风电机组齿轮箱的智能故障诊断系统的研究.

风电机组齿轮箱的智能 故障诊断系统的研究

摘 要：在对风力发电机组齿轮箱常见故障、检测方法及其局限性进行概述的基础上，提出一种基于zigbee技术的机组齿轮箱故障诊断方法。由无线传感网对齿轮箱振动信号进行采集、传输，通过神经网络对信号进行分析并做出故障诊断。此方法大大减小了工作量、有效提高了机组的使用寿命和可靠性。 关键字：Zigbee；齿轮箱；神经网络；故障诊断

The research of intelligent fault diagnosis system to wind turbine

gearbox

WANG Yu-juan，QIAN Ping，LIU Jin-sheng

( Engineering Innovation College, Shanghai Institute of Technology, shanghai 201418, China )

Abstract: The common faults of wind turbine gearbox, the detection methods and it’s limitations are summarized. A method based on zigbee technology in gearbox fault diagnosis are introduced. Through the wireless sensor network the vibration signal of gearbox was acquired and transferred, the fault diagnosis was made through neural network which make an analysis to the gearbox vibration signal. The workload are greatly reduced, the service life and reliability of the unit are effectively increased by this method.

Key words: Zigbee; Gear box; Neural network; Fault diagnosis

0 前言

风力发电机是风电场的关键设备，齿轮箱又是机组的关键部件，其性能好坏直接影响整个机组的发电效率[1]。因为齿轮箱的内部结构相对复杂，工作环境一般比较恶劣又是故障率较高的部件之一，所以对齿轮箱故障进行实时的监测和诊断的研究有着重要的意义。

齿轮箱最常见的故障主要有齿轮故障和轴承故障，对风力发电机工作状态的检测需要较多的监测点信息，基于以往CAN总线无线网络[2]、Internet网络有成本高且布线复杂的特点，再考虑系统的稳定性，我们提出了基于Zigbee无线传感网络的的齿轮箱远程故障诊断系统，对信号进行采集、传输和处理直至最后做出故障诊断，这种方法能够帮助工作人员及时发现齿轮箱的异常情况，有计划的进行维修从而提高机组的可靠性和使用寿命，与以往的诊断技术相比更具有实时、远程、高效、节能等优点。

1系统总体设计方案

为了提高传统监测系统的灵活性和流动性，本系统设计中内部通信采用无线通信方式。系统整体架构图如图1所示，采用ZigBee节点的加速度传感器采集齿轮箱运行时的振动信号，经过ZigBee无线传感器网络上传到PC端进行信号的分析处理及故障的诊断并显示到系统界面上方便工作人员查看。

图1 系统整体框图

Figure.1 Framework of the whole system

1.1系统原理

振动信号是齿轮箱故障的载体，对齿轮箱的故障诊断目前最常用的是基于振

[3]

动技术的诊断方法。利用振动加速度传感器测量齿轮箱体的振动信号，然后通过先进的信号分析方法提取振动信号中的特征信息，可判断齿轮箱内部发生的故障，并对故障原因、部位、程度等进行分析识别，从而形成齿轮箱运行状态的综合分析结果。因此选择齿轮箱的振动信号作为状态监测信号具有一定的代表性。

基于IEEE 802.15.4无线标准的ZigBee技术以其低功耗、短距离、低复杂度、低数据速率、低成本的特点[4]广泛应用于各行各业， ZigBee技术的高可扩展性满足了在风力发电机的齿轮箱故障诊断中监测点较多的需求；同时ZigBee节点低功耗的特性使得一节普通电池就可支持其节点长达6个月到2年的时间；此外ZigBee节点具有自组织能力强的特点，通过拓扑控制机制和网络协议可以自动形成转发监测数据的多跳网络系统，基于以上优点ZigBee技术能很好的完成这一集信息采集、传输、处理于一体的综合智能信息系统的功能。 1.2硬件设计

系统由多个自给供电的ZigBee节点组成，每个ZigBee节点都可以对振动信号进行采集、简单计算并与其它节点及协调器进行通信。ZigBee网络这种多节点特性使得众多的传感器通过协同工作进行高质量的传感，从而形成一个容错性较好的采集系统。 Zigbee 无线传感器网络主要由传感器节点和一个网络协调器节点组成。其中传感器节点分别由加速度传感器、MCU和无线传输模块等组成，

加速度传感器完成信号的采集由无线传输模块完成信号的传输。

Zigbee协调器模块采用的CC2530是TI公司的一个兼容IEEE802.15.4标准的的片上系统，有业界标准增强型8051MCU内核，它支持ZigBee、ZigBee PRO和ZigBee RF4CE标准，提供101dB的链路质量，具有高接收灵敏度和强抗干扰能力[5]，同时具有低功耗、低成本、时延短、高容量和高安全等特点，通过简单的外围设备即可组成协调器的收发模块。 1.3 软件设计

传感器节点属于RFD（精简功能设备）主要完成节点工作模式设置、数据包无线传输等功能[6]。节点工作模式主要包括传感器采集数据时间间隔、单片机读取数据时间间隔等。为节约电能采用基于需求—唤醒的模式，在不进行数据采集时处于睡眠状态，接收到数据指令时进入激活状态。传感器节点程序流程图如图3。

协调器属于FFD（全功能设备），是ZigBee网络的管理者，主要负责无线网络的建立、网络的相关配置和存储节点信息[6]。实际上协调器要完成的工作是：按制定的时间间隔将采集的振动信号经GPRS传输给上位机；接收监控中心的命令进行振动信号的采集。协调器节点程序流程图如图4所示。

N

开始 开始 初始化 硬件初始化 入网成功 协议栈初始休眠 入网成功 Y 获取节点信 N 时钟唤醒 Y 唤醒Zigbee模块发送数 图3 传感器节点流程图 图4 协调器节点流程图

Figure.3.The flow chart of sensor node Figure.4. The flow chart of coordinator

2 故障诊断

故障诊断采用人工智能的思路，先从振动信号中选取特征域提取故障特征，作为神经网络的输入，神经网络根据训练好的映射关系，导出相应输入信号的故障类型。智能故障诊断系统图如图5所示

开始 训练网络 读入数据 保存网络

提取特征智能故障诊断

N 累加新故 Y 是否为新 障次数>N 故障 Y N

诊断结果输出 加入新故障 图5 智能故障诊断流程图

Fig.5 .The flow chart of intelligent fault diagnosis

以JZQ-250型齿轮箱为例，利用ZigBee节点采集齿轮箱运行时轴承的振动信号，轴承 d = 7. 5 mm、D = 39 mm、z = 12、a= 0并将信号进行频谱分析，利用振动信号频谱中不同频率的频谱的谱峰能量作为特征值，为了计算方便、防止迭代算法达到过饱和状态以及防止某一些数值低的特征被淹没，先对样本数据进行归一化处理，一般将各样本数据归一化到[0 1]区间，用样本数据对设计完的Elman神经网络进行训练，训练结果如图6所示，进过755次训练后网络的误差为9.9115e-005，误差在可接受范围内达到训练目标，并且训练速度比其他神经网络要快，所以用训练好的神经网络可以对数据进行快速精确的故障诊断。

图6 网络性能曲线

Fig.6. Network performance curve

智能故障诊断系统的功能通过VB编程实现，图7为某时刻诊断界面显示图，可以看出此智能诊断系统能够准确的对故障类型进行判断并具有良好的可视化程度，不仅能检测和记录数据还能及时发现齿轮箱故障防患于未然，也为事后分析原因提供了有效资料。

图7 诊断界面图

Fig.7.Diagnostic interface diagram

图8为故障诊断过程中齿轮箱正常运行和有故障时的频谱能量比重对比图，将0~2500Hz分为10个等分频带，其中蓝色—正常、红色—断齿、绿色—齿根裂痕，经对比可清楚的观察出齿轮箱的各种故障特性。

图98不同故障状态时能量比重对比图

Fig.8 the chart of energy proportion comparison in different fault state

3 结论

本文将Zigbee技术应用于风力发电机齿轮箱的振动信号采集中，以齿轮箱

的故障数据对Elman神经网络进行训练学习并达到预期的故障诊断效果，与以往方法相比神经网络与Zigbee技术的结合可视化的交互界面更能对风电机齿轮箱进行实时、高效、快速的故障监测与诊断，为风力发电机组的故障诊断提供了新思路。但神经网络在进行故障诊断时存在诊断推理过程不清楚、诊断结果解释机制不强的缺点，所以我们今后的研究方向是实现神经网络与更多智能优化算法的结合，使智能故障诊断技术更具有工程价值。

参考文献

[1]丁康,朱小勇等.齿轮箱典型故障振动特征与诊断策略[J].振动与冲击,2001.20(3):7-12 [2]景博,张劼,孙勇.智能网络传感器与无线传感网络[M].北京:国防工业出版社,2011. [3]陈刚.齿轮和滚动轴承故障的振动诊断[D]．西安：西北工业大学，2007. [4]项文娟.齿轮箱故障源信号分析方法及系统研究[D]．杭州：浙江大学，2007. [5]Texas Instruments.CC2530 Datasheet, 2010.10

[6]王翔,樊强,王斌,等.基于Internet的智能家居网关设计与实现[J].电力系统通信，2011,230（32）：78-80.

[7]张德丰.MATLAB神经网络编程[M].北京：化学工业出版社,2011:208-216.

[8]何正嘉,陈进,王太勇,褚福磊.机械故障诊断理论及应用[M]北京: 高等教育出版社,2010. [9]史霞飞,潘宏侠,何强.基于DSP的风力发电机齿轮箱故障诊断系统的研究与应用[J].机械传

动,2013，37（02）:13-16.