大型风力发电机组的可预测性维护与故障诊断

目录
前言
第1章 绪论 1
1.1 风力发电的发展概况 1
1.1.1 全球风力发电的发展现状 1
1.1.2 我国风力发电的发展现状 2
1.2 风力发电机组目前的维护与维修现状 3
1.2.1 风力发电机组传动链 3
1.2.2 风力发电机组目前的维护模式 4
1.3 风力发电机组可预测性维护系统研究现状 5
1.3.1 风电机组可预测性维护系统发展现状 6
1.3.2 风电机组可预测性维护的作用与意义 6
1.3.3 风电机组故障预测与健康管理发展现状 8
1.4 风力发电机组故障诊断技术研究现状 11
1.5 可预测性维护系统应用中普遍存在的困扰与疑虑 12
1.6 自动诊断技术应用中存在的关键问题与瓶颈 13
1.7 本书写作的目的 14
参考文献 15
第2章 风力发电机组工作原理与常见故障 16
2.1 风电机组基本构成 16
2.2 风电机组工作原理 18
2.3 风电机组主要参数及种类 19
2.3.1 风电机组的主要参数 19
2.3.2 风电机组的种类 21
2.4 风电机组故障分类 23
2.4.1 主轴及轴系典型故障 23
2.4.2 齿轮典型故障 23
2.4.3 发电机典型故障 27
2.4.4 滚动轴承典型故障 27
2.4.5 叶片典型故障 31
2.4.6 塔筒典型故障 32
2.5 结束语 32
参考文献 33
第3章 风力发电机组可预测性维护系统开发与应用 34
3.1 CMS应用背景与意义 34
3.2 CMS技术要求的特殊性 34
3.2.1 变转速 34
3.2.2 变载荷 35
3.2.3 低转速部件的监测 35
3.2.4 误报警、漏报警率高 39
3.3 CMS的系统开发 39
3.3.1 CMS的系统组成 39
3.3.2 CMS的软硬件系统设计 41
3.3.3 传感器选择与测点布置的经济性研究 52
3.4 CMS的现场应用案例 55
3.4.1 轴承外齿圈故障案例 55
3.4.2 发电机驱动端轴承外圈振动异常 59
3.5 结束语 60
参考文献 60
第4章 基于便携式CMS的系统设计与风机状态评价 62
4.1 便携式CMS的存在意义与价值 62
4.2 便携式CMS的总体方案设计 63
4.2.1 数据采集调理板方案设计 63
4.2.2 本地控制平台选择方案 64
4.3 便携式CMS的软硬件开发 65
4.3.1 系统硬件设计 65
4.3.2 系统软件设计 74
4.4 基于便携式CMS的风电机组状态评价 80
4.4.1 状态评价的时域指标介绍 80
4.4.2 状态评价的频域特征描述 82
4.4.3 状态的判定与趋势分析 85
4.5 便携式CMS的应用案例 87
4.5.1发电机轴承故障 87
4.5.2 齿轮箱齿轮损伤 88
4.5.3 发电机两端轴承损伤故障 90
4.6 结束语 92
参考文献 92
第5章 风电机组可预测性维护的经济效益评价 94
5.1 CMS经济效益评价的重要意义 94
5.1.1 对CMS应用的经济性国内普遍存在的疑虑 94
5.1.2 德国安联保险公司给出的选择和建议 95
5.1.3 CMS经济效益评价的难点 95
5.2 CMS经济效益的定性评价方法研究 97
5.2.1 CMS在“运行维护”方面体现的经济效益 99
5.2.2 CMS在“缺陷管理”方面体现的经济效益 114
5.2.3 CMS在“备品备件储备”方面体现的经济效益 115
5.2.4 CMS在“大修技改项目申报”方面体现的经济效益 118
5.2.5 经济效益定性分析小结 118
5.3 CMS经济效益的定量评价方法研究 119
5.3.1 引入P-F理论模型 119
5.3.2 CMS性能建模 120
5.3.3 对损坏恶化的过程和维修措施进行进一步建模 121
5.3.4 对继发性损坏构建模型 123
5.3.5 案例研究 123
5.3.6 对CMS的附加价值进行建模 130
5.3.7 模型架构的模拟过程 131
5.3.8 模拟CMS的参数确定 132
5.3.9 结果分析 133
5.3.10 经济效益的定量分析小结 137
5.4 结束语 137
参考文献 137
第6章 基于时频分析方法的风电机组传动链故障诊断 139
6.1 引言 139
6.1.1 时域和频域分析方法 139
6.1.2 时频分析方法 141
6.2 基于EEMD-KECA的风机传动链故障自动诊断 143
6.2.1 EEMD算法 143
6.2.2 基于EEMD的能量熵提取 144
6.2.3 KECA算法和数据转换 145
6.2.4 基于EEMD-KECA的故障诊断算法 147
6.2.5 风电机组实验验证 149
6.3 基于LMD-ELM的风机传动链故障自动诊断 156
6.3.1 算法理论介绍 156
6.3.2 基于LMD-ELM的故障诊断算法 159
6.3.3 仿真实验验证 160
6.3.4 风电机组实验验证 168
6.4 结束语 171
参考文献 171
第7章 基于数学形态学方法的风电机组轴承故障诊断 174
7.1 引言 174
7.2 数学形态学简介 175
7.2.1 数学形态学的基本理论与运算 175
7.2.2 结构元素的选取 176
7.2.3 基于三角型结构元素的特征提取效果分析 177
7.3 自适应形态学方法的提出 179
7.3.1 *优加权因子的选取 179
7.3.2 开闭组合算子和单一闭算子的特征提取能力比较 181
7.4 基于自适应数学形态学与相关分析的风机故障诊断 181
7.4.1 信号的相关分析方法 181
7.4.2 故障诊断策略基本思路 182
7.4.3 故障诊断策略具体步骤 183
7.4.4 实验平台仿真验证 184
7.5 一种新的W型结构元素的提出 192
7.5.1 W型结构元素定义 192
7.5.2 W型结构元素的特征提取能力验证 193
7.5.3 W型结构元素的自适应形态学在故障诊断中的仿真实例 195
7.6 故障诊断模型在实际风场风电机组中的应用 197
7.7 结束语 198
参考文献 199
第8章 基于 MOMEDA与 Teager能量算子的风电机组复合故障诊断研究 201
8.1 引言 201
8.2 复合故障诊断的难点及相关研究现状 201
8.3 理论方法描述 203
8.3.1 MOMEDA算法 203
8.3.2 Teager能量算子 205
8.3.3 基于 MK-MOMEDA和 Teager能量算子的轴承复合故障诊断 206
8.4 滚动轴承复合故障实验验证 208
8.4.1 实验平台介绍 208
8.4.2 算法验证 209
8.5 风电机组滚动轴承复合故障诊断 221
8.5.1 实验对象描述 221
8.5.2 算法验证 221
8.6 结束语 226
参考文献 227
第9章 基于直流偏移补偿方法及S变换的风电机组齿轮箱故障诊断 229
9.1 引言 229
9.2 理论方法描述 229
9.2.1 多分量信号的平方包络谱 229
9.2.2 直流偏移补偿法 231
9.2.3 S变换 233
9.3 S变换-直流偏移补偿法在轴承故障诊断中的应用 235
9.4 S变换-直流偏移补偿法在齿轮箱故障中的应用 239
9.5 结束语 246
参考文献 246
第10章 基于深度网络的风电机组故障自学习 248
10.1 引言 248
10.2 相关理论基础 249
10.2.1 深度信念网络基本理论 249
10.2.2 S变换原理回顾 252
10.2.3 贝叶斯分类器 253
10.3 基于两级DBN的滚动轴承故障自学习算法 253
10.4 算法验证 258
10.4.1 数据来源 258
10.4.2 结果分析与讨论 258
10.5 结束语 270
参考文献 270
第11章 风电机组健康状态预测与性能评估 272
11.1 引言 272
11.2 风电机组常见状态预测与性能评估方法 273
11.3 基于SCADA数据的风电机组状态预测与性能评估方法 274
11.3.1 算法核心思想 274
11.3.2 数据集预处理 275
11.3.3 特征信息提取 277
11.3.4 风机性能预测与退化评估 278
11.4 实例验证与结果分析 279
11.4.1 数据集预处理 279
11.4.2 风电机组健康状态综合评估 286
11.4.3 结论与讨论 288
11.5 基于SCADA和CMS的风电机组的状态预测与健康管理框架 288
11.5.1 IEC风机标准提出及存在缺陷 288
11.5.2 总体框架描述 289
11.5.3 整机健康状态估计 292
11.5.4 局部退化状态估计 292
11.6 结束语 294
参考文献 294