您的位置:首页 > 官方配件

基于风机叶片远程听诊的状态监测系统

商品详情
时间:2022-09-05 12:10:46 作者:欧宝电竞竞猜 来源:欧宝电竞投注

  风机叶片是风力发电机组核心部件之一,是进行能量转换的关键设备,其状态对整机的性能和发电质量有直接的影响[1]。由于长期运行于变负载及恶劣的环境下导致其故障频发,因此对叶片进行状态监测,对于确保风电机组的效率和提高机组安全可靠性具有非常重要的作用。

  当前基于风机叶片状态监测的方法有振动检测、超声波检测、声发射检测等方法。A.Joshuva等[2]利用振动信号和机器学习的方法能够识别风机叶片的故障类型;André Lamarre等[3]将超声波相控阵技术用于风机叶片内部缺陷的检测;袁洪芳等[4]针对风机叶片裂纹位置及其强度难确定的问题,提出了用声发射信号进行裂纹位置及其强度的定位方法。以上方法在风机叶片故障诊断中得到广泛应用,但振动检测采集到的信号源复杂多变,很难检测到叶片的早期故障。超声波检测探伤结果不便保存且较难对风力机叶片实行动态监测。声发射和振动检测需安装传感器在叶片上,会破坏叶片固有结构且安装困难。针对上述问题,本文设计出一套便携式风机叶片远程听诊的状态监测系统。

  当叶片存在损伤时,在凸起的部位气流与叶片由于摩擦的作用,相比于正常状态下会发出尖锐的高频呼啸声。此时对风机气动噪声信号进行时频域分析,风噪的频谱能量一般集中分布在200Hz以下,且损伤叶片的气动噪声在时频域图上高频段能量比机组正常叶片明显增大。在正常情况下,这个高频噪声能量很小,而发生机组叶片损伤事件时将变得很大。

  叶片便携式监测系统由传感器、便携式工控机组成,其中工控机内集成了数据采集模块,数据传输模块,数据分析软件和监控管理中心。风机叶片损伤产生的气动噪声与叶片正常状态下的气动噪声有明显区别,通过人耳能够分辨出两种状态,因此传声器频率响应应覆盖在20~20kHz频段。多个风电场的实测结果表明,相比于叶片旋转的上风侧下风侧的信噪比更高。因此,为了获取较高的信噪比传声器可安装在风场的主导风方向。

  选用YG-201型阵列传声器,其工作原理是传声器接收声波并将其转变成电信号。该型传声器具有结构简单、使用方便、高输入阻抗、大动态范围、低噪声、低功耗、相位一致性好等特点,适于精确噪声测量、高噪声测量、户外和阵列使用。具体参数:1/2英寸驻极体传声器,声场类型为自由场,频率响应20Hz~20kHz,灵敏度50mV/Pa(±1.5dB),使用温度-25℃~55℃(工业级),外径13.2mm(戴保护罩)、12.7mm(不戴保护罩),高度17.2mm(戴保护罩)、16mm(不戴保护罩)。

  便携式工控机为风机叶片远程听诊系统的核心单元,集成了数据采集、数据传输、信号处理及机器学习算法等模块。

  风电机组叶片的损伤可看成模式识别问题,由信号处理、特征提取、分类器设计三个部分组成。具体的诊断流程如图1。

  采集器采集的叶片声学信号包含机械噪声、环境噪声和气动噪声[5]。机械噪声主要来自机舱,包括偏航电机、变桨系统、发电机、变频器等设备发出的噪声。将采集器安装在塔底,使之远离机械噪声源,可消除机械噪声对叶片声学信号的干扰。环境噪声包含风噪声、雷击、雨声等,相比于气动噪声的宽频分布(200~20kHz),环境噪声几乎处于数百Hz的低频范围,因此可通过高通滤波器予以去除。为使通带内频率响应曲线尽可能平坦,选用巴特沃斯带通滤波器,滤波器的阶数取30~50,下限截止频率为50~200Hz,上限截止频率为10~15kHz,其平方幅频响应函数为:

  式中N为滤波器的阶数,Ωc为3dB截止频率,Ωu为上限截止频率,Ωl为下限截止频率。N越大通带内特性越平坦,过渡带越窄滤波效果越好,但也带来计算量的显著增加。信号去噪后,使用滑动窗口和能量阈值方法来检测去噪后信号的瞬时脉冲信号,当平均窗能量连续地大于设定的能量阈值时,就认为信号中存在有效的脉冲。

  工程实际中常用倍频程描述噪声信号的频谱变化趋势[6],综合考虑算法的鲁棒性及倍频程的高低频表征的能力,采用1/6倍频程刻画噪声信号的差异性,经过特征提取后,特征向量维数较高,可能包含大量的冗余信号。为去除冗余信息并提取主要信息,采用主成分分析法对所有能量比特征进行降维。

  风电机组在实现运行中发生叶片损伤的几率很小,因此获取故障样本难度很大,且不同的风机叶片故障面积的大小、故障类型不同,故障特征难以聚类,实际采集到的为大量的正常样本数据。因此提出基于支持向量数据描述(SVDD)的单分类故障诊断算法(图2),假设数据集X=[x1,x2,…,xl],其中[x1,x2,…,xl]表示样本集,用符号“o”表示,[xl+1,…,xn]表示非目标样本集,用符号“+”表示,样本xi=[t1,t2,t3],其中t1,t2,t3表示特征。通过训练目标样本集建立最小超球体,使其尽可能地包围所有的目标样本而排除其它非目标样本。

  为训练SVDD模型,现场采集了玛依塔斯风电场、风雨殿风电场正常与故障风机的声学信号,其中玛依塔斯风电场的风机型号为UP2000-96,机组容量1.5MW,叶片故障类型为前缘开裂,风雨殿风电场的风机型号为UP2000-115,机组容量为2MW,叶片故障类型为后缘开裂。数据采集系统由YG-201型传声器、集成在工控机中的采集卡及采集程序构成,源数据经过信号处理后,以三个连续的短时脉冲信号为一个样本周期(表1)。

  从Data3数据集中以一段信号做时域分析,信号去噪前,由于低频风噪的影响在原信号中看不出有短时脉冲信号,经高通滤波后信号周期和短时脉冲信号能够直观显示,最后以连续三个脉冲信号作为一个样本周期进行特征提取。最后经过特征提取及优化之后的数据集用于SVDD模型的训练,模型分类结果达98%以上。

  为了验证本文所提风机叶片远程听诊系统是否有效,对玛依塔斯风电场风机叶片进行了实地测试,分别测试了登录、实时信号时域分析、频域分析、信号特征曲线、故障报警等各项功能,实地测试结果表明,该系统能够应用于大型风电机组叶片损伤的现场实时监测,具有潜在的工程应用价值。


上一篇:智慧水务信息化建设风机、风口、风阀及冷冻机房辅助设备等设备

下一篇:英格索兰集团格南登福空压机亮相第四届中国国际进口博览会