东南大学国家工程研究中心副主任邓艾东先生:风电传动链及塔筒状态监测及诊断技术_东方风力发电网
当前位置: 首页 » 看资讯 » 活动动态 » 正文

东南大学国家工程研究中心副主任邓艾东先生:风电传动链及塔筒状态监测及诊断技术

放大字体  缩小字体 发布日期:2019-09-19   来源:北极星风力发电网  浏览次数:210
核心提示:“传动链是大家比较关注的重要故障来源,对它监测比较多,塔筒这几年也引起了越来越多的重视。今年上半年发生几起塔筒倒塌事故,现在单机容量越来越大塔筒的安全要求也越来越高。”9月19日,东南大学国家工程研究中心副主任邓艾东在2019 第十二届中国(江苏)国际风电产业发展高峰论坛上发表了重要讲话。
  “传动链是大家比较关注的重要故障来源,对它监测比较多,塔筒这几年也引起了越来越多的重视。今年上半年发生几起塔筒倒塌事故,现在单机容量越来越大塔筒的安全要求也越来越高。”9月19日,东南大学国家工程研究中心副主任邓艾东在2019 第十二届中国(江苏)国际风电产业发展高峰论坛上发表了重要讲话。
  以下为发言实录:
  
  邓艾东:各位嘉宾下午好,今天汇报的题目《传动链及塔筒状态监测及诊断技术》。
  
  从2005年开始,风电发展特别快,就是因为发展很快我们一些问题没有解决,比如型号验证不足,每年有新的型号上来投到现场去,性能指标能不能撑起它的要求,其实业界也是个未知数。风电尤其是大功率兆瓦,大兆瓦风电基础越多载荷特性也比较复杂,导致一系列运维问题存在。所以每年事故率也是比较高的。
  
  从机组故障率来说传动链是主要的问题,从结构来说,传动链振动信号有独特的一些特点,传动系统主要设备轴承、齿轮箱、发动机等等,它的特点周期短,非单一轴系,振动模态复杂,低速、中速、高速是并存在,一些对传感器性能、信号采集和处理提出了更高要求,传动系统冲击性故障比较多,而且多源故障并发有耦合。从振源到传播路径复杂、有畸变等等问题。
  
  我们有二三十年大型动力设备研究运行经验,在传统领域我们做了大量的研究,我们建立了专门风电试验台,我们人工设备多种典型传动链故障,然后采用振东和声发射的设计对它进行大量研究。
  
  由于传动信号干扰比较大,降噪是非常重要的位置,我们研发了多种降噪技术,这只是其中一种,基于离散分数的,效果还是不错。在非线性特征提取与识别,对分型进行维算法进行特征提取,特征频率的提取,对于我们整段主轴承齿轮箱的故障是非常有用的。
  
  我们不仅对故障特征提取、特征识别进行深入分析和研究,在故障定位方面做了很多研究,对于线性轴性来说我们可以采用线性方法,而对于像齿轮箱这种我们有空间方法,并且多源故障也可以识别,叫多源定位系统。
  
  在齿轮箱里面故障是发现很慢的,像齿轮箱里面我们提出共振的方法,左边这个图整个采集信号是非常乱的,而右下脚是我们提出出来特征频率。我们不仅在领域方面做了大量研究,我们还做了采集,这是我们的机器,不同类型传感器波速等等可以同时进行,安装也非常方便。
  
  在软件方面我们有完备分析诊断工具,这是我们一些软件整合方面,时间有限我不多去介绍了,这是我们软件系统一些界面,这是一些分析工具,时间分析、对称分析等等一系列,包括冲击分析、边频带分析。另外我们系统也很容易,单机运行也很容易组网,从设计起我们提供全套解决方案。
  
  传动链是大家比较关注的重要故障来源,对它监测比较多,塔筒这几年也引起了越来越多的重视。今年上半年发生几起塔筒倒塌事故,现在单机容量越来越大塔筒的安全要求也越来越高。我们塔筒项目和技术来源于深能源,因为担心这么高的高塔有问题所以我们给他做了课题和研究也是得到了应用。
  
  我们采用理论和在线监测方法进行研究,理论方面有静力学、动力学、稳定性、疲劳分析,在线检测我们用一系列的可视化进行分析。我们提出了一套叫模态叠加法在线计算模型,这个是我们计算结果,我们还可以对实际的塔筒传感器的布局提供全套解决方案。
  
  这个是塔架监测系统应该是三维旋转可以放大3D模型,上面有一个标尺可以实时看到他的状态。这个是一部分的画面,我们塔筒分析的一些特点像塔架整体实时分析方法我们刚才也说过了,这个我们是在海上分析的突破。我们构建网络化的塔架状态监测及安全评估,可以测倾角、晃度、震动、应力同不实时监测,我们还可以对我们理论模型进行验证并提供依据。我们还可以将搭架、传动链和风轮整个风力器的风况速度融合其他,通过人工智能和大数据来进行分析,了解它的安全,塔筒的寿命。
  
  上面都是实时分析,可以了解我们设备当前的运行状态,但是现在风电技术不仅仅要关心当前的状态,我们希望了解供应设备退化趋势以及更进一步使用寿命,同时上述一些实施分析方法就需要人工智能方法基于风电机组驱动的健康评估。这个是我们健康状态评估系统,传动链、塔架同步监测,提供专业的分析工具和图谱,进行多源信息融合,进行轮、舱、塔耦合分析,通过深度学习故障特征识别,基于关联规则的劣化分析,我们提出数据驱动的运行趋势预测,深度学习的关键设备寿命预测,以及智能AI状态评估分析。
  
  这些数据特征,这些数据可以保证风轮的数据,传统链的数据,工况数据都可以放进去,这是我们基于循环神经网络识别的一个技术。通过我们这个技术可以对复杂的特征进行有效的判断鼓掌,而且不同的故障类型可以得到有效的判断。我们基于关联规则的劣化状态分析,在这里面取得了很好的效果,这是基于数据驱动的运行状态趋势预测,我们预测可以。
  
  12小时24小时都可以,当然时间跨度越长精力会有所下降,那么短期和24小时之内我们都能取得比较好的状态。这是我们构建传统链整体状态评估AI取证,包括特征融合级,特征级融合识别和信息融合,几种不同AI识别方法。这是我们基于深度学习对余寿进行预测。
  
  时间有限把我们工作和现有技术给大家做个汇报,也欢迎大家到我们国家工程研究中心来指导,谢谢。
  
  (发言根据现场速记整理,未经本人审核)
 
关键词: 风电产业 风电塔筒
 

 
0条 [查看全部]  相关评论