(合肥學院機械工程系 安徽合肥 230061)

近年來國內(nèi)風電比重持續(xù)增加、產(chǎn)能日益增大，逐漸成為發(fā)電主力。據(jù)中國風能協(xié)會統(tǒng)計，2016年，除臺灣省全國風電開發(fā)建設(shè)總規(guī)模為3.083萬MW，機容量達到100萬MW。預計到2020年底，我國風電裝機容量將達到150萬MW，全球裝機容量將達190萬MW[1]，年發(fā)電量占世界電力需求的12%。我國首部《中國風電發(fā)展路線圖2050》正式發(fā)布，2050年，我國風電裝機容量將達到10億千瓦，將成為電能主力。

隨著風電的高速發(fā)展，風電機組裝機數(shù)量不斷增加，且結(jié)構(gòu)更為復雜。風場環(huán)境惡劣，風電機組處于高空，運維困難，往往達不到視情維護的效果，以致其關(guān)鍵故障嚴重、失效率占比增大、運維成本比重增多，造成風場經(jīng)濟效益減少，競爭力降低。國外工作壽命至少20年的風電機組運維成本大約占風場收入的10%～15%，海上風電機組高達20%～25%；而國內(nèi)風電裝備通常在運轉(zhuǎn)5年之內(nèi)出現(xiàn)關(guān)鍵故障，其中風機齒輪箱最為嚴重，陸上和海上風機齒輪箱失效率分別約占整機14%和19%[2]。在風電齒輪箱運維費用方面，齒輪箱故障是機組停機的關(guān)鍵因素，齒輪箱問題占1/3，在歐洲占總運維成本12%～30%[3]；而國內(nèi)則高達40%以上。巨大的運維費用降低風電經(jīng)濟效益，可見發(fā)展風機齒輪箱監(jiān)測診斷技術(shù)，提高齒輪箱無故障運行時間和發(fā)電效率具有重要意義。

快速發(fā)展的風電行業(yè)存在的設(shè)備監(jiān)測困難，得到國內(nèi)外相關(guān)人員的高度重視，對其關(guān)鍵設(shè)備齒輪箱的運行維護出現(xiàn)了多種監(jiān)測技術(shù)和診斷方法。但齒輪箱的運行維護除了機械設(shè)備故障診斷的基礎(chǔ)問題外，還有齒輪箱自身特點的問題。本文作者從風電齒輪箱運維、故障診斷的現(xiàn)狀出發(fā)，總結(jié)主要檢測參數(shù)、故障類型、監(jiān)測方法，并分析問題和提出解決辦法，結(jié)合當前日益成熟的網(wǎng)絡(luò)技術(shù)、云技術(shù)以及大數(shù)據(jù)，提出狀態(tài)診斷的可能發(fā)展趨勢，為實現(xiàn)風電場齒輪箱運維的信息化、智能化、簡易化提供建議。

1 風電齒輪箱狀態(tài)監(jiān)測及故障診斷技術(shù)

對機械設(shè)備實行狀態(tài)監(jiān)測和故障診斷的目的在于分析多種狀態(tài)監(jiān)測信息，研究運行狀態(tài)，判定故障及其部位和原因，進而提出解決措施，并預測趨勢。整個過程如圖1所示，涉及到信號檢測、信號處理、模式識別、失效分析以及狀態(tài)預測等技術(shù)，其中通過信號處理獲取特征信息的效果，直接影響模式識別的準確性、故障診斷的可靠性以及狀態(tài)預測的精準性，是故障診斷的前提。

圖1 齒輪箱狀態(tài)監(jiān)測與故障診斷流程及技術(shù)手段

1.1 風電齒輪箱關(guān)鍵部件故障分析

齒輪箱作為風力發(fā)電機傳輸動力的關(guān)鍵部件，如圖2所示，其齒輪和軸承的故障率高達79%，這兩個部件能否正常運行直接影響到齒輪箱的可靠性。其中齒輪和軸承故障率分別高達60%和19%[4]，前者失效形式為齒面劃傷、點蝕、磨損、斷齒、膠合、齒面銹蝕等形式，后者為疲勞、磨損、斷裂、腐蝕、保持架損壞等。

圖2 風力發(fā)電機齒輪箱

1.2 主要監(jiān)測技術(shù)及檢測參數(shù)

齒輪箱的工況、潤滑油理化信息及振動等多種狀態(tài)參數(shù)，通常采用紅外熱像、溫度傳感器、油液監(jiān)測以及振動監(jiān)測等技術(shù)手段進行檢測，以評估潤滑系統(tǒng)的油品狀態(tài)、設(shè)備磨損及其失效形式。

1.2.1 溫度監(jiān)測

工況監(jiān)測主要以壓力和溫度為主，其中溫度更為重要。溫度對齒輪箱性能、磨損及失效有重要影響,潤滑油溫度影響齒輪箱零部件疲勞及整個系統(tǒng)的壽命，一般齒輪箱正常工作時的最高油溫不應超過80 ℃，需要溫度監(jiān)控系統(tǒng)調(diào)節(jié)[5]。齒面溫度過高，其表面潤滑油膜難以形成，散熱變得困難，導致溫度變大。齒輪箱潤滑油的溫度監(jiān)測用于直接或間接判斷齒輪箱健康狀態(tài)，已成為監(jiān)測指標。溫度及壓力升高時，滑動軸承的氣蝕磨損增加。溫度對徑向軸承性能有重要影響，隨著滲透性的增加，壓力分布、承載能力及姿態(tài)角進一步減小[6]。MAO等[7]從實驗和仿真兩方面研究了聚合物齒輪表面熱磨損及其性能預測，建立了齒輪表面溫度和齒輪承載能力的總的關(guān)系。王志強[8]等采用非線性狀態(tài)方法建立溫度預測模型，統(tǒng)計溫度預測殘差的變化趨勢，以發(fā)現(xiàn)齒輪箱早期故障。

測量溫度的方法主要是自然熱電偶法、人工熱電偶法以及紅外熱像技術(shù)等[9]，前兩者都是接觸測量，技術(shù)操作難、效率低，而后者是非接觸測量，采用紅外探測器測得待測物表面的輻射能量，通過計算得到表面的溫度及其分布，操作簡便快捷，一般測量范圍是-20～1 200 ℃。

1.2.2 油液分析

1989年，國際鋼鐵協(xié)會技術(shù)委員會在對14個發(fā)達國家的17個鋼鐵企業(yè)進行了3年的系統(tǒng)性研究，提出將狀態(tài)監(jiān)測和狀態(tài)維修作為維修策略。對設(shè)備實行預防性維修維護，雖不能直接為企業(yè)帶來經(jīng)濟效益，但能間接提高設(shè)備利用率和降低成本。美國提出的油液監(jiān)測技術(shù)，廣泛應用于電廠、鋼廠、水泥廠、船廠、軍事等設(shè)備。我國某空軍區(qū)采用油液分析監(jiān)測飛機，10年左右節(jié)省各項損失達數(shù)百億元；某柴油機發(fā)電廠，實行油液監(jiān)測前，一次最大事故損失330萬元，實行油液監(jiān)測后，節(jié)約備件和油費超過1 240萬元。SKF公司僅通過污染控制就提高軸承可靠性壽命高達500倍；英國流體協(xié)會研究確定，液壓油清潔度每提高一個等級使液壓系統(tǒng)的壽命延長10倍；日本某鋼鐵公司推廣油液狀態(tài)監(jiān)測技術(shù)后，設(shè)備失效率就下降65%，滾動軸承采購量下降50%，潤滑油消耗下降83%，與潤滑相關(guān)的失效率下降90%。

截止目前，油液監(jiān)測是評估齒輪箱潤滑和磨損狀態(tài)最直接有效的手段，因為通過該技術(shù)能從潤滑油獲得理化、磨粒、添加劑、鐵譜、污染度等信息，判斷設(shè)備磨損、油品及污染狀態(tài)，積累的數(shù)據(jù)和知識可為狀態(tài)維修乃至預防維修提供科學依據(jù)。

然而，油液分析儀器昂貴，采用傳統(tǒng)方式分析成本高、投資大，僅在軍隊和大型企業(yè)得到系統(tǒng)地、連貫地使用。另外，油液分析主要在實驗室完成，推廣到風電齒輪箱在線監(jiān)測，需要結(jié)合其他技術(shù)手段如遠程監(jiān)測等。

1.2.3 振動監(jiān)測

在風電齒輪箱故障診斷技術(shù)中，目前應用最為成熟的另一種方法是振動監(jiān)測。風電齒輪箱的振動信號包含大量的齒輪箱故障信息，當齒輪或滾動軸承存在局部缺陷時，通過有效提取特征信息，可確定故障種類及部位。在正常工況下，齒輪箱在正常磨損階段平穩(wěn)運行時，振動信號為平穩(wěn)信號，否則為非平穩(wěn)信號，通常后者居多，且為非線性信號。

傳統(tǒng)的振動信號分析有時域分析、頻域分析及時頻域分析。對于平穩(wěn)信號，通過時域分析提取變化速率、幅值范圍、連續(xù)性和離散性等信號特征；通過頻域分析獲取信號的主要頻率成分及其幅值和相位，初步判斷齒輪箱故障。而對于風電齒輪箱的非平穩(wěn)信號，僅用時域或頻域分析故障，往往效果不佳[10]。龔韻秋[11]提出將瞬時頻率估計與階次分析相結(jié)合，用于風電齒輪箱的振動信號處理與故障診斷。李瑩等人[12]利用隱馬爾科夫模型(HMM)評估齒輪箱的故障演化程度，發(fā)現(xiàn)齒輪的故障程度從點蝕、磨損、斷齒程度逐漸增大 。郭遠晶[13]通過試驗臺模擬風電齒輪箱高速級輸出軸轉(zhuǎn)角的角域振動信號，應用S變換進行角域周期性沖擊特征的識別與提取，優(yōu)化故障特征向量的提取和故障診斷模型參數(shù)。

為提高故障預測效果，可聯(lián)合采用工況(如溫度)、油液、振動等多種信號來綜合分析預測故障。如風電齒輪箱齒輪發(fā)生點蝕、磨損、斷齒等失效時，則有相應的振動頻譜特征，同時溫度、油中顆粒物、油品質(zhì)量(運動黏度)都會有相應變化等，集成分析這些信號，則能準確有效地判斷故障部位、類型等。

1.3 齒輪箱在線監(jiān)測與遠程監(jiān)測

鑒于傳統(tǒng)的數(shù)據(jù)采集和實驗室分析信息滯后、效率低，國內(nèi)對風電齒輪箱的在線監(jiān)測技術(shù)進行了一些研究。但是由于系統(tǒng)化研究和應用起步晚，很少有單臺風電機甚至風電場的整套監(jiān)測系統(tǒng)，目前以風電機組的某一零部件監(jiān)測居多，并以傳統(tǒng)方式進行工況數(shù)據(jù)的采集、分析及顯示。目前，有少數(shù)風電機組生產(chǎn)企業(yè)自行開發(fā)了與風電機組配套的監(jiān)測系統(tǒng)，如華銳風電、金風科技等；部分企業(yè)依托專業(yè)公司開發(fā)風電場監(jiān)測系統(tǒng)，如南瑞電控為寧夏銀星能源有限公司開發(fā)了監(jiān)測系統(tǒng)[14]。為確保數(shù)據(jù)傳輸實時、高效、完整，提高監(jiān)測效率，隨著在線監(jiān)測技術(shù)的成熟以及信息技術(shù)、網(wǎng)絡(luò)技術(shù)的成熟，遠程監(jiān)測得以實現(xiàn)，但當前研究和應用都很少。潘銘哲[15]通過DSP硬件平臺開發(fā)了風電行星齒輪增速箱遠程故障診斷系統(tǒng)。

而國外在風電機組狀態(tài)監(jiān)測方面研究較早，應用程度高，這些監(jiān)控系統(tǒng)各具特色，但由第三方公司研制的監(jiān)測系統(tǒng)，限于特定機組進行監(jiān)控，對不同設(shè)備兼容性不足。代表性的監(jiān)控系統(tǒng)有英國Garrad Hassan公司的SCADA系統(tǒng)，瑞典SKF公司的Wind Con2.0，丹麥瑞思國家實驗室的Farm系統(tǒng)，以及美國賽風公司的ADMS系統(tǒng)、卓越通訊的SCADA系統(tǒng)、西屋公司的GEN-AID系統(tǒng)[16-18]，其中GEN-AID系統(tǒng)應用效果顯著，使某風場的設(shè)備強迫停機率從1.4%下降到0.2%，平均利用率提高到96.1%。

2 故障分析理論及診斷技術(shù)

風電齒輪箱監(jiān)測的數(shù)據(jù)，包括連續(xù)信號或離散信號、線性或非線性信號、平穩(wěn)或非平穩(wěn)信號及其組合信號。在信號處理技術(shù)方面，近年來提出的短時傅立葉變換、小波分析法、經(jīng)驗模式分解法、Wigner-Ville分布等時頻分析理論，可用來處理非平穩(wěn)信號以提取齒輪箱故障特征。此外，涉及到的理論、方法主要有統(tǒng)計分析、專家系統(tǒng)、模糊理論、灰色理論、神經(jīng)網(wǎng)絡(luò)、故障樹分析、支持向量機及譜峭度等，而其他的方法如主成分分析、盲源分離及信息熵等，不再贅述。

2.1 數(shù)據(jù)預處理

由于人工操作或儀器設(shè)備的主客觀原因，采集的數(shù)據(jù)受到各種干擾而包含噪聲，進而影響診斷結(jié)果的準確性和可靠性，因此需要對檢測數(shù)據(jù)進行降噪、平滑等預處理，提高數(shù)據(jù)的準確性。若監(jiān)測信號含有較強的干擾噪聲，則有必要采取一定的技術(shù)手段，如時域平均、奇異值分解(SVD)去噪、小波閾值去噪[19]等降噪方法抑制噪聲，或采用經(jīng)驗模態(tài)分解(EMD)、局域值分解(LMD)以及盲源分離等方法從原始的強噪聲干擾信號中提取包含有故障特征的有用分量，供后續(xù)診斷使用。

2.2 統(tǒng)計分析

對于實驗觀測、現(xiàn)場采集等獲取的狀態(tài)數(shù)據(jù)，通過統(tǒng)計分析數(shù)據(jù)的集中性、趨勢性、離散性、相關(guān)性等典型指標，根據(jù)這些指標，以樣本推測整體的特征和規(guī)律，如聯(lián)合極差、標準偏差和變異系數(shù)等差異性特征和均值、中位數(shù)及眾數(shù)等規(guī)律性特征確定設(shè)備狀態(tài)。這種方法優(yōu)點是有成熟軟件應用，但要求大量數(shù)據(jù)。同時對于類似齒輪箱監(jiān)測信號的多源或多維監(jiān)測信號，則常用多元統(tǒng)計分析，以分析多個對象和多個指標互相關(guān)聯(lián)情況下的統(tǒng)計規(guī)律，具體方法為多元正態(tài)分布及其抽樣分布、多元正態(tài)總體的均值向量和協(xié)方差陣的假設(shè)檢驗、多元方差分析等。在利用齒輪箱油液檢測信號進行建模時，何照榮等[20]對鐵譜數(shù)據(jù)通過殘差分析篩選合適數(shù)據(jù)，并改進傳統(tǒng)的絕對值公式，以確定磨損狀態(tài)界限值。

2.3 小波理論

小波理論在信號時頻分析方面具有優(yōu)勢，尤其對于非平穩(wěn)信號，且小波基函數(shù)具有緊支特性、能量集中性質(zhì)并對數(shù)據(jù)要求不高。以小波變換獲取的近似系數(shù)和細節(jié)系數(shù)，正對應信號的低頻部分和高頻部分，分別反映原信號的穩(wěn)定特征和奇異特征，其中包含更多的信息供挖掘。如對于油液監(jiān)測信號，對分解后信息建立診斷邊界。蘇炳華[21]通過小波變換對齒輪和軸承故障振動信號進行處理后提取故障特征，組成故障特征向量。祝文穎和馮志鵬[22]為解決傳統(tǒng)Fourier頻譜劃分的復雜邊帶分析問題，將改進經(jīng)驗小波變換用于解調(diào)行星齒輪箱振動信號，從而估算單分量個數(shù)。錢林和康敏[23]采用小波包分解降噪齒輪箱原始振動信號，并提取特征能量。

2.4 專家系統(tǒng)

專家系統(tǒng)是一種具有某領(lǐng)域?qū)I(yè)知識與經(jīng)驗的程序系統(tǒng)，通過建立相應的知識庫，采用推理機模擬該領(lǐng)域?qū)＜业乃季S過程，解決該領(lǐng)域的復雜問題，具有高效、準確的特點，在知識面要求廣的機械故障診斷領(lǐng)域得到廣泛應用。梅杰等人[24]構(gòu)建多級行星齒輪箱的專家系統(tǒng)，結(jié)合人工神經(jīng)網(wǎng)絡(luò)進行樣本分析，改進專家系統(tǒng)的學習與推理能力。YANG等[25]建立風電齒輪箱的故障樹模型，實現(xiàn)定性與定量分析，并開發(fā)面向網(wǎng)絡(luò)的風電齒輪箱故障診斷專家系統(tǒng)。FENG[26]將決策分類算法與專家系統(tǒng)相結(jié)合，采用Ctree軟件進行數(shù)據(jù)挖掘、診斷規(guī)則，利用CLIPS開發(fā)風電齒輪箱故障診斷專家系統(tǒng)。張曉東等[27]總結(jié)風力發(fā)電機組故障診斷專家知識，采用ASP.NET平臺開發(fā)和SQL Server 2008數(shù)據(jù)庫開發(fā)風力發(fā)電機組振動監(jiān)測故障診斷專家系統(tǒng)。

2.5 模糊理論

在根據(jù)機械設(shè)備狀態(tài)判斷故障時，所用的正常、異常、警告或嚴重等狀態(tài)之間的過渡邊界模糊，常用的精確推理方法不適用。此時模糊理論對其中涉及到的信息處理則提供了強有力的手段，能有效地確定模糊故障。SARAVANAN等[28]對齒輪箱振動信號通過決策樹方法獲取最優(yōu)統(tǒng)計特征，再通過模糊邏輯分類識別齒輪箱故障。WASIF等[29]提出一種基于振動信號時域和頻域統(tǒng)計特征分析的模糊推理系統(tǒng)，成功地檢測出了齒輪箱的故障。

2.6 灰色理論

灰色理論由鄧聚龍[30]提出，可處理部分信息清楚、具有不確定性的現(xiàn)象，常用于樣本數(shù)量貧乏或系統(tǒng)特征因素的關(guān)聯(lián)分析，以及原始測量數(shù)據(jù)序列間隔不齊或者數(shù)據(jù)點缺失的發(fā)展趨勢預測，尤其在短期預測具有優(yōu)勢。張弢等人[31]利用灰色關(guān)聯(lián)度衡量測試結(jié)果向量與故障特征向量的接近度，進行多故障診斷。杜尊峰等[32]計算海上風電齒輪箱所有故障模式的灰色關(guān)聯(lián)度，根據(jù)故障模式的影響因素之間的相對重要度進行故障風險排序。在和其他理論聯(lián)用方面，朱大奇等[33]對旋轉(zhuǎn)機械振動信號采用小波分析提取特征，并以灰色理論進行了預測處理，且設(shè)計了相應的軟硬件實現(xiàn)此過程。

2.7 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是用數(shù)學方法模擬人腦基本功能的一種復雜網(wǎng)絡(luò)系統(tǒng)，對非線性復雜系統(tǒng)具有良好映射逼近功能，實現(xiàn)信息的大規(guī)模并行處理，具備很強的魯棒性、容錯性以及自學習、自組織、自適應優(yōu)勢，適合處理不確定對象的復雜非線性問題，尤其反向傳播(BP)神經(jīng)網(wǎng)絡(luò)具有聯(lián)想、推測和記憶功能，特別適用于機械設(shè)備故障識別與診斷領(lǐng)域。用于風電齒輪箱故障診斷的神經(jīng)網(wǎng)絡(luò)研究，主要集中在和其他理論的綜合應用方面，如將離散小波變換(DWT) 與反向傳播(BP)神經(jīng)網(wǎng)絡(luò)相結(jié)合[34]，基于模糊神經(jīng)網(wǎng)絡(luò)集成的智能故障診斷系統(tǒng)[35]。王宇[36]利用混合蛙跳算法的高效全局特性優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，對齒輪箱正常和幾種模擬故障的振動信號進行處理，提高診斷速度和準確度。馬志遠[37]采用序貫概率比檢驗提取統(tǒng)計特征，結(jié)合神經(jīng)網(wǎng)絡(luò)對故障進行分類，實現(xiàn)了對齒輪箱的智能診斷。劉雄[38]利用小波包分解振動信號提取頻帶能量特征，采用BP神經(jīng)網(wǎng)絡(luò)建立故障特征空間到狀態(tài)空間的非線性映射，建立風電齒輪箱故障診斷儀器的軟、硬件總體方案。

2.8 故障樹分析

故障樹是研究對象結(jié)構(gòu)、功能特征的行為模型及其故障傳播關(guān)系的因果模型。故障樹分析法(Fault Tree Analysis，簡稱FTA)將系統(tǒng)故障由果到因、從整體到零部件按樹枝狀逐級細化，分析導致該系統(tǒng)故障發(fā)生的所有直接原因，并用邏輯門的形式將這些故障和相應的原因事件建立故障樹模型，進而形象地表達出系統(tǒng)功能單元故障和系統(tǒng)故障的內(nèi)在邏輯因果關(guān)系，確定故障部位和故障原因。故障樹限于定性分析，需要和其他定量監(jiān)測技術(shù)綜合應用。PAN和RAO[39]運用故障樹分析法對行星齒輪傳動系的可靠性進行了分析。WANG等[40]針對風電齒輪箱故障程度的灰色性與模糊性，提出一種基于灰色理論和模糊邏輯的故障樹分析方法。陳濤等人[41]利用灰色關(guān)聯(lián)度理論建立風電齒輪箱傳動系統(tǒng)故障樹模型各個子單元之間的可靠度聯(lián)系，實現(xiàn)風電齒輪箱可靠度的快速預測。任巖等人[42]對傳動鏈故障類型及機制進行了分析，構(gòu)建了風電機組傳動鏈故障樹診斷系統(tǒng)。

2.9 支持向量機

機械設(shè)備(如齒輪箱)的典型故障樣本獲得難，且樣本數(shù)量少，要求機械故障診斷系統(tǒng)的故障模式學習與識別、分類具有很強的適用性。支持向量機(Support Vector Machine，簡稱SVM)，較好地解決小樣本條件下的機器學習問題。TANG等[43]提出綜合流形學習與Shannon小波支持向量機的故障診斷方法，進行風電齒輪箱非穩(wěn)態(tài)運行工況下的故障診斷。劉永前等[44]通過支持向量機分析風電機組主傳動鏈的振動監(jiān)測信號，分類風電機組復雜多變的運行工況。LIU等[45]針對風電齒輪箱振動信號的非高斯、非平穩(wěn)性以及故障樣本的有限性，提出了一種基于對角譜與聚類二叉樹SVM的風電齒輪箱故障診斷方法。CHEN等[46]采用小波支持向量機(WSVM)與免疫遺傳算法(IGA)相結(jié)合的方法對齒輪箱故障進行診斷。李東東等[47]獲取信號多重分形譜特征，通過支持向量機分類與識別了4種太陽輪故障。

2.10 譜峭度

對譜峭度(Spectral kurtosis，簡稱SK)的概念和算法，ANTONI和RANDALL[48]進行了深入研究，并首次用于機械故障診斷。通過窄帶濾波檢測旋轉(zhuǎn)機器故障時需要額外的頻帶信息，如脈沖響應的震蕩頻率、持續(xù)時間及機械系統(tǒng)動態(tài)參數(shù)，而SK具有不需歷史數(shù)據(jù)或先驗信息的優(yōu)勢，能自動顯示最佳頻率，以振幅包絡(luò)解調(diào)獲取獲包絡(luò)信號，尤其對于軸承[49]和齒輪[50]旋轉(zhuǎn)部件局部故障的周期性脈沖信號特別適用。目前SK和其他技術(shù)聯(lián)用取得了較大的發(fā)展。王振華[51]采用自回歸模型抑制信號的端點效應，并將經(jīng)驗模式分解(EMD)和譜峭度相結(jié)合，提取了齒輪箱各種工況的特征頻率。李宏坤等[52]用粒子濾波降低振動信號噪聲，提高了譜峭度用于軸承診斷的成功率。王建國等[53]采用噪聲參數(shù)最優(yōu)總體局部均值分解抑制模態(tài)混疊，再通過譜峭度提取了滾動軸承故障特征。向玲和鄢小安[54]集成固有時間尺度分解重構(gòu)信號，再通過譜峭度提高了軸承故障監(jiān)測的準確度。代士超等[55]提出的改進快速譜峭度圖算法，有效削弱或消除脈沖干擾成分的影響，提取了滾動軸承故障特征。

3 當前風電齒輪箱故障診斷的問題分析和解決思路

3.1 問題分析

對于機械故障診斷的基礎(chǔ)研究，當前存在著“七多七少”的問題[56]，而風電齒輪箱的狀態(tài)監(jiān)測，除了前4個方面存在相同問題外，仍有診斷技術(shù)、分析形式、分析途徑3個方面的不同問題，如表1所示。

表1 機械故障診斷的基礎(chǔ)研究和風電齒輪箱故障診斷存在的問題比較

對風電齒輪箱言，采用油液分析其故障少，深入探索其關(guān)鍵零部件磨損演變規(guī)律及影響因素的研究更少。雖然已經(jīng)開發(fā)出油品質(zhì)量、污染、鐵譜等多種在線傳感器[57-58]，但其中涉及到與在線監(jiān)測相關(guān)的技術(shù)和理論[59]，尤其遠程診斷技術(shù)尚處于發(fā)展階段，不夠成熟，距離智能診斷有很大的距離。對齒輪箱磨損的研究，多為單指標的趨勢分析和靜態(tài)診斷界限為主[60]。油液在線檢測的硬件條件已經(jīng)具備，但缺乏有效的在線監(jiān)測理論支撐及多種信號的綜合處理，以致在線監(jiān)測與診斷效率不高，其中一項關(guān)鍵內(nèi)容是磨損度的多因素分析及其影響指標，因此需要從多個角度進行量化分析，獲取磨損度、油品的變化規(guī)律，建立狀態(tài)模型，為判斷動態(tài)磨損狀態(tài)、預測磨損及通過信息融合進行智能診斷提供理論支撐。

3.2 解決思路

針對風電齒輪箱故障診斷存在的問題，從“五性三化”即階段性、動態(tài)性、多維性、適用性、集成性、定量化、標準化以及統(tǒng)一化8個方面推進或強化研究，助力于智能診斷的實現(xiàn)。

3.2.1 在階段性方面，根據(jù)工程監(jiān)測數(shù)據(jù)研究不同階段的故障現(xiàn)象、機制及相應的診斷技術(shù)

由故障的發(fā)展過程可知，齒輪箱磨損和油品狀態(tài)通常分為3個邊界線——正常線、警戒線和危險線，以及4種范圍——正常狀態(tài)、注意狀態(tài)(如當某零件處于超過正常的磨損時)、警戒狀態(tài)(如某零件處于嚴重磨損狀態(tài)或接近于失效)以及危險狀態(tài)(如某零件已經(jīng)失效)。在用監(jiān)測數(shù)據(jù)建立診斷界限判斷設(shè)備狀態(tài)時，需要考慮到數(shù)據(jù)的階段性，這是因為設(shè)備處于不同使用階段時，故障機制不同，相應的故障現(xiàn)象也不同，磨損和油品的影響因素差異較大，適用的監(jiān)測技術(shù)手段也不同，需要用現(xiàn)場數(shù)據(jù)而非仿真數(shù)據(jù)并且結(jié)合具體情況分析，更不能用一套判據(jù)判斷各個階段的狀態(tài)，否則診斷結(jié)果的準確性和可靠性難以保障。

3.2.2 在動態(tài)性方面，研究工程監(jiān)測數(shù)據(jù)在不同壽命階段和同一壽命階段內(nèi)的時變性

最新的檢測數(shù)據(jù)對原來數(shù)據(jù)的統(tǒng)計特征、故障特征以及診斷判據(jù)等分析過程都有影響，因此應重視齒輪箱磨損的動態(tài)性變化。以非時變參數(shù)的線性假設(shè)來研究磨損狀態(tài)，隨著預測時間的增長，預測誤差累加會降低磨損狀態(tài)判斷的準確性。這種監(jiān)測參數(shù)是線性或非線性，不能憑假設(shè)斷定，需要針對工程數(shù)據(jù)進行研究。

3.2.3 在多維性方面，研究診斷目標下不同技術(shù)角度的指標參數(shù)

當前的齒輪箱故障診斷研究中，多從單因素角度，根據(jù)某種檢測數(shù)據(jù)對設(shè)備的磨損特征、油品特征進行分析。而實際上監(jiān)測信息種類多、指標多，如工況參數(shù)、油液監(jiān)測的光譜數(shù)據(jù)、鐵譜數(shù)據(jù)、油品參數(shù)(如黏度)、溫度參數(shù)、污染參數(shù)以及振動參數(shù)，具有多維性，共同表征齒輪箱在不同磨損階段下的健康狀態(tài)?？梢?，客觀上一個故障現(xiàn)象往往需要多方面參數(shù)才能更為可靠準確地判斷。

3.2.4 在適用性方面，研究監(jiān)測對象、故障診斷、數(shù)據(jù)處理三者之間的對應性

風電齒輪箱故障診斷的研究結(jié)果、所采用的各鐘方法與不同監(jiān)測數(shù)據(jù)有關(guān)，受數(shù)據(jù)驅(qū)動，分別具有不同的針對性，且通用性、移植性不足，截止目前，幾乎沒有具備自適應功能的監(jiān)測診斷軟件，以致效果良好的診斷方法難以推廣。

3.2.5 在集成性方面，深耕多種診斷技術(shù)、參數(shù)及知識的系統(tǒng)級融合研究

故障診斷所用的多種參數(shù)來源于一個摩擦學系統(tǒng)而在機制和數(shù)值方面具有關(guān)聯(lián)，存在相互作用，具有強相關(guān)性，如工況、磨損及油品狀態(tài)的有些數(shù)據(jù)之間具有相關(guān)性，甚至因果關(guān)系。同時，不同參數(shù)需要不同監(jiān)測理論及技術(shù)手段處理。因此，風電齒輪箱故障診斷過程需要多種先驗知識、狀態(tài)參數(shù)和多種診斷技術(shù)的系統(tǒng)級深度融合。

3.2.6 在定量化方面，研究定性信息和診斷結(jié)果的量級

通過監(jiān)測技術(shù)獲取的信息有相當大比例為定性，分析結(jié)果以定性居多，需要量化處理以實現(xiàn)更準確的診斷。風電齒輪箱監(jiān)測樣本和監(jiān)測數(shù)據(jù)日益龐大，人工處理效率低、準確度不高。如在應用油液分析時用到的信息為定性，如油液顏色、顆粒的形貌及顏色等；同時磨損狀態(tài)、油品狀態(tài)的分析結(jié)果也為定性，致使狀態(tài)診斷(如油液分析)過度依賴經(jīng)驗，難以準確判斷零部件磨損程度和設(shè)備的健康程度，很可能錯失維護的最佳時機甚至造成重大損失。

3.2.7 在標準化方面，研究大樣本、大數(shù)據(jù)下的分類分層診斷標準

截止目前，大多數(shù)企業(yè)的風電齒輪箱的監(jiān)測缺乏診斷準則，且憑經(jīng)驗居多。由于不同類型風電齒輪箱材料、工況、監(jiān)測手段等均不同，甚至差異較大，對在一定工況下的某一類齒輪箱、以某一監(jiān)測手段建立的診斷方案，實際上未必適用于其他齒輪箱。因此需要對較多類型齒輪箱，獲取較大的樣本，利用大數(shù)據(jù)，建立分類分層的診斷標準。

3.2.8 在統(tǒng)一化方面，研究并建立供貨方、用戶和第三方監(jiān)測機構(gòu)的一致性運維準則

由于立場不同，潤滑油和風電齒輪箱供貨方和用戶采用的監(jiān)測技術(shù)手段不同，在運維標準方面往往不盡相同，如大多風力發(fā)電機裝有的SCADA和CMS兩套系統(tǒng)相互獨立，監(jiān)測結(jié)果之間不能相互支撐。而第三方監(jiān)測公司由于歷史信息掌握不足，可能憑當前數(shù)次數(shù)據(jù)，或參考類似齒輪箱進行判斷，給出的診斷結(jié)果在較大程度上往往只能作為參考，容易造成欠維護或過維護，以致產(chǎn)生損失。因此需要這三方拋開利益壁壘，互相提供充分的信息，采用相同的監(jiān)測技術(shù)，共建三方共用的運維標準。

4 風電齒輪箱故障診斷發(fā)展趨勢

齒輪箱的狀態(tài)數(shù)據(jù)同源、異構(gòu)、多維，故障類型多變、信息量大、所需知識種類繁多，需要相應的監(jiān)測技術(shù)，隨著風電機組的高可靠性要求，在客觀上都需要新的診斷技術(shù)，才能達到視情維護、主動報警的效果。隨著傳感器技術(shù)、信息技術(shù)、云計算技術(shù)、網(wǎng)絡(luò)技術(shù)、智能技術(shù)的日趨成熟，在工業(yè)4.0和智能制造的背景下，風電齒輪箱的狀態(tài)監(jiān)測和故障診斷將出現(xiàn)新的態(tài)勢。

4.1 云監(jiān)測和大數(shù)據(jù)診斷

由于風電齒輪箱分布跨度范圍廣、數(shù)量多、監(jiān)測數(shù)據(jù)量大，傳統(tǒng)的監(jiān)測方法由于時空局限性而效率低。隨著信息化、網(wǎng)絡(luò)化及物聯(lián)網(wǎng)技術(shù)的發(fā)展，異地、實時的云監(jiān)測提供解決思路。

以狀態(tài)監(jiān)測數(shù)據(jù)采集為基礎(chǔ)，研究齒輪箱監(jiān)測數(shù)據(jù)的無線傳輸原理和結(jié)構(gòu)，建立無線云監(jiān)測平臺系統(tǒng)，包括硬件層、服務(wù)器層和終端層模塊功能及其組成。在此基礎(chǔ)上，構(gòu)建實時數(shù)據(jù)收集處理平臺，不斷更新、淘汰無用過時數(shù)據(jù)以及持續(xù)調(diào)優(yōu)，形成數(shù)據(jù)閉環(huán)，通過終端瀏覽器實現(xiàn)可視化監(jiān)測、遠程處理以及大數(shù)據(jù)分析，進而實現(xiàn)綜合集成診斷，提高企業(yè)用戶實時監(jiān)測數(shù)據(jù)的效率。

4.2 智能診斷

人工智能技術(shù)現(xiàn)在已經(jīng)達到相當高的水平，但對于齒輪箱故障診斷的應用尚有較大距離，尤其在商業(yè)化方面。雖然主要狀態(tài)監(jiān)測技術(shù)如油液監(jiān)測技術(shù)和振動監(jiān)測技術(shù)已經(jīng)發(fā)展得相當成熟，但由于提出的諸多問題，以致不少研究成果難以推廣應用，因此，當務(wù)之急為相應的智能算法及其實現(xiàn)軟件的開發(fā)，實現(xiàn)智能集成診斷。

4.3 主動報警

隨著語音技術(shù)、機器學習、信息技術(shù)、物聯(lián)網(wǎng)技術(shù)、人工智能等技術(shù)的不斷發(fā)展，對于大企業(yè)的關(guān)鍵設(shè)備，需要更新更簡易的監(jiān)測技術(shù)。通過克服以上的技術(shù)瓶頸和對高級運維技術(shù)人員的依賴，將狀態(tài)檢測和診斷與設(shè)備融為一體，使設(shè)備具有自診斷功能，當設(shè)備出現(xiàn)潤滑油、添加劑、油脂等日常維護小問題時，能自我修護，而對維修更換零部件之類的大問題，主動通過網(wǎng)絡(luò)以語音或文字的方式向運維人員提前報警。

4.4 移動診斷機器人

對于中小型企業(yè)的關(guān)鍵設(shè)備，限于成本，在監(jiān)測維護方面人員、設(shè)備、儀器及資金投入不足，尤其在技術(shù)人員的相關(guān)知識和技能培訓方面。隨著機器人技術(shù)的進步以及狀態(tài)監(jiān)測技術(shù)的成熟，將狀態(tài)監(jiān)測和故障診斷的數(shù)據(jù)采集、現(xiàn)場分析、快速診斷等多種技術(shù)和功能，融為一體，開發(fā)出移動診斷機器人，對設(shè)備24 h巡檢，進行移動現(xiàn)場監(jiān)測診斷。

5 結(jié)束語

齒輪箱系統(tǒng)屬于含有固態(tài)、液態(tài)和氣態(tài)的多相混合系統(tǒng)，且三相之間互相影響，共同作用于壽命周期的多個階段，產(chǎn)生多種多態(tài)多維數(shù)據(jù)。國內(nèi)外學者、用戶和第三方監(jiān)測公司使用的狀態(tài)監(jiān)測和診斷方法，缺乏互相支撐和統(tǒng)一標準，需要三方協(xié)同推進，促進多種監(jiān)測技術(shù)和故障分析理論的集成融合，實現(xiàn)智能診斷和主動運維。

(1)選用或開發(fā)適當?shù)亩鄳B(tài)信息傳感器，構(gòu)建相應的監(jiān)測系統(tǒng)，強化和改善現(xiàn)有的在線監(jiān)測技術(shù)和方法，通過網(wǎng)絡(luò)技術(shù)、信息技術(shù)和無線技術(shù)，實現(xiàn)無線遠程可視化監(jiān)控。

(2)監(jiān)測理論及技術(shù)研究。選用或研發(fā)合適的、簡便的分析理論及技術(shù)，充分挖掘齒輪箱機制特征、磨損特征、理化特征和動態(tài)特征等多維定性、定量信息，確定合適的因子及修正系數(shù)，建立齒輪箱零部件的溫度模型、磨損模型及油品模型。

(3)診斷技術(shù)集成研究。齒輪箱作為風力發(fā)電機的關(guān)鍵部件，在深入研究現(xiàn)象、機制及數(shù)據(jù)等的階段動態(tài)性基礎(chǔ)上，通過量化定性信息和結(jié)果，根據(jù)溫度監(jiān)測、油液分析和振動分析等技術(shù)手段的優(yōu)勢，進行深度融合。

(4)統(tǒng)一監(jiān)測方法，建立用戶、供貨商及第三方機構(gòu)的聯(lián)合知識庫、數(shù)據(jù)庫和監(jiān)測方法庫。針對齒輪箱在不同階段的動態(tài)多維監(jiān)測數(shù)據(jù)，統(tǒng)一這三方的數(shù)據(jù)處理、定性、定量分析和診斷方法，集成用戶的大量數(shù)據(jù)和監(jiān)測公司之間的運維準則，建立互相支撐的統(tǒng)一標準。

(5)智能主動診斷的軟硬件開發(fā)。應用大數(shù)據(jù)、通過人工智能，縱向結(jié)合歷史數(shù)據(jù)，橫向類比同類齒輪箱，通過開發(fā)相應的軟硬件，提升監(jiān)控系統(tǒng)、進行云診斷，開發(fā)機器人進行移動現(xiàn)場診斷，使設(shè)備能以語音或文字形式提前報警，從而實現(xiàn)主動運維。