中国投资研究网

用户名:

密 码:

010-80782106 15611620612

可行性研究报告

技术百科

更多>>

海上风电状态监测与故障诊断技术

2013-10-12 10:00:13 来源:中国投资研究网 【字体: 【收藏本页】【打印】【关闭】

更多

核心提示:十几年来风力资源的开发利用得到了迅猛发展,世界风电装机容量的年平均增长率超过了30%,预计到2020年世界风电机组装机容量将达到12.45亿千瓦,满足世界电力总需求的12%。


关键词: 风电

  1海上风电状态监测与故障诊断技术的重要性

  1.1海上风电在国内外的发展

  风能是清洁可再生能源,越来越受到世界各国的重视。近十几年来风力资源的开发利用得到了迅猛发展,世界风电装机容量的年平均增长率超过了30%,预计到2020年世界风电机组装机容量将达到12.45亿千瓦,满足世界电力总需求的12%。由于海上风能资源丰富且适合大规模开发,随着配套技术的日益成熟,海上风电逐步成为风电发展的重要趋势。到2010年底,全球海上风电总装机规模约300万千瓦,预计到2020年将达到8000万千瓦。我国探明可开发和利用的风能储量约7.5亿千瓦,占全部风能资源的3/4。我国海上风电场靠近沿海用电负荷中心,对环境负面影响较少,视觉干扰很小,允许安装单机容量更大的风机,非常适应大规模开发。基于海上风电的种种显著优势,海上风电开发正成为我国能源开发领域的热点。仅统计国内各省上报的海上风电发展规划,中国风能协会预计,到2020年我国国内海上风电装机容量就将达到3000万kW以上。

  1.2海上风电状态监测与故障诊断技术的重要性

  海上风电发展面临的一个重要课题是海上风机的维修维护问题。海上风电场离岸一般在10-50公里,每次现场维修维护都需要出动专用维修船或直升机。首先,购买或租用交通工具以及雇佣专业驾驶人员花费高昂,其次这两种交通工具均受天气和海况的影响,检修人员不能及时到场或者途中遭遇危险都是很可能的。近期研究表明,如果将传统的陆上风电场检修方式应用在海上风电场,则25%-30%的发电收入需要投入日常运维和应对风险上,这一比例是很难被接受的。为此需要为海上风电场制定高效率、预防性的检修机制,而在电力系统正在起步的状态监测与故障诊断技术正是达到这一目标的有效手段。

  1.3状态监测和故障诊断在海上风电应用的意义

  状态监测技术对设备运行状态和健康状况的实时在线检测,在实质故障发生之前发现故障的征兆,以降低故障实际发生的概率。故障诊断技术对设备故障、故障因素、故障征兆进行综合处理,对发现的故障征兆或故障进行定位和特征分析,并进一步给出处理建议。

  海上风机与陆上风机结构基本相同,常见的故障也集中于齿轮箱、发电机、叶片等几个关键部件上。一旦任一部件发生功能性故障则风机不能发电,影响发电量造成经济损失,某些严重故障甚至会导致风机烧毁等严重后果。通过实时状态监测和故障诊断技术可以及时有效地监视风机各关键部件的健康状态,做出合理的检修建议以延长部件使用寿命,增强部件可靠度,同时还可以及时发现故障隐患,做出紧急抢修、临时停机等应对措施,避免严重事故的发生。综合来讲,状态监测和故障诊断技术是提高海上风电利用率和安全系数,从而提高其行业竞争力的有效手段。

  2海上风电状态监测技术

  2.1海上风电机组故障的特点

  风机主要由地基、塔架、机舱、轮毂、风轮、传动装置、齿轮箱、发电机、刹车系统、变桨系统、偏航系统以及电气、控制、通讯等部分构成,其中最核心的功能结构为风轮-齿轮箱-发电机的机械-传动-电力的中轴线。由于风速、风向的不确定性,风机整体特别是中轴线的工作状态始终处于不稳定状态,并且频繁经受冲击载荷,各部件的工作寿命受到严重影响,运行中会出现各种故障。实际运行的风机故障率最高的即是中轴线上的齿轮箱、主轴、发电机、叶片等部件。对于海上风电场,风速普遍高于内陆风电场,并且经历台风等极端风况的概率较大,所以海上风机中轴线部件要经受更严厉的考验。此外海上的高湿度、盐雾、生物附着等因素促使风机部件加速老化,并且隐患点难以预测和定位,给海上风机安全运行造成严重隐患。状态监测技术需要合理运用以在合理的开销范围内尽量将重要的故障隐患点涵盖在内。

  2.2海上风电机组状态监测技术及其适用性

  2.2.1状态监测技术的合理运用

  状态监测的数据来源是安装在设备上的各类传感器。传感器采集到的信号经过调理、传输和采样进入处理模块,去掉冗余数据提取特征量,为分析、诊断提供素材。要合理应用状态监测技术,首先要对设备故障机理进行研究,确定监测对象,其次要开发相应传感器检测合适的物理量。目前应用于风机的状态监测技术主要有如下几类。

  2.2.2加速度及振动监测

  状态监测中的加速度监测是指风机支撑结构、风轮、机舱等的低频谐振。通过测量这种低频谐振可以分析得到部件的特征频率,此特征频率的偏移标志着部件材料性能的下降。同时此种检测也可及时发现风轮转动异常。使用压阻式传感器可以测量这种低频振动(带宽在0Hz-500Hz)。振动监测用以评估轴承、齿轮等高频转动部件的性能状态。当转动部件发生故障比如转子不平衡、轴承松动、轴系不对中、旋转失速、轴承横向裂纹时,其振动的频域特性都会发生改变。如果不做处理将会影响工作精度,加大磨损,加速部件疲劳损伤,最终发生功能故障。使用压电振动传感器可以测量这种宽频的振动(带宽在3Hz-20kHz)。

  2.2.3油液监测

  轴承、齿轮的磨损会在润滑油中产生颗粒。如果检测到油液中颗粒数异常增加,那么很有可能是故障出现前的征兆。所以油液中颗粒数的监测可以作为状态监测的一部分。同时为适应海上恶劣的空气环境,需要实时监测油液本身的物理化学特性,通过测量导电性和酸碱度检测油液污染程度和化学降解程度。常用的油液分析手段有:铁谱分析技术、光谱分析技术、理化分析技术、红外光谱测量等。

  2.2.4应力测量

  通过在部件表面测量应力可以检测部件结构动态载荷。通常在叶片的根部加装测量装置测量叶片的空气动力学载荷。光纤布拉格光栅传感器可以很好地胜任这个检测任务,因为其对海水有很好的稳定性(耐腐蚀),并且抗电磁干扰,寿命长。其它机械热点(比如叶片弯曲,主轴扭矩)参数也可通过测量应力结合部件材料特性分析得到。

  2.2.5温度测量

  通过在关键电力电子元件上加装温度传感器可以及时检测到大部分的电气劣化和故障。风电机组齿轮箱温度趋势状态监测及分析方法,介绍了齿轮箱温度趋势状态监测技术,通过实时分析齿轮箱温度模型残差及时检测到齿轮箱状态异常。

  2.2.6其它

  随着传感器技术的进步,不断有新的技术可以应用在海上风机的状态监测上。比如发电机绝缘潜在故障的早期发现与诊断文章中介绍的发电机绝缘状态射频监测技术,利用高频电流互感器从发电机绕组中拾取高频放电信号以发现定子内部放电现象,这一技术可以延伸到更多电气部件的绝缘性能状态监测上。

  3海上风电故障诊断3.1故障诊断与状态监测的联系

  状态监测对关心的设备物理量进行实时检测,并经过初步处理得到设备运行信息和特征参数。有些信息和参数不需要进一步分析和处理就能表明设备的状态,例如温度低于阈值为正常,高于阈值为异常,需要停机检修。而更多时候故障或隐患是复杂的,需要对其发生部位、原因、性质、程度等作出综合判断,这时就需要一套智能化的故障诊断机制。如果说状态监测偏重于测量技术,即硬件,那么故障诊断则偏重于算法处理,即软件。

  3.2故障诊断算法介绍

  3.2.1模型策略与数据驱动策略

  故障诊断算法可以分为模型策略和数据驱动策略两大类。模型策略依据理论或半经验建立系统模型,经过参数调试后在处理器中建立传递函数。模型策略涵盖的具体方法很多,由简到繁包括故障树方法(描述有哪些故障、哪些传感器会反映这些故障、哪些故障的组合会对系统运行构成威胁),生命周期负荷表方法(用状态机描述系统功能降级的机制和故障的应对策略),物理模型法(建立系统的物理描述模型,由模型模拟得到故障的后果),智能专家系统(建立复杂的机制以模拟专家人员对给定事态的处理方式)。模型策略的问题在于,需要领域内的专家完成建模。当面对复杂的系统时,很难预测各部件间所有潜在的联系,此时建立的模型很难完善。此时,数据驱动策略则体现出其优势。数据驱动策略的实现也有多种方法。道理上讲,所有的数据挖掘算法都可尝试在这里应用,因为其目标是一致的,即用已知的一组数据预测未来的情况。然而实际上各种算法的适宜程度是不同的,因为海上风机故障诊断有其特殊性:所依赖的数据来源为多个不同的传感器,而且其各自的权重不同;需要处理不同时间尺度的数据序列,既有统计性的长序列也有暂态的短序列;可能有各种紧急响应。针对这些特点,神经元网络方法是最好的选择。针对不同的关注点可以应用多层感知器(MultilayerPerceptron),径向基函数(RadialBasisFunction),自适应神经模糊推理系统(AdaptiveNeu-ro-fuzzyInterface)等具体的处理方法。

  3.2.2多层感知器

  神经元网络用人工的神经单元组成网络以模拟生物神经的功能。每个神经单元都有输入-处理-输出的功能。网络则接受大量输入,将其赋予不同权重,交由神经单元处理,再汇总处理后的输出。而输出结果的判断可以是多层感知器,也可以是径向基函数或者对每个单元的输出区别对待(也就是自适应神经模糊推理系统)。在神经元网络中,如果将单元按层分组,各层顺序相连,每一层只接受上一层的输入并且将输出传递到下一层,则这种拓扑结构称为多层感知器。这种方法中各单元的权重确定是难点,普遍采用的方式是误差回溯的训练方法,即通过逐层回溯网络输出结果与期望结果的误差以得到各单元权重的预期修正值。

  3.2.3径向基函数

  在径向基函数方法中,神经层对输入和输出的处理更为复杂。神经层中的隐藏节点用高斯函数等分布函数来描述,这使得每个隐藏节点可以在算法中起到更大的作用,从而减少参数训练的工作量。径向基函数方法在处理故障诊断中常见的时间序列数据时优势较大。

  3.2.4自适应神经模糊推理系统

  自适应神经模糊推理系统将基于模糊逻辑的专家系统与神经元网络结合到一起。模糊逻辑基于这样的假设:同一对象可能同时存在多个状态,每个状态有一定的置信率。在故障诊断中则意味着同时存在多个可能的状态。自适应神经模糊推理系统允许同时计算这多个状态,并标明各自的置信率。对于欠缺经验的故障诊断,这种方法是行之有效的处理手段。

  3.2.5混合的故障诊断算法

  海上风机的各类故障十分复杂,适用的故障诊断算法各异,所以各种算法没有优劣之分只有合适和不合适的区别。而且针对实际的案例往往需要将相距甚远的不同算法结合起来以高效地完成诊断任务。

  ISO标准数据库中已经整理了丰富的关于轴承、齿轮、主轴等的故障模型,并且提出了基于模型策略的故障诊断研究推进模式:将设备按照集成程度分为不同层次,从底层零件开始,建立每层成员模型及成员关系模型,然后推进到更高层的模型研究。然而这种研究方式的工作量是巨大的,需要漫长时间的积累,当下实际应用中则需要数据驱动策略与现有模型研究成果相结合以得到较为准确的故障诊断结果。

  3.3故障诊断对检修的指导

  合理地运用故障诊断技术不仅使得故障发生时可以被从容地应对,而且可以指导指导检修工作,提高检修的效率和针对性。最直接的想法是建立风电场检修专家系统,将各风机、各部件的监测信息联网集中在一起进行处理。此专家系统以庞大的历史数据库作为基础,对获得的各种信息和数据剔除不显著因素保留主要特征,然后建立基于数据库相关性的决策树,对各个检修分项做出"需要预防性检修","需要修正性检修"或者"不需要检修"的判断。风电场运维专业人员可以通过调整上述判断所用的阈值来修正检修策略。

  维护替代整合预后过程工程提出了更为智能的方法。将检修看做是故障诊断系统的一部分,以建立整个系统的行为模型。模型中用部件的物理模型描述工作机制,同时用基于数据的信息描述部件的劣化,从而用模型可以预测系统的未来状态。模型中的检修可以看做是一种扰动,可以分别假设进行检修和不进行检修分别仿真预测系统的未来状态,如果预测结果表明检修后系统改进带来的利益大于检修的投入,则检修是值得进行的。值得注意的是,由于海上风机的检修与陆上电力设备检修不同,其边际成本发生在检修或不检修的判断上而不是检修的工作量上。所以当处理故障诊断算法中的欠把握的参数时,最好将其阈值设得偏低,避免执行过多次数的检修。

  4结束语

  海上风电机组中状态监测与故障诊断技术的合理运用能够提高设备利用率,延长设备寿命,增加运行安全性,大幅提高海上风电的竞争力。但目前这种技术的应用还是比较缺少和积极的,需要在如下几点上进一步开展研究:

  a.设备故障模式研究,特别是故障征兆及其演化方式的研究;

  b.选择或开发合适的传感器以更全面的监测设备状态;

  c.建立故障模型,其中应包括故障征兆的描述;

  d.尽量收集海上风机运行数据,不仅包括各种故障数据,还要包括故障前数据和健康运行数据;

  e.进一步研究模型与数据驱动策略相结合的故障诊断算法;

  f.制定更为高效、合理的基于状态监测和故障诊断的检修策略。


相关资讯