风机齿轮箱及其故障类型

　　风电机组多位于高山、海滩、荒漠等风口处，交通不便，运维资源调度困难，且一旦发生故障停机，每日仅由于少发电所造成的损失高达1.2万元(2MW风机)。齿轮箱作为风力发电机组中的重要传动部件，主要作用是将风轮动力传递给发电机，使其得到相应的转速，是实现风能转换为电能的最主要部件之一，也是风机中故障率最高的零部件之一。

　　而且由于齿轮箱安装于距离地面几十米高空塔顶的狭小机舱内，出现故障修复十分困难。如果齿轮箱故障比较复杂，无法在塔顶完成维修，还需要下塔处理，其维修费用高、维修周期长，严重影响风机的正常运行。

　　“滑”雪维修 心疼风电运维工程师一秒

　　因此，对齿轮箱进行故障诊断，判断故障发生位置及时间，能有效提升运维效率，降低维护成本。常见的齿轮箱故障模式可分为以下两类：

　　齿轮类故障

　　齿轮箱内部结构复杂，通常含有多级齿轮，常见的齿轮故障形式有：齿轮断齿、齿面胶合、齿面磨损、齿面胶合和擦伤、齿面点蚀等。

　　轴承类故障

　　轴承本身的抗冲击能力不是很强，在实际的生产活动中，是很容易损坏的部件。常见的轴承故障有：外圈故障、内圈故障、保持架故障、滚动体故障等。

　　齿轮箱中的轴、齿轮和轴承在工作时会产生振动，若发生故障，其振动信号的能量分布就会发生变化，所以上述故障一般都能在振动信号中体现出来。对振动信号进行合理有效地采集分析，可以很好地识别设备运行状态，大大降低风机维护成本。

　　基于振动信号的齿轮箱故障诊断

　　数据是制约算法能力的根本因素，所以为了能更准确地从齿轮箱运行状态信息中提取出故障特征，从而提高故障诊断可靠性和有效性，需要从传感器测点、振动信号采集，及结合行业机理的信号处理和特征工程技术等多方面着手。

　　首先，选择最佳测点

　　传感器作为信号采集分析的第一步，选择最佳测点成为获得有效故障信息的重要保证。布点位置不对，导致采集不到优质信号的同时，甚至可能将错误的信号发送到主机而引发一系列误判。如将传感器安装到发电机箱体上，由于它距离振动源太远且箱体噪声较多，无法采集到所需的振动信号，更不用提后期的算法实现。

　　为了真实而充分地监测到能客观反映设备状况的振动信号，在掌握设备结构、设备参数、设备工作条件和设备工作原理等的基础上，还应该把握以下几个原则：

　　测量部位应选在设备上对振动敏感的部位。一般都把轴承处选为主要测量点，把机壳、箱体、基础的部位作为辅助测点。

　　对于低频振动，一般应在水平、垂直、和轴向三个方向进行测量;对于高频振动，则只需在一个方向(径向)进行测量即可。这是因为低频信号的方向性强，而高频信号对方向不敏感。

　　选择测点时还应考虑环境因素的影响，尽可能避免选择高温、高湿、出风口和温度变化剧烈的地方作为测量点，以保证测量结果的有效性。

　　其次，合理采集振动信号

　　传感器布置到合理的位置之后，我们需要考虑为准确提取故障特征需要采集哪些振动信号。对数据本身而言，应该把握以下几个原则：

　　数据量：我们需要采取足够多的历史数据样本来帮助建模。

　　数据质量：采集的信号需要能够支撑业务目标，提供足够好的数据质量，数据具有可分类性。

　　数据样本数量及丰富性：采集的信号是仅限于单机的单体设备，还是需要采集集群对象的相关数据。

　　具体到风机齿轮箱故障预测的振动信号采集，则需要在满足风机主状态为发电状态，且发电机转速高于100RPM的前提下，每隔半小时采集20s的CMS数据，并每50ms通过modbus读取一次主控数据。

　　最后，运用特征工程等技术进行故障诊断

　　在机理理解强、数据相关性弱的情况下，有效的预处理与特征工程能达到事半功倍的预测效果。为了便于大家更好的理解，下面以在2009年PHM数据竞赛中的齿轮箱故障诊断竞赛题作为案例进一步分析。

　　如图所示，在齿轮箱的输入端与输出端分别装有振动传感器，但对于健康信号及故障等信息完全不知，要求在此情况下判断其故障。(大家能想到哪些方法，欢迎在文末留言讨论)

　　我们当时在做这个项目时，总结下来主要涉及以下几种技术或方法：

　　时域特征提取

　　时域同步平均

　　信号预处理

　　频率分析

　　检测轴承故障的包络谱分析

　　其他齿轮诊断相关有用特征

　　谱峭度

　　频谱相似度

　　小波分析

　　下面进行具体说明。

　　首先是对信号进行观察，提取出时域特征，这是由于时域特征的计算方式相对简单，且能够直接筛除一些非常严重的故障。

　　之后对信号进行预处理，增强其中的一些机械信号，运用时域同步平均的方法，把不同转的振动信号分割开，在时域进行平均，从而得到转一周360度的振动信号标准情况，其本质是对信号降噪。

　　当轴承磨损一定程度时，能够在频域直接看到有具体哪些故障，所以在分析时要先判断是否有严重故障之后再做精细处理。

　　再对轴承进行包络谱分析后，我们发现在内环对应的故障频率有故障的发生。

　　此外对于非稳态的信号产生的故障，我们运用小波的方式进行抓取，定位到故障的发生时间、层级等。

　　之后对整个信号进行小波分解，其基本原理是将原始信号不断细分，针对离散的小波变换采用不同的信号处理方式。

　　而谱峭度相当于对原始的信号做滤波，突出其尖度、脉冲度非常高的信号，因为这些信号往往很可能对应着某些故障信息。

　　同时，我们也开发了一个对频谱的相似度进行量测的量，通过衡量频域相似度进行自动化判断。

　　工况分割主要针对一些特殊的变量，如转速、负载等信号等，将多工况的整体信号拆解开后，再对简单量化后的工况做分析，对同类信息进行对比，提高精确度。

　　最终通过整个分析过程来判断齿轮箱具体有什么故障，而且即使在分析过程中没有发现明确的故障，也可以通过对比判断出存在哪些潜在的故障。

　　以上算法被评选为2009年PHM竞赛的冠军算法，其中融入了非常多的行业机理，可以让信号处理、特征提取等技术更好的发挥作用，进而取得更精确的诊断结果。