四川省能投风电开发有限公司,成都,610041
摘要:风电机组故障可能造成从风电机组效率降低至风电机组塔架倒塌等不同程度的事故,而风电机组维护居高不下的成本也使得风电机组故障预警成为风场运维的发展方向之一。风电机组在运行过程中的声音包含了丰富的声源信息,本文基于信号处理,结合傅里叶分析及小波分析两种方式,提出了风电机组噪音频谱信息的分析方法,为风电机组预测性维护提供了一种采用噪声分析的思路。
关键词:故障预警、风电机组噪声、信号处理
Application of Acoustic Noise Analysis of Wind Turbine Generator
in Operation and Maintenance
Abstract: The faults in wind turbine generator (WTG) usually baffle the electricity generation from declining the operation efficiency to even collapsing the WTG tower, and the high cost of maintenance makes fault forecasting become the WTG industry’s going. The acoustic noise made by WTG has contained rich information, so that based on signal processing, this paper proposes a analytical method for WTG’s acoustic noise by the combination of Fourier transform and wavelet analysis, offering a methodology in noise analysis as a predicative maintenance strategy for wind farm O&M.
Keyword: Fault Alarm, WTG acoustic noise, Signal Processing
0引言
在能源危机与环境问题日益严重的今日,新能源的开发愈来愈受到世界各国的关注,风电行业在此背景下蓬勃发展。能源的平准化度电成本LCOE直观的反映了电站的发电成本及项目的影响力,该指标代表整个风电场站在完整生命周期内的运行费用,包括了风电机组采购、建设安装、运维管理费用及保险费用等,其中运维费用在风场LCOE中约占20%-25%[1]。由此可见对于风电公司而言,降低运维费用是降低风电机组运行成本的核心需求。
1运维策略
在如今风电场站采取的运维策略多为修复性维护与定期维护。修复性维护即当风电机组产生故障时对风电机组进行维护。由于该策略缺乏提前性,通常会造成故障发生后运维团队需首先定位失效部位,外加备品备件可能缺失,从而导致较长的停机维护时间(包括备件调货、计划物流、安装调试等),造成较大的发电量损失。而定期维护则是在固定的时间周期对设备采取不同级别的维护作业,但仍存在包括难以选择适当维护时间窗口的问题。
预测性维护与现采用的维护策略不同[2],在能够对风电机组故障进行提前预警的前提下,结合风功率预测系统,人员配置以及备品备件状况,能够选在最佳窗口期对风电机组进行停机维护,能够有效的降低运维费用,同时最大限度节省了风电机组故障所导致的发电损失。以预防性维护策略出发,运用风电机组噪音频谱分析在风电机组存在故障隐患时及时发现并处理故障,将有效地降低运维成本,提升风场效益。
维护策略 | 优点 | 缺点 |
修复性维护 | 便于操作,进入成本低 | 高风险的系统损坏导致灾难性故障、连带损坏以及高昂的维护费用 故障导致的停机时间长 备件库存量要求高 |
定期维护 | 便于实施,进入成本低 | 冗余维护与确保安全间难以平衡 定期维护时可能由于操作不当造成故障 |
预测性维护 | 减少维护/故障停机时间 备件库存量要求低 | 准确的故障预测系统及风功率预测系统具有较高的技术难度 不正确的预测结果可能导致系统损坏 |
2风电机组噪音
风电机组的噪声包含丰富的信息内容,通过对风电机组噪音的分析能够有效地分析风电机组运行状态并提供故障的分析。风电机组会产生四种不同类型的噪音,分别为音调、宽频、低频以及脉冲[3],可分为气动噪声和机械噪声两大组成部分。其中气动噪声包含低频音(由扇叶扰动空气造成),气动噪声(由气压波动造成)以及桨叶噪声(由沿桨表面气流造成)三种类型[4],而机械噪声则主要来源于齿轮变速箱、电机、冷却风扇、轴承等机舱内机械部件之间的相互作用[5]。当机组存在故障隐患时,其噪声的频谱特性会由于诸如叶片裂痕、变速箱齿轮磨损、偏心以及电机运转不平衡等问题发生改变,因而分析噪声频谱,尤其是旋转部件的高频噪声可实现风电机组故障隐患的早期发现。
将在四川某风电场采取到的风电机组正常运行时噪音进行快速傅里叶变换可得到噪声频谱图像,如图1所示。风电机组稳定运行时噪声可分为两部分:第一部分为20 Hz~100 Hz间的低频噪声,主要包括扇叶旋转切割由塔筒产生的卡门涡街(Vortex Street)所产生的噪声、气流流过扇叶所产生噪声以及气压波动所产生的噪音等[4]。而高于100 Hz的宽带噪音为第二部分,来源于扇叶转动时切割大气湍流。由于风电机组噪声有用信息主要集中于低频率段,高频部分多是风声等环境杂音,通过低通滤波器、加窗以及小波降噪等处理方式,可得到较纯净的风电机组噪音。
图1 风电机组正常运行噪音
参照IEC61400-11中采集方式,将采集到的两种故障噪音频谱与正常噪音频谱相对比,可看到较为明显的噪音频谱变化,如图2所示。由于螺栓松动导致风电机组散热风扇与其罩壳摩擦,导致低频噪音频率升高;而当叶片产生裂隙时,高频噪声显著增强,表现为听到的呼啸声。
图2 故障噪音频谱
3小波分析
然而风力机组在运行过程中,许多故障隐患所产生的噪音频率多位于高频区且与环境噪音区别不明显,导致故障分析时须由将其从复杂的环境噪音中进行提取。由于傅里叶分析不能给出信号在时域上的信息,只体现信号中所包含的频率,导致其难以实现非平稳信号的消噪,进而使得分辨这些故障信息具有一定难度。为克服傅里叶分析的不足,通过对实际信号进行小波分解,提取常包含故障信息的高频部分,进而对其进行门限量化处理,通过低频系数与量化后高频系数的重构可以实现实际信号的消噪,有效地进行故障信号提取与分析[3][5]。
以不对中故障噪音为例,其噪音频谱与正常频谱差异不明显,考虑到环境因素影响,不能够判断出风电机组存在故障隐患。然而通过对该信号进行多层小波分解,提取其高频成分,便能够较好的表征故障信息,解决了使用傅里叶分析的局限性。对原始信号进行5层小波分解,可从原始信号中分别提取出低频的有用信息及高频的噪音信号,如下图3所示。可以看见,当风电机组部件出现机械故障时,若傅里叶分析无法有效分离混叠于强噪声中的故障信息,小波分析能够有效地从风电机组运行噪音和环境噪音中分离故障信息。而图4中所示,则为利用阈值法小波重构后的消噪信号与原始信号对比,可见分析中混叠的无用噪声信息得到了有效消除。
图3 原始音频信号及其高低频分解 图4 小波重构消噪
4总结与展望
风力机组包含大量典型的旋转部件,包括不平衡、不对中等障,同时也可能伴随摩擦、松动、轴承故障等,不同的故障类型能够风电机组的噪声频谱上体现。对于寒冷地区风电机组面临的冰冻灾害问题,桨叶附冰也会导致噪音频谱发生变化。傅里叶分析在噪声辨识度较高时能够良好地表征故障使风电机组噪声频谱发生的变化,而当故障频谱信息与环境噪音难以区分时,采用小波分析的方式能够有效地提取故障信息,并实现频谱的精准消噪。通过对风电机组噪声的频谱分析,我们能够在风电机组存在故障隐患时及时发现并提前进行维护计划,将可预见地提升风电场效益,具有一定实用价值。
本文中所用数据均采集于四川某风场,然后还有更多风电机组故障隐患的特征频谱未有机会获得,故本文只能向噪音频谱分析提供参考思路。成熟的系统需要大量的音频数据作为支撑,包括不同地区、环境及风电机组类型的数据,以便能够做到精确的分析风力机组潜在故障,达到预防性维护的目的。
参考文献
[1] M. I. Blanco, “The economics of wind energy,” Renew. Sustain. Energy Rev., vol. 13, no. 6–7, pp. 1372–1382, 2009.
[2] M. Bevilacqua and M. Braglia, “The analytic hierarchy process applied to maintenance strategy selection,” Reliab. Eng. Syst. Saf., vol. 70, no. 1, pp. 71–83, 2000.
[3]吴宏钢. (2010). 风力发电机组振动检测及噪声评估研究. (Doctoral dissertation, 重庆大学).
[4] Hubbard, H.H. and Shepherd, K.P., 2009. Wind turbine acoustics.
[5]程静, 王维庆, & 何山. (2014). 风电机组噪声检测及故障诊断研究. 自动化仪表, 000(003), 39-41.