Joel Igba ^a^,^c^,^*, Kazem Alemzadeh ^a, Christopher Durugbo ^b, Egill Thor Eiriksson ^c

Faculty of Engineering, University of Bristol, BS8 1UB, United Kingdom b Department of Management, University of Bristol, BS8 ITN, United Kingdom

Vestas Wind Systems A/S, Hedeager 42, 8200 Aarhus N, Denmark

i n f o artikel

Sejarah artikel:

diterima 4 Februari 2015

diterima in direvisi dari 7 November 2015

diterima 1 Januari 2016 terhubung pada 22 Januari 2016

Kata kunci :

Condition monitoring

Gearboxes

RMS vibrations

Extreme value theory

Condition-based maintenance

a b s t r a ks i

turbin angin (WTS) dirancang untuk beroperasi di bawah kondisi lingkungan yang ekstrim. Ini berarti bahwa beban ekstrim dan bervariasi dialami oleh komponen WT perlu diperhitungkan serta mendapatkan akses ke peternakan angin (WFS) pada waktu yang berbeda tahun ini. pemantauan kondisi (CM) digunakan oleh pemilik WF untuk menilai kesehatan WT dengan mendeteksi kegagalan gearbox dan berencana untuk operasi dan pemeliharaan (O & M). Namun, ada beberapa tantangan dan keterbatasan dengan tersedia secara komersial CM teknologi e mulai dari biaya pemasangan sistem pemantauan untuk kemampuan untuk mendeteksi kesalahan akurat. Penelitian ini bertujuan untuk menjawab beberapa tantangan ini dengan mengembangkan teknik baru untuk deteksi kesalahan menggunakan RMS dan Extreme (puncak) nilai sinyal Kwantitas gabungan. Teknik Yang diusulkan didasarkan Model PADA Tiga (sinyal Korelasi, ekstrimvibration, dan intensitas RMS) dan telah divalidasi dengan data time domain driven menggunakan data CM dari WTS operasional. Temuan penelitian ini menunjukkan bahwa pemantauan RMS dan nilai-nilai ekstrim berfungsi sebagai indikator utama untuk deteksi dini kesalahan menggunakan teori nilai ekstrim, memberikan pemilik WF waktu untuk menjadwalkan O & M. Selain itu juga menunjukkan bahwa akurasi prediksi masing-masing teknik CM tergantung pada fisika kegagalan. Hal ini menunjukkan bahwa pendekatan yang menggabungkan kekuatan dari beberapa teknik yang dibutuhkan untuk penilaian kesehatan holistik komponen WT.

1. perkenalan

Ketersediaan dan konsekuen O & M biaya WFS dipengaruhi oleh kegagalan dan downtime komponen WT seperti gearbox. Di WFS lepas pantai, di mana prosedur perbaikan yang kompleks dan logistik dipengaruhi oleh kondisi cuaca ekstrim, dampak dari kegagalan komponen dapat menyebabkan downtime lebih lama WT [1,2]. Isu-isu O & M telah memacu kebutuhan untuk pemantauan dan penilaian kemampuan kondisi jarak jauh untuk komponen WT untuk mendeteksi kesalahan awal cukup agar dapat merencanakan kegiatan O & M dan meminimalkan downtime. CM secara bertahap menjadi negara-of-the-art pendekatan untuk memenuhi kebutuhan ini di multimegawatt besar dan aplikasi WT lepas pantai setelah diminta oleh badan sertifikasi setelah serangkaian kegagalan WT bencana di awal 1990-an [3]. Namun adopsi teknologi CM untuk aplikasi WF komersial belum tanpa tantangan., menginstal tujuan-dibangun CMS, yang biasanya tidak menemani WTS kecuali dalam beberapa aplikasi lepas pantai, sangat mahal. Di sisi lain, meskipun sebagian besar WTS besar memiliki Supervisory Control dan Data Acquisition (SCADA) sistem, sistem SCADA juga memiliki masalah dengan keandalan prediksi dan akurasi [3].
Penelitian ini mengusulkan perspektif WT gearbox O & M melalui penggunaan CM untuk deteksi kesalahan awal, memungkinkan WF pemilik waktu untuk merencanakan O & M baik di muka dan menghemat biaya dengan mengurangi downtime sebagai konsekuensinya. Pendekatan perawatan ini disebut kondisi pemeliharaan berdasarkan (CBM) [4,5]. Tidak seperti pemeliharaan preventif (PM) [6], pendekatan CBM mengambil kondisi komponen dipantau ketika membuat O & M keputusan. Ini memberikan kesempatan bagi perencanaan dan penjadwalan tindakan perawatan [7] yang efektif. PM memperhitungkan

Google Terjemahan

Penulis yang sesuai. Fakultas Teknik, Universitas Bristol, BS8 1UB, United Kingdom.
0960-1481 / © 2016 The Authors. Diterbitkan oleh Elsevier Ltd Ini adalah artikel akses terbuka di bawah lisensi CC BY (http://creativecommons.org/licenses/by/4.0/).

kegagalan sebelumnya dan sejarah layanan, anjak ini sebagai parameter risiko ketika menghitung interval antara periode operasi saat ini dan wear-out atau kegagalan berikutnya waktu [6]. Sebaliknya, dengan CBM tidak ada kebutuhan untuk sejarah kegagalan sebelumnya. O & M perencanaan dicapai dengan memantau parameter kunci yang akan menjadi indikasi dari setiap penurunan kesehatan WT, sehingga untuk mendeteksi kegagalan pada tahap awal mereka. Keberhasilan CBM tergantung pada jenis dan akurasi teknik CM digunakan, metode analisis dan interpretasi hasil.
Dalam pendekatan CBM yang disajikan dalam penelitian ini, tiga model (sinyal korelasi, getaran ekstrim, dan intensitas RMS) yang diusulkan dan divalidasi berdasarkan data driven waktu-domain mengatasi keterbatasan kunci dan isu-isu yang telah diidentifikasi dalam literatur [3, 8,9]. Untuk ini, pendekatan tiga tahap digunakan, mereka adalah: Data pra-pengolahan, pemodelan dan validasi. Model divalidasi menggunakan data dari turbin operasional dan gagal, berusaha untuk menunjukkan seberapa sensitif model dalam mendeteksi berbagai jenis mode kegagalan di gearbox turbin angin. turbin operasional dengan gearbox sehat yang digunakan untuk menunjukkan respon normal untuk setiap model sementara gearbox rusak dengan beberapa mode kegagalan gearbox umum digunakan untuk menunjukkan pendeteksian dari masing-masing model untuk berbagai jenis kegagalan.
Kontribusi utama dari makalah ini adalah dalam dua bagian: Peningkatan teknik yang dikenal menggunakan nilai RMS getaran [8,10] dan aplikasi untuk memantau kesehatan gearbox WT. Pengembangan dan validasi pendekatan baru untuk mendeteksi normal operasi gearbox WT menggunakan teori nilai ekstrim.

Garis besar artikel ini adalah sebagai berikut: Pada Bagian 2, ulasan singkat literatur tentang CM dan CBM dilakukan dengan mengidentifikasi teknik utama dan keterbatasan pendekatan saat ini. Dalam Bagian 3, tiga model yang diusulkan untuk memenuhi keterbatasan dikembangkan. Bagian 4 menyajikan hasil setelah data dari 10 WTgearboxes digunakan untuk memvalidasi model yang diusulkan. Sebuah perbandingan yang sehat dibandingkan gearbox rusak dibuat untuk setiap model dan studi kasus untuk mendeteksi tiga mode kegagalan umum dari gearbox modul kecepatan tinggi juga dilakukan. Akhirnya, dalam Bagian 5, temuan dirangkum dan pandangan ke arah penelitian masa depan disajikan. 2. karya Terkait

Penelitian yg di CM dari gearbox WT telah meliput berbagai macam aplikasi mulai dari teknik standar seperti getaran dan puing-puing minyak analisis [1,11e16] kepada orang lain seperti emisi akustik [17] dan analisis SCADA [7e9,18e22] dll Sementara tiga pertama adalah tujuan-dibangun CMS untuk memantau parameter spesifik dan mendeteksi kegagalan baru mulai, sistem SCADA yang terutama diinstal pada WTS untuk mengukur parameter operasional seperti kecepatan angin, suhu lingkungan, suhu komponen dan generator listrik [3,5]. Namun, karena mereka sudah tersedia, sistem SCADA sekarang juga digunakan untuk CM. Ini telah dicapai dengan menciptakan model-model dan tren dari data SCADA yang ketika ditafsirkan, digunakan untuk menilai kondisi WT komponen [1,8,20,23,24]. Sebuah contoh yang baik dari teknik yang tidak bergantung pada CMS tradisional dapat ditemukan dalam Ref. [25], di mana pengukuran kecepatan sudut dari poros input gearbox dan poros ke generator yang digunakan untuk mendefinisikan fungsi kesalahan untuk mendeteksi gigi dan kerusakan bantalan. Hal ini juga diperhatikan bahwa karya-karya sebelumnya pada WT gearbox CM telah difokuskan pada dua helai utama: (1) pengembangan algoritma CM, validasi dan perbaikan, seperti [16,25e28], dan (2) penilaian teknologi CM dan pengembangan, misalnya [11,15,29,30].

Terlepas dari teknik dan / atau teknologi yang diterapkan untuk CM, kemampuan CM tergantung pada dua faktor [30]: (a) jumlah dan jenis sensor dan (b) pemrosesan sinyal terkait dan penyederhanaan metode, dengan yang terakhir menjadi relevan untuk penelitian ini. Jumlah dan jenis sensor umumnya ditentukan oleh jenis komersial CMS atau SCADA sistem yang digunakan dan berada di luar lingkup artikel ini. Menurut [30], beberapa contoh metode pemrosesan sinyal yang digunakan untuk CM meliputi: Analisis Statistik, Waktu Analisis Domain, Analisis cepstrum, Transformasi Wavelet dll Ref. [31], tiga metode CM diterapkan analisis SCADA dibahas, yaitu: Signal Trending, Artificial Neural Networks dan Pemodelan Fisik. Semua metode ini memiliki kecenderungan untuk menyebabkan alarm palsu atau prediksi yang keliru jika model yang digunakan untuk deteksi tidak akurat atau cukup canggih [8,23]. Selain itu, model yang lebih canggih membutuhkan algoritma yang lebih rumit yang komputasi intensif dan lebih sulit untuk mengembangkan [27]. Meskipun sebagian besar tujuan-dibangun CMS datang dengan algoritma deteksi built-in, mereka mahal untuk menginstal dan belum sepenuhnya dibenarkan secara ekonomi [24,32]. sistem SCADA di sisi lain telah menjadi bagian dari yang paling WTS besar dan karenanya tidak ada biaya tambahan

dikeluarkan untuk menggunakan SCADA untuk CM. Pada sisi negatifnya, analisis parameter SCADA rentan terhadap tingginya tingkat alarm palsu. Hal ini disebabkan isu-isu mendasar berikut dengan SCADA: SCADA memiliki tingkat sampling 10 menit penerbangan yang telah dianggap terlalu rendah untuk diagnosis kesalahan akurat ketika teknik CM konvensional digunakan [3,8].
Model yang dihasilkan dari yang relatif miskin karena data pelatihan SCADA bising

nilai data SCADA bervariasi atas berbagai kondisi operasi [8]. Akibatnya, perubahan data SCADA tidak berarti kesalahan telah dikembangkan; itu hanya bisa sebagai akibat dari perubahan kondisi operasi. Hal ini membawa kompleksitas tambahan dalam menganalisis data yang SCADA karena model maju harus menormalkan variabilitas dan musiman kondisi operasi dalam rangka meningkatkan akurasi [7].

Dari tiga isu, hanya dua yang pertama yang unik data SCADA. Masalah dengan variabilitas kondisi operasional juga memiliki efek pada beberapa parameter dipantau diperoleh dari CMS komersial, seperti getaran. Sebuah contoh yang baik dari ini adalah bagaimana kontrol pitch WTS menginduksi variabilitas parameter CM dipantau. Hal ini karena kontrol pitch membatasi kekuatan aerodinamis dari turbin untuk mengontrol output daya [33], sehingga menyebabkan nonlinearities dalam perilaku turbin [8]. parameter CM seperti getaran gearbox dan suhu, sering bervariasi kisaran luas [8] dan perubahan tingkat mereka tidak selalu menunjukkan terjadinya kesalahan, namun kesalahan dapat menyebabkan perubahan nilai-nilai ini
[3,8,34].

Masalah-masalah yang diidentifikasi di atas memiliki pengaruh pada beberapa teknik analisis yang umum digunakan dalam literatur, terutama jika usaha tidak cukup dilakukan dalam data pra-pengolahan dan menormalkan variabilitas operasional. Dua contoh yang baik yang menggambarkan hal ini adalah: perangkap dalam membandingkan sama dan / atau tetangga turbin melalui sinyal trending (. Lihat Gambar 1E3), dan efek musiman pada model fisik berdasarkan keseimbangan energi gearbox (. Lihat Gambar 4 dan 5) . Pertama, sementara membandingkan parameter operasi turbin tetangga telah terbukti berguna dalam menentukan outlier [31], itu tidak selalu menunjukkan gambaran yang benar dan dapat menyesatkan. Hal ini karena WTS berbeda dan komponen mereka, meskipun identik dalam desain, mungkin memiliki respon yang berbeda dalam hal parameter CM digunakan untuk tren (Gambar. 1E3 menggambarkan ini). Kedua, penggunaan minyak gearbox dan bantalan suhu juga contoh parameter yang umum digunakan untuk memantau kesehatan komponen turbin angin [1,8,23,35]. Pendekatan ini telah digunakan untuk model keseimbangan energi dari gearbox, yaitu energi baik ditularkan oleh gearbox sebagai daya output atau hilang sebagai energi panas dalam bentuk kenaikan suhu. Di sini, kerugian efisiensi gearbox akan ditandai dengan peningkatan kehilangan energi yang akibatnya menunjukkan kesalahan. Namun, musiman suhu mempengaruhi keakuratan pendekatan jika tidak

1. Masing-masing kecepatan tinggi daya dukung dan getaran hubungan selama dua turbin identik dan tetangga selama (a) operasi normal dan (b) setahun setelah. Di sini, kurva telah diberi label dengan jelas 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 outlier. Jika salah satu adalah untuk hanya membandingkan kekuatan dan getaran respon diukur dari dua turbin pada Gambar. 1 (a, itu tidak akan telah dibuat-buat untuk menyimpulkan bahwa turbin sehat dalam kondisi miskin relatif terhadap tetangganya. Namun, dari Gambar. 1 (b), dapat dilihat bahwa getaran turbin gagal meningkat secara dramatis ketika kegagalan terjadi setahun kemudian sementara yang dari turbin sehat hampir tidak berubah dan hampir identik dengan nilai-nilai untuk operasi normal dimodelkan.

Fig. 2. Wind speed versus vibration relationships of neighbouring turbines (a) during normal operation and (b) one year later; a similar observation to Fig. 1 is seen here where

Fig. 2(a) shows the healthy turbine with higher vibrations and vise versa for Fig. 2(b).

dinormalisasi (lihat Gambar. 4 dan 5).
Contoh-contoh ini (Gambar. 1E5) menyarankan pentingnya untuk normalisasi variabilitas parameter operasional dan lingkungan. Artikel ini mengusulkan pendekatan alternatif dengan menggunakan indikator kondisi yang tidak sensitif terhadap variasi ini, tetapi perubahan dalam kesehatan gearbox. Ada banyak fitur statistik getaran yang menggambarkan indikator syarat utama untuk kesehatan gearbox, seperti RMS, Kurtosis, Crest Factor, nilai puncak dll ini semuanya telah dibahas sangat baik pada referensi. [10,36e38]. Indikator syarat utama untuk getaran gearbox, penulis memilih untuk menggunakan RMS dan nilai-nilai puncak waktu sinyal domain getaran karena perubahan nilai-nilai mereka dapat menjadi indikator utama dari kesalahan yang akan datang seperti yang terlihat pada Gambar. 1E3. Secara umum, nilai RMS dari sinyal getaran telah digunakan untuk memantau tingkat getaran keseluruhan gearbox [10]. Hal ini karena tingkat getaran keseluruhan biasanya meningkat sebagai gearbox memburuk (seperti yang diamati pada Gambar. 5). Oleh karena itu RMS monitoring getaran sangat cocok untuk mendeteksi kegagalan progresif seperti bantalan pitting dan scuffing dan retak poros. Namun, ada kritik dari menggunakan RMS getaran untuk gearbox CM, dengan dua masalah yang diketahui diidentifikasi dalam literatur. Yang pertama berasal dari saran bahwa nilai-nilai RMS dari sinyal getaran tidak meningkat dengan puncak terisolasi di sinyal, karena itu sangat tidak sensitif terhadap kegagalan gigi gigi baru jadi.

Nilainya hanya meningkatkan sebagai kegagalan gigi

berlangsung [10]. Kedua, nilai-nilai RMS juga tidak terpengaruh oleh ledakan singkat dari getaran intensitas rendah dan sebagai pertemuan hasil masalah dalam mendeteksi tahap awal kerusakan bantalan [11]. dua keterbatasan ini menjabat sebagai motivasi awal bagi penulis untuk mempertimbangkan menggunakan puncak nilai (ekstrim) dari sinyal getaran.3. Modelling approaches

Pada bagian ini, tiga model yang berbeda untuk mendeteksi kesalahan dalam kecepatan tinggi dan tahap kecepatan menengah gearbox WT dikembangkan. Metodologi yang diterapkan dalam pemodelan data getaran telah sengaja disusun dan dirancang untuk mengatasi keterbatasan kunci dan isu-isu yang telah diidentifikasi dalam literatur [3,8,9]. Untuk ini, pendekatan tiga tahap telah digunakan untuk mengembangkan model masing-masing disajikan dalam makalah ini. Mereka adalah: Data preprocessing, pemodelan Dan validasi. Pertama, seri Waktu bakuIn bagian ini, tiga model yang berbeda untuk mendeteksi kesalahan dalam kecepatan tinggi dan kecepatan menengah tahap gearbox WT dikembangkan. Metodologi yang diterapkan dalam pemodelan data getaran telah disusun

Ara. 3. kurva daya turbin tetangga (a) selama operasi normal dan (b) satu tahun kemudian; ketika kurva daya dibandingkan, pengamatan yang sangat menarik dibuat, yaitu tidak ada perbedaan yang mencolok antara kurva daya untuk kedua turbin selama operasi normal dan hanya sebelum kegagalan terjadi. Hal ini sangat diharapkan untuk kedua turbin untuk menghasilkan output daya yang sama selama operasi normal karena mereka berdua di peternakan angin yang sama. Namun, orang akan berharap bahwa berdasarkan teori-teori umum kehilangan dalam menghasilkan efisiensi yang dihasilkan dari kerusakan komponen dan degradasi kinerja [1,20], bahwa output daya dari turbin yang gagal harus menurunkan selama periode kegagalan. Hal ini tidak terjadi dalam konteks ini. Pengamatan serupa telah dibuat sebelumnya oleh Ref. [8]. Oleh karena itu ini menunjukkan bahwa sinyal kurva daya turbin adalah indikator lagging untuk mendeteksi kesalahan baru mulai di WT gearbox. Oleh karena itu memiliki keterbatasan mendeteksi kesalahan subassembly lokal [8].

Fig. 4.suhu rata-rata harian dan gearbox kenaikan suhu untuk WT dengan HS gearbox bantalan pitting kegagalan; dalam contoh ini efek musiman dari suhu lingkungan mempengaruhi akurasi menggunakan perbedaan suhu sebagai pendekatan pemodelan dan karenanya data yang harus dinormalisasi untuk variasi musiman parameter kunci [7]. Hal ini karena perubahan musiman dalam suhu sekitar langsung mempengaruhi keseimbangan energi dari gearbox yaitu kenaikan suhu.

data getaran, bersama-sama dengan data operasional yang relevan seperti tenaga dan kecepatan angin, perlu pra-diproses untuk menyaring kebisingan dan menormalkan variabilitas operasional. Setelah ini, model yang relevan dikembangkan berdasarkan data. Dalam penelitian ini data didorong pendekatan pemodelan digunakan untuk membangun hubungan antara tingkat getaran dan parameter operasional. Akhirnya, model kemudian divalidasi menggunakan data dari turbin operasional dan gagal, berusaha untuk menunjukkan seberapa sensitif model dalam mendeteksi berbagai jenis kesalahan dalam gearbox turbin angin. Dua tahap pertama ditangani dengan di bagian ini sementara validasi dilakukan di bagian hasil (lihat Bagian 4).

Data yang digunakan untuk analisis ini adalah 2 menit rata-rata dari data CMS berbasis getaran, diperoleh sebagai time series dari tujuan-dibangun CMS sensor piezoelektrik accelerometer terpasang pada turbin operasional. Ara. 6, misalnya, adalah waktu window seri satu bulan CM dan data operasional untuk turbin menunjukkan parameter seperti faktor gearbox HS puncak, puncak dan RMS Kwantitas gabungan, Daya keluaran pembangkit Dan KECEPATAN angin. Melihat hal seri Waktu baku Sendiri TIDAK memberikan Banyak Wawasan kesehatan gearbox, kecuali kegagalan telah berkembang menjadi sebuah negara yang parah di mana tingkat getaran menjadi terlalu tinggi seperti yang terlihat pada Gambar. 5. Oleh karena itu, ada kebutuhan dari beberapa model data untuk mendeteksi setiap perilaku abnormal pada gearbox sedini mungkin. Data driven model hubungan antara parameter gearbox getaran dan parameter operasional seperti kecepatan angin dan output daya.

3.1. Data pre-processing

Fig

time series baku dari suhu minyak gearbox dan getaran bantalan kecepatan tinggi dari WT dengan pitting kegagalan dalam HS bantalan; di sini, hanya seperti grafik perbedaan suhu pada Gambar. 4, sinyal suhu baku tidak menunjukkan indikasi bila kesalahan terjadi. Namun, peningkatan ditandai sinyal getaran RMS dapat diamati pada periode yang mengarah ke kesalahan.

Fig. 6. time series baku parameter CM dan operasional dengan 2 min timestamp.

Pre-processing CM data adalah langkah yang sangat penting dan mendasar mengembangkan model data untuk turbin angin. Hal ini karena ada faktor-faktor yang berbeda, yang jika tidak dicatat atau normalisasi, dapat mempengaruhi data yang CM. Selain faktor kesehatan struktural turbin, seperti geser angin, turbulensi, efek dari lapangan kontrol dll memiliki pengaruh pada data turbin angin CM [8]. Para penulis telah mengadopsi algoritma pra-pengolahan yang dikembangkan oleh Ref. [8] dan dikombinasikan dengan teknik lain dari penyaringan data yang digunakan pada referensi. [9,19]. Langkah pertama dalam tahap Data preprocessing adalah untuk menyaring suara dari data. Ini termasuk tidak termasuk bagian data CM yang memiliki nilai output daya negatif [9]. Hal ini karena ketika output daya negatif itu berarti bahwa turbin mengkonsumsi daya dan tidak menghasilkan listrik, yang bisa terjadi sebelum turbin mencapai pemotongan kecepatan angin [19]. Setelah penyaringan data selesai, langkah selanjutnya adalah segmen data sehingga dapat menghilangkan nonlinear effects of pitch control. This is achieved by dividing the power curve into three wind speed regions (Fig. 7(a)) [20]. According to [39], there are three distinct wind speed regions:

Region 1, kali ketika turbin tidak beroperasi atau selama start-up

Region 2, saat turbin dalam mode operasional di mana diinginkan untuk capture as much power from the wind as possible. Region 3 occurs above the rated wind speed (the wind speed at which rated power is produced) and in this region the turbine must limit the fraction of wind captured so as not to exceed the rated designed electrical loads. This is achieved via pitch control of the blades.

Ini telah ditunjukkan dalam Ref. [8] bahwa lebih mudah untuk mendapatkan CM terpercaya sebelum mencapai kecepatan angin dinilai karena tidak adanya efek kontrol nonlinear yang bisa peredam fitur kesalahan yang terdapat dalam data. Selanjutnya, dengan menyaring periode

Fig. 7. (a) scatter plot of raw (un-processed) WT wind speed and power output (b) processed power curve.

WT meninggalkan data CM yang terkandung di wilayah 2 sebagai yang paling cocok untuk pemodelan.

Hasil pra-pengolahan binned nilai-nilai variabel seperti kecepatan angin, kecepatan generator dan generator listrik, dan parameter CM. Kecepatan angin digunakan sebagai acuan untuk Binning Data CM dan nilai-nilai yang diharapkan untuk setiap variabel dalam setiap bin diperkirakan berdasarkan distribusi probabilitas sampel yang terkandung dalam sampah. Ini tidak seperti metode diperkenalkan pada standar IEC yang hanya menemukan rata-rata nilai dari masing-masing bin [8]. metode IEC dapat menjadi rentan terhadap adanya satu-off atau outlier dalam data, yang bisa membelokkan nilai rata-rata dari masing-masing bin jauh dari mean sebenarnya. Ara. 7 (b) menunjukkan kurva daya scatter plot data pra-diproses model dari Gambar. 7 (a).3.2. Signal correlation and trending

Korelasi parameter CM yang berbeda dan beberapa variabel operasional dapat diperoleh dari data pra-diproses CM. Salah satu cara melakukan hal ini adalah dengan menciptakan plot pencar terdiri dari sampah dari output daya, kecepatan angin atau kecepatan pembangkit diplot terhadap parameter CM pilihan. Pendekatan lurus ke depan ini bisa sangat
kuat dalam mendeteksi kesalahan dari data CM. Terjadinya kesalahan dapat diamati oleh miscorrelations antara variabel binned dan parameter CM masing di jendela operasi yang berbeda [8]. Ara. 8 menunjukkan dua korelasi yang berbeda untuk parameter CM untuk gearbox WT selama operasi normal dan seminggu sebelum kegagalan. Pada Gambar. 8 (a) kurva daya untuk dua kondisi operasi tidak memberikan indikasi yang jelas dari kegagalan. Hal ini semakin memperkuat argumen dalam Bagian 2 bahwa kurva daya merupakan indikator lagging kesalahan gearbox (lihat Gambar. 3). Namun, ini tidak berarti bahwa kurva daya tidak dapat digunakan untuk memantau kesehatan komponen turbin angin lainnya seperti generator seperti yang telah ditunjukkan dalam literatur [sebesar 35,40].

Hal ini jelas dari Gambar. 8 (b) bahwa miscorrelation jelas dapat diamati ketika plot pencar direproduksi untuk kekuatan terhadap RMS getaran. Ini berjalan seiring dengan argumen oleh Ref. [10] bahwa terjadinya beberapa jenis kegagalan gearbox (dalam kasus Gambar. 8, bantalan pitting kegagalan) akan menyebabkan peningkatan substansial dalam tingkat gearbox getaran dan karenanya RMS mereka nilai. Ini adalah cara yang baik untuk mendeteksi kegagalan tapi tantangannya adalah bahwa menunggu untuk melihat tingkat ini miscorrelation mungkin terlambat maka ada kebutuhan untuk dapat menilai keparahan kegagalan. Upaya untuk mendeteksi kegagalan keparahan telah dibuat dalam literatur terbaru [8], di mana kriteria CM dikembangkan untuk mengukur tingkat keparahan ini diberikan oleh persamaan:

xmax Xk a b xjdx

xmin j¼0 j j (1)

c ¼ xmax xmin

Fig. 8. Miscorrelation antara operasi normal dan periode kegagalan dari WT HS gearbox bearing (a) kurva daya dan (b) kekuasaan vs RMS.

di mana a dan b adalah koefisien masing-masing dari polinomial berasal dari data saat ini dan sejarah, k adalah tingkat polinomial dan Xmax dan xmin adalah maksimum masing-masing dan nilai minimum di kedua polinomial. Setiap jumlahnya banyak dan koefisien selanjutnya mereka dapat diperoleh dengan memasang model regresi untuk data. Ketika c z 0 berarti turbin sehat dan ketika c> 0 menunjukkan kesalahan. Selanjutnya semakin besar nilai c adalah lebih serius kesalahan tersebut [8]. Hal ini juga memungkinkan untuk memperkirakan miscorrelations dengan kurva lainnya pas dan regresi kesalahan dan penyimpangan tindakan seperti mean square error, berarti kesalahan mutlak dan perbedaan dijelaskan (dalam Bagian 4.3, kriteria ini akan dibandingkan dengan nilai c dengan menggunakan data dari beberapa turbin operasional dengan sejarah kegagalan diketahui). korelasi sinyal dan tren memiliki kelemahan berikut ketika diterapkan pada data CM:

Hal ini dapat diterapkan sukses hanya jika kondisi operasi normal (yang diperoleh dari data historis) dari komponen yang dipantau tersedia untuk dimodelkan. Hal ini terutama karena kesalahan terdeteksi hanya didasarkan pada miscorrelations parameter dipantau dari kondisi normal mereka dimodelkan. Oleh karena itu, durasi yang baik dari sejarah operasional e biasanya tiga sampai enam bulan data e diperlukan untuk mengembangkan model kondisi operasi normal untuk menerapkan pendekatan ini berhasil.

Teknik ini juga isu yang rentan terhadap kesalahan estimasi selama pas jumlahnya banyak terutama ketika miscorrelations hanya marjinal. Oleh karena itu penilaian ahli diperlukan untuk menyimpulkan jika dalam kasus seperti kesalahan telah benar-benar terjadi. Korelasi kekuasaan dan RMS hanya peka terhadap kegagalan progresif seperti yang ditunjukkan dalam literatur [10,11] dan karenanya tidak ideal untuk mendeteksi kegagalan gigi gigi (ini diilustrasikan dengan contoh WT dalam Bagian 4.2).
Memiliki pemikiran ini, subbagian berikutnya menyajikan pendekatan baru yang membahas keterbatasan ini.

3.3. Model getaran ekstrim

Dalam upaya untuk mengatasi kekurangan dari sinyal getaran RMS, bagian ini memperkenalkan teknik CM baru untuk gearbox WT berdasarkan tingkat getaran ekstrim (puncak getaran). Teknik ini menggunakan perilaku yang melekat pada getaran berdasarkan jumlah dan besaran getaran ekstrim yang terjadi selama jangka waktu tertentu, maka menghilangkan kebutuhan untuk korelasi dengan data historis. Ini memanfaatkan atas teori nilai ekstrim yang telah digunakan dalam literatur untuk model kejadian ekstrem dalam aplikasi lain seperti prediksi curah hujan tahunan yang ekstrim, permukaan laut pasang, melanggar kekuatan serat kaca, prediksi puncak kecepatan angin dan aplikasi keuangan [41e43] . Pendekatan ini didasarkan pada paradigma berikut: “A sequence of random variables X₁, X₂, X₃, …, X_nwhich are set of the maximum values of a certain parameter X measured at interval yang tetap, akan memiliki fungsi distribusi umum diberikan oleh: Mn ¼ max {X1, X2, X3, ..., Xn} yang konvergen untuk n besar, yaitu sebagai n / ∞. Distribusi yang menggambarkan jenis data yang disebut distribusi nilai ekstrim "[42,43].
Contoh interval waktu tersebut bisa menjadi curah hujan maksimum diukur per jam, mingguan, bulanan atau tahunan. Jenis pertama dari model asimtotik dalam keluarga ini distribusi adalah jenis Gumbel diberikan oleh Ref. [42]:

x b

GðxÞ ¼ exp exp ; ∞<x <∞ (2) a

di mana x adalah himpunan variabel acak independen; sementara a dan b masing-masing disebut lokasi dan skala parameter untuk distribusi. Distribusi Gumbel juga dikenal sebagai model eksponensial ganda. Dari definisi, teori nilai ekstrim harus berlaku untuk puncak getaran. Hal ini karena data CM yang digunakan dalam penelitian ini, yang mengambil 2 statistik ringkasan menit dari sinyal getaran baku, memiliki getaran puncak diukur untuk setiap jendela 2 menit. Selain itu, karena jumlah sampel data CM biasanya besar, penulis mengharapkan data getaran puncak untuk memuaskan Persamaan (2) oleh konvergen untuk n besar.
Untuk menguji hipotesis ini, plot probabilitas getaran puncak dari data pra-diproses, ketika dimodelkan dengan persamaan (2), harus mengikuti garis lurus pada skala logelog. Goodness of fit dari data ke distribusi Gumbel dapat dinilai dengan dua ukuran e p-nilai dan AndersoneDarling (AD) koefisien. P-nilai yang digunakan untuk menentukan kelayakan menolak "hipotesis nol", yang dalam hal ini akan menjadi yang "data erat mengikuti garis lurus ketika dipasang ke distribusi Gumbel". Hipotesis nol juga dapat diartikan sebagai e "tidak ada perbedaan yang signifikan antara data diplot dan distribusi Gumbel". Oleh karena itu untuk data puncak getaran menjadi Gumbel didistribusikan harus ada ada bukti yang cukup untuk menolak hipotesis nol. Biasanya, untuk tingkat signifikansi 95% hipotesis nol ditolak jika p-value <0,05 (yaitu ada bukti yang cukup untuk perbedaan yang signifikan antara data puncak getaran dan distribusi Gumbel) dan diterima saat pvalue> 0,05 [44]. Koefisien AD juga digunakan untuk menguji goodness of fit dan dalam aplikasi ini semakin kecil nilai AD semakin baik goodness of fit. Biasanya nilai di bawah 1 lebih disukai. Ara. 9 (a) menunjukkan plot probabilitas getaran puncak untuk data CM pra-diproses ketika dipasang ke model Gumbel.

Dari grafik mungkin tampak masuk akal untuk menolak hipotesis nol yaitu "data tidak mengikuti distribusi Gumbel". Hal ini karena p-value kurang dari 0,05, pada kenyataannya p-value <0.01 yang mengarah ke kesimpulan menolak hipotesis nol. Juga koefisien AD dari 3,399 tampaknya sangat besar juga. Hal ini terjadi karena semua sampah listrik telah digunakan dalam pas distribusi ini. Namun membuat plot pencar kekuasaan vs getaran puncak (Gbr. 9 (b)) dapat dilihat bahwa getaran puncak bervariasi di jendela kekuatan penuh. Setelah pemeriksaan lebih dekat dari Gambar. 9 (a), dapat dilihat bahwa plot probabilitas sebenarnya terdiri dari lebih dari satu bentuk, ini adalah:

1. bentuk yang jatuh antara puncak getaran berkisar 18e34,
2. bentuk yang jatuh antara rentang 35e40, dan
3. bentuk yang jatuh antara rentang 40 dan di atas

Hal ini tegas sejalan dengan plot pencar di mana getaran puncak dengan cepat meningkat secara linear dari start-up, kemudian secara bertahap tumbuh melalui sekitar 50e60% dari nilai daya dan mendekati kondisi mapan dari 75% menjadi daya output dinilai. Akibatnya, data puncak getaran kemudian dapat dibagi menjadi tiga kelompok sampah listrik dengan masing-masing dipasang untuk distribusi Gumbel (lihat Gambar. 10 (a) e

Sekarang jelas apa dampak membagi sampah daya terhadap berbagai profil getaran puncak. Dari Gbr.10 (a) e (c), jelas bahwa membelah getaran puncak menjadi tiga sampah listrik membuat perbedaan yang signifikan dalam kualitas plot. Selanjutnya, masing-masing p-nilai yang jauh lebih besar dari 0,05 dan koefisien AD kecil juga (AD <1), sehingga mengkonfirmasikan hipotesis awal bahwa getaran puncak akan mengikuti distribusi Gumbel. Selain plot di Gbr.10 (a) e (c), plot probabilitas dibuat menggunakan sampel acak dari baku un-binned puncak nilai getaran (lihat Gambar. 10 (d)). Hal ini semakin menegaskan kembali klaim yang dibuat oleh au- yang
thors. Sekarang bahwa perilaku getaran puncak telah ditetapkan, pertanyaan yang tersisa adalah bagaimana hal ini dapat digunakan untuk mendeteksi kesalahan dalam gearbox. Ara. 11 (a) dan (b) masing-masing menunjukkan pencar dan probabilitas plot pada 75% e100% dinilai kekuatan puncak

(c)).

Fig. 9. (a) Gumbel probability plot of peak vibrations; (b) scatter plot of peak vibrations.

Fig. 10. Gumbel probability plots of peak vibrations e (a) 0%e25% rated power; (b) 25%e60% rated power; (c) 75%e100% rated power; (d) un-binned sample of peak vibrations for

75%e100% rated power.

getaran untuk data CM satu minggu sebelum kegagalan. Membandingkan ini masing-masing dengan Gambar. 9 (b) dan 10 (c) untuk periode operasi normal, bisa bahwa tidak hanya getaran puncak untuk setiap sampah daya jauh lebih tinggi daripada yang untuk operasi normal, lokasi dan skala parameter juga lebih besar (lihat Tabel 1) .
Di lokasi contoh ini dan parameter skala hanya mampu menunjukkan perbedaan dalam getaran puncak kedua jendela operasional karena mereka dapat dibandingkan secara retrospektif. Namun, ketika WT baru saja diinstal dengan sedikit sejarah operasional atau ketika hanya snapshot dari satu jendela operasional ada, tidak mungkin untuk mengetahui apakah getaran yang ekstrim dengan hanya mengukur parameter lokasi dan skala. Akibatnya, model telah berkembang secara empiris dari data CM dari WTS operasional dan juga dengan teknik pas kurva untuk mendeteksi extremeness getaran untuk setiap jendela waktu tertentu. Dua pengamatan utama telah dibuat secara empiris dari mempelajari RMS dan plot getaran puncak gearbox sehat.

Fig. 11. Peak vibrations for a faulty gearbox (a) scatter plot; (b) Gumbel probability plot at 75%e100% rated power.

Table 1

Summary of Gumbel distribution parameters.

Operational window	Location parameter	Scale parameter
Normal operation	40.41	0.4398
One week to failure	250.7	6.822

Pertama, untuk gearbox sehat plot pencar dari nilai-nilai RMS getaran dari 75% menjadi 100% dinilai listrik umumnya mengikuti garis lurus atau kurva lembut dan mencapai maksimum pada nilai daya (misalnya lihat Gambar. 8 (b) dan 14 (Sebuah)).
Kedua, plot pencar dari getaran puncak untuk gearbox sehat adalah dekat steady state dari 75% menjadi 100% nilai daya.

Secara umum, gearbox rusak tidak akan mematuhi setidaknya salah satu dari dua aturan ini seperti dapat dilihat pada Gambar. 8 (b) di mana RMS getaran tidak mengikuti garis lurus selama seminggu sebelum kegagalan, dan pada Gambar. 11 (a) di mana getaran puncak tidak dekat steady state antara 75% untuk nilai daya. Oleh karena itu jika plot regresi dalam tiga dimensi dilakukan untuk tenaga vs RMS vs puncak getaran, akan ada perbedaan yang jelas antara gearbox sehat dan rusak. Ara. 12 (a) dan (b) menunjukkan plot diproduksi untuk dua kasus menggunakan pra-diproses CM data. Sumbu x adalah output daya, sumbu y adalah nilai RMS dari sinyal getaran dan dimensi ketiga (skala warna) adalah untuk getaran puncak. Hal ini dapat dilihat bahwa skala warna, yang mengukur intensitas getaran puncak menunjukkan bahwa untuk gearbox sehat getaran puncak antara 75% dan 100 dinilai% kekuasaan dekat steady state, maka warna biru gelap, yang konsisten untuk seluruh orang daya bin (Gambar. 12 (a)). Juga kekuatan vs RMS untuk operasi normal mengikuti garis lurus.
Namun, untuk gearbox rusak dua hubungan ini tidak tahan (Gambar. 12 (b)). Akibatnya sumbu warna menunjukkan getaran yang lebih tinggi yang menyimpang dari steady state maka ketidakkonsistenan dari nilai puncak (nuansa warna) di seluruh bin listrik, dan plot pencar lebih acak dari linear atau miring lembut. Pendekatan pas kurva ini bergantung pada bentuk yang melekat pada polinomial yang dihasilkan dari plot pencar dari RMS dan getaran puncak. pendekatan baru ini (menggunakan teori nilai ekstrim dan puncak / RMS / power regresi output warna plot) memberikan indikasi yang baik dari kehadiran kesalahan dalam gearbox. Contoh bagaimana ia digunakan untuk mendeteksi mode kegagalan yang berbeda disajikan pada bagian hasil. Ayat berikutnya menyajikan model lain yang dapat digunakan untuk menentukan keparahan kesalahan sekali terdeteksi.

3.4. RMS deviation intensity

Fig.12. Colour plots of power versus RMS and peak vibrations (a) normal operation; (b) failure period. (For interpretation of the references to colour in this figure legend, the reader is referred to the web version of this article.)

Model ini didasarkan pada hubungan antara dua nilai RMS berturut-turut. Sebuah parameter yang disebut "delta RMS", yang merupakan
Perbedaan antara dua nilai RMS berturut-turut, digunakan untuk memperkirakan tren sinyal getaran. parameter yang dapat diperkirakan dengan menggunakan persamaan:n1

DRMS ^¼X½RMS_i_þ1 RMS_i (3)

i¼1

Asumsi balik parameter ini adalah bahwa e jika kerusakan gigi terjadi, akan ada peningkatan lebih cepat di tingkat getaran dari dalam kasus tanpa kerusakan [10]. Salah satu kelemahan dari metode ini adalah bahwa parameter ini sangat sensitif terhadap perubahan beban [10]. Oleh karena itu sangat tidak cocok untuk menetapkan tingkat alarm. Namun, hal itu dapat digunakan dengan teknik lain seperti korelasi sinyal, untuk menilai tingkat keparahan kerusakan gearbox. Hal ini ditunjukkan pada Gambar. 13 (a) e (d), yang masing-masing delta RMS plot untuk 1 tahun, 6 bulan, 1 bulan dan 1 minggu sebelum kegagalan terjadi. Pola delta RMS petak pada Gambar. 13 (a) dan (b) biasanya diamati ketika gearbox sehat (periode operasi normal), sedangkan pola pada Gambar. 13 (c) dan (d) biasanya diamati pada memimpin hingga kegagalan. Dalam kasus Gbr.13 (d) kegagalan itu telah berkembang ke tahap yang lebih parah. Sehingga memberikan gambaran tentang bagaimana delta RMS bervariasi dari waktu ke waktu akan memberikan gambaran tentang tingkat keparahan kegagalan jika indikator lain menunjukkan adanya kesalahan. Ini adalah pendekatan kualitatif dan harus digunakan dengan hati-hati dan dengan penilaian ahli.4. Results and discussion

Bagian ini menyajikan hasil yang diperoleh setelah menerapkan model pendekatan yang disajikan dalam bagian sebelumnya data WT CM nyata untuk mendeteksi kesalahan dalam modul HS gearbox di WTS operasional. Juga studi kasus pada mendeteksi beberapa mode kegagalan dalam modul HS disajikan dalam bagian ini. Alasan mengapa modul HS telah dipilih untuk validasi adalah sebagai berikut:The HS module is considered to be the least reliable part of the gearbox, with HS bearing failures dominating gearbox failures

[6,45,46].

Banyak desain WT modern yang memungkinkan perbaikan dan penggantian modul HS up-menara, menghilangkan kebutuhan untuk crane eksternal
[6,46].
Ini berarti bahwa jika kegagalan dalam tahap HS dapat dideteksi cukup dini, O & M manajer akan memiliki cukup waktu untuk merencanakan perbaikan uptower, karena itu memungkinkan mereka untuk mengurangi downtime, alat berat dan biaya logistik, dan dalam mencegah kegagalan konsekuensial di seluruh gearbox.4.1. Healthy vs. faulty WT

Fig. 13. Delta RMS plots (a) normal operation; (b) 6 months before failure; (c) 1 month before failure; (d) 1 week before failure.

^pertama^{,
sebelum menunjukkan bagaimana metode yang berbeda telah digunakan untuk
mendeteksi modus kegagalan yang berbeda, perbandingan setiap metode untuk dua
WTS identik di WF sama dilakukan. Hal ini untuk memberikan rasa bagaimana tiga
metode dapat digunakan dalam konteks gearbox CM WF. WTS, masing-masing ditunjuk
sebagai WTG1 dan WTG2 untuk sehat dan rusak, ditugaskan pada hari yang sama dan
operasional selama sekitar tiga tahun sebelum WTG2 mengalami keruntuhan gearbox
HS. Oleh karena itu, ini membuat}

mereka calon yang baik untuk membandingkan tiga metode dengan menggunakan data CM untuk periode waktu yang mendahului kegagalan WTG2. WTG2 adalah WTS yang sama digunakan untuk menggambarkan keterbatasan pendekatan diketahui dari literatur dalam Bagian 2 (lihat Gambar. 4 dan 5).

4.1.1. sinyal korelasi Data CM retrospektif untuk kedua WTG1 dan WTG2 dari seminggu sebelum tanggal kegagalan WTG2 tahun mundur dimodelkan menggunakan algoritma korelasi sinyal. Hasil korelasi untuk output daya dan nilai-nilai RMS dari bantalan getaran HS untuk kedua WTS ditunjukkan masing-masing pada Gambar. 14 (a) dan (b). Untuk WTG1 dapat dilihat bahwa tidak ada miscorrelations dalam RMS getaran bantalan HS. Namun, untuk WTG 2 ada miscorrelations sangat jelas dalam HS bantalan getaran dalam jangka-up untuk kegagalan. Selain itu, ada ditandai perbedaan antara miscorrelations selama enam bulan, satu bulan dan seminggu sebelum kegagalan. Hal ini menunjukkan bahwa korelasi dari RMS dengan output daya memberikan indikasi awal sebelum kegagalan terjadi.

4.1.2. getaran ekstrim

Sekali lagi data pra-diproses CM untuk kedua WTG1 dan WTG2 dipaskan dengan distribusi Gumbel untuk menguji goodness of fit dan juga untuk menentukan parameter distribusi e Gambar. 15 (a) dan (b) masing-masing. Hal ini dapat dilihat bahwa hanya seperti yang diharapkan P-nilai dan koefisien AD adalah masing-masing lebih besar dari 0,05 dan kurang dari 1. Hal ini memperkuat temuan dari Bagian 3.3. Selanjutnya, dengan menggunakan kurva Matlab toolbox pas untuk menghasilkan plot getaran ekstrim untuk kedua WTS selama menjelang kegagalan WTG2 hasilnya ditunjukkan pada Gambar. 16. Sekali lagi, seperti yang diharapkan, plot warna regresi 3D untuk WTG1 dan WTG2 setuju dengan pengamatan empiris yang masing-masing menunjukkan WT sehat dan rusak. Dalam WTG2 getaran pada 75% e100% dinilai listrik mengikuti garis lurus dan getaran puncak yang dekat steady state.

4.1.3. intensita RMS

Menerapkan delta Model RMS data CM untuk WTG1 dan WTG2 dalam jangka-up untuk kegagalan memberikan indikasi tingkat keparahan kegagalan. Plot delta RMS untuk WTG1 dan WTG2 ditunjukkan pada Gambar. 17 (a) dan (b) masing-masing. Hal ini dapat dilihat bahwa meskipun pola yang jelas yang muncul untuk RMS delta WTG2, menunjukkan bahwa nilai-nilai RMS meningkat pada tingkat yang lebih cepat daripada di WTG1. Ini bersama-sama dengan salah satu dari dua model sebelumnya dapat digunakan untuk mengkonfirmasi terjadinya dan menilai keparahan kesalahan.

4.2. mode kegagalan modul HSC studi kasus

Bagian sebelumnya telah menunjukkan bagaimana tiga pendekatan pemodelan dapat digunakan untuk CM dengan membandingkan sehat dengan WT rusak Namun, hal ini juga

penting untuk menilai seberapa baik masing-masing teknik tidak dalam mendeteksi beberapa mode kegagalan dan kerusakan umum terlihat pada modul HS. Mode kegagalan / kerusakan tercakup dalam studi kasus ini adalah:
HS bantalan e retak Hairline, spalling dan pitting.
HS gigi gigi e retak dan patah. HS poros e retak.

4.2.1. HS bantalan retak rambut, spalling dan pitting

Dalam contoh ini, data CM retrospektif dari tiga WTS telah digunakan untuk menggambarkan bagaimana teknik pemodelan memberikan tanda-tanda peringatan dini dari kegagalan bantalan umum. Turbin angin dan kegagalan masing-masing di bantalan HS mereka diberikan dalam Tabel 2.

Perlu dicatat bahwa WTG4 adalah WT sama digunakan sebagai contoh turbin yang rusak untuk menggambarkan tren dari tetangga turbin dalam Bagian 2 (lihat Gambar. 1E3) dan WT yang sama digunakan untuk mengembangkan model dalam Bagian 3. Gambar. 18 (a) e (c) masing-masing menunjukkan plot pencar dari getaran dan daya output korelasi untuk WTG3, WTG4 dan WTG5. Hal ini dapat dilihat bahwa ada miscorrelations antara getaran dan kekuatan plot dalam jangka-up untuk kegagalan bantalan. Juga tingkat miscorrelations selama periode "satu minggu sebelum kegagalan" sangat tinggi.
Tidak seperti untuk WTG2 (Gambar. 14 (b)), tidak ada miscorrelations jelas enam bulan sebelum kegagalan untuk WTGs 3, 4, dan 5, dan hanya sedikit miscorrelation satu bulan sebelum kegagalan. Ini bukan karena jenis modus kegagalan. Hal ini agak karena lokasi kegagalan. Dalam tiga contoh, kegagalan terjadi di HS pembangkit akhir bantalan sementara di WTG2 kegagalan terjadi di poros HS. Implikasinya adalah bahwa meskipun getaran bantalan sedang dipantau untuk kedua kasus, akan ada peningkatan yang ditandai dalam getaran ketika ada sesuatu yang salah dengan poros. Misalnya, kegagalan poros dapat merupakan gejala dari misalignment di drivetrain dan ini akan mudah ditangkap oleh miscorrelations tinggi sangat awal sebelum fraktur poros terjadi. Sekali lagi, data CM dari WTG3, WTG4 dan WTG5 dimodelkan untuk getaran ekstrim dan variasi parameter RMS delta selama seminggu sebelum kegagalan. Ini ditunjukkan masing-masing untuk WTG3 dan WTG5 pada Gambar. 19 (a) e (d). Seperti yang disebutkan sebelumnya ekstrim getaran dan delta RMS plot untuk WTG4 dapat ditemukan pada Gambar. 12 (b) dan 13 (d) masing-masing.

Fig. 14. Scatter plots of power versus vibrations (a) WTG1; (b) WTG2.

Fig. 15. Gumbel probability plots at 75%e100% rated power (a) WTG1; (b) WTG2.

Fig. 16. Colour plots of power versus RMS and peak vibrations (a) WTG1; (b) WTG2. (For interpretation of the references to colour in this figure legend, the reader is referred to the

web version of this article.)

Dari semua plot dapat diamati bahwa ketiga WTS menunjukkan gejala getaran ekstrim dalam jangka-up untuk kegagalan. Juga dari plot delta RMS, dapat dilihat bahwa WTG3 dan WTG4 pameran pola yang sama dan menampilkan lebih parahnya daripada WTG5. Hal ini secara luas diharapkan karena mereka berdua memiliki retak rambut dan kehadiran retak rambut di bantalan dapat menyebabkan tingkat getaran yang lebih besar sebagai retak tumbuh. plot ini juga menunjukkan bahwa konsekuensial yang dihasilkan dari kegagalan tersebut dapat dihindari karena plot memberikan indikasi insiden parah potensi seminggu sebelum kegagalan terjadi.

4.2.2. HS fraktur gigi gigi

Mengulangi proses yang sama diterapkan untuk bantalan contoh HS di WT lain yang memiliki HS pinion retak (ditunjuk sebagai WTG6), plot masing-masing ditunjukkan pada Gambar. 20 (a) e (d). Pada pandangan pertama Gambar. 20 (a), itu

dapat dilihat bahwa ada sedikit atau tidak ada miscorrelations antara output daya dan plot getaran dalam jangka-up untuk kegagalan. Ini adalah salah satu keterbatasan menggunakan nilai RMS getaran, sebagaimana tercantum dalam Pasal 3.
nilai RMS tidak sensitif terhadap ledakan singkat dalam getaran yang dihasilkan dari satu gigi bersentuhan sekali dalam revolusi roda gigi. Hal ini karena RMS adalah rata-rata dari sinyal getaran lebih satu revolusi poros. Namun, puncak getaran, yang merupakan getaran maksimum per putaran, akan terjadi ketika gigi retak datang ke dalam kontak sekali setiap revolusi. Oleh karena itu pada Gambar. 20 (b) dapat dilihat bahwa ada miscorrelations jelas antara plot pencar dari puncak getaran dan output daya. Selanjutnya, setelah melihat lebih dekat, juga dapat diamati bahwa miscorrelations juga hanya terjadi setelah output daya 500 KW. Juga, ada gelar besar miscorrelation dari daya output> 1500 KW. Hal ini terkait dengan 75% e100% tingkat rentang daya yang digunakan untuk memodelkan getaran ekstrim, sehingga lebih memperkuat klaim dalam Bagian 3. Pada Gambar. 20 (c) dan (d) ekstrim getaran dan delta RMS plot satu minggu sebelum kegagalan yang ditampilkan lebih lanjut menunjukkan adanya kesalahan. Sangat menarik untuk dicatat bahwa meskipun tidak ada miscorrelations di RMS dan output daya plot, RMS delta plot jelas menunjukkan kesalahan dengan meningkatnya keparahan akan segera terjadi.
4.2.3. retak poros HS
Proses yang sama kemudian diulang untuk WTG7 WT ditunjuk, yang mengalami patah tulang poros seperti WTG2. Ara. 21 (a) e (c) masing-masing menunjukkan pencar, getaran ekstrim dan delta RMS plot untuk WTG7.
Membandingkan Gambar. 21 (a) untuk WTG7 dengan Gambar. 14 (b) untuk WTG2, dapat dilihat bahwa ada banyak tanda awal dari miscorrelations sebelum kegagalan poros karena retak terjadi. Ini berarti bahwa RMS getaran sangat cocok untuk memantau kondisi poros HS. Membandingkan Gambar. 21 (b) dan (c) dengan Gambar. 16 (b) dan 17 (b) dapat dilihat bahwa WTG7 menunjukkan tanda kegagalan poros yang akan datang dengan lebih tinggi

Fig. 17. Delta RMS plots (a) WTG1; (b) WTG2.

Table 2 4.3. Application to maintenance planning via CBM

HS bearing failure modes of WTs.

WT number	Failure mode(s)
WTG3	Hairline cracks
WTG4	Hairline cracks and spalling
WTG5	Spalling and pitting

As mentioned earlier in the introduction, the authors have recently applied PM to WT gearbox HS bearings [6]. This is especially suitable for WTs without any commercial CMS or SCADA system installed on them. For WTs with commercial CMS, PM can

Fig. 18. Power versus RMS scatter plots (a) WTG3; (b) WTG4; (c) WTG5.

keparahan seperti WTG2. Hal ini disebabkan oleh extremeness dari vi- masih bisa digunakan tapi lebih masuk akal untuk mengadopsi CBM, karena memberikan brations ditunjukkan oleh plot warna, dan pola menunjukkan estimasi yang lebih tepat dari kesehatan komponen. Setelah ini keparahan lebih tinggi dari kegagalan yang ditunjukkan oleh plot delta RMS. keberatan, diskusi singkat tentang bagaimana teknik CM disajikan dalam

Fig. 19. (A) Power vs RMS dan puncak getaran WTG3; (B) Delta RMS WTG3; (C) kekuasaan terhadap RMS dan puncak getaran WTG 5; (D) Delta RMS WTG 5.

artikel ini dapat digunakan untuk CBM dari gearbox WT dilakukan di bagian ini.
Dalam CMS komersial khas diinstal pada WTS, CBM dapat dicapai dengan menggunakan alarm untuk sinyal terjadinya dan dalam beberapa kasus, severities, dari kesalahan. tingkat alarm atau ambang yang ditetapkan untuk setiap atau kombinasi dari parameter dipantau berdasarkan aturan yang ditentukan. Ketika tingkat alarm melebihi ambang batas yang telah ditentukan, WT akan ditutup untuk menghindari bencana / kegagalan konsekuensial memberikan WF pemilik waktu untuk merencanakan untuk pemeliharaan. Dalam konteks artikel ini, empat langkah telah digunakan sebagai kriteria CM ketika diterapkan pada data model. Mereka
adalah,
Berarti kesalahan persegi (MSE), Dijelaskan varians (EV),
Berarti kesalahan mutlak (MEA), dan Kriteria c diusulkan oleh Ref. [8].
Aturan untuk menentukan adanya kesalahan untuk langkah-langkah yang diberikan pada Tabel 3.
Langkah-langkah ini semua mengukur deviasi dari sampel CM data dari sampel referensi yang telah dimodelkan dari data CM yang diperoleh selama kondisi operasi normal.
nilai estimasi dari masing-masing langkah-langkah ini untuk WTG1eWTG7 dan delapan WTS lainnya ditunjukkan pada Tabel 4. ini telah diperkirakan selama operasi normal dan satu minggu sebelum kegagalan sehingga dapat memberikan rasa bagaimana langkah-langkah ini dapat digunakan dalam praktek untuk CBM.
Dari Tabel 4 kesimpulan berikut dapat dilakukan:
Nilai-nilai untuk semua empat kriteria CM untuk WTG 1 adalah mereka diharapkan untuk WT gearbox sehat.
Keempat kriteria CM sangat sensitif dalam menunjukkan sebagian besar kegagalan bearing seperti yang terlihat dalam nilai-nilai untuk WTG2, WTG3, WTG4 dan WTG5. Namun, untuk bantalan goresan dan lekukan, WTG10, hanya MEA memberikan indikasi kesalahan. Hal ini karena, kriteria lain yang tidak sensitif seperti MEA dalam mendeteksi kerusakan kecil yang goresan dan lekukan jatuh ke dalam.
Untuk kegagalan gigi, hanya MEA memberikan indikasi kesalahan (WTG6). Namun, semua empat kriteria menjadi lebih sensitif dengan adanya beberapa kegagalan gigi (WTG8).
Untuk kegagalan poros, WTG7 dan WTG9, hanya kriteria c yang tidak memberikan indikasi adanya kesalahan.
Langkah-langkah ini diuji untuk sampel lebih dari lebih dari 20 WTS dan hasil yang sama diperoleh. Meskipun dalam beberapa kasus keempat mampu menunjukkan poros dan kegagalan gigi gigi. Namun, itu hanya ukuran MEA yang memberi indikasi kesalahan untuk setiap WT diuji, sehingga membuatnya parameter yang paling sensitif. Ada dua alasan untuk ini:
Kedua MSE dan EV adalah persegi deviasi yang diukur, dan ketika jumlah yang sangat kecil dikuadratkan, mereka menjadi lebih kecil membuat deviasi tampak lebih kecil. Tidak seperti ini, MEA adalah deviasi absolut diukur dan memberikan gambaran yang benar.

Meskipun nilai c mengukur deviasi mutlak atas rentang daya utuh, ini berfungsi sebagai singkat datang dalam kasus di mana penyimpangan terjadi dalam rentang daya tertentu, seperti yang terlihat di

Batas ion untuk beberapa kriteria CM. saat ini bekerja pada sepotong paralel penelitian untuk mengeksplorasi teori ini bahkan dalam detail yang lebih besar, memberikan lebih mendalam analisis penerapan statistik nilai ekstrim untuk WT CBM. Akhirnya, "delta RMS" Plot memberikan wawasan ke tingkat keparahan kegagalan, seperti pola-pola tertentu dalam "delta RMS" tanda tangan muncul dalam jangka-up untuk kegagalan. Ini dapat digunakan secara kualitatif dalam kombinasi dengan lainnya

Fig. 20. Plots for WTG6 (a) power versus RMS; (b) power versus peak vibrations; (c) power versus RMS and peak vibrations; (d) Delta RMS.

Fig. 21. Plots for WTG7 (a) power versus RMS; (b) power versus RMS and peak vibrations; (c) delta RMS.

Table 3 applied to modelling mechanical vibrations. The authors are

CM criterion	Healthy WT	Failure occurrence	Severe faults
MSE	MSE z 0	MSE > 0	MSE >> 0
EV	EV z 1	EV < 1	EV << 1
MEA	MEA z 0	MEA > 0	MEA >> 0
c	c z 0	c > 0	Very large c

^{Failure detect}

Table 4

Summary of CM criteria values for different WT failure modes.

WT	Failure mode	Operating period	MSE	EV	MEA	C
WTG1	Healthy WT (no failure)	Normal	0.0013	0.9956	0.0263	0.0224
		1 year after	0.0012	0.9960	0.0306	0.0038
WTG2	HS shaft cracks	Normal	0.0270	0.9595	0.0814	0.0062
		1 week before failure	3.1929	0.5569	1.6700	0.3685
WTG3	HS bearing hairline cracks	Normal	0.0011	0.9890	0.0263	0.1000
		1 week before failure	0.5774	0.8542	0.7261	0.3846
WTG4	HS bearing hairline cracks and spalling	Normal	0.0092	0.9973	0.0182	0.0385
WTG5	HS bearing spalling and pitting	1 week before failure Normal	3.6534 0.0507	0.0268 0.9383	1.7576 0.1969	0.7482 0.2068
		1 week before failure	1.3666	0.9802	1.1606	0.7977
WTG6	HS pinion tooth fracture	Normal	0.0044	0.9814	0.0545	0.0723
		1 week before failure	0.0265	0.9864	0.1547	0.0261
WTG7	HS shaft cracks	Normal	0.0021	0.9931	0.0435	0.0951
		1 week before failure	0.5908	0.7619	0.6474	0.0298
WTG8	HS pinion multiple teeth fracture	Normal	0.0051	0.9922	0.0664	0.0476
		1 week before failure	0.3292	0.8845	0.5615	0.1992
WTG9	HS shaft cracks	Normal	0.0026	0.9839	0.0434	0.0076
		1 week before failure	0.1065	0.8919	0.2624	0.0065
WTG10	HS bearing scratches and indentations	Normal	0.0025	0.9884	0.00448	0.0838
		1 week before failure	0.0331	0.9491	0.1457	0.0046

WTG6 mana deviasi kegagalan gigi terjadi antara 75% dan 100% nilai daya. Hal ini menjelaskan mengapa nilai c juga meremehkan penyimpangan dalam beberapa kasus.

Ringkasan dari Tabel 3 dan 4 di atas menunjukkan bahwa menggunakan kriteria pemantauan tunggal independen menimbulkan risiko yang mengarah ke alarm palsu. Oleh karena itu, penulis menyarankan bahwa kombinasi ini dan kriteria lainnya digunakan dalam praktek. O & M manajer juga dapat mengadopsi pendekatan yang lebih kualitatif dengan menggabungkan kriteria CM nilai dengan intensitas RMS dan 3D plot bersama-sama dengan penilaian ahli dalam menentukan keberadaan dan tingkat keparahan kegagalan.

5. Ringkasan dan kesimpulan

Makalah ini telah membuat kasus untuk penggunaan puncak dan RMS nilai sinyal getaran untuk CM gearbox WT. Tiga korelasi approachessignal, getaran ekstrim, dan intensitas RMS model, dikembangkan dan divalidasi menggunakan data CMS dari WTS operasional. Selanjutnya, masing-masing pendekatan CM kemudian digunakan dengan data CMS dari 10 WTS untuk menguji pendeteksian yang mode kegagalan umum dalam modul gearbox HS. Hasil penelitian menunjukkan bahwa korelasi sinyal dengan nilai-nilai RMS yang baik untuk mendeteksi kegagalan progresif seperti HS bantalan pitting atau poros retak pada awal bulan sebelum kegagalan. Namun, ini tidak cocok untuk mendeteksi fraktur gigi gigi, setuju dengan literatur. Tidak seperti RMS, nilai-nilai puncak yang lebih baik dalam mendeteksi patah tulang gigi gigi menggunakan kedua korelasi dan model getaran ekstrim. Ini karena itu menyajikan keuntungan yang signifikan dari studi ini lebih dari teknik lainnya disajikan dalam literatur. Selanjutnya, model getaran ekstrim tidak bergantung pada data historis dan dapat digunakan untuk WTS yang baru dipasang atau dengan hilang sejarah CMS. Itu membuat penggunaan extremeness melekat dari getaran puncak dalam rentang daya tertentu, yang telah diidentifikasi menggunakan teori nilai ekstrim. Untuk pengetahuan penulis, ini adalah pertama kalinya pendekatan ini telah berhasil model dan dengan wawasan dari para ahli gearbox.
Bertentangan dengan klaim dalam literatur, telah menunjukkan bahwa RMS dan nilai puncak adalah indikator yang baik dari kesehatan gearbox jika digunakan dengan benar. teknik ini bukan tanpa keterbatasan meskipun, salah satunya adalah bahwa perubahan dalam RMS getaran hanya sensitif terhadap revolusi poros tinggi. Oleh karena itu, hanya akan cocok untuk memantau kecepatan tinggi dan kecepatan menengah modul gearbox, yang memiliki revolusi poros lebih tinggi dari modul lainnya. Juga, data CM yang digunakan dalam penelitian ini telah dari dipantau modul kecepatan tinggi gearbox.