一种交变载荷状态下的风电齿轮箱加载测试方法与流程

本发明涉及风力发电，特别涉及一种交变载荷状态下的风电齿轮箱加载测试方法。

背景技术：

1、目前，海上风力发电技术发展迅猛，相关的产品和部件测试也日趋严格。在大型风电齿轮箱的出厂测试和研发测试时，通常都会要求进行100％-120％的加载测试，测试功率可达到5mw-30mw之间。以10mw齿轮箱为例，100％加载扭矩大概是90640nm，一般100％加载会持续1-2小时，然后还有110％，120％的超载试验，一般15-30分钟。

2、但是对于海上风力发电实际场景来说，对齿轮箱最大的考验并不仅来自于恒定不变的大功率测试，还有因风速突变等情况下带来的扭矩变化，使齿轮箱出现打滑、短齿等现象。针对这些扭矩突变的情况，传统的测试方式是无法进行有效的检测。

3、经过海上风力发电故障统计，如图1所示，风电机组因故障而停机的时间里有五分之一的时间是由齿轮箱发生故障而造成的，在齿轮箱故障统计中，绝大多数故障是由齿轮和轴承失效而导致的。因此，轴承很大程度上可以反应齿轮箱的故障率。

技术实现思路

1、本发明公开了一种交变载荷状态下的风电齿轮箱加载测试方法。

2、它通过这样的技术方案实现的，将待测齿轮箱接入测试平台完成若干个周期的测试，每个测试周期的具体测试方法如下：

3、长时间定速发电场景模拟测试，以pid闭环控制算法控制驱动电机，驱动电机以第一转速驱动齿轮箱转动，负载电机为齿轮箱提供随时间而变化的第一负载扭矩，第一负载扭矩通过温变扭矩预测模型实时计算获取；

4、风速突增发电场景模拟测试，负载电机提供恒定第二负载扭矩，驱动电机以初始第二输出扭矩带动齿轮箱转动，当转速稳定时，驱动电机在初始第二输出扭矩的基础上加入突增风变扭矩，经过第二预设时间突增风变扭矩线性衰减为0，驱动电机维持初始第二输出扭矩驱动齿轮箱转动，直到转速稳定；

5、风速突减发电场景模拟测试，负载电机初始提供第三负载扭矩，以pid闭环控制算法控制驱动电机，驱动电机以第三转速驱动齿轮箱转动，转速保持稳定后，驱动电机停止驱动，持续第三预设时间后，恢复pid闭环控制算法控制驱动电机，直到转速稳定；

6、若测试过程中出现轴承开裂或打滑或断齿情况，则不予通过齿轮箱测试。

7、该实施例的优点在于，针对最伤害齿轮箱的三种情况进行了针对性的测试，可以保证经过测试的齿轮箱在长时间定速发电场景、风速突增发电场景和风速突减发电场景的使用稳定性，可显著减小海上风力发电齿轮箱的故障率，节省维护和发电成本。

8、进一步地，长时间定速发电场景模拟测试中温变扭矩预测模型的构建方法如下：

9、将待测齿轮箱的输入端连接在驱动电机输出端，待测齿轮箱的输出端通过扭矩传感器与负载电机连接，启动驱动电机保持恒定输出扭力，记录各采样点的温度以及扭矩传感器数据，计算各采样点之间的阻力变化，采用线性回归拟合温度-阻力变化生成温变扭矩预测模型，以决定系数评价温变扭矩预测模型：

10、

11、其中，r2为决定系数,为预测值的方差，y为实际值的方差；

12、以第一转速、初始第一负载扭矩和待模拟运行时间作为输入，通过温变扭矩预测模型获取当前第一负载扭矩当前变化的实际值。

13、该实施例的优点在于，在长时间定速发电场景，考虑到了温度变化带来的阻力变化，通过温变扭矩预测模型可模拟出任意长时间运行时的工况，缩短了测试时间，通过测试的齿轮箱可显著提高长时间定速发电场景下的使用稳定性。

14、进一步地，风速突增发电场景模拟测试均包括若干突增子测试，每段子测试均采用不同的第二负载扭矩、第二输出扭矩、第二预设时间和突增风变扭矩；

15、每个测试周期中的风速突增发电场景模拟测试的对应突增子测试均采用相同的第二负载扭矩、第二输出扭矩、第二预设时间和突增风变扭矩。

16、该实施例的优点在于，对于风速突增发电场景，通过多次子测试，可增加测试难度以及覆盖更多可能遇到的风速突增情况，使测试过程更接近现实，通过测试的齿轮箱在风速突增发电场景下的应用稳性更强。

17、进一步地，风速突减发电场景模拟测试均包括若干突增子测试，每段子测试均采用不同的第三负载扭矩、第三转速和第三预设时间；

18、每个测试周期中的风速突减发电场景模拟测试的对应突减子测试均采用相同的第三负载扭矩、第三转速和第三预设时间。

19、该实施例的优点在于，对于风速突减发电场景，通过多次子测试，可增加测试难度以及覆盖更多可能遇到的风速突减情况，使测试过程更接近现实，通过测试的齿轮箱在风速突减发电场景下的应用稳性更强。

20、进一步地，若测试直到完成均未出现轴承开裂或打滑或断齿情况，则执行以下操作：

21、进行两个周期以上的测试，分别记录每个周期的长时间定速发电场景模拟测试、风速突增发电场景模拟测试和风速突减发电场景模拟测试中的齿轮箱后轴承振动信息和温度信息，提取齿轮箱后轴承振动信息的特征信息，分别通过第一轴承寿命预测模型、第二轴承寿命预测模型和第三轴承寿命预测模型分别获取每个周期定速发电后的轴承剩余寿命、每个周期风速突增后的轴承剩余寿命和每个周期网速突减后的轴承剩余寿命，通过以下公式计算测试评分：

22、

23、其中，s为齿轮箱测试评分，ω1、ω2和ω3分别权重值，n为测试周期数，ruln,1为第n个周期定速发电后的轴承剩余寿命，ruln,2为第n个周期风速突增后的轴承剩余寿命，ruln,3为第n个周期风速突减后的轴承剩余寿命。

24、若待测齿轮箱测试平分s≥th，则判断为测试通过，th为判断阈值；若待测齿轮箱测试平分s<th，则判断测试不通过。

25、该实施例的优点在于，对于高强度测试后，齿轮箱虽然没有出现打滑、断齿等现象，但也可能出现了隐伤，对于该类隐伤对于实际应用具有非常大的破坏性；因此，通过多周期试验，对比每个周期试验后的寿命预测变化，可及时发现该类隐伤，进一步提高通过测试齿轮箱的稳定性。

26、进一步地，第一、第二和第三轴承寿命预测模型的训练方法如下：

27、以不同使用时长的同款待测齿轮箱作为测试目标，使若干测试目标均以定速发电场景、风速突增场景和风速突减场景相同的参数运行，获取每个测试目标的后轴承振动信息和温度信息，提取振动信息的特征信息，采用max-min算法对振动信息进行归一化处理，以振动特征信息、温度信息和测试目标的剩余寿命构建样本数据，以样本数据训练第一、第二和第三轴承寿命预测模型。

28、进一步地，所述预测模型为神经网络模型，具体构建方法如下：

29、设置神经网络超参数，所述超参数的结构层数、学习速率、优化算法、激活函数和误差函数；

30、将样本数据输入到神经网络模型中，利用反向传播公式计算出各层的偏置和权重；

31、利用sgd梯度下降法优化神经网络模型；

32、保存训练好的神经网络模型。

33、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。