案例分析

一、风电机组测试台

1、实验对象：风力发电机主轴承（HRB6005）

2、采集信号：振动信号、声音信号、红外信号、转速

3、功能：

（1）风机轴承故障诊断

（2）风机齿轮（行星、平行）故障诊断

（3）双轴系V带故障测试

4、试验台

5、关键部件

6、可完成实验

振动、声信号（麦克风）采样频率：20000Hz，红外热图采样频率：60Hz。

健康状态描述：

标签	故障类型	图片	缺陷尺寸
C1	健康		--	--
C2	内圈故障level1		0.2mmx0.3mm
C3	外圈故障level1		0.2mmx0.3mm
C4	滚动体故障level1		0.2mmx0.3mm
C5	内圈故障level2		0.6mmx0.3mm
C6	外圈故障level2		0.6mmx0.3mm
C7	滚动体故障level2		0.6mmx0.3mm

振动、声信号（麦克风）、声发射、红外数据文件夹命名如下，按轴承健康状态和工况命名，例如健康工况一表示健康轴承在36r/min转速下采集的信号，依次为：

振动+声信号（一二通道为振动信号，三通道为麦克风信号）

红外信号

每种工况下振动、声信号长度为120万个点左右；红外120张图左右；声发射122万个点左右。

用深度学习模型对数据进行分析

振动信号和声信号（麦克风信号）图

红外热图

用ResNet对振动信号和声信号进行故障诊断的混淆矩阵结果如下：振动信号通道一的诊断准确率达到了71.5，通道二的准确率达到了98.64；声信号的诊断准确率为90.92。

振动信号通道一故障诊断混淆矩阵

振动信号通道二故障诊断混淆矩阵

声信号诊断混淆矩阵

二、分布式风电机组健康监测诊断与智能维护系统平台

         风电机组分布式健康监测与智能维护系统WTAgent融合了目前各种先进的信息智能分析算法以工具箱的方式，采用了一种开放的、模块化的结构实现振动信号等各种分析处理，采用Python编程语言，满足不同平台需求(包括Windows、Linux)。WTAgent对分布式风场的风电机组运作过程实施监控与故障诊断、健康预诊，对机组工作状态下关键部件的振动、温度、转速、声音信号进行实时采集，结合信号处理技术与深度学习技术对冗余的数据进行清洗、降维与多层特征提取，建立实时异常检测模型、缺陷识别与故障诊断模型，实现缺陷早期预示，能够及时发现异常值，并对其进行诊断、预诊与维修。

1.系统背景

        风力发电装备关键部件包括叶轮、主轴、主轴承、齿轮箱、发电机、蓄电池等组成，其主要结构如图1所示。风电装备运作是一个非常复杂的高度动态变化过程，同时，各个子系统之间的耦合关系增加了故障识别的难度，也给故障传递创造了条件。一方面，减速箱主要部件如轴承、齿轮等在使用过程中由于产生的各类磨损、裂纹、点蚀等故障，关键部件会经历由正常到性能退化直至失效的过程，而这期间一般需要经过一系列不同的性能退化状态；另一方面，风电装备处于动态开放场景下，由于复杂工况下线上各种动态扰动（如工作参数变化、传感器退化、环境变换等），新目标、新模态不断出现，数据流不断演化，导致风电装备的健康状态处于动态的时变工况下。

图1. 风力发电装备主要结构及其常见故障

2.系统目标

        WTAgent以面向风机传动链（主轴承、主轴、齿轮箱、发电机）部件设备是风力发电机组的核心部件。依托两大算法工具箱：信号处理工具箱SPAgent和设备智能维护工具箱SmartAgent，形成风电智能维护技术，其是基于主动的维护模式PAP（Predict and Prevent），重点在于风电机组装备全寿命周期的性能退化评估与预测，设备维护体现视情维护与预防性要求，是从理念和方法上对现有故障诊断技术的全新拓展，颠覆了基于以往基于事后维护与定期维护的思路和手段，这将显著地提升风电装备的可靠性与可信性。

3．系统监测故障类型

        状态监测系统不仅可以判断风电机组当前状态，也可滚动预测设备未来状态，实现风电机组全寿命周期中各个阶段的记录、跟踪，可实现以下故障类型的监测、诊断、健康评估与预测。

4.系统功能

        风电机组状态监测与故障诊断系统主要包括：实时可视化监测模块、历史趋查询分析势模块、信号分析处理工具箱模块、信号故障诊断模块、健康量化评估模块、剩余寿命预测模块、系统设置管理模块、维护报警管理模块、报表管理模块、数据存储管理模块、基础对象管理模块等多个功能模块。

（1）实时可视化监测模块：通过该模块用户能够选择所要查看的部件，以及该部件的实时传感信息，设备的整体预警信息与故障信息也相应呈现出来。

（2）历史趋查询分析势模块：用户在该模块可以根据需求查询各部件对应的历史数据，设置检索历史信息的起始时间，点击按时间查找显示数据库记录列表，系统会自动切换到历史数据处理。

（3）信号分析处理工具箱模块：该模块包含各类信号分析处理算法，并显示相关结果，包括基于振动信号的频谱、包络谱、时频表示、各类信号降噪方法、变转速信号分析以及信号分解算法，实现关键机械部件（轴承、齿轮等）的早期缺陷预示；基于声信号处理的变速箱、发电机故障探测与诊断模块。

（4）信号故障诊断模块：该模块分为依据设定阈值报警与判断可能发生故障百分比两个部分，用户可以手动设置报警阈值，结合设备中的各关键零部件故障特性，给出部件可能发生故障的百分比。

（5）健康量化评估与监测模块：该模块包含多个健康量化评估模型，从传感信号中提取反映机械设备性能早期退化的特征集，指定设备关键部件的健康指标，建立量化评估模型，能够实时评估设备运行的健康状态。

（6）剩余寿命预测模块：该模块结合数据驱动和模型驱动建模的方法，实时预测设备及其零部件的健康状态和剩余寿命，以及剩余寿命的概率分布等不确定性信息。

（7）系统设置管理模块：用户在该模块可对系统进行整体设置，包括输入当前监测设备的型号、零部件关键结构参数、设置传感器的关键参数与开关传感器等。

（8）维护报警管理模块：该模块可自动记录设备详细的历史报警信息与维修信息，综合判断易坏的部件，给操作人员与维修人员提供参考。

（9）报表管理模块：用户根据需求可在该模块生成并打印日周月的设备运行信息与各个关键部件健康状态报告。

（10）数据存储管理模块：包括数据传输备份与故障数据分类储存，实现对设备故障的完整流程管理，将故障数据存储到故障知识库中，可以用来检索设备故障已有的故障和维护详细信息。

图2. 风电机组智能维护系统

2.系统大屏

分布式风场健康信息统计可视化。

2.机组健康组态及健康打分

分布式风场的分布式风机健康打分以及各个测点健康打分。

3.系统基本配置界面(四级装备对象树管理)

4．信号处理模块

        信号处理分析：包括定子谱分量（频谱分量)，功率谱密度，稀疏变换、包络谱分析、细化谱、S变换等几十种频谱分析方法。

短时傅里叶变换（STFT）,小波变换（WT）,经验模态分解,离散小波变换,小波包,魏格纳分布（WVD，Wigner-Ville distribution），HHT分析方法等时频分析方法。

5.健康指标监测

       健康量化评估模块通过测取设备和系统在运行中的状态信息，通过对所测信号进行分析处理，并结合设备在健康状态下的历史状态信息，来实时量化评估设备及其零部件的健康状态，分析设备健康退化的严重程度和等级。

6.部件寿命预测

        为了解决小样本条件下表征传动部件状态信息的全生命周期数据收集困难且各域样本不平衡的问题，健康预测模块通过设备健康量化评估信息，结合数据驱动和模型驱动建模的方法，来实时预测传动机械部件的健康状态和剩余寿命，以及剩余寿命的概率分布等不确定性信息。

8.基于声信号的机组部件故障检测与诊断

        声学监测主要基于风电机组的声学特性进行部件级的故障诊断和健康评估。机组的许多故障，如风电机组的前后主轴承、齿轮箱问题或叶片损伤，都会导致特定频率的声音异常。声学监测主要依赖于麦克风阵列捕捉机组的声音，然后利用先进的信号处理技术，如频谱分析和时间频率分析，对声音信号进行分析。声学监测提供了一个非常敏感和准确的方法，能够在早期发现机组的故障。

         采用信号处理工具箱SPAgent的声信号处理模块，实施对轴承、变速箱、电机、变桨部件等健康监测与故障诊断技术，声信号分析处理与故障诊断模块主要包括的算法：基于声信号的健康趋势监测、声学分析（声压分析、声强分析、声功率分析）、瀑布声谱图、梅尔倒谱系数、梅尔滤波器、Bark倒谱系数、线性预测倒谱系数、Gammatone滤波器倒谱系数、线性频率倒谱系数、线性预测系数、线性预测倒谱系数、相位谱根倒谱系数、幂归一化倒谱系数、归一化伽马倒谱系数等代表性算法模型。

8.健康趋势分析

可实现数据健康指标判别模型的训练与建立，依据健康指标可以有效区分机组的振动异常与正常状态，异常状态的数据以黄色与红色显示，可呈现各个时间周期的健康变化。

9．变转速下传动链健康评估与监测

由于桨叶处于缓慢时变的转速下，会造成大量的误报警，研制风电传动部件变转速处理算法与自适应监测模型以及形成可靠的风电传动链健康指标：

三、风电机组变速箱故障诊断方法

        研制完成轴承信号分析处理与故障诊断模块，作为信号处理算法工具箱的主要功能模块，形成了以振动信号经典算法与最新的各类算法模型，可应用于各类关键机械部件（轴承等）的信号分析、故障探测、故障诊断、趋势劣化评估等。轴承信号分析处理与故障诊断模块可灵活地集成到各种设备故障诊断与健康预诊系统，提供完整的算法类调用接口，基于该工具箱的各种信号处理模型，可迅速建立起一套完整的基于各种关键机械部件信号分析处理与故障诊断模块的设备故障诊断与健康预诊系统，也可支持各类系统研制与学术研究。

主界面

        从信号处理工具箱主控界面可以看到，该工具箱实现的功能主要为各类信号处理算法的演示与分析，图形化的操作界面，操作人员可以直接通过左侧下拉菜单选择各类算法对信号进行处理分析，即使是技术水平不高的工人也可应用此软件调用各类信号处理算法。

轴承信号分析处理与故障诊断模块：

四、案例分析

        针对风电机组本身非线性、不规律的工况特点，提出了一种多层解耦的指标矫正方法，基于多变量的时空、工况变化规律，逐层对影响因素进行解耦并剥离，最终还原真实设备的状态。并同步开发智能风电温控软件系统，实现在动态工况下风电机组关键部件的温度曲线还原，形成直观的健康指标，动态地监测风电装备健康度趋势与发展。

风电机组温传感健康监测系统