東南大學國家工程研究中心副主任鄧艾東先生:風電傳動鏈及塔筒狀態監測及診斷技術_東方風力發電網
當前位置: 首頁 » 看資訊 » 活動動態 » 正文

東南大學國家工程研究中心副主任鄧艾東先生:風電傳動鏈及塔筒狀態監測及診斷技術

放大字體  縮小字體 發布日期:2019-09-19   來源:北極星風力發電網  瀏覽次數:225
核心提示:“傳動鏈是大家比較關注的重要故障來源,對它監測比較多,塔筒這幾年也引起了越來越多的重視。今年上半年發生幾起塔筒倒塌事故,現在單機容量越來越大塔筒的安全要求也越來越高。”9月19日,東南大學國家工程研究中心副主任鄧艾東在2019 第十二屆中國(江蘇)國際風電產業發展高峰論壇上發表了重要講話。
  “傳動鏈是大家比較關注的重要故障來源,對它監測比較多,塔筒這幾年也引起了越來越多的重視。今年上半年發生幾起塔筒倒塌事故,現在單機容量越來越大塔筒的安全要求也越來越高。”9月19日,東南大學國家工程研究中心副主任鄧艾東在2019 第十二屆中國(江蘇)國際風電產業發展高峰論壇上發表了重要講話。
  以下為發言實錄:
  
  鄧艾東:各位嘉賓下午好,今天匯報的題目《傳動鏈及塔筒狀態監測及診斷技術》。
  
  從2005年開始,風電發展特別快,就是因為發展很快我們一些問題沒有解決,比如型號驗證不足,每年有新的型號上來投到現場去,性能指標能不能撐起它的要求,其實業界也是個未知數。風電尤其是大功率兆瓦,大兆瓦風電基礎越多載荷特性也比較復雜,導致一系列運維問題存在。所以每年事故率也是比較高的。
  
  從機組故障率來說傳動鏈是主要的問題,從結構來說,傳動鏈振動信號有獨特的一些特點,傳動系統主要設備軸承、齒輪箱、發動機等等,它的特點周期短,非單一軸系,振動模態復雜,低速、中速、高速是并存在,一些對傳感器性能、信號采集和處理提出了更高要求,傳動系統沖擊性故障比較多,而且多源故障并發有耦合。從振源到傳播路徑復雜、有畸變等等問題。
  
  我們有二三十年大型動力設備研究運行經驗,在傳統領域我們做了大量的研究,我們建立了專門風電試驗臺,我們人工設備多種典型傳動鏈故障,然后采用振東和聲發射的設計對它進行大量研究。
  
  由于傳動信號干擾比較大,降噪是非常重要的位置,我們研發了多種降噪技術,這只是其中一種,基于離散分數的,效果還是不錯。在非線性特征提取與識別,對分型進行維算法進行特征提取,特征頻率的提取,對于我們整段主軸承齒輪箱的故障是非常有用的。
  
  我們不僅對故障特征提取、特征識別進行深入分析和研究,在故障定位方面做了很多研究,對于線性軸性來說我們可以采用線性方法,而對于像齒輪箱這種我們有空間方法,并且多源故障也可以識別,叫多源定位系統。
  
  在齒輪箱里面故障是發現很慢的,像齒輪箱里面我們提出共振的方法,左邊這個圖整個采集信號是非常亂的,而右下腳是我們提出出來特征頻率。我們不僅在領域方面做了大量研究,我們還做了采集,這是我們的機器,不同類型傳感器波速等等可以同時進行,安裝也非常方便。
  
  在軟件方面我們有完備分析診斷工具,這是我們一些軟件整合方面,時間有限我不多去介紹了,這是我們軟件系統一些界面,這是一些分析工具,時間分析、對稱分析等等一系列,包括沖擊分析、邊頻帶分析。另外我們系統也很容易,單機運行也很容易組網,從設計起我們提供全套解決方案。
  
  傳動鏈是大家比較關注的重要故障來源,對它監測比較多,塔筒這幾年也引起了越來越多的重視。今年上半年發生幾起塔筒倒塌事故,現在單機容量越來越大塔筒的安全要求也越來越高。我們塔筒項目和技術來源于深能源,因為擔心這么高的高塔有問題所以我們給他做了課題和研究也是得到了應用。
  
  我們采用理論和在線監測方法進行研究,理論方面有靜力學、動力學、穩定性、疲勞分析,在線檢測我們用一系列的可視化進行分析。我們提出了一套叫模態疊加法在線計算模型,這個是我們計算結果,我們還可以對實際的塔筒傳感器的布局提供全套解決方案。
  
  這個是塔架監測系統應該是三維旋轉可以放大3D模型,上面有一個標尺可以實時看到他的狀態。這個是一部分的畫面,我們塔筒分析的一些特點像塔架整體實時分析方法我們剛才也說過了,這個我們是在海上分析的突破。我們構建網絡化的塔架狀態監測及安全評估,可以測傾角、晃度、震動、應力同不實時監測,我們還可以對我們理論模型進行驗證并提供依據。我們還可以將搭架、傳動鏈和風輪整個風力器的風況速度融合其他,通過人工智能和大數據來進行分析,了解它的安全,塔筒的壽命。
  
  上面都是實時分析,可以了解我們設備當前的運行狀態,但是現在風電技術不僅僅要關心當前的狀態,我們希望了解供應設備退化趨勢以及更進一步使用壽命,同時上述一些實施分析方法就需要人工智能方法基于風電機組驅動的健康評估。這個是我們健康狀態評估系統,傳動鏈、塔架同步監測,提供專業的分析工具和圖譜,進行多源信息融合,進行輪、艙、塔耦合分析,通過深度學習故障特征識別,基于關聯規則的劣化分析,我們提出數據驅動的運行趨勢預測,深度學習的關鍵設備壽命預測,以及智能AI狀態評估分析。
  
  這些數據特征,這些數據可以保證風輪的數據,傳統鏈的數據,工況數據都可以放進去,這是我們基于循環神經網絡識別的一個技術。通過我們這個技術可以對復雜的特征進行有效的判斷鼓掌,而且不同的故障類型可以得到有效的判斷。我們基于關聯規則的劣化狀態分析,在這里面取得了很好的效果,這是基于數據驅動的運行狀態趨勢預測,我們預測可以。
  
  12小時24小時都可以,當然時間跨度越長精力會有所下降,那么短期和24小時之內我們都能取得比較好的狀態。這是我們構建傳統鏈整體狀態評估AI取證,包括特征融合級,特征級融合識別和信息融合,幾種不同AI識別方法。這是我們基于深度學習對余壽進行預測。
  
  時間有限把我們工作和現有技術給大家做個匯報,也歡迎大家到我們國家工程研究中心來指導,謝謝。
  
  (發言根據現場速記整理,未經本人審核)
 
關鍵詞: 風電產業 風電塔筒
 

 
0條 [查看全部]  相關評論

 
推薦圖文
推薦看資訊
點擊排行
 
 
10_10_三期必中四肖