风电机组智能振动监测系统研究

中图分类号：TM736 文献标识码：A

引言

在实践中，发现诸如风速波动、风机叶片的气动负载不平衡，以及机组各个部件的长期磨损等问题，都可能导致振动的发生。而这些故障往往在初期表现为轻微的振动，难以通过传统的巡检方法及时发现，这就会导致故障持续蔓延，从而影响机组的正常运行和风电场的经济效益。因此，针对风电机组振动问题的监测与故障诊断技术研究，不仅可以提高设备运行效率，还对保障风电场的经济性和长期稳定性具有重要意义。

1 传动系统及振动监测

风电机组通过桨叶捕获风能并通过传动系统转换为机械能驱动发电机，然后经过发电机及变流系统将机械能转换为电能，实现并网发电。风电机组的传动系统包括主轴、轮箱、发电机、联轴器和制动装置，传动系统结构复杂且传动比大，由于凤力发电具有间歇性和波形性，机组载荷变化较大，风机转速不稳定，传动系统中的齿轮和轴承等部件容易因振动出现故障，风电机组振动主要是由于质量不平衡导致的切向振动和扭矩振动。另外，传动系统润滑不良会导致轴承故障、发电机故障和齿轮箱故障，传动系统中齿轮和轴承等部件受交变载荷易在应力集中区域出现损伤。

2 风电机组智能振动监测系统研究

2.1 振动监测系统设计

某风电场的运行数据表明，风电机组振动主要由环境、机械和操作因素引起。环境方面，年均风速 6.8m/s ，但风速波动可达 ±3m/s ，导致气动负载不平衡。机械方面，齿轮箱因长期高负荷运行，导致部件磨损和装配误差问题严重。操作方面，启动与停机时振动幅值峰值提升压力明显。针对甘肃省某风电场的风电机组振动问题，本研究设计了一套包括设备选型、传感器布置和数据采集与传输的完整监测系统，以提高运行稳定性和安全性。

2.1.1 振动监测设备的选型

选用加速度 / 速度 / 位移传感器进行监测。加速度传感器用于齿轮箱高频振动，频率响应范围 1Hz 至 10kHz ，灵敏度 100mV/g ；速度传感器监测主轴承低频振动，频率范围 0.5Hz 至 1kHz，灵敏度 5V/mm/s ；位移传感器用于偏航系统，量程 ±5mm ，频率范围 0.1Hz 至 500Hz 。加速度 / 速度/ 位移传感器均具备良好的抗干扰性能，可以适应风电场复杂环境。

2.1.2 传感器布置方案

传感器布置覆盖主轴、齿轮箱和偏航系统三大关键部件。主轴安装两组速度传感器，监测径向与轴向振动；齿轮箱安装四个加速度传感器，布置于输入轴、输出轴和箱体两侧；偏航系统安装两个位移传感器，用于监测偏航运动。加速度与速度传感器采用螺栓固定式安装，位移传感器采用粘贴式安装，确保稳定性和维护便捷性。

2.1.3 数据采集与传输系统设计

采集系统采用多通道模块，采样率 25kHz，分辨率 16 位，每台机组支持 12 个通道并行采集。数据通过无线传输上传至监控中心，并使用光纤通信作为备选方案。分布式数据库支持 1000GB 数据存储，自动备份功能确保数据安全。集中管理平台实现数据的远程调用与分析，提升运维效率。

2.2 振动信号处理与特征提取

2.2.1 信号预处理方法

针对风电机组运行环境及噪声特性，本研究采用带通滤波器（ 0.5Hz 至 10kHz）和小波去噪对信号进行去噪处理，将噪声能量降低至原始信号的 10% 。为消除测点信号幅值差异，所有信号归一化至 [-1,1] 区间，确保特征提取的精确性。

2.2.2 时域分析方法

针对风电机组振动信号的时间特性，本研究通过时域分析提取信号特征参数，以评估设备运行状态。首先，采用时间波形分析观察齿轮箱和主轴承振动模式，尤其是周期性冲击信号的幅值变化。正常状态下，齿轮箱信号均值为 0.1g，异常状态升至 0.25g，提示设备性能下降。此外，提取了均值、方差和峰值因子等时域参数，研究表明齿轮箱异常时方差比正常状态增加 40% ，主轴承异常时峰值因子从 3.2 增至 5.0，能有效识别故障状态。

2.2.3 频域分析方法

针对风电机组振动信号的频率特性，本研究采用频域分析量化振动信号的能量分布和频谱特征。通过快速傅里叶变换（FFT）分析主轴振动信号，发现主频为 50Hz ，伴随 1.5kHz 高频成分，表明轴承可能存在不对中问题。功率谱密度（PSD）分析显示齿轮箱信号在 150Hz 处峰值显著增强，振幅比正常状态高出2.3 倍，提示齿轮磨损严重。为进一步诊断常见故障，本研究建立了多台机组的特征频率数据库，用于快速匹配故障模式。

2.2.4 时频域分析方法

针对风电机组振动信号的非平稳特性，结合时间与频率维度，采用短时傅里叶变换（STFT）、小波变换和经验模态分解（EMD）三种方法进行时频域分析。STFT 用于启动阶段动态信号分析，发现 10～20Hz 频率幅值在前 10s 显著增强；小波变换通过包络谱提取齿轮啮合频率（ 100Hz ），异常状态下幅值增加 35% ；EMD 分析提取的第 3 阶 IMF 能量占比在齿轮箱异常状态下达 60% ，显著高于正常状态的 45% 。

2.3 局部缺陷风电机组滚动轴承振动响应

对于风电机组滚动轴承来说，变转速是其常见工况，因此需要研究其产生外滚道局部缺陷后，转速变化对振动响应的影响。当载荷为 50kg ，缺陷尺寸为 0.6mm 时，滚动体故障特征频率的幅值在 800r/min 到 1000r/min 时下降， 1000r/min 到 1600r/min 时上升， 1600r/min 到 1800r/min 时下降，1800r/min 到 2200r/min 时上升。虽然在部分转速之间幅值有降低的现象，但是整体幅值增长的趋势都与拟合曲线一致，呈现出随着转速增加而增加的趋势。

随着转速的增加，风电机组滚动轴承局部缺陷的尺寸也会逐渐增大，因此有必要分析不同转速下不同缺陷尺寸的振动响应特征。如图 7 所示当转速为 1000r/min 时，随着缺陷尺寸从 0.3mm 增加到 0.9mm ，特征频率的幅值都是增加的趋势，而当缺陷尺寸从 0.9mm 增加到 1.5mm ，特征频率的幅值增加的趋势趋于平缓。当转速进一步增加为 1600r/min 和 2200r/min 时，可以看出缺陷尺寸越大，特征频率幅值越大。

载荷的变化也会影响滚动轴承的振动响应，当载荷为 50kg 时，缺陷尺寸的增加会使得故障特征频率的幅值增加，这一现象也存在于载荷为75kg 和 100kg 的情况。同时当缺陷尺寸和转速相同时，载荷越大特征频率的幅值越大。

2.4 系统集成与实现

本研究完成了风电机组振动监测与故障诊断系统的硬件与软件集成，并通过实验室与现场测试验证了其性能。硬件部分包括安装在关键部件上的 ⁶ 个传感器（速度、加速度和位移传感器），通过工业级采集模块实现25kHz 高采样率和 12 通道并行采集，与机组控制系统通过 MODBUS 协议对接，确保振动信号的实时分析。软件系统分为数据处理、特征分析和可视化模块，支持去噪、归一化及自动诊断，诊断精度超过 95% 。实验室台架试验模拟了典型故障，识别率达 92% ；现场测试对 10 台风电机组连续监测一个月，系统运行稳定，诊断准确率为 93.5% ，验证了其高效可靠的工程化应用能力。

结束语

本文对风电机组传动系统和振动监测进行了介绍，对智能监测系统架构进行了设计，并结合风电机组振动分析流程，以传动系统中齿轮箱为例，对其进行了振动分析和故障预测，验证了监测系统振动信号采集、传输和分析的正确性实现了风电机组的健康管理，该监测系统可賓效提高机组运行效率和运行时间，同时握升了振动监测的智能化水平，为风机智能运维平台建设提供了数据支撑。

参考文献

[1] 徐国平 , 沈佳涛 , 金程玮 , 等 . 基于在线振动监测技术的风电机组齿轮箱故障分析与诊断 [J]. 微特电机 ,2024,52(06):23-25+29.

[2] 崔夕峰 , 王建梅 , 宁可 . 风力发电机组振动监测的超标问题研究 [J].太原科技大学学报 ,2018,39(02):131-135.

[3] 彭兴国 . 浅析风电机组在线振动监测与诊断 [J]. 风能 ,2021(12):84-91.