風機齒輪箱及其故障類型

風電機組多位于高山、海灘、荒漠等風口處，交通不便，運維資源調度困難，且一旦發生故障停機，每日僅由于少發電所造成的損失高達1.2萬元（2MW風機）。齒輪箱作為風力發電機組中的重要傳動部件，主要作用是將風輪動力傳遞給發電機，使其得到相應的轉速，是實現風能轉換為電能的最主要部件之一，也是風機中故障率最高的零部件之一。

而且由于齒輪箱安裝于距離地面幾十米高空塔頂的狹小機艙內，出現故障修復十分困難。如果齒輪箱故障比較復雜，無法在塔頂完成維修，還需要下塔處理，其維修費用高、維修周期長，嚴重影響風機的正常運行。

“滑”雪維修 心疼風電運維工程師一秒

因此，對齒輪箱進行故障診斷，判斷故障發生位置及時間，能有效提升運維效率，降低維護成本。常見的齒輪箱故障模式可分為以下兩類：

齒輪類故障

齒輪箱內部結構復雜，通常含有多級齒輪，常見的齒輪故障形式有：齒輪斷齒、齒面膠合、齒面磨損、齒面膠合和擦傷、齒面點蝕等。

軸承類故障

軸承本身的抗沖擊能力不是很強，在實際的生產活動中，是很容易損壞的部件。常見的軸承故障有：外圈故障、內圈故障、保持架故障、滾動體故障等。

齒輪箱中的軸、齒輪和軸承在工作時會產生振動，若發生故障，其振動信號的能量分布就會發生變化，所以上述故障一般都能在振動信號中體現出來。對振動信號進行合理有效地采集分析，可以很好地識別設備運行狀態，大大降低風機維護成本。

基于振動信號的齒輪箱故障診斷

數據是制約算法能力的根本因素，所以為了能更準確地從齒輪箱運行狀態信息中提取出故障特征，從而提高故障診斷可靠性和有效性，需要從傳感器測點、振動信號采集，及結合行業機理的信號處理和特征工程技術等多方面著手。

首先，選擇最佳測點

傳感器作為信號采集分析的第一步，選擇最佳測點成為獲得有效故障信息的重要保證。布點位置不對，導致采集不到優質信號的同時，甚至可能將錯誤的信號發送到主機而引發一系列誤判。如將傳感器安裝到發電機箱體上，由于它距離振動源太遠且箱體噪聲較多，無法采集到所需的振動信號，更不用提后期的算法實現。

• 為了真實而充分地監測到能客觀反映設備狀況的振動信號，在掌握設備結構、設備參數、設備工作條件和設備工作原理等的基礎上，還應該把握以下幾個原則：

• 測量部位應選在設備上對振動敏感的部位。一般都把軸承處選為主要測量點，把機殼、箱體、基礎的部位作為輔助測點。

• 對于低頻振動，一般應在水平、垂直、和軸向三個方向進行測量；對于高頻振動，則只需在一個方向（徑向）進行測量即可。這是因為低頻信號的方向性強，而高頻信號對方向不敏感。

• 選擇測點時還應考慮環境因素的影響，盡可能避免選擇高溫、高濕、出風口和溫度變化劇烈的地方作為測量點，以保證測量結果的有效性。

其次，合理采集振動信號

傳感器布置到合理的位置之后，我們需要考慮為準確提取故障特征需要采集哪些振動信號。對數據本身而言，應該把握以下幾個原則：

• 數據量：我們需要采取足夠多的歷史數據樣本來幫助建模。

• 數據質量：采集的信號需要能夠支撐業務目標，提供足夠好的數據質量，數據具有可分類性。

• 數據樣本數量及豐富性：采集的信號是僅限于單機的單體設備，還是需要采集集群對象的相關數據。

具體到風機齒輪箱故障預測的振動信號采集，則需要在滿足風機主狀態為發電狀態，且發電機轉速高于100RPM的前提下，每隔半小時采集20s的CMS數據，并每50ms通過modbus讀取一次主控數據。

最后，運用特征工程等技術進行故障診斷

在機理理解強、數據相關性弱的情況下，有效的預處理與特征工程能達到事半功倍的預測效果。為了便于大家更好的理解，下面以在2009年PHM數據競賽中的齒輪箱故障診斷競賽題作為案例進一步分析。

如圖所示，在齒輪箱的輸入端與輸出端分別裝有振動傳感器，但對于健康信號及故障等信息完全不知，要求在此情況下判斷其故障。（大家能想到哪些方法，歡迎在文末留言討論）

我們當時在做這個項目時，總結下來主要涉及以下幾種技術或方法：

• 時域特征提取

• 時域同步平均

• 信號預處理

• 頻率分析

• 檢測軸承故障的包絡譜分析

• 其他齒輪診斷相關有用特征

• 譜峭度

• 頻譜相似度

• 小波分析

下面進行具體說明。

首先是對信號進行觀察，提取出時域特征，這是由于時域特征的計算方式相對簡單，且能夠直接篩除一些非常嚴重的故障。

之后對信號進行預處理，增強其中的一些機械信號，運用時域同步平均的方法，把不同轉的振動信號分割開，在時域進行平均，從而得到轉一周360度的振動信號標準情況，其本質是對信號降噪。

當軸承磨損一定程度時，能夠在頻域直接看到有具體哪些故障，所以在分析時要先判斷是否有嚴重故障之后再做精細處理。

再對軸承進行包絡譜分析后，我們發現在內環對應的故障頻率有故障的發生。

此外對于非穩態的信號產生的故障，我們運用小波的方式進行抓取，定位到故障的發生時間、層級等。

之后對整個信號進行小波分解，其基本原理是將原始信號不斷細分，針對離散的小波變換采用不同的信號處理方式。

而譜峭度相當于對原始的信號做濾波，突出其尖度、脈沖度非常高的信號，因為這些信號往往很可能對應著某些故障信息。

同時，我們也開發了一個對頻譜的相似度進行量測的量，通過衡量頻域相似度進行自動化判斷。

工況分割主要針對一些特殊的變量，如轉速、負載等信號等，將多工況的整體信號拆解開后，再對簡單量化后的工況做分析，對同類信息進行對比，提高精確度。

最終通過整個分析過程來判斷齒輪箱具體有什么故障，而且即使在分析過程中沒有發現明確的故障，也可以通過對比判斷出存在哪些潛在的故障。

以上算法被評選為2009年PHM競賽的冠軍算法，其中融入了非常多的行業機理，可以讓信號處理、特征提取等技術更好的發揮作用，進而取得更精確的診斷結果。