状态监测及故障诊断的优化方案

设备故障诊断是根据设备运行时产生的信息变化规律的不同，识别设备运行状态是否正常，设备诊断过程主要有：获得被检测设备状态的特征信息；从所检测的特征信号中提取征兆；故障的模式识别和诊断决策。

1.特征信息获得与数据采集

故障诊断的首要任务是选择一组对系统状态十分敏感的参数作为故障识别的对象。对于风力发电机组检测诊断方法有：对振动、噪声、铁谱、声发射、电流，电压信号检测以及漏磁检测等。

通过传感器从被诊断的设备或系统中获得原始信息是设备诊断的第一步。在线监测是将传感器永久地安装在机器或设备某—固定部位。这样可以长期获得机器运行的状态参数，并将数据送入数据采集系统和分析系统进行处理。

（1）传感器的安装方式

主要有双头螺纹连接、胶粘单头螺纹连接、磁座连接、双面胶粘接、蜂蜡连接、手持式连接等。在可能的情况下选用双头螺纹连接不仅可靠而且可用于高频测量，是传感器安装方式的首选。但是很多结构上不允许打螺纹孔，则可考虑胶粘单头螺纹连接，这种胶一般为环氧树脂，试验结束后可能会给结构表面的清除工作带来一定的麻烦。但上述两种方法都可用于结构表面温度较高的情况下。双面胶粘接和蜂蜡连接则不适用于结构表面温度超过40℃的情况，当表面温度超过40℃时胶的黏接力很低，传感器无法可靠地安装在结构表面。磁座连接方式是用于导磁体结构，这种安装方式在换测点时非常方便，是进行结构探测（如模态分析试验）的理想安装方式。

（2）传感器的安装位置

由于振动结构各点的响应有很大差别，因此选择适当的安装位置非常重要。一般情况下传感器需避免安装在结构振动的节点或节线上，应尽可能安装在结构响应信号较大的位置，以提高信噪比，提高测试精度；在以测试结构总体模态特性为目的的试验中，传感器应该尽可能避免安装在局部模态贡献大的位置；传感器的选择要充分考虑传感器附加质量对安装结构局部的影响，如果安装局部较轻、较薄，则应该选用体积小、质量轻的传感器，或采用非接触式传感器进行测量。对于结构振动源进行监测的试验中，则应该使传感器安装的位置尽可能接近振动源的直接传递路径，安装方向也必须能够反映振动源振动的方向。测量时应在测量位置上作出标记，每次测量不要改变位置，并注意保持测量部分表面的光滑性。当被测对象是轴承时，测点的选择要实现可以安全、重复地采集数据，在轴承的水平、垂直和轴向三个正交方向上布置测点（见图11-1），测点尽可能靠近轴承的承载区，一个方向因偏离理想位置并不影响其他测点仍保持在理想位置，不在设备外壳、保护罩、轴承座剖分面、设备结构间隙上设置测点。测量时，由于设备构造和安全等方面的限制，有时三个方向不能同时进行测量，这时可在x与z或y与z两个平面方向上进行测量。对于高频振动，一般因无方向性，也可在一个方向上进行。径向（x）：在水平面内，其指向通过轴的轴心线；垂直方向（z）：在铅锤面内，其指向通过轴的轴心线。轴向（y）：在水平面内，其指向与轴的轴线平行，高度与水平测点相同。

图11-1 传感器测点布置

（3）测量参数的选择

滚动轴承所发生的振动，包含1kHz以下的低频振动和几kHz乃至几十kHz的高频振动。振动的频率范围与故障类型有关，所以用振动信号对轴承的故障进行诊断时，通常选用振动速度或振动加速度作为测量参数。但应注意，利用振动速度或振动加速度所能测出的故障种类是不同的。振动位移是研究强度和变形的重要依据；振动加速度与作用力或载荷成正比，是研究动力强度和疲劳的重要依据；振动速度决定了噪声的高低，人对机械振动的敏感程度在很大频率范围内是由速度决定的。速度又与能量和功率有关，并决定动量的大小。

（4）测量周期的确定

为发现初期异常，需要进行定期测量。测量周期确定的原则是根据劣化的速度，应不至于忽略严重的异常情况，并尽可能缩短。通常先确定一个基本的测量周期，当发现测量数据有变化征兆，就应缩短测量周期，以符合实际情况的需要。如果条件允许，也可采用连续测量。

2.信号处理与特征提取的方法

在线监测系统的信号处理与特征提取需要完成的工作是：利用信号处理手段从大量混杂的现场信号中准确分离故障信号，然后根据故障机理来判断故障的部位及程度。因此，为得到可靠的故障诊断结果，信号处理与故障数据的特征提取是相当重要的，而要取得良好的信号分析效果，所采用的信号分析方法也是非常重要的。对于能直接由仪器读出数据的缓变信号，如温度信号、油液参数等，读出的数据实际上就是特征值，因此它们不需要另外再提取特征了。而大多数由传感器上获得的信息往往都是各种物理量（应力、位移、速度、电流、噪声等）的动态波形，而这些动态波形往往又是由很多幅值、频率、相位不同的波形混叠而成，为了分解信号内的各种频率成分的有效值，全面地揭示动态波形中包含的信息，必须对信号进行加工处理。在信号的分析处理方面，除了时域分析、频域分析、幅值域分析等，近来又发展了时频域分析、时序模型分析、参数辨识、频率细化、倒谱分析、共振解调分析、三维全息谱分析、轴心轨迹分析以及基于非平稳信号假设的短时傅里叶变换，Wigner分布和小波变换等技术。

（1）在线监测特征信息的提取

风力发电机组在线监测的物理量主要有温度、振动、冲击、油液杂质等。

温度的监测是监测被测点（主要是轴承）温度和齿轮箱油温的变化，从而判断其本身或周边部件是否存在故障。主要使用铂电阻、数字测温器件等，有绝对温升报警和相对温升报警两种方式，目前风力发电机组在出厂时已在主要轴承位置均已安装温度传感器。

振动的监测可以分为机舱整体振动监测和部件振动监测。主要使用限位开关、加速度、速度或位移传感器。机舱整体振动监测是监测风力发电机组机舱整体振动，当其超过设定阈值后自动停机保护。此类监测属于重大故障监测，但其无法分清故障原因，并对倒塔这类重大事故预警不足。目前，风力发电机组在出厂时均已配备，最常用的是限位开关。部件振动监测是监测机组各部件的振动加速度、速度或位移等信息，其值超过设定阈值后即报警或提示，但无法自动定位到故障发生的具体部件和部位，需人工分析后方能确认。另外，轴不对中、转子不平衡以及设备共振等监测多用振动信息。目前，最常用的是振动加速度、速度或位移传感器以及电涡流位移传感器。常用的振动信号分析方法有振幅值诊断法、波形因素诊断法、波峰因素诊断法、概率密度诊断法、峭度系数诊断法、振平诊断法等。

冲击的监测是提取旋转机械（如轴承、齿轮）局部损伤激发的机械冲击信号，实现准确定位故障部件、部位和故障程度。主要使用冲击传感器或振动加速度、位移传感器。对于非旋转机械，如塔架，监测其由外部激励引起的冲击信号，实现对塔架等非旋转机械的裂纹、松动等故障诊断。但其对轴不对中、转子不平衡以及设备共振等监测能力不如振动信息。目前，最常用的是冲击传感器或振动加速度传感器。常用的冲击信号分析技术有：广义共振/共振解调技术、包络检测技术等。

油液监测是监测油液中的金属杂质，间接判断运转部件是否有故障。

从上述比较可以看出：仅用温度监测是不够的，振动、冲击监测互有优缺点。因此，为更全面的监测设备的状态，建议采用多物理量监测的方式。在监测过程中可以利用提取的信号（故障特征频率信号）波形直接对故障做出诊断，但这种分析对比较典型的信号或特别明显的信号以及较有经验的人员比较有效，除此可以利用指标因数进行监测、诊断，指标因数也是时域分析的一种。指标因数包括有量纲指标（如：均值、方均根值、有效值、方差、标准差、峰值）和无量纲指标（如：波形指标、峰值指标、脉冲指标、裕度指标和峭度指标）。有量纲指标往往是设备振动能量的反映，而无量纲指标则不受设备运行工况（包括负荷、转速、环境条件等）的影响，对早期故障具有很好的诊断能力。其中峭度指标、波形指标、峰值指标和裕度指标，以及功率谱重心指标广泛用于状态监测与故障诊断。

1）峭度指标：

式中 N——数据长度；

σ——标准差。

峭度指标是反映信号偏离正态分布程度的一个指标，它对信号中的冲击成分特敏感，并且其值与输入轴转速、齿轮箱各零部件尺寸以及负载无关。这也是时域无量纲指标的一个共同特点。

2）波形指标：

式中 X_p——峰值，表示某时刻振动幅值的最大值；

X_rms——有效值，反映了振动信号能量的大小，其表达式为

波形指标适用于点蚀类故障，能对早期故障进行预报，并能反映故障的发展趋势。当齿轮箱无故障时，波形指标为一较小的稳定值；一旦发生点蚀类故障，产生冲击信号，振动峰值增大，而有效值尚无明显增大，故波形指标增大；当故障不断扩展时，峰值逐步达到极限，有效值则开始增大，故波形指标逐步减小。

3）峰值指标：

式中 X——振动信号经绝对值处理后的平均值。

4）裕度指标：

式中 X_r——方根幅值，表达式为

5）功率谱重心指标：

式中 f_i——功率谱所对应的频率值；

p_i——功率谱幅值。

功率谱重心指标反映了功率谱重心位置的变化程度。当故障出现时，某些频率的振动幅值将发生变化，会在很大程度上影响功率谱重心位置。当无故障时，频率成分主要集中在低频，F_cx小；当出现局部损伤时，由于冲击引起的共振，所以主频区右移，F_cx增加。

监测特征值除了具有反映机械部件工作是否出现异常的基本特性外，还应具备计算方便性，这是为了满足专家系统实时监测的需要，并且对转速、环境的变化不敏感。

（2）故障特征信息的提取

故障特征值的选取直接关系到各种故障的判别，所以对它们的要求比监测特征值更高，必须有很好的故障分离性。监测特征值与故障特征值最大的区别在于监测特征值只需要反映监测对象工作是否出现异常，而故障特征值则需要具有反映不同故障的特性。

然而，在实际测试工作中，实际测得的振动信号并非单纯反映某个机械部件状态，而是含有许多成分，例如齿轮箱本身的特征频率，工况状态及载荷信息等，这些成分往往掩盖了齿轮和轴承的特征频率成分，又由于调频调幅现象、共振现象、冲击现象、非线性因素以及耦合叠加等现象的存在。使得提取能够反映齿轮和轴承状态的特征参数极为困难，甚至不可能。很显然，所有的故障特征频率淹没在其他的频率成分之中。此外，由于功率谱的频率分辨率限制，使很多的特征值频率计算机根本识别不出来，从而也限制了使用特征频率进行故障精密诊断。

在信号的分析方法中分析处理的过程越细，计算工作量越大，则难以实现快速的信号提取及故障诊断。在工程实际应用中，在线监测系统的有效分析方法有：包络分析、能量谱分析。

1）包络分析：当齿轮或者轴承元件出现局部损伤时，运行过程中要撞击与之配合的元件表面，将产生脉冲力。由于冲击脉冲力的频带很宽，必然覆盖监测部件的固有频率，从而激起系统的高频固有振动。根据实际情况，可选择某一高频固有振动作为研究对象，通过中心频率等于该固有频率的带通滤波器把该固有振动分离出来，利用Hilbert变换进行包络解调，去除高频衰减振动的频率成分，得到只包含故障特征信息的低频包络信号，对这一包络信号进行频谱分析便可提取齿轮或滚动轴承的故障特征信息。包络分析的原理如图11-2、图11-3所示。

图11-2 包络分析法原理图(www.xing528.com)

图11-3 Hilbert包络解调原理图

2）能量谱分析：能量谱分析同样是一种广泛应用于各种设备的故障诊断中的方法。当用一个含有丰富频率成分的信号作为输入对齿轮传动系统进行激励时，它会改变原来系统输出信号的频谱结构。同样，当故障发生时，它产生的冲击激励会对各频率成分起抑制或增强作用。通常，它会明显地对某些频率成分起抑制作用，而对另外一些频率成分起增强作用。因此，在各频率成分信号的能量谱中，包含着信号丰富的故障信息，从而可以从能量谱图上识别故障。

能量谱描述信号能量沿频率轴的分布情况。能谱的表达式如下：

E=∣FFT（x（t））∣² （11-8）

将频率域划分为N个频带，分别计算各频带能量。当能量较大时，对应的各频带能量值比较大，因此为了计算方便，需要将所有能量值进行归一化。归一化公式为

式中 x_i——各频带的能量值；

x_max——x_i中的最大值；

x_min——x_i中的最小值，i=1，2……16。

这样便可以将归一化后的值作为故障诊断特征值。

3.故障的模式识别和诊断决策过程

故障诊断就是根据对机器运行状态检测和监测所得的信息，进行趋势分析和故障识别，确定机器运行是否存在故障，以及故障性质和故障部位，做出诊断决策，制定设备维修计划，确定设备继续运行还是停机检修。故障诊断是一个典型的模式识别过程，而诊断文档中的各种故障样板模式就是进行技术状态识别的基础。所谓技术状态识别，是指将待检模式与诊断文档库中的样板模式进行对比，并将待检模式归属到某一已知的样板模式中去的过程。由此便可判定诊断对象所处的状态模式是否正常，并预测其可靠性和状态的发展趋势。

设备故障诊断近几十年来的发展日新月异，主要的诊断理论和方法有以下方面：

（1）基于专家系统的智能诊断方法

专家系统是人工智能的最活跃分支之一，其核心主要包括以下几部分：知识库、知识获取部分、推理机、解释部分。如图11-4所示，其中箭头方向为数据流动的方向。

图11-4 专家系统的基本结构图

1）知识库：用于存储专家系统的知识，供推理机推理使用。知识是以一定的结构存储在知识库中的，这种结构被称为知识表达。目前较为成熟的知识表达方法有：谓词逻辑、产生式规则、特征表、语义网络、框架、剧本。

2）知识获取部分：用于获取知识送到知识库中，并对知识库中知识进行管理和维护。对于经验知识，一般是通过人机对话的形式进行知识编辑，然后将知识转化为知识库的内部形式，较为高级的系统是通过编译实现知识转化的。列于可进行数据处理的数据信号知识，由于知识模式的确定性、还可进行知识的自动获取，一般是通过对样本的修正来实现的。

3）推理机：用于将知识库中的知识与当前状态知识进行匹配，即进行推理，然后给出推理结果。推理方式分为正向推理、反向推理从混合推理，正向推理也称数据驱动推理（见图11-5），是在已知外界初始信息（图11-5中的事实P1）的情况下，与知识库中的各个目标进行匹配，最后求出满意解（图11-5中的q3）；反向推理也称目标驱功推理（见图11-6），它依次假设知识库中的一个目标为待求目标（图11-6中的目标q3），然后不断地从外界获取知识进行验证、直到找到满意解为止（图11-6中的事实P1）；混合推理则是先进行正向推理缩小搜索空间，然后进行反向推理进行求解。

图11-5 正向推理过程示意图

图11-6 反向推理过程示意图

4）解释器：是用来对提出的问题和推理机推理的过程做出明确的解释。

5）专家系统开发环境目前主要分为以下四类：

①采用人工智能语言，如LISP、PROLOG等语言。LISP和PROLOG语言具有回溯递归的功能，可以简化程序的结构，在程序执行的过程中能够自动实现知识的匹配、回溯和搜索，但LISP和PROLOG语言的数值计算功能比较差，而且语言和知识的联系比较紧密，不了解此语言的开发人员很难对知识的实现进行扩充和修改；

②采用高级语言，如C、C++、FORTRAN、PASCAL等。采用这些高级语言开发专家系统，程序设计比较灵活，数值计算较强。但是开发工作量相对比较大，调试程序比较困难；

③采用专家系统开发工具，如EMYCIN等骨架型开发工具，开发成本比较高；

④采用数据库技术和可视化编程语言相结合方式进行开发，数据库采用SQ Server，ACCESS，ORACLE等，可视化编程语言采用VC++、VB、VF等。这种开发方式是随着数据库技术和可视化编程语言的逐步成熟发展起来的，是一种新型的专家系统开发技术。其优点是利用数据库技术可以快速地在知识库中查找知识，利用可视化编程语言能方便地实现递归和回溯功能，同时去除了大量的语句，工作量相对较小，调试程序比较容易，而且人机界面友好。

（2）基于故障树分析法的智能诊断方法

故障树分析法（FTA）是一种将系统故障形成原因按树枝状逐级细化的图形演绎方法，是20世纪60年代发展起来的用于大型系统可靠性、安全性分析和风险评价的一种方法。它通过对可能造成系统故障的各种因素（包括硬件、软件、环境、人为因素等）进行分析，画出逻辑框图（即故障树），再通过对系统故障事件作由总体到部分按树状逐级细化的分析，并对系统进行可靠性、安全性分析，常用于系统的故障分析、预测和诊断，找出系统的薄弱环节，以便在设计、制造和使用中采取相应的改进措施。

FTA以系统最不希望出现的故障状态作为分析的目标（顶事件），找出导致故障的全部因素（中间事件），再寻找出造成中间事件发生的全部因素，按照这种方式一直追溯到引起系统发生故障的全部原因（底事件）将系统的故障与中间事件和底层事件之间的逻辑关系用逻辑门联结起来，形成树形图，以表示系统与产生原因之间的关系；并通过计算找出系统发生故障和不发生故障的各种途径；利用概率论方法计算系统出现故障的概率，评价引起系统故障的各种因素的相关重要度。

1）故障树的建树方法：故障树的建造是FTA法的关键，故障树建造的完善程度将直接影响其定性分析和定量计算的准确型。实际上建树过程常常是一种反复的过程，应广泛吸取和掌握设计、使用等方面的知识和经验，对系统进行仔细、透彻地分析，多次讨论、修改，将会使建造的故障树更加完善。目前还没有一种有效的、统一的建树方法，通常采用演绎法建树。该方法是先选定系统中不希望发生的故障事件为顶事件，其后第一步是找出直接导致顶事件发生的各种可能因素或因素组合，如硬件故障、软件故障、环境因素、人为因素等；第二步再找出第一步中各因素的直接原因。遵循此方法逐级向下演绎，一直追溯到引起故障的全部原因，即分析到不需要继续原因的底事件为止。然后，把各级事件用相应的符号和适合于它们之间逻辑关系的逻辑门与顶事件相连接，就建成了一棵以顶事件为根，中间事件为节，底事件为叶的具体若干级倒置故障树。

2）建树步骤：故障树分析的过程是对系统更深入认识的过程，要求分析人员把握系统的内在联系，弄清各种潜在因素对故障发生影响的途径和程度，以便在分析过程中发现问题，找出零部件故障与系统的逻辑关系，以确定系统的薄弱环节。建树的步骤，如图11-7所示。

图11-7 故障树的建立步骤

3）建树规则：故障树分析法是故障事件在一定条件下的逻辑推理方法。在清晰的故障树图形下，显示出系统故障的内在联系，并反应零部件故障与系统之间的逻辑关系，便于围绕某些特定的故障树状态做层层深入的分析。所以，建树时应遵循：

①建树前应对所分析的系统有深刻的了解，广泛收集有关系统设计运行流程图、设备技术规范等描述系统的技术文件和资料，并进行深入细致的分析研究；

②对故障事件应精确定义，指明是什么故障，在何种条件下发生，即应有唯一解，切忌模棱两可，含糊不清；

③选好顶事件，选择的顶事件必须是能进一步分解的，即可以找出其发生的次级事件，并且能够用数值进行量度。否则，就有可能无法对事件进行分析和计算；

④合理确定系统的边界条件，边界条件包括：确定顶事件、确定初始条件、确定不许可条件以及做出一些必要的假设均可作为系统的边界条件。有了边界条件才能明确故障树建到何处为止；

⑤对系统的各事件的逻辑关系及限定条件必须分清楚，不能产生逻辑关系上的紊乱和限定条件之间的矛盾。

FAT使用的图形符号有事件符号、逻辑符号和转移符号三类，常用的图形符号见表11-2。

表11-2 FAT常用图形符号表