关键词:
性能退化分析
性能退化预测
长短期记忆网络
全寿命周期运行信号
故障诊断
摘要:
风电机组服役过程要经历不同的退化状态,而齿轮箱发生不同严重程度的故障损伤是导致机组性能退化和发生失效的主要原因。因此,齿轮箱性能退化状况将直接影响到风电工程的安全性和经济效益。如果能够对风电机组齿轮箱的性能退化状态进行分析与评估,通过预测性方式来判断机组运行退化状态的趋势和退化故障的发生,在提高风电机组安全性与经济性中具有重要意义。对此,本论文提出风电机组齿轮箱性能退化分析与预测方法,分别从性能退化分析与运行状态划分、性能退化趋势预测和运行退化故障预测三个方面进行研究。主要研究内容如下:
(1)针对风电机组装配可靠性高,运行年限长,难以直接获取齿轮箱全寿命周期运行信号,以及无法直接监测出齿轮箱性能退化状况的问题,提出风电机组齿轮箱性能退化分析与运行状态评估方法。首先,分析齿轮箱的故障机理和振动故障特征,探寻不同严重程度故障对齿轮箱性能退化的影响;其次,以均值指标化解决采样信号的抗干扰问题,提出均值灰色关系指数的性能退化指标,并对全寿命周期运行过程进行性能退化处理,使运行过程以性能退化形式呈现;然后,对运行退化状态阶段进行重新划分,并定义了初退化运行状态阶段,实现对故障的精细化处理;最后,根据风电机组长期的监测信号,整合出齿轮箱全寿命周期运行测试信号,并通过均值灰色关系指数的性能退化测试,验证了整合风电机组齿轮箱全寿命周期运行信号的合理性,以及性能退化指标的适用性和准确性,为后续进行性能退化预测提供支持。
(2)针对风电机组运行信号具有较强的非线性特征,齿轮箱性能退化趋势难以预测,以及预测稳定性不足的问题,提出风电机组齿轮箱性能退化趋势预测方法。首先,依据循环神经网络非线性预测能力强的特点,建立长短期记忆网络预测模型,并介绍了网络的基本原理,缓解非线性特征信息难以预测的问题;其次,依据自检验方法稳定性强的特点,构建以检验阈值为核心的检验层,设计预测通过率的预测效果评价方式,提出自检验长短期记忆网络性能退化预测模型,弥补单一误差评价方式预测模型缺乏稳定性的问题;最后,通过试验台采样信号和风电机组齿轮箱采样信号的实验测试,测试出预测误差与机组运行时长之间的关系,再将性能退化指标的处理方式引入到自检验长短期记忆网络预测模型中,进行性能退化趋势预测,实验验证了所提模型能够有效实现对风电机组齿轮箱性能退化趋势的预测。
(3)针对风电机组运行状况复杂多变,难以直接判断出齿轮箱运行过程中退化故障发生阶段的问题,提出风电机组齿轮箱运行退化故障预测方法。首先,根据风电机组运行状态和故障发生之间的关系,将齿轮箱的运行故障归纳为运行突发故障、运行加剧退化故障和运行早期微弱退化故障;其次,根据预测输入与预测输出之间的回归预测关系,建立长短期记忆网络预测模型,并介绍了运行退化故障的预测原理;然后,根据分段预测的思想,建立叠加与递进的预测通道,设计通道间的选择与对比机制,提出叠加与递进长短期记忆网络故障预测模型,用于运行早期微弱退化故障预测;最后,通过试验台采样信号和风电机组齿轮箱采样信号的实验测试,根据不同运行阶段之间的预测误差变化关系,预测出运行退化故障的发生阶段,验证了所提模型能够实现对运行退化故障的预测。