPhone/iPad/Kindle/Android/安卓/平板
内容简介
本书详细介绍风电机组的振动监测、故障诊断与寿命预测的基础理论、相关方法及工程应用。主要内容包括风电机组结构及运行控制、风电机组振动监测基础、风电机组传动链故障特征提取、风电机组群的智能故障诊断及风电机组轴承的剩余使用寿命预测方法。
本书注重理论联系实际,书中通过大量风电场的故障案例对相关方法进行了验证,适合从事风电设备状态监测与故障诊断工作的研究人员使用,也可以为风电场技术人员提供运维参考。
前言
过去十余年来,为应对化石能源短缺和环境污染等问题,风力发电在世界范围内得到了迅猛发展。自2012年开始,我国风电总装机容量一直处于世界领先地位,十余万台风电机组矗立在全国各地,源源不断地向电网注入绿色电力。新形势下面对气候变化与二氧化碳排放压力,我国于2020年提出“30·60”双碳目标,即二氧化碳排放达到峰值的时间力争控制在2030年前,努力争取2060年前实现碳中和。风能具有清洁、可再生等特点,将成为实现碳达峰、碳中和目标的支柱能源之一。
风电机组是风能到电能转换的载体,受随机风载荷激励、极端温差等恶劣环境影响,其核心部件,如叶片、齿轮箱、发电机等,故障率较高。由于运行于高空,地处风资源丰富的偏远地区或海洋,风电机组的检修维护存在较大难度。风电机组核心部件的故障会导致较长的停机时间,造成较大的发电量损失。
振动监测是发现机械传动部件故障的有效手段,风电机组这类结构复杂、远程集群运行的设备对振动监测的需求更为强烈。结合风电机组结构参数与运行规律,振动监测、诊断与寿命预测技术可以辅助发现风电机组早期故障,探明故障机理,预测核心部件的失效时刻,为风电行业的预知检修维护提供依据,对于避免更为严重的故障、降低风电场经济损失具有重大的现实意义。
然而,由于风电机组自身特点,针对其进行振动监测与精确故障诊断存在挑战,主要表现在:①风电机组传动链由多组齿轮、轴承等部件组成,低速部件的各故障特征频率之间、特征频率与调制成分之间存在极为接近的情况,难以区分故障部件;②齿轮箱中各传动轴旋转频率跨度大,高速级的振动能量容易掩盖低速齿轮或轴承的故障特征,低速部件的诊断存在困难;③风电机组是典型的机电液一体化设备,运行中的电气特性可能干扰机械部件的故障特征提取,增加诊断难度;④风电机组处于变速、变载荷运行工况,准确构建排除载荷干扰的健康指标用于寿命预测是目前的研究热点。应该讲,风电机组振动监测、故障诊断与寿命预测的研究涉及振动机理、信号处理、工程优化、机器学习等学科的交叉融合,既依托于学术前沿,又具有重要的工程价值。
目前,基于振动的状态监测系统(condition monitoring system,CMS)成为主流风电机组的标准配置,为本领域的研究提供丰富的数据来源,同时也反映出设备商与运营企业对风电机组故障诊断与寿命预测技术的重视。研究团队经过十余年的积累,对风电行业拥有了深刻的认识,出版本书旨在探讨风电机组常见故障机理,分析不同部件故障特征提取与故障诊断的适用方法,给出核心部件的剩余使用寿命预测手段,为风电机组的状态检修与预知维护提供参考。
得益于华北电力大学这座培养了众多电力人才的高等学校,作者在风力发电领域的研究与工程实施进展顺利,保证了本书内容的丰富翔实。在风电机组故障诊断方面,博士生李状、张博、硕士生史秉帅、马海飞等做了较多工作;在寿命预测方面,博士生黎曦琳、硕士生马玉峰、张晓龙、黄乙珂等进行了多种方法的尝试,并取得了一些实际的应用效果。感谢龙源电力集团股份有限公司的陈铁、华润电力风能有限公司的张阳阳与邵德伟、北京英华达电力电子工程科技有限公司的吴仕明与唐诗尧、山东中车风电有限公司的刘海晨等为本书的研究所提供的素材及来自现场的众多反馈验证。
本书各章节的安排如下:第1章论述了风能产业的特点,介绍了多种适用于风电机组不同部件的状态监测技术,并综述了传动链的故障诊断方法,最后提出风电机组振动诊断与预测中的技术难点;第2章介绍了风电机组的总体结构、常见的传动链结构,分析了风电机组的运行控制原理,便于读者对风电机组的运行过程具有宏观的认识;第3章是风电机组振动监测的基础,内容包括传动链失效原因,齿轮与轴承在故障状态下的振动机理与故障表征,不同结构风电齿轮箱中部件故障特征频率,分析了风电机组传动链离线/在线振动监测系统及相关参数,并介绍了国内外风电机组的振动评价标准;第4章涵盖风电机组传动链故障特征提取的多种方法,既涉及频谱、包络、倒频谱等经典技术,也包含应对传动链诊断难题的相关算法和提高诊断效率的自适应方法;第5章针对风电机组部件众多、故障多样的问题,提出了无监督学习的故障识别方法,在已知故障类别的基础上识别新类,具有较高的工程价值;第6章以风电机组中的轴承为对象,探讨了轴承的健康指标构建方法和模型与数据结合的寿命预测方法,并通过实际风电机组轴承剩余使用寿命数据予以验证。
本书内容集中了作者在风电机组故障诊断领域多年的研究成果,分析了大量的现场案例,可以为风电场的实际运维决策提供参考,也有助于研究者在本领域内新思路、新方法的启发。由于作者水平有限,书中难免存在不足之处,敬请读者批评指正。

滕伟于北京前言
目录

第1章绪论1
1.1风能产业与特点概述1
1.1.1风能产业发展概述1
1.1.2风电机组故障诊断与寿命预测的
意义3
1.2风电机组状态监测技术4
1.2.1振动监测技术5
1.2.2油液监测技术6
1.2.3无损检测技术7
1.2.4不平衡状态监测技术8
1.2.5基于模态分析的状态监测技术8
1.3风电机组传动链故障诊断方法9
1.3.1风电齿轮箱故障动力学模型9
1.3.2变转速工况下故障特征提取10
1.3.3故障信息增强方法11
1.3.4智能故障诊断方法12
1.3.5风电机组关键部件寿命预测
方法12
1.4风电机组振动诊断与预测技术难点13
1.5风电机组监测、诊断技术发展的
关键14
第2章风电机组结构及运行控制16
2.1风电机组总体结构16
2.2双馈机组传动链结构18
2.3直驱机组结构20
2.4半直驱机组结构21
2.5风电机组运行控制原理21
2.5.1风力发电的空气动力学模型21
2.5.2风电机组的控制技术27
第3章风电机组振动监测基础36
3.1风电机组传动链失效原因36
3.1.1交变载荷引起的疲劳损伤37
3.1.2过载引起的损伤37
3.1.3维护不当引起的故障39
3.2齿轮、轴承故障状态下的振动机理40
3.2.1齿轮故障振动调制机理40
3.2.2轴承故障振动调制机理41
3.3风电齿轮箱故障特征频率42
3.3.1一级行星+两级平行结构齿轮箱
特征频率42
3.3.2二级行星+一级平行结构齿轮箱
特征频率43
3.3.3行星级各齿轮故障特征频率44
3.3.4定轴轴承故障特征频率45
3.3.5行星轴承故障特征频率45
3.4风电机组传动链振动监测系统46
3.4.1在线振动监测系统46
3.4.2离线振动监测系统49
3.4.3振动采样频率的确定50
3.5风电机组传动链振动评价标准50
3.5.1风电检测认证及振动测试标准50
3.5.2风电机组振动评价标准51
第4章风电机组传动链故障特征
提取53
4.1振动信号基本分析方法53
4.1.1时域分析53
4.1.2频域分析53
4.1.3包络解调分析54
4.1.4倒频谱分析54
4.2行星部件故障特征提取55
4.2.1行星轮系局部故障56
4.2.2行星轮系分布式故障57
4.2.3行星轴承故障73
4.3风电齿轮箱典型故障特征提取73
4.3.1中间轴小齿轮崩齿故障73
4.3.2高速轴齿轮故障74
4.3.3齿轮、轴承复合故障75
4.4发电机轴承故障特征描述与提取84
4.4.1轴承润滑不良84
4.4.2轴承电腐蚀故障85
4.4.3轴承打滑跑圈故障87
4.4.4发电机轴承保持架故障87
4.4.5电磁振动下发电机轴承故障88
4.5自适应故障特征提取97
4.5.1自适应特征提取方法98
4.5.2基于经验模态分解的齿轮故障
特征提取102
4.5.3基于经验小波变换的轴承故障
特征提取109
4.6风轮不平衡故障特征提取112
第5章风电机组群智能故障诊断116
5.1智能故障诊断基础116
5.1.1有监督学习的模式识别原理116
5.1.2无监督学习的模式识别原理119
5.1.3两种模式识别方法的比较120
5.2基于自适应共振神经网络的风电机组
趋势分析120
5.2.1ART2神经网络结构120
5.2.2ART2神经网络学习算法121
5.2.3基于ART2神经网络的发电机
轴承健康趋势分析124
5.3结合ART2神经网络和C均值聚类的
机组群智能诊断128
5.3.1ART2神经网络算法存在的
问题128
5.3.2C均值聚类算法129
5.3.3结合ART2神经网络和C均值
聚类的分类算法129
5.3.4风电机组设备群故障诊断130
5.4基于模糊核聚类的风电机组故障
诊断133
5.4.1模糊核聚类算法133
5.4.2优化模糊核聚类算法137
5.4.3基于模糊核聚类算法的故障
诊断139
5.4.4风电机组故障诊断案例142
第6章风电机组轴承剩余使用寿命
预测146
6.1风电机组轴承剩余使用寿命预测基本
概念146
6.2基于神经网络滚动更新的风电齿轮箱
轴承剩余使用寿命预测147
6.2.1短期趋势预测的神经网络148
6.2.2剩余使用寿命预测流程148
6.2.3案例分析149
6.3基于改进无迹粒子滤波的发电机轴承
剩余使用寿命预测156
6.3.1贝叶斯滤波156
6.3.2剩余使用寿命预测流程160
6.3.3案例分析160
6.4基于特征融合与自约束状态空间估计的
轴承剩余使用寿命预测166
6.4.1轴承健康指标构建166
6.4.2自约束状态空间估计器169
6.4.3案例分析172
参考文献182