基于k邻近度异常检测技术的风电机组故障预警方法研究

基于k邻近度异常检测技术的风电机组故障预警方法研究

0故障诊断应用技术研究可变旋转和可变负荷是电气工程与其他旋转机械之间的主要区别之一。由齿轮、轴承等易损件构成的风电齿轮箱由于经常受到交变载荷、冲击载荷的影响,且部件间耦合性较强,所以使得齿轮箱成为风电机组故障率最高的功能系统之一。振动分析作为风电机组直接、有效的故障分析手段,在变工况条件下难以实现故障状态的精确判别。目前为止,国内外学者已经开展了大量变工况条件下设备故障诊断的研究。何正嘉等利用小波包频带能量监测、小波包自回归谱分析等方法实现了大型旋转机械变工况条件下设备故障的动态分析与监测诊断;吴强等提出以小波变换和独立分量分析相结合的诊断方法,实现滚动轴承的早期故障诊断;别锋锋等提出了一种基于非平稳振动信号局域波分析和支持向量机的故障预测方法;Behrad等利用神经网络和K-均值聚类方法对齿轮正常模式、磨损模式和断齿模式进行了识别。综上所述,目前对风电齿轮箱状态监测与故障诊断的研究主要为利用先进的数据挖掘手段、信号处理技术进行故障识别和诊断,而对故障预警技术的研究却相对较少。本文采用基于k邻近度异常检测技术的风电机组故障预警方法,实现风电齿轮箱早期故障预警。1等时间间隔采样为克服传统有无量纲幅域参数与能量有关,或与能量无关但只是定性分析的缺点,本文构建了基于整周期采样的新量纲一幅域参数:重复性描述因子、相似性描述因子、跳跃性描述因子,定量分析与故障有关的波形形状信息,能够较好地反映变工况下风电齿轮箱的故障发展趋势。传统的等时间间隔采样,无论转速的高低均采用相同的采样频率,不能保证振动信号的整周期特性,往往造成频率混叠和能量泄漏,难以准确地反映变工况设备非平稳状况下的运行特征。为满足新量纲一幅域参数的整周期特性,准确地反映变工况设备的运行趋势,引入阶比重采样理论对原始时域振动信号进行重构。1.1号转时阶比采样技术阶比分析方法源于角域重采样理论,阶比角域重采样理论关键在于实现非平稳信号的等角度采样,将时域的非平稳信号转化为角域平稳信号或准平稳信号。目前国内外在阶比重采样技术方面的研究主要分为两大类:一类是采用键相装置的硬件式阶比跟踪;另一类是计算阶比跟踪(COT)。硬件式阶比跟踪实时性较好,但设备昂贵、安装不便,应用范围受到限制;而计算阶比跟踪技术采用软件算法来实现等角度采样,通过对算法的优化可以获得很高的计算精度。1.1.1风电机组变转速过程中等间隔离散时域测量的基本计算公式计算阶比跟踪就是同步采集拾取旋转机械振动信号和转速脉冲信号,然后根据转速脉冲信号计算每转内插入的阶比重采样时刻实现振动信号的重采样,从而得到平稳角域信号。风电机组运行工况可分为满负荷恒速运行和变速运行两种工况,由于变桨功能的作用风电机组转速变化相对平稳,可以将风电机组变转速过程简化为匀角加速度运行过程,即角加速度恒定。对等间隔离散时域信号进行阶比重采样,首先要计算等角度发生的时刻序列,由于假设风电机组变速过程为匀角加速度的变速过程,故转过的角度θ可表示为式中,b0、b1、b2为待定系数。已知连续三个脉冲的到达时刻t1、t2、t3,鉴于风电机组主要是采用电涡流转速计测量转轴上面的螺栓突起成分以获得键相脉冲信号,故设定两个脉冲之间转过的角度Δθ=2π,则有重采样时刻的基本计算公式为式中,tk为转角位置θk所对应的时间。将式(2)代入式(3),求解系数b0、b1、b2并将其代入式(1),可得任意转角θ下所对应的时刻t。由于风电机组等时间间隔采样频率较高,且机组在线故障预警要求算法具有一定的时效性,因此本文采用线性插值的方法对重采样时刻进行数值插值,获得重构后的平稳角域信号。1.1.2转子升速过程风电场3s内转速的变化较小,本文仿真了转速在3s内由1100r/min至1200r/min的转子升速过程,振动频率成分包含转频及其2~3倍谐波频率,采样频率fs=1024Hz。仿真已知转速变化曲线,通过对角速度曲线在仿真时间内进行定积分获得角度函数,计算重采样时刻并采用线性插值的方法重构平稳角域信号,如图1所示。1.2根据新标准1的参数趋势，生成新标准1的故障特征1.2.1均重复及差分编码重复性描述因子Rf利用模式识别中的链码技术将重复波形平均差分为标准波形分别与各段差分波形比较,其中定义平均重复波形和差分波形具有整周期特性的角域信号n×m(即对设备共采样n个周期,每个周期内均匀地采样m个点),可得数据为{X11,X12,…,X1m;X21,X22,…,X2m;…;Xn1,Xn2,…,Xnm},每个m行向量(X11,X12,…,X1m)可以看作一个角域序列,角域序列平均重复波形定义为{ue0af1,ue0af2,…,ue0afj,…,ue0afm},其中,xij为第i行序列的第j个数据,j=1,2,…,m。其差分波形定义为{ΔX1,ΔX2,…,ΔXm-1},则重复波形平均差分为{Δue0af1,Δue0af2,…,Δue0afj,…,Δue0afm}。采用链码技术对波形差分的符号进行编码:0向表示差分为负即波形下降;1向表示差分为零即波形平走;2向表示差分为正即波形上升。分别对平均重复波形编码进行比较,得到编码不同点的数目k,则重复性描述因子为相似性描述因子Ff利用计算分形锥度得到。为了降低对幅值变化的敏感性,需要将数据进行标准化处理,其公式为式中,xλ(ti)为ti时刻下的记录幅值;xλ(j)max为时间序列中记录幅值的最大值,j=1,2,…,n;q为比例放大因子,一般取整数,可根据经验确定,q>1。分形锥度盒维数要求覆盖单元具有自相似性,并要求曲线具有严格的自相似性,广泛应用于振动信号检测中。设F是实数集合R中任一非空有限子集,记N(F,δ)表示最大直径为δ且能覆盖F集合的最小数,则F的盒维数定义为即取相似性描述因子Ff=dimBF。跳跃性描述因子Jf描述振动波形的跳跃性,从本质上反映波形的幅度调制。通过式(5)对波形进行标准化,对标准化后的波形x′i计算方差式中,x′ip、ue0af′分别为待处理数据每个序列的极小值和平均值。即取跳跃性描述因子Jf=Dx。1.2.2稳定性测点结果以新疆达理风电场某1.5MW风电机组为例,通过2012年9月底的二年检记录发现某轴承已经发生严重磨损,该轴承测点振动历史数据从2012年8月中旬开始出现异常变化。截取该测点8月份振动历史数据及风速数据,随机选取8月份30个随机风速数据表示该月风速变化,见图2。由图3和图4可得,新构建的Rf、Ff、Jf量纲一幅域因子与传统的量纲一幅域因子相比,对风电齿轮箱早期故障具有更高的敏感性,能够提前反映出机组的早期异常。由图3与图5可得,新构建的量纲一幅域因子与传统的有量纲时域因子相比,能够准确地反映机组变工况条件下的机组故障异常趋势。2u3000邻近度异常检测异常数据检测的目的是发现海量数据中与大部分其他对象不同的对象,即数据的离群点检测,其原理为异常数据的属性值明显偏离期望的或常见的属性值。本文利用阶比重采样角域序列提取的新量纲一幅域参数作为异常检测属性特征值,依据角域序列邻近度判断离群状态,进行风电机组潜在异常信息的挖掘。基于角域序列邻近度异常检测的故障预警方法为:通过训练大量的正常及故障运行历史数据,归纳较为可靠的故障预警属性判别法则,将传统的单值阈值预警法则转化为通过多维属性特征邻近度异常检测的故障预警方法,其操作步骤如下[10?11]:(1)获取阶比重采样角域平稳信号;(2)提取整周期角域序列特征属性;(3)检测多维特征属性的邻近度是否异常。设阶比重采样后角域平稳信号为{X11,X12,…,X1n;X21,X22,…,X2n;…;Xm1,Xm2,…,Xmn},即角域信号由m个n维角域序列组成,提取角域序列的新量纲一幅域参数Rf、Ff、Jf,将n维角域序列映射成多维特征向量(Rkf、Fkf、Jkf)。根据风电机组故障预警要求选取k=2,即将检测数据分为正常和异常两大类。角域序列i和j邻近度通过下式计算:式中,(Ri,Fi,Ji)、(Ri,Fj,Ji)分别表示第i和第j个角域序列对应的量纲一因子集合,i,j=1,2,…,m。对于k邻近度异常检测技术,需要首先利用正常训练样本计算邻近度参照中心和邻近度异常边界,邻近参照中心由历史数据均值计算获得,定义为,异常边界定义由下式计算:其中,Rfmax、Ffmax、Jfmax和分别为训练样本数据的最大值和均值,工程实际中可以通过训练多组历史数据取均值获得。至此,通过邻近度异常检测的数据挖掘方法实现了风电机组振动数据的潜在异常信息的深度挖掘,搜索出了邻近度超出异常边界值的异常角域序列。为实现风电机组故障的等级化预警,本文提出将异常搜索因子eBSF作为机组故障预警的直接触发指标,其定义如下:式中,n为邻近度超出异常边界的角域序列个数;Di-o为实时待检测角域序列与角域序列标准中心的检测距离;N为角域序列总数。风电机组故障预警通过异常搜索因子eBSF触发,其预警阈值的确定也要通过训练大量正常和故障运行的历史数据来实现。通过训练不同故障程度的历史数据得到等级化的预警阈值,实现机组故障发展过程中的阶段性预警。3齿轮箱运行状况分析图6为风电机组故障模拟试验台结构图,利用调速电机控制转子转速模拟变工况状态。试验台设置5个测点测量轴承座的径向振动,齿轮箱注油孔和排油孔可以控制润滑油量。本文采用缺油破坏试验获取齿轮故障的渐变信号,通过开箱方式检验闭式齿轮箱的故障运行状况。试验台齿轮箱为两级平行轴斜齿轮传动,齿轮箱前后轴承及齿轮箱技术参数如表1所示,其中5个测点均用粘贴式加速度传感器测量轴承座处的径向振动。试验中,首先保持齿轮箱润滑足够并连续采集3号测点8:00~11:00内3h的振动数据进行数据训练,获得邻近度异常检测样本、邻近度计算参照中心及异常边界值;然后排空所有润滑油液,并观测11:00~16:00间5h内3号测点振动数据的异常变化,整个试验过程中通过调速电机调整转子转速模拟变工况条件,其中最低转速为125r/min,最高转速为420r/min。试验台调速电机控制模块进行人工编程,保证调速电机在设计时间段内匀角加速度变速,本文试验台通过控制模拟转速在125~420r/min间按照周期为1h进行循环变化,即转速先由125r/min在1h内变化到420r/min,然后再在1h内由420r/min变化为125r/min,依次交替变化。由于齿轮磨损故障属于渐变性故障且发展缓慢,因此本文采用短时间的数据来反映一段时间内的机组齿轮箱运行状况。试验中每小时选取5s数据长度作为样本分析数据,图7为8:00~9:00时间内5s样本数据的振动时域波形及阶比重采样角域波形。对8:00~11:00时间段内的3组长度为5s(即共15s)的样本角域振动数据的特征属性Rf、Ff、Jf进行历史数据训练以确定邻近度样本集合、邻近度计算参照中心及异常边界值。由表2可得邻近度计算参照中心,异常边界值由式(8)计算得D′=0.041049。表2中,ts表示采样时间段,ave_Rf、ave_Ff、ave_Jf分别表示利用历史数据训练的量纲一因子的平均值,max_Rf、max_Ff、max_Jf分别表示历史数据训练的量纲一因子的最大值。由于11:00~16:00间5h时间段内齿轮箱为无油空转情况,因此该时间段内振动信号可模拟齿轮磨损的渐变过程,每小时取5s数据作为代表数据,因此5h的磨损模拟过程可用25s振动数据来代替,对其进行阶比重采样获得具有平稳特性的角域振动信号,并提取角域振动信号的新量纲一幅域因子,反映11:00~16:00时间段内齿轮箱高速级齿轮磨损渐变性过程,如图8、图9所示。由图8、图9可看出,重复性、相似性及跳跃性因子在试验过程中均有变化趋势,重复性因子Rf具有上升趋势,跳跃性因子Jf和相似性因子Ff具有下降趋势,由图可得,跳跃性和相似性的敏感度较高并且具有相同的变化趋势,因此选取Ff和Jf作为基于邻近度异常检测的序列特征属性。采用k邻近度异常检测之前首先需通过多次训练振动历史数据来训练异常搜索因子阈值eBSF,多次模拟无油条件下齿轮箱运行试验,通过控制运行时间控制齿轮磨损程度,确定齿轮箱齿轮轻微磨损的异常搜索因子阈值eBSF=8%。将11:00~16:00时段4h的每小时的5s试验数据组成20s的待检测样本数据并映射成邻近度集合以描述正常运行时的参考样本,15s的异常检测样本数据和5s的试验观测数据组成邻近度异常检测散点图。为保持异常检测的准确性,保证每个时段散点图包含的角域序列数目是相同的,通过散点图观察5h内的邻近度变化趋势,以反映齿轮的运行状况,如图10所示。图10a是由156个角域序列组成的代表15s的样本数据邻近度异常检测散点图。由于变转速原因每个时段包含的角域序列数目可能不同,为准确地反映11:00~15:00异常检测结果,保证每时段进行异常检测时散点图包含的角域序列数目一致,当对每时段数据进行异常检测时,该时段角域序列要替代相同数据的起始样本数据。由图10b~图10f可看出,11:00~12:00时段出现1个异常序列,12:00~13:00时段未出现异常序列,13:00~14:00未出现异常序列,14:00~15:00时段出现11个异常序列,15:00~16:00时段出现15个异常序列。11:00~12:00时段出现的异常序列不具有连续性,推测是由于强噪声或短时极端天气造成,可排除该时段出现故障趋势的可能性。对14:00~16:00两个时段