基于SCADA數(shù)據(jù)和振動信息相結合的風電機組狀態(tài)監(jiān)測研究.pdf

1、相關資料顯示齒輪箱、發(fā)電機、主軸承發(fā)生故障是造成風電機組停機時間最長的故障因素。因此對其進行必要的狀態(tài)監(jiān)測可以有效減少機組停機時間。目前對大型風電機組的狀態(tài)監(jiān)測和故障診斷多基于數(shù)據(jù)采集與監(jiān)測控制系統(tǒng)(supervisory control and data acquisition，SCADA)。但僅僅只基于SCADA系統(tǒng)來判斷機組的健康狀態(tài)，其監(jiān)測結果較易受環(huán)境等外界因素影響，可靠性低、誤差大。而振動信號作為反映機組各旋轉部件(如齒輪箱

2、、發(fā)電機、主軸承)的重要參數(shù)，使振動分析成為大型旋轉機械設備狀態(tài)監(jiān)測方面一種可靠、有效的分析方法而被廣泛的應用到實際中。
　　本文在風電機組的故障高發(fā)部位加裝振動傳感器獲取振動信息，結合 SCADA監(jiān)測數(shù)據(jù)，采用改進的基于馬氏距離構造過程記憶矩陣的非線性狀態(tài)估計技術(nonlinear state estimate technique，NSET)建立風電機組關鍵部件狀態(tài)監(jiān)測模型，進行狀態(tài)監(jiān)測與異常識別。通過與傳統(tǒng)的基于固定步距構造

3、過程記憶矩陣的方法相對比，突出改進的馬氏距離算法簡單有效，建模精度高的特點。同時以齒輪箱的狀態(tài)監(jiān)測為例給出了實例驗證。進而從相關部件整體的狀態(tài)監(jiān)測深入到與其息息相關且能影響其運行狀態(tài)的組成部件之上。通過對這些變量的預測來尋找造成部件整體異常的原因。實現(xiàn)異常的輔助判斷與初步定位。然后應用多層次模糊綜合評價法建立風電機組運行狀態(tài)的評估模型，選取風電機組齒輪箱、發(fā)電機、主軸承的特征監(jiān)測指標實現(xiàn)了風電機組整體運行狀態(tài)的評估。
　　為了便于