梁春輝

(長春工程學院電氣與信息工程學院，長春 130012)

風電機組主軸系統(tǒng)實時可靠性分析與預測方法研究

梁春輝

(長春工程學院電氣與信息工程學院，長春 130012)

對于歷史數(shù)據(jù)不完整的風電機組系統(tǒng)，運行過程中需要對系統(tǒng)和設備進行實時可靠性分析和預測。以風電機組主軸軸承系統(tǒng)為例，以參數(shù)偏差為其量化指標，建立實時的可靠性評價模型，對風電機組主軸軸承系統(tǒng)進行實時狀態(tài)評價和可靠性分析。同時，基于灰色預測法對監(jiān)測參數(shù)進行趨勢預測。根據(jù)趨勢預測結(jié)果，結(jié)合實時可靠性分析所確定的系統(tǒng)當前狀態(tài)評價結(jié)果，及時預警并識別故障，確定設備維修方案，保障風電機組良好運行。

風電機組；主軸軸承；實時可靠性分析和預測；灰色預測方法

0 引言

快速發(fā)展的風力發(fā)電系統(tǒng)使得風電機組結(jié)構(gòu)越來越復雜，故障率也將隨之提高，設備和系統(tǒng)的維護工作以及檢修技術(shù)開始變得異常關(guān)鍵和必要。風電機組主軸系統(tǒng)是風力發(fā)電機組重要的組成部分之一，也是風電機組中故障頻發(fā)部分。主軸軸承故障甚至會引起整個風電機組不能正常運行，所以有必要做好風電機組主軸情況系統(tǒng)的故障模式分析，通過監(jiān)測數(shù)據(jù)對系統(tǒng)進行實時可靠性分析和趨勢預測，為后面整個系統(tǒng)的維修決策奠定基礎[1-2]。

實時可靠性是指設備或系統(tǒng)在實時運行過程中受到運行環(huán)境的影響，由在線監(jiān)測信息反映的設備實現(xiàn)規(guī)定功能的能力[3]。通過將實時可靠性的指標進行量化，得到對設備實際運行功能和性能下降程度的評價結(jié)果，并預測設備的實時可靠性變化趨勢，進而得到對下一步維修工作的指導信息，為狀態(tài)維修決策提供依據(jù)。本文以風電機組主軸軸承為例，通過確定其主要的異動監(jiān)測參數(shù)和閾值，根據(jù)實時可靠性評價模型對風電機組設備進行狀態(tài)評價，對于監(jiān)測參數(shù)進行趨勢預測，根據(jù)趨勢預測結(jié)果并結(jié)合實時可靠性評價結(jié)果，得出設備不同狀態(tài)的不同變化趨勢，為維修決策奠定基礎。

1 風電機組結(jié)構(gòu)劃分及主軸軸承的故障模式影響分析

1.1 風電機組結(jié)構(gòu)劃分

風力發(fā)電機是一種集機械、電氣、氣象、空氣動力學為一體的大型旋轉(zhuǎn)機械系統(tǒng)，通常采用層次分析法將風電機組由高到低分層細化為系統(tǒng)、子系統(tǒng)、設備等[4]。通過對風電機組系統(tǒng)各個設備和子系統(tǒng)故障率的統(tǒng)計可知，風輪、主軸系統(tǒng)、傳動系統(tǒng)、發(fā)電機、變槳系統(tǒng)、偏航系統(tǒng)、控制系統(tǒng)等方面的故障發(fā)生頻率較高，以上系統(tǒng)發(fā)生故障時可能造成機組故障或停機乃至帶來重大的經(jīng)濟性后果，通?？醋魇侵匾δ軉卧?，也是整個風電機組的次級子系統(tǒng)。根據(jù)系統(tǒng)的功能，每個次級子系統(tǒng)又包括不同的設備，例如風輪系統(tǒng)包括輪轂、葉片等設備。主軸系統(tǒng)是機組的主體部件，實現(xiàn)了風輪機械能的傳遞功能。主軸系統(tǒng)的主要設備包括主軸和軸承兩部分，其中主軸是重要的承重及傳力部件，當風電機組運行時，在風輪載荷的作用下主軸端部將受到徑向載荷、軸向載荷、彎矩及轉(zhuǎn)矩的共同作用。主軸軸承的作用是支承主軸，并且保證主軸旋轉(zhuǎn)順暢。本文以主軸軸承為例，詳細介紹主軸軸承系統(tǒng)的實時風險評價、可靠性分析和可靠性預測，為后面整個系統(tǒng)的維修決策奠定基礎。

1.2風電機組主軸軸承系統(tǒng)故障模式影響危害分析(FMECA)

故障模式、影響及其危害性分析簡稱為FMECA(Fault Mode、Effect and Criticality Analysis)，以故障模式為基礎，應用系統(tǒng)層次劃分方法，依次圍繞故障的模式、原因、征兆、位置、影響以及其危害性等展開故障的探究剖析[5]。主軸軸承是比較容易出故障的部件，軸承的主要故障模式有：軸承過熱、軸承疲勞性損傷(表面點燭、裂紋、滾動體失圓、滾道產(chǎn)生壓痕)、軸承配合處間隙過大等，可列出其FMECA表見表1。

表1 主軸軸承FMECA表

2 主軸軸承實時可靠性分析

2.1 設備監(jiān)測參數(shù)的確定

對風電機組特征參數(shù)的監(jiān)測以振動為主，同時輔以系統(tǒng)中溫度、潤滑油等的監(jiān)測數(shù)據(jù)。以主軸軸承為例，選取某風電機組運行中發(fā)生參數(shù)異動后的高速級軸承的監(jiān)測值進行分析，見表2。通過對前面高速級軸承FMECA表進行分析，確定能夠表征高速級軸承的監(jiān)測參數(shù)主要體現(xiàn)在徑向水平振動、軸向垂直振動、軸承溫度。

表2 軸承特征參數(shù)監(jiān)測值

2.2 監(jiān)測參數(shù)閾值確定

按照特征參數(shù)閾值確定方法，計算主軸高速級軸承特征參數(shù)徑向水平振動、徑向垂直振動、軸承溫度的最佳值和失效閾值。失效值采用報警值和停機值的平均值。

si=s0+kiσ，

(1)

式中:si為第i個級別的狀態(tài)閾值；s0為監(jiān)測參數(shù)的統(tǒng)計均值；σ為監(jiān)測參數(shù)的標準偏差。ki則根據(jù)設備的使用情況以及其相對重要程度綜合考慮確定和修正，一般為3。

2.3 監(jiān)測參數(shù)的運行偏差度的計算

設備的運行可靠度的下降量是衡量設備實時可靠性最終的指標，通過對表征設備運行可靠度的測量值與相應的標準進行比較，對設備狀態(tài)作出評價，將運行可靠度下降量定義為監(jiān)測特征參數(shù)的偏差公式，即做為設備狀態(tài)評價的劣化度。

將報警及停機值的中間值作為失效閾值，根據(jù)下面的公式求得高速級軸承徑向水平振動、垂直振動、軸承溫度特征參數(shù)的運行偏差度，見表3。

(2)

式中：xc為特征參數(shù)的實時監(jiān)測值；x0為特征參數(shù)的最佳值；xa為特征參數(shù)的失效閾值。

2.4 確定主軸高速級軸承實時可靠性

1)首先確定將設備運行記錄的部分監(jiān)測數(shù)據(jù)作為監(jiān)測設備的相關(guān)監(jiān)測參數(shù)矩陣，

2)將檢測參數(shù)矩陣進行標準化處理。根據(jù)矩陣標

準化公式(3)，使每一個監(jiān)測值的均值為0，標準差為1。

(3)

3)計算相關(guān)矩陣。相關(guān)矩陣各項的計算公式為

式中

(4)

計算得到相關(guān)矩陣為

4)求解特征方程|λE-H|=0，得到特征根λi。求取|λE-H|U=0求得其特征向量的矩陣

(5)

5)通過主成分表達式得到設備監(jiān)測各個主成分及權(quán)重

(6)

式中：ci為監(jiān)測設備的第i個主成分；pi為設備的第i個運行監(jiān)測參數(shù)。

各主成分的計算權(quán)重為：

(7)

根據(jù)式(7)可以知道各特征參數(shù)的權(quán)重值分別為0.87，0.13，0.000 441。

6)根據(jù)各監(jiān)測參數(shù)的偏差結(jié)合特征向量得到各成分的偏差度

(8)

根據(jù)式(8)我們可以知道時刻各主成分的偏差分別為0.556，0.758，0.919。

7)主軸高速級軸承的運行可靠度下降量為

(9)

式中：ΔRri為設備第i個監(jiān)測參數(shù)運行可靠度下降量；Si為設備第i個監(jiān)測參數(shù)偏差度；αi為第i個特征參數(shù)的權(quán)重。

8)實時可靠性等級閾值確定。本節(jié)通過統(tǒng)計分析歷史實時運行參數(shù)監(jiān)測值記錄，最終主軸軸承的各個運行可靠度閾值的確定見表4。

表4 風電機組主軸軸承實時可靠性評價標準

可知軸承系統(tǒng)為輕微病態(tài)健康等級，主軸軸承的實時可靠性顯著下降，功能實現(xiàn)己經(jīng)受到影響。為了準確決策下一步應采取的維修措施，對主軸軸承進行實時可靠性預測。

3 基于灰色預測法的主軸軸承實時可靠性預測

灰色預測法是一種對含有不確定因素的系統(tǒng)進行預測的方法，灰色預測模型稱為GM(Grey Model)模型，本文采用的GM(1，1)形式，表示一階單序列的線性動態(tài)模型，主要用于時間序列預測[6-7]，具體過程如下：

1)建立被預測參數(shù)的原始數(shù)據(jù)

X(0)=(x(0)(1)x(0)(2) …x(0)(n))，

X(1)=(x(1)(1)x(1)(2) …x(1)(n)，

(10)

Z(1)=(z(1)(1)z(1)(2) …z(1)(n))，

(11)

本文中，n=6，原始數(shù)據(jù)序列分別為

X(0)=(x(0)(1)x(0)(2) …x(0)(n))=[0.05，0.058，0.064，0.075，0.084，0.095];

X(1)=(x(1)(1)x(1)(2) …x(1)(n))=(0.05，0.108 0，0.172 0，0.247 0，0.331 0，0.426 0)。

2)建立一階白化形式灰色微分方程為

(12)

3)用最小二乘法求白化微分方程中的系數(shù)向量

a=(BTB)-1BTY，

(13)

本文計算得到

求解白化形式灰色微分方程得到時間響應函數(shù)

(14)

則白化形式灰色微分方程x(0)(k)+az(1)(k)=b的時間序列為

(15)

4)還原原始數(shù)據(jù)結(jié)果得到原始數(shù)據(jù)的預測結(jié)果

(16)

將上述計算結(jié)果帶入得到預測結(jié)果為

將預測值與監(jiān)測實際值進行比較可得其誤差見表5所示。

表5 灰色預測法預測結(jié)果

繼續(xù)計算時間t為7，8，9，10時的軸承徑向振動分別為0.107 7，0.122 1，0.138 5，0.157 0。根據(jù)灰色預測法計算得到的軸承徑向振動趨勢預測圖如圖1所示。

對于整個風電系統(tǒng)而言，包括多級子系統(tǒng)和多級設備，用同樣的方法可以對其他底層設備的可靠性進行分析和預測，然后根據(jù)設備的功能故障危害程度確定設備的功能重要度，基于層次分析法實現(xiàn)子系統(tǒng)實時可靠性計算和可靠性預測[8]。

設備i的功能重要度計算公式為

(17)

其中，當設備i發(fā)生故障時aij=1，當設備i不發(fā)生故障時aij=0。bj是設備i的故障危害程度得分。

由n個設備構(gòu)成的子系統(tǒng)的運行可靠度下降量的計算公式可表述為

(18)

(19)

整個風電機組系統(tǒng)層實時可靠性分析與子系統(tǒng)實時可靠性分析的思路相同。

圖1 灰色預測法軸承徑向振動趨勢預測曲線

4 結(jié)語

本文以風電機組主軸軸承為例，研究了系統(tǒng)實時可靠性狀態(tài)評價和預測方法。提出了實時可靠性面向運行的量化方法，以參數(shù)偏差為其量化指標，建立了基于實時可靠性的維修決策模型?；诨疑A測方法對實時可靠性趨勢進行短期預測，從而及時將設備狀態(tài)通知運行人員，使其盡早采取相應措施。

[1] 高嶄.風力發(fā)電機組故障風險評價與維修決策[D].保定：華北電力大學，2012：1-26.

[2] 王成成.基于可靠性分析的風電機組狀態(tài)維修決策研究[D].保定：華北電力大學，2014：8-14.

[3] 高仰東.基于實時可靠性的電站設備狀態(tài)評價[D].北京：華北電力大學，2010：39-42.

[4] 馬楊.風電機組的實時可靠性評價及預測研究[D].北京：華北電力大學，2012：8-20.

[5] Arabian-Hoseynabadi H，Oraee H，Tavner P J.Failure modes and effects analysis (FMEA) for wind turbines[J].International Journal of Electrical Power & Energy Systems，2010，32(7)：817-824.

[6] 張建平，閆夏.灰色預測模型在煤礦安全風險預控系統(tǒng)中的研究[J].系統(tǒng)科學學報，2010(2): 21.

[7] 李恩臨.灰色預測方法的應用[J].統(tǒng)計與決策，2010(14): 161-162.

[8] 趙思遠.基于實時可靠性分析的電站設備狀態(tài)評價及預測研究[D].北京：華北電力大學，2011：43-53.

TheResearchonReal-timeReliabilityAnalysisandPredictiontoSpindleBearingSystemofWindTurbine

LIANG Chun-hui

(SchoolofElectrics&InformationEngineering，ChangchunInstituteofTechnology，Changchun130012，China)

As to the incomplete historical data，it is necessary to make real-time reliability analysis and prediction for wind turbine system in the process of operation.This article takes the wind turbine spindle bearing system as the research example，makes the quantification index by parameters deviation，and establishes the analysis model to set up the real-time reliability analysis and the real-time running status of units and equipment evaluation to the spindle bearing system of wind turbine.At the same time，the monitoring parameters are predicted based on grey prediction method.Based on the current status evaluation results and with the evaluating result of real-time analysis and prediction，immediate warning and identification of failure can be realized timely.The equipment maintenance plan is determined，and the good operation of wind power has been ensured.

wind turbine；spindle bearing；real-time reliability analysis and prediction；grey prediction method

10.3969/j.issn.1009-8984.2017.03.010

2017-09-05

吉林省科技廳科學發(fā)展規(guī)劃項目 (20150203002SF，201 60204022SF)

梁春輝(1977-)，女(漢)，長春，副教授，博士 主要研究智能控制等。

TK268

A

1009-8984(2017)03-0041-05