MENGANALISIS RMS DAN NILAI NILAI GETARAN SINYAL UNTUK KONDISI PUNCAK
PEMANTAUAN RODA TURBIN ANGIN
Joel Igba a, c, *, Kazem Alemzadeh a, b Christopher Durugbo, Egill Thor Eiriksson c
Fakultas Teknik, Universitas Bristol, BS8 1UB, Inggris Raya
b Departemen Manajemen, University of Bristol, BS8 ITN, Inggris Raya
c Vestas angin sistem A/S, Hedeager 42, 8200 Aarhus N, Denmark
Sejarah artikel:
Menerima 4 Februari 2015
Diterima dalam bentuk direvisi
7 November 2015
Diterima 1 Januari 2016
Tersedia online 22 Januari 2016
Kata kunci:
- Pemantauan kondisi
- Roda
- RMS getaran
- Teori nilai ekstrem
- Berdasarkan kondisi pemeliharaan
A b s t r a k si
Turbin angin (WTs) dirancang untuk beroperasi di bawah kondisi lingkungan yang ekstrim. Ini berarti bahwa
ekstrim dan berbagai beban yang dialami oleh WT komponen perlu dipertanggungjawabkan serta mendapatkan
akses ke angin peternakan (WFs) pada waktu yang berbeda sepanjang tahun. Pemantauan (CM) kondisi digunakan oleh WF
pemilik untuk menilai kesehatan WT dengan mendeteksi kegagalan gearbox dan perencanaan untuk operasi dan pemeliharaan
(O & M). Namun, ada beberapa tantangan dan keterbatasan dengan teknologi CM yang tersedia secara komersial
mulai dari kos pemasangan sistem pemantauan pada kemampuan untuk mendeteksi kesalahan secara akurat.
Penelitian ini berusaha untuk mengatasi beberapa tantangan ini dengan mengembangkan novel teknik untuk kesalahan
Deteksi menggunakan RMS dan ekstrim (puncak) nilai dari sinyal getaran. Teknik diusulkan
Berdasarkan tiga model (sinyal korelasi, getaran ekstrim dan intensitas RMS) dan telah divalidasi
dengan pendekatan yang didorong data waktu domain menggunakan data CM WTs operasional. Temuan ini
studi menunjukkan bahwa pemantauan nilai RMS dan ekstrim berfungsi sebagai indikator utama untuk deteksi dini
kesalahan menggunakan teori nilai ekstrem, memberi pemilik WF waktu untuk jadwal O & M. Selain itu, itu juga menunjukkan
bahwa keakuratan prediksi setiap teknik CM tergantung pada fisika dari kegagalan. Hal ini menunjukkan
bahwa pendekatan yang menggabungkan kekuatan dari beberapa teknik yang diperlukan untuk kesehatan holistik
penilaian WT komponen.
- Pendahuluan
Ketersediaan dan konsekuen biaya O & M WFs dipengaruhi oleh kegagalan dan downtime ofWT komponen seperti gearbox. Di lepas pantai WFs, dimana prosedur perbaikan kompleks dan logistik dipengaruhi oleh kondisi cuaca ekstrim, dampak dari kegagalan komponen dapat menyebabkan lebih lama downtime WT
[1,2]. isu-isu ini O & M telah mendorong kebutuhan untuk remote
kemampuan pengawasan dan penaksiran kondisi untuk komponen WT
untuk mendeteksi kesalahan cukup awal agar mampu merencanakan O & M
kegiatan dan meminimalkan downtime. CM secara bertahap menjadi
negara-of-the-art pendekatan untuk memenuhi kebutuhan ini dalam multimegawatt besar dan aplikasi WT lepas pantai setelah diminta oleh Lembaga Sertifikasi setelah seri kegagalan WT bencana di awal 1990-an [3]. Namun adopsi teknologi CM untuk komersial Aplikasi WF belum tanpa tantangan. Di satu sisi, menginstal CMS yang dibangun, yang biasanya tidak mengiringi WTs kecuali dalam beberapa aplikasi lepas pantai, sangat mahal. Pada sisi lain, meskipun kebanyakan largeWTs memiliki Supervisory Controldan sistem Data akuisisi (SCADA), sistem SCADA juga memiliki masalah dengan prediksi keandalan dan keakuratan [3].
Studi ini mengusulkan perspektif WT gearbox O & M melalui penggunaan CM untuk deteksi dini kesalahan, memungkinkan WF pemilik waktu untuk
rencana O & M terlebih dahulu dan menghemat biaya dengan mengurangi downtime sebagai
Akibatnya. Pendekatan perawatan ini disebut kondisi.
Berdasarkan pemeliharaan (CBM) [4,5]. Tidak seperti pemeliharaan preventif
(PM) [6], pendekatan CBM membutuhkan kondisi dimonitor komponen ke dalam account ketika membuat keputusan O & M. Ini menyediakan kesempatan untuk perencanaan yang efektif dan penjadwalan
pemeliharaan tindakan [7]. PM memperhitungkan
Sejarah kegagalan dan layanan sebelumnya, anjak ini sebagai parameter risiko Ketika menghitung interval antara operasi saat ini periode dan memakai-out berikutnya atau kegagalan waktu [6]. Sebaliknya, dengan CBM ada adalah tidak perlu sejarah kegagalan sebelumnya. O & M perencanaan
dicapai dengan pemantauan parameter kunci yang akan menunjukkan memburuknya apapun kesehatan WT, sehingga dapat mendeteksi kegagalan di mereka tahap awal. Keberhasilan CBM tergantung pada jenis dan akurasi teknik CM yang digunakan, metode analisis dan interpretasi hasil.
Dalam studi ini, tiga model pendekatan CBM (sinyal korelasi, getaran ekstrim dan intensitas RMS) yang diusulkan dan divalidasi berdasarkan data driven pendekatan waktu-domain mengatasi keterbatasan utama dan isu-isu yang telah diidentifikasi dalam sastra [3,8,9]. Untuk ini, pendekatan tiga tahap digunakan, mereka
adalah: pra-pengolahan data, pemodelan dan validasi. Model divalidasi menggunakan data dari turbin operasional dan gagal, mencari untuk menunjukkan seberapa sensitif model dalam mendeteksi jenis
mode kegagalan dalam gearbox turbin angin. Operasional turbin dengan
sehat roda yang digunakan untuk menunjukkan respon normal untuk masing-masing model sementara rusak roda dengan beberapa gearbox Umum mode kegagalan yang digunakan untuk menunjukkan detectability masing-masing model untuk
berbagai jenis kegagalan.
Kontribusi yang utama dari makalah ini adalah dalam dua bagian:
- Peningkatan teknik yang dikenal menggunakan nilai-nilai RMS getaran [8,10] dan aplikasi untuk monitorWT gearbox kesehatan.
- Pengembangan dan validasi pendekatan baru untuk mendeteksi WT gearbox pengoperasian menggunakan ekstrim teori nilai.
Garis besar artikel adalah sebagai berikut: di bagian 2, tinjauan singkat
literatur tentang CM dan CBM dilakukan dengan mengidentifikasi utama
teknik dan keterbatasan pendekatan saat ini. Dalam bagian 3, tiga model yang diusulkan untuk memenuhi keterbatasan dikembangkan. Bagian 4 menyajikan hasil setelah data dari roda 10WT digunakan untuk memvalidasi model yang diusulkan. Perbandingan sehat versus rusak roda dibuat untuk setiap model dan studi kasus untuk mendeteksi tiga modus kegagalan umum gearbox tinggi kecepatan modul juga dilakukan. Akhirnya, dalam Bagian 5, temuan ini diringkas dan pandangan ke arah masa depan penelitian disajikan.
- Sejenisnya
Penelitian pendahuluan CM ofWT roda meliputi berbagai berbagai macam aplikasi mulai dari teknik standar seperti getaran dan minyak puing-puing analisis [1, 11e16] kepada orang lain seperti akustik emisi [17] dan analisis SCADA [7e9, 18e22] dll. Sementara pertama tiga adalah tujuan-dibangun CMS untuk pemantauan parameter tertentu dan mendeteksi kegagalan baru jadi, sistem SCADA yang terutama diinstal pada WTs untuk mengukur parameter operasional seperti angin kecepatan suhu, suhu komponen dan Generator listrik [3,5]. Namun, karena mereka sudah tersedia,
SCADA sistem sekarang juga digunakan untuk CM. Hal ini telah dicapai dengan membuat model dan tren dari SCADA data yang ketika menafsirkan, yang digunakan untuk menilai kondisi WT komponen
[1,8,20,23,24]. sebuah contoh yang baik seperti teknik yang tidak bergantung
tradisional CMS dapat ditemukan di Ref. [25], mana kecepatan sudut
pengukuran dari gearbox input poros dan poros ke generator yang digunakan untuk mendefinisikan fungsi kesalahan untuk mendeteksi gigi dan bantalan kerusakan. Hal ini juga diperhatikan bahwa sebelumnya bekerja pada WT gearbox CM telah berfokus pada dua untai utama: (1) CM algoritma
pengembangan, validasi dan perbaikan, seperti [16, 25e28], dan (2) CM Pengkajian dan pengembangan, misalnya [11,15,29,30].
Terlepas dari teknik dan/atau teknologi yang diterapkan untuk CM, kemampuan CM bergantung pada dua faktor [30]: (a) nomor
dan jenis sensor dan pemrosesan sinyal (b) yang terkait dan penyederhanaan metode, dengan yang terakhir relevan untuk kajian ini. Jumlah dan jenis sensor umumnya ditentukan oleh jenis sistem CMS atau SCADA komersial digunakan dan luar lingkup artikel ini. Menurut [30], beberapa contoh sinyal
Metode pengolahan yang digunakan untuk CM meliputi: analisis statistik, waktu Domain analisis, analisis Cepstrum, transformasi Wavelet dll. Di Ref. [31], CM tiga metode yang diterapkan untuk analisis SCADA yang dibahas, mereka adalah: sinyal tren, Artificial Neural Networks dan
Model fisik. Semua metode ini mempunyai kecenderungan untuk menyebabkan Alarm palsu atau prediksi salah jika model digunakan untuk deteksi tidak akurat atau canggih cukup [8,23]. Selain itu, lebih
model canggih memerlukan lebih rumit algoritma yang produk intensif dan lebih sulit untuk mengembangkan [27].
Meskipun kebanyakan dibangun CMS datang dengan built-in deteksi algoritma, mereka mahal untuk menginstal dan belum sepenuhnya dibenarkan ekonomi [24,32]. SCADA sistem di sisi lain sudah bagian dari WTs paling besar dan karenanya tidak ada biaya ekstra dikeluarkan untuk menggunakan SCADA cm. Pada sisi negatifnya, analisis SCADA parameter rentan terhadap tingkat tinggi alarm palsu. Hal ini disebabkan masalah mendasar dengan SCADA berikut:
- SCADA memiliki tingkat rendah 10 min sampling yang telah dianggap terlalu rendah untuk akurat Kesalahan diagnosis ketika konvensional CM teknik yang digunakan [3,8].
- Model yang dihasilkan dari relatif miskin sejak SCADA pelatihan data yang berisik [1].
- Nilai data SCADA bervariasi atas berbagai macam kondisi operasi
[8]. Akibatnya, perubahan SCADA data tidak berarti suatu kesalahan telah mengembangkan; hanya dapat sebagai
hasil dari perubahan dalam kondisi operasi. Ini membawa tambahan
kompleksitas dalam menganalisa SCADA data sejak dikembangkan model
harus menormalisasi variabilitas dan musiman dari kondisi operasi untuk meningkatkan akurasi [7].
Tiga isu, hanya dua yang pertama unik untuk SCADA.
Masalah dengan variabilitas dari kondisi operasional juga memiliki efek pada beberapa parameter dipantau yang Diperoleh dari komersial CMS, seperti getaran. Sebuah contoh yang baik ini adalah bagaimana pitch control dari WTs menginduksi variabilitas dalam parameter CM dipantau. Ini adalah
karena kontrol pitch membatasi kekuatan aerodinamis turbin dalam rangka untuk mengontrol output daya [33], sehingga menyebabkan nonlinearities dalam perilaku turbin [8]. CM parameter tersebut
sebagai gearbox getaran dan suhu, sering berbeda atas kisaran luas [8] dan perubahan dalam tingkat mereka tidak serta merta menunjukkan terjadinya kesalahan, tapi kesalahan dapat menyebabkan perubahan dalam nilai-nilai ini [3,8,34].
Masalah yang teridentifikasi di atas memiliki pengaruh pada beberapa
teknik analisis yang digunakan dalam literatur, terutama jika kurangnya usaha dibuat dalam pra-pengolahan data dan normalizing variabilitas operasional. Dua contoh yang baik yang menggambarkan
ini adalah: perangkap dalam membandingkan serupa dan/atau tetangga
turbin melalui sinyal tren (Lihat rajah-rajah 1e3), dan efek Seasonality pada model-model fisik yang didasarkan pada keseimbangan energi gearbox
(Lihat rajah-rajah 4 dan 5). Pertama, sementara membandingkan operasi parameter turbin tetangga telah terbukti berguna dalam menentukan
outliers [31], itu tidak selalu Tampilkan gambar benar dan dapat
menyesatkan. Hal ini karena berbeda WTs dan komponen mereka, Meskipun identik dalam desain, mungkin memiliki respons yang berbeda dalam penggunaan parameter CM yang digunakan untuk tren (rajah-rajah 1e3 menggambarkan ini). Kedua, menggunakan minyak gearbox dan bantalan suhu yang juga contoh parameter yang umum digunakan untuk pemantauan
Kesehatan komponen turbin angin [1,8,23,35]. Pendekatan ini telah telah digunakan untuk model keseimbangan energi gearbox, yaitu energi adalah
atau ditransmisikan oleh gearbox sebagai output daya dihamburkan sebagai energi panas dalam bentuk kenaikan suhu. Di sini, hilangnya efisiensi dari gearbox akan mencopot oleh peningkatan energi
kerugian yang akibatnya menunjukkan kesalahan. Namun, seasonality dari
suhu mempengaruhi keakuratan pendekatan jika tidak
Gambar 1. Masing-masing kecepatan tinggi bantalan hubungan kekuasaan dan getaran untuk dua identik dan tetangga turbin selama operasi () normal dan (b) tahun setelah. Di sini, kurva telah dengan jelas dilabel untuk membedakan antara turbin sehat dan turbin kedua yang gagal dari HS bantalan pitting setahun setelah data dikumpulkan. Pertama, jika getaran rata-rata Semua turbin tetangga digunakan untuk memeriksa outliers. Jika salah satu adalah untuk hanya membandingkan kekuatan diukur dan getaran respon dua turbin di
Gambar 1 (, itu sudah pasti tidak berlebihan untuk menyimpulkan bahwa turbin sehat dalam kondisi yang buruk dibandingkan dengan tetangganya. Namun, dari gambar 1(b), dapat dilihat bahwa getaran turbin gagal meningkat secara dramatis ketika kegagalan terjadi setahun kemudian sementara yang sehat turbin hampir tidak berubah dan hampir identik dengan nilai
operasi normal dimodelkan.
Gambar 2. Kecepatan angin versus hubungan getaran tetangga turbin () selama operasi normal dan (b) satu tahun kemudian; pengamatan serupa untuk gambar 1 terlihat di sini mana 2(a) gambar menunjukkan turbin sehat dengan getaran yang lebih tinggi dan sebaliknya untuk gambar 2(b)
dinormalisasi (Lihat rajah-rajah 4 dan 5).
Contoh-contoh ini (rajah-rajah 1e5) menyarankan pentingnya untuk normalising
variabilitas operasional dan lingkungan parameter.
Artikel ini mengusulkan pendekatan alternatif dengan menggunakan kondisi
indikator yang tidak peka terhadap variasi ini tetapi untuk perubahan dalam kesehatan gearbox. Ada banyak Statistik Fitur dari getaran yang menggambarkan kondisi kunci indikator untuk Gearbox Kesehatan, RMS, Kurtosis, faktor Crest, puncak nilai dll.
Ini semua telah dibahas sangat baik dalam Refs. [10, 36e38]. Dari kondisi kunci indikator untuk gearbox getaran, penulis memilih untuk menggunakan RMS dan nilai-nilai puncak waktu domain getaran sinyal karena perubahan dalam nilai-nilai mereka dapat menjadi indikator utama
akan datang kesalahan seperti yang terlihat dalam rajah-rajah 1e3. Dalam umum, nilai RMS sinyal getaran telah digunakan untuk memantau getaran keseluruhan tingkat roda [10]. Hal ini karena tingkat getaran keseluruhan biasanya meningkat sebagai gearbox memburuk (seperti yang diamati pada Gambar 5). Maka RMS getaran pemantauan ini sangat cocok untuk
mendeteksi progresif kegagalan seperti bantalan pitting dan scuffing
dan poros retak. Namun, ada kritik menggunakan getaran RMS untuk gearbox CM, dengan dua dikenal isu-isu yang diidentifikasi dalam sastra. Yang pertama berasal dari saran RMS bahwa nilai-nilai
sinyal getaran tidak meningkatkan dengan puncak yang terisolasi di sinyal, maka hal ini tidak sangat sensitif terhadap kerusakan gigi gigi yang baru jadi.
Nilainya hanya meningkatkan sebagai kemajuan kegagalan gigi [10]. Kedua,
Nilai-nilai RMS juga tidak secara signifikan dipengaruhi oleh ledakan singkat rendah
intensitas getaran dan akibatnya mengalami masalah dalam mendeteksi tahap awal bantalan kegagalan [11]. Keterbatasan ini dua menjabat motivasi awal untuk para penulis untuk mempertimbangkan menggunakan puncak nilai-nilai (ekstrim) sinyal getaran.
- Model Pendekatan
Dalam bagian ini, tiga model yang berbeda untuk mendeteksi kesalahan dalam kecepatan tinggi dan kecepatan menengah tahap WT roda dikembangkan. Metodologi yang diadopsi dalam pemodelan getaran data yang telah sengaja dipahami dan dirancang untuk mengatasi keterbatasan utama dan isu-isu yang telah diidentifikasi dalam sastra [3,8,9]. untuk ini, pendekatan tiga tahap telah digunakan untuk mengembangkan model masing-masing disajikan dalam tulisan ini. Mereka adalah: data preprocessing, pemodelan dan validasi. Pertama, mentah time series data getaran, bersama dengan data operasional yang relevan seperti daya dan kecepatan angin, harus pra-diproses untuk menyaring suara dan menormalisasi variabilitas operasional. Setelah ini, yang relevan model dikembangkan berdasarkan data. Dalam studi ini yang didorong data pemodelan pendekatan yang digunakan untuk membangun hubungan antara tingkat getaran dan parameter operasional. Akhirnya, model-model yang
kemudian divalidasi menggunakan data dari turbin operasional dan gagal, mencari untuk menunjukkan seberapa sensitif model dalam mendeteksi berbeda jenis kesalahan gearbox turbin angin. Tahap-tahap dua berurusan dengan bagian ini sementara validasi dilakukan dalam hasil Bagian (Lihat bagian 4). Data yang digunakan untuk analisis ini adalah 2 menit rata-rata dari getaran
Berdasarkan data CMS, diperoleh sebagai waktu seri dari tujuan-dibangun CMS piezoelektrik accelerometer sensor yang dipasang pada operasional turbin. Gambar 6, misalnya, adalah jendela seri waktu satu bulan dari CM dan operasional data untuk turbin menampilkan parameter seperti
Gearbox HS crest faktor, puncak, dan RMS getaran, daya generator output dan angin kecepatan. Melihat mentah time series di sendiri tidak memberikan banyak wawasan tentang kesehatan gearbox, kecuali kegagalan telah berkembang menjadi sebuah negara yang parah mana tingkat getaran
menjadi terlalu besar seperti yang terlihat dalam gambar 5. Oleh karena itu, ada kebutuhan beberapa model data untuk mendeteksi setiap perilaku abnormal di
Gearbox sedini mungkin. Pendekatan model yang didorong data hubungan antara gearbox getaran parameter dan operasional
parameter seperti angin kecepatan dan daya output. 3.1. pra-pengolahan data
Pra-pengolahan CM data adalah sangat penting dan mendasar langkah ketika mengembangkan model data untuk turbin angin. Ini adalah karena ada faktor yang berbeda, yang jika tidak dipertanggungjawabkan atau dinormalisasi, mungkin mempengaruhi CM data. Faktor-faktor selain structural Kesehatan turbin, geser angin, turbulensi, efek kontrol pitch dll mempunyai pengaruh pada angin turbin CM data
[8]. penulis telah mengadopsi algoritma pra-pemrosesan dikembangkan oleh Ref. [8] dan gabungan ini dengan teknik lain penyaringan seperti yang digunakan dalam Refs data. [9,19]. langkah pertama dalam data preprocessing tahap adalah untuk menyaring suara dari data. Ini termasuk
tidak termasuk bagian-bagian data CM yang memiliki output daya negative nilai-nilai [9]. Hal ini karena ketika daya output adalah negatif itu menyiratkan bahwa turbin mengkonsumsi listrik dan tidak menghasilkan kekuasaan, yang dapat terjadi sebelum turbin mencapai memotong di
kecepatan angin [19]. Setelah penyaringan data lengkap, langkah berikutnya adalah
untuk mengelompokkan data untuk menghilangkan efek nonlinier pitch
kontrol. Hal ini dicapai dengan membagi kurva kekuasaan menjadi tiga angin kecepatan daerah (Fig. 7(a)) [20]. Menurut [39], ada tiga berbeda angin kecepatan daerah:
Wilayah 1, kali ketika turbin tidak beroperasi atau selama Start-up.
Wilayah 2, ketika turbin dalam modus operasional yang mana diinginkan untuk menangkap sebagai banyak kekuasaan dari angin sebanyak mungkin.
Wilayah 3, terjadi di atas kecepatan angin dinilai (kecepatan angin di yang dinilai kekuatan diproduksi) dan di wilayah ini turbin harus membatasi fraksi angin ditangkap sehingga tidak untuk melebihi
nilai beban listrik dirancang. Hal ini dicapai melalui kontrol pitch pisau.
Ini telah ditunjukkan dalam Ref. [8] bahwa lebih mudah untuk mendapatkan handal CM
sebelum mencapai kecepatan angin dinilai karena tidak adanya kontrol nonlinier efek yang bisa damper fitur kesalahan yang terkandung data. Selain itu, dengan menyaring periode siaga WT meninggalkan data CM dalam wilayah 2 sebagai yang paling cocok untuk pemodelan. Hasil pra-proses yang binned nilai dari variabel seperti kecepatan angin, generator kecepatan dan daya generator dan parameter CM. Kecepatan angin digunakan sebagai referensi untuk binning CM data dan nilai-nilai yang diharapkan untuk setiap variabel dalam setiap bin diperkirakan berdasarkan pada distribusi probabilitas sampel terkandung dalam tempat sampah. Hal ini tidak seperti metode yang diperkenalkan pada Standar IEC yang hanya menemukan rata-rata nilai-nilai masing-masing bin [8]. the IEC metode dapat menjadi rentan terhadap kehadiran one-offs atau outliers di data, yang bisa condong nilai rata-rata masing-masing bin jauhnya dari mean benar. 7(b) gambar menunjukkan kurva kekuasaan menebari plot dimodelkan pra-diproses data dari 7(a) gambar. 3.2. sinyal korelasi dan tren Korelasi CM parameter yang berbeda dan beberapa operasional variabel dapat diperoleh dari CM pra-diproses data. ONEWAY untuk melakukan ini adalah dengan membuat plot menebari terdiri dari sampah kekuasaan output, kecepatan angin atau generator kecepatan dipetakan terhadap CM parameter pilihan. Pendekatan ini lurus ke depan bisa sangat kuat dalam mendeteksi kesalahan dari CM data. Terjadinya kesalahan dapat diamati oleh miscorrelations antara variabel-variabel yang binned dan
parameter CM yang masing-masing di jendela operasi yang berbeda, [8].
Gambar 8 menunjukkan dua berbeda korelasi untuk parameter CM untuk aWT
Gearbox selama operasi normal dan satu minggu sebelum kegagalan. Dalam Gambar 8(a) kurva kekuasaan untuk dua kondisi operasi tidak memberikan indikasi yang jelas dari kegagalan. Ini memperkuat argumen dalam bagian 2 bahwa kurva kekuasaan adalah indikator lagging kesalahan gearbox (Lihat gambar 3). Namun, ini tidak berarti bahwa kurva kekuasaan tidak dapat digunakan untuk memantau kesehatan angin lain turbin komponen seperti generator seperti yang telah ditunjukkan dalam Sastra [35,40]. Hal ini jelas dari 8(b) gambar yang jelas miscorrelation dapat mengamati ketika plot menebari direproduksi untuk kekuatan versus Getaran RMS. Hal ini sejalan dengan argumen oleh Ref. [10] yang terjadinya kegagalan gearbox (untuk jenis tertentu Gambar 8, bantalan pitting kegagalan) akan mengarah pada peningkatan yang substansial dalam tingkat getaran gearbox dan karenanya nilai RMS. Ini adalah cara yang baik untuk mendeteksi kegagalan tapi tantangan adalah bahwa menunggu untuk melihat tingkat ini miscorrelation mungkin terlalu terlambat karena itu ada kebutuhan untuk dapat menilai tingkat keparahan kegagalan. Upaya untuk mendeteksi kegagalan keparahan telah dibuat dalam literature baru [8], dimana CM criterionwas dikembangkan untuk mengukur tingkat keparahan ini diberikan oleh persamaan:
Gambar 3. Kekuatan kurva tetangga turbin () selama operasi normal dan (b) satu tahun kemudian; Jika kurva kekuasaan dibandingkan, observasi yang sangat menarik yang dibuat, yaitu ada tidak ada perbedaan yang mencolok antara kurva kekuasaan untuk kedua turbin selama operasi normal dan hanya sebelum terjadi kegagalan. Sebagian besar diharapkan untuk kedua turbin menghasilkan output daya yang sama selama operasi normal karena mereka berdua di peternakan angin sama. Namun, orang akan berharap bahwa berdasarkan teori-teori umum kehilangan dalam menghasilkan efisiensi yang dihasilkan dari komponen kerusakan dan kinerja degradasi [1,20], bahwa output daya turbin gagal harus menurunkan selama periode kegagalan. Hal ini tidak kasus dalam konteks ini. Pengamatan serupa telah dibuat sebelumnya oleh Ref. [8]. Oleh karena itu ini menunjukkan turbin kekuatan kurva sinyal adalah indikator lagging untuk mendeteksi
kesalahan baru jadi di WT gearbox. Oleh karena itu memiliki keterbatasan mendeteksi kesalahan lokal subassembly [8].
Gambar 4. Suhu rata-rata harian dan kenaikan suhu gearbox untuk WT dengan gearbox HS bantalan pitting kegagalan; dalam contoh ini efek musiman suhu
mempengaruhi keakuratan menggunakan perbedaan suhu sebagai model pendekatan dan karenanya data harus menjadi dinormalisasi untuk variasi musiman parameter kunci [7]. Ini adalah karena perubahan musiman di suhu secara langsung mempengaruhi keseimbangan energi gearbox yaitu kenaikan suhu.
Gambar 5. Minyak mentah waktu serangkaian gearbox suhu dan kecepatan tinggi bantalan getaran WT dengan pitting kegagalan dalam HS bantalan; di sini, seperti bagan perbedaan suhu di Gambar 4, sinyal mentah suhu tidak menunjukkan indikasi ketika terjadi kesalahan. Namun, peningkatan ketara RMS getaran sinyal dapat diamati dalam periode yang mengarah ke kesalahan.
Gambar 6. Waktu mentah seri CM dan parameter operasional dengan timestamp 2 menit.
Gambar 7. () plot menebari mentah (UN olahan) WT angin kecepatan dan daya output (b) diproses kurva kekuasaan.
8 GB. Miscorrelation antara periode kegagalan WT gearbox HS bantalan () kekuasaan kurva dan (b) power vs RMS dan operasi normal.
Nilai-nilai minimum dalam kedua polinomial. Polinomial masing-masing dan mereka Koefisien berikutnya dapat diperoleh dengan pas regresi model data. Ketika c z 0 ini berarti yang turbin sehat dan bila c > 0 menunjukkan kesalahan. Selain itu semakin besar nilai c adalah yang lebih serius kesalahan [8]. Hal ini juga memungkinkan untuk memperkirakan miscorrelations dengan kesalahan pas dan regresi kurva lainnya dan langkah-langkah penyimpangan seperti kesalahan berarti square, berarti mutlak kesalahan dan menjelaskan varians (di bagian 4.3, ini akan criteria dibandingkan dengan nilai c dengan menggunakan data dari beberapa operasional turbin dengan sejarah kegagalan dikenal). Sinyal korelasi dan tren memiliki berikut adalah kekurangannya ketika diterapkan pada CM data:
Dapat diterapkan sukses hanya ketika pengoperasian normal. kondisi (Diperoleh dari data historis) dimonitor komponen tersedia untuk dimodelkan. Hal ini terutama karena kesalahan terdeteksi hanya didasarkan pada miscorrelations dari
parameter dapat dipantau dari kondisi normal mereka dimodelkan.
Oleh karena itu, durasi baik sejarah operasional e biasanya tiga enam bulan data e diperlukan untuk mengembangkan suatu model kondisi operasi normal untuk menerapkan pendekatan ini
berhasil. Teknik ini juga masalah menjadi rentan untuk estimasi kesalahan selama pemasangan polinomial terutama ketika miscorrelations ini hanya marjinal. Oleh karena itu adalah penilaian ahli diperlukan untuk menyimpulkan jika dalam kasus kesalahan telah benar-benar terjadi.
Korelasi kekuasaan dan RMS hanyalah sensitif terhadap progresif kegagalan seperti yang ditunjukkan dalam sastra [10,11] dan karenanya tidak ideal untuk mendeteksi gigi gigi kegagalan (ini diilustrasikan dengan WT contoh dalam Bagian 4.2).
Setelah ini dalam pikiran, subseksi berikut menyajikan sebuah novel pendekatan yang membahas keterbatasan ini.
taufikramdhan 