大型风电机组叶片故障声学诊断技术研究.docx
【摘要】风机叶片发生裂纹、不平衡等故障时,将改变系统的振动模态,激发出不同于环境背景噪声的稳态频谱特性。针对现有方法的不足,提出一种非接触式的叶片故障声学检测方法。基于采集的数据集,分析了方法的可行性。该方法可为风机叶片故障检测提供一种新的技术途径,具有重要的工程应用价值。【关键词】风力发电机叶片声学检测O引言叶片是大型风力发电机组中获取风能的关键部件,造价约占整机的20%左右。由于叶片长期运行在严酷的自然环境中,承受各种复杂作用力,极易发生各种安全隐患,威胁整机的安全。由于叶片维修、更换,相对于其他设备更为复杂,耗时更长,所以叶片故障引起的停机时长,在机组总故障中的比例高达34%。停机时间发电机32%由于风机分布范围广、叶片故障初期特征不明显等原因,现有的人工巡检维护模式难以实时、全面地获取风机叶片的健康状态信息,导致故障风险较大、维护成本较高。因此,亟需发展风机叶片健康在线监测技术。在风机叶片故障诊断领域,己发展基于声发射、振动分析、光纤光栅、红外热成像等多种原理的检测技术。受适用性、经济性、安全可靠性等方面的限制,难以满足实际检测需求。因此,北京国电思达有限公司联合北京邮电大学设备健康智能监测实验室合作研究一种非接触式的叶片故障声学检测方法,利用布放在风机底部的传声器采集叶片运行的声信号,再结合数据处理方法实现叶片故障特征提取,具有检测效率高、非接触式、便于安装维护等优点,可为风机叶片故障检测提供一种新的技术途径,具有潜在的工程应用价值。1叶片故障声学检测基本原理首先,去除复杂环境背景噪声,提高信噪比。风机叶片运行在野外环境中,检测声信号频繁受随机负载、风速、雨水、周围偶发噪声等各种背景噪声的影响,并且,考虑到叶片早期故障能量较为微弱,极易掩盖在背景噪声中,因此,在特征提取之前需要对采集的声信号进行预处理,以提高信噪比。目前,风机的启动条件一般为平均风速不小于3.5ms,因此,传感器采集到的声信号中必然含有低频风噪,并且,相比于其它的背景噪声,风噪的影响严重且常态。此外,考虑到信号高频成分衰减较快,且传声器布放位置距离叶片较远,实际传感器采集的信号高频成分的能量极其微弱,不利于故障的判断,可以将信号中的高频成分滤除。综上所述,选择带通滤波器对原始声信号进行预处理。然后,提取叶片声学故障特征。健康叶片在正常工作状态下,传声器采集到的声信号主要为叶轮扫风声。但是,随着风机叶片在役时间的增加,可能会周期性出现一些异响,那么,相比于正常工作状态,故障叶片运行时声信号的频谱必然会发生周期性变化。因此,只需提取出能够反映叶片健康状态信息的频谱特征,就能够实现风机叶片的故障诊断。刻画声信号频谱变化的方式有多种,综合考虑信号周期性与算法的鲁棒性、高低频表征能力,选择能够准确描述声信号频谱变化的频谱特征。叶片故障声学检测方法流程图如图1所示。(开F)C.声一号)(一号一纪理)G蝮语分析)1.:(美.e域峙征):+(场出站.)(纭求)<图1叶片故障声学检测流程2实验分析现场采集了某机组故障风机与正常风机运行声信号,机组容量1.5MW,叶片故障类型为前缘开裂,如图2所示。图2故障叶片数据采集系统由YG-201型传声器、MPST40801采集卡及集成1.abVIEW采集软件的笔记本电脑构成。经过前期大量实验发现,在叶片下风侧采集声信号的信噪比高于上风侧,因此,可以结合风场常年的主导风向来确定传感器的安装位置及安装角,以获取信噪比较高的声信号。传声器可以安装在与风机塔门高度一致的地方,既可以避免塔筒顶部的机械噪声的影响,又便于传声器的安装与维护。采集方法如图3所示。图3声信号采集示意图为使通带内频率响应曲线最大限度平坦,选用巴特沃斯带通滤波器。综合考虑数据处理的效果与算法实时性的要求,滤波器的阶数取30-50。为了避免因通带过宽导致滤波后信号中仍存在大量强噪声以及因通带过窄导致部分有用信号被当作噪声滤掉,下限截止频率可选择为50-200Hz,上限截止频率可选择为10kHz-15kHz0以100S的数据为例,预处理前后时域波形如图4所示。可以看出,通过预处理以后,风机叶片旋转的周期特性更加明显,且通过耳听可以分辨出原始信号中风噪基本得以滤除。图4预处理前后时域波形正常情况下,风机叶片的转速约为IOT7rpm,因此,叶片旋转一周的时间约为46s。为保证每个样本均包含有效的故障特征,选择样本的长度为7s,风机叶片数据共得到240个样本,其中,故障叶片样本48个,正常叶片样本192个。对所采工况数据进行频谱分析发现,相比于环境背景噪声与正常风机叶片,故障风机叶片在200-300Hz频带范围内能量有明显的凸起(红色圆圈所标注),如图5所示。0.4O124610204060182004001k2k4k6k10k20kFroquoncymHzMPS收晔100rII»,I>IIi1itI-80fi-s5三l故障风机叶片的时频图如图6所示。可以看出,每间隔5秒钟(第3秒、第8秒),在200HZ-260Hz频带能量突然增加,如绿色椭圆所标注,对应叶片转频(每分钟12转),持续时间大概1-2秒钟,该特征能够较为稳定地反映叶片故障信息。MPSAt峥乂机VA舄或图6故障风机信号时频图3结语针对大型风机叶片状态监测问题,提出一种非接触式叶片裂纹故障声学诊断方法。所提出的预处理算法能够有效去除风噪影响和分离出叶片声学信号,并通过实测数据证明了特征提取方法的可行性。该方法为风机叶片故障检测提供一种新的技术途径,可应用于叶片进行实时状态监测与故障诊断,及时识别叶片运行中存在的故障和缺陷,进一步提高机组的可靠性、安全性和有效性,具有潜在的工程应用价值。