基于 SCADA 系统和信号处理的风力发电机主轴承故障分析与诊断

微特电机 ›› 2024, Vol. 52 ›› Issue (1): 26-30.

基于 SCADA 系统和信号处理的风力发电机主轴承故障分析与诊断

周王君^1,2,卢妙政^1,2,孟井煜枫^1,2,吴博阳^1,2

1. 浙江运达风电股份有限公司,杭州 311199; 2. 浙江省风力发电技术重点实验室,杭州 311199

收稿日期:2023-07-21 出版日期:2024-01-28 发布日期:2024-01-26

Fault Diagnosis and Analysis of Wind Turbine Main Bearing Based on SCADA System and Signal Processing

ZHOU Wangjun^1,2, LU Miaozheng^1,2, MENG Jingyufeng^1,2,WU Boyang^1,2

1. Zhejiang Yunda Wind Power Co., Ltd.,Hangzhou 311199, China; 2. Zhejiang Key Laboratory of Wind Power Generation Technology,Hangzhou 311199,China

Received:2023-07-21 Online:2024-01-28 Published:2024-01-26

摘要/Abstract

摘要： 基于 SCADA 在线监测系统,通过该系统获取到主轴承实时振动数据,用小波包、集合经验模态分解模型进行信号处理和提取故障特征,分析其时域图的冲击信号、频谱图故障特征频率、包络谱故障频率幅值和谐波信号倍数情况,可以判断出主轴承故障位置以及受损情况,实现主轴承故障预警,为风力发电场现场运维人员高效维修提供帮助,降低运维成本。

关键词: 数据采集与监视控制系统, 风力发电机组, 故障诊断, 主轴承, 图谱分析, 信号处理

Abstract: Based on SCADA online monitoring system, the real-time vibration data of the main bearing were obtained. The fault characteristics were extracted by wavelet packet and the collection of empirical modal decomposition model. The impact signal of the time domain diagram, the spectrogram of the fault characteristics of the frequency spectrum, the envelope spectrum of the fault frequency amplitude and the harmonic signal multiples were analyzed. The fault location and the severity of the fault were determined. The severity of the fault, to realize the main bearing fault early warning, The method was provided assistance for efficient maintenance for the wind farm operation and maintenance personnel, and was
reduced operation and maintenance costs.

Key words: supervisory control and data acquisition( SCADA) system, wind turbines, fault diagnosis, main bearings, graphical analysis, signal processing

中图分类号:

TM315

周王君, 卢妙政, 孟井煜枫, 吴博阳. 基于 SCADA 系统和信号处理的风力发电机主轴承故障分析与诊断[J]. 微特电机, 2024, 52(1): 26-30.

ZHOU Wangjun, LU Miaozheng, MENG Jingyufeng, WU Boyang. Fault Diagnosis and Analysis of Wind Turbine Main Bearing Based on SCADA System and Signal Processing[J]. Small & Special Electrical Machines, 2024, 52(1): 26-30.

[1]	龙玉江 , 王杰峰 , 钱俊凤 , 赵文彬. 基于数字孪生的永磁同步电机故障诊断技术研究[J]. 微特电机, 2024, 52(2): 74-78.
[2]	王子豪, 王　硕, 关博凯, 鲍晓华. CEEMDAN 与改进形态差值滤波结合的滚动轴承故障诊断[J]. 微特电机, 2024, 52(1): 20-25.
[3]	李延慧, 张世福, 李斐斐, 汪文涛. 分瓣技术在大型风力发电机组上的应用与研究[J]. 微特电机, 2023, 51(9): 34-38.
[4]	周令康, 罗力岩, 杜嘉晨 , 黄文涛. 五相 PMSM 驱动系统开路故障混合诊断方法[J]. 微特电机, 2023, 51(8): 53-.
[5]	孙浩, 孔令崧. 基于故障特征分析的笼型电机转子断条故障诊断方法综述[J]. 微特电机, 2023, 51(7): 57-66.
[6]	吴荣根, 吴博阳, 蔡海洋, 罗智. 基于组合权重-TOPSIS综合评价法的风场及风力发电机组健康度评估[J]. 微特电机, 2023, 51(5): 66-71.
[7]	周涛, 罗响, 朱莉. 基于一维RepVGG协同领域自适应的电机滚动轴承故障诊断[J]. 微特电机, 2023, 51(4): 1-7.
[8]	王天鹤. 基于DSP的LPMSM驱动系统自适应积分反推位置控制[J]. 微特电机, 2023, 51(3): 54-58.
[9]	陈其. 改进GAN结合SDAE的传动系统主轴承故障诊断[J]. 微特电机, 2023, 51(2): 20-25.
[10]	汤成, 张懿, 魏海峰, 周啸伟, 丁伟. 基于EEMD和HHT的低压异步电动机故障诊断[J]. 微特电机, 2021, 49(7): 44-49.
[11]	赵乾麟, 赵屹, 方炳平, 游张平. 异步电动机故障仿真与诊断研究[J]. 微特电机, 2021, 49(6): 58-60.
[12]	刘力宇, 崔江. 基于深度学习的发电机整流器诊断系统研究[J]. 微特电机, 2020, 48(4): 39-42.
[13]	李楷然, 刘永强, 吴立泉, 梁兆文. 一种感应电机转子断条故障建模方法[J]. 微特电机, 2020, 48(3): 33-37.
[14]	孙晟桐, 刘剑, 宋吉江, 徐飞, 谭芳堃. 基于电流残差矢量的逆变器开路故障诊断[J]. 微特电机, 2019, 47(8): 35-40.
[15]	姬相磊, 高旭东, 杜振东. 风力发电机轴承振动监测故障诊断分析[J]. 微特电机, 2019, 47(8): 74-76.