主軸軸承故障檢測、診斷及根本原因簡介
2023-05-16 10:27:40
在這篇文章中，我們將談論風力渦輪機主軸軸承的故障檢測案例。主軸軸承是風力渦輪機最關鍵的設備之一，這些巨大的軸承位于渦輪機塔架頂部的機艙中，風力渦輪機通常使用直徑超過一米的調心滾子軸承（SRB）單元，也使用圓錐滾子軸承（TRB），設計師通常選擇單個SRB設計，其中一個由單個主軸承和兩個承載齒輪箱反作用力的扭矩臂支撐，主要功能是支撐轉子的重量以及風產生的其他載荷，允許主軸平穩(wěn)旋轉，并將扭矩傳遞到相鄰設備（齒輪箱）。
主軸軸承轉速較低，約為每分鐘10轉（RPM），然而，它們在具有挑戰(zhàn)性的條件下運行，如由氣流波動產生的可變負載，通常認為有兩個因素會導致主軸軸承的早期故障，一是高推力載荷，二是潤滑油膜生成不足。
考慮到成本和次要影響，在發(fā)生故障之前監(jiān)測這些軸承并采取適當措施至關重要，通過智能機器學習技術使用大量渦輪機數(shù)據，您可以采取積極主動的措施，讓我們從一個案例研究開始，其中數(shù)據和算法有助于檢測主軸軸承故障。
下圖顯示了主軸軸承溫度信號（深藍色）相對于從其歷史數(shù)據中學習的行為（淺藍色）獲得的控制邊界，此外，在信號圖下方添加了偏差圖，以強調無故障和故障區(qū)域與正常行為的偏差。
上圖描述了特定渦輪機兩年半的運行情況，我們沒有對信號使用簡單的行業(yè)標準閾值，而是使用了一種智能的方法來確定信號是否在“正常”工作范圍內，為此，我們采用了一種基于決策樹的機器學習算法，從其歷史數(shù)據中學習正常行為，在機器學習模型中同時考慮了外生輸入（運行數(shù)據，如風速、環(huán)境溫度、轉速等）和自回歸輸入，機器學習模型輸出與控制圖機制相耦合，控制圖通常在行業(yè)中用于監(jiān)控統(tǒng)計過程，如果信號在一定時間內偏離邊界，則認為設備表現(xiàn)出異常行為。
正如我們在偏差圖中看到的那樣，在無故障期間（2020年1月至2021年6月），渦輪機的正常行為（綠色區(qū)域）保持在1至3攝氏度的范圍內，然而，當它接近故障范圍（2021年6月和2022年4月）時，與渦輪機正常值的偏差急劇上升至12度，這些升級被視為故障指示器，并且在一致性檢查之后自動升起故障標志，一致性檢查對于處理假警報至關重要，否則，過多的警報可能會使管理人員負擔過重。
我們用于故障檢測的另一種措施是比較相同類型渦輪機之間的渦輪機信號，為此，我們確定了相同類型渦輪機的季節(jié)性中心趨勢行為，并觀察渦輪機信號如何偏離機組。
下圖顯示了渦輪機信號（深藍色）與渦輪機信號（灰色）的對比，以及它們具有季節(jié)效應的中心趨勢（淺藍色），此外，在主圖下方添加了一個偏差圖，以強調差異，偏差圖中的區(qū)域閾值由特定渦輪機無故障期間的偏差確定，除了故障區(qū)域外，可以看到主軸承的溫差保持在1攝氏度以下，季節(jié)性農場行為的偏差往往會隨著接近故障區(qū)域而增加。
Kavaken算法可以在這兩個故障區(qū)域的開頭發(fā)出警告，第一個故障區(qū)域以主軸承的維修行動結束，第二個故障區(qū)域結束時更換了軸承，從本周的信號中可以看出，溫度值恢復到了正常運行條件。
讓我們轉到另一個具有不同OEM渦輪機和類型的IPP的案例，與第一種情況類似，如下面的主軸軸承溫度圖所示，它在2021年7月初超過了控制圖邊界（渦輪機從其歷史趨勢中了解到的正常行為），從而觸發(fā)了故障警報，下一個指標是檢查該渦輪機是否與參考渦輪機的季節(jié)中心趨勢有顯著差異。
如下圖所示，風機信號明顯偏離機組，導致故障警報上升，工作人員確認了警報，隨后更換了軸承。
這些都是使用大數(shù)據和機器學習算法的智能預警系統(tǒng)如何幫助農場人員在預測性維護計劃中做出更明智決策的好例子，它使農場人員能夠在情況變得嚴重前幾個月做好維修和更換任務。
