Introduzione
Negli ultimi anni il settore eolico ha riconosciuto l’importanza della manutenzione predittiva come strategia per ottimizzare i costi di manutenzione e massimizzare la disponibilità delle macchine e quindi la produzione energetica.
La parte fondamentale del monitoraggio degli aerogeneratori si concentra sul “Power train”, ovvero sugli elementi meccanici che vanno dal rotore principale al generatore elettrico. Trattandosi di macchine rotanti, l’analisi vibrazionale è il parametro di gran lunga più idoneo per identificare i modi di guasto di tipo meccanico; va detto tuttavia che anche le analisi dell’olio lubrificante del moltiplicatore e dei dati SCADA (Supervisory Control And Data Acquisition, ovvero i parametri utilizzati dal sistema di controllo della turbina) sono molto importanti per comprendere lo stato meccanico dei componenti del treno di potenza e devono essere affiancate all’analisi vibrazionale.
Il presente articolo è stato suddiviso parti per ragioni editoriali. Nella prime due parti sono stati descritti i componenti principali del treno di potenza, e i loro modi di guasto più comuni, soprattutto dal punto di vista delle frequenze vibrazionali caratteristiche.
Inoltre sono state esaminate le particolarità delle turbine eoliche dal punto di vista vibrazionale,
ovvero:
- La coesistenza di alberi e ruote dentate rotanti a velocità molto basse con altri a velocità di rotazione più alta.
- Le fluttuazioni istantanee di velocità di rotazione e di potenza.
- La molteplicità di frequenze vibratorie caratteristiche, a causa dell’elevato numero di ruote dentate e cuscinetti montati nel treno di potenza e delle varie frequenze di ingranamento.
Tali particolarità implicano la necessità di stabilire strategie ad-hoc di monitoraggio e diagnostica; è stata quindi menzionata l’esperienza della Monitoring & Diagnostic Room (MDR) di Enel Green Power, che da anni realizza la manutenzione predittiva di parchi eolici in tutto il mondo, su una flotta eterogenea tanto dal punto di vista dei produttori delle turbine, quanto da quello dei sistemi di monitoraggio (CMS) utilizzati. Proprio l’esperienza della MDR ha permesso di stabilire un metodo ottimale per il monitoraggio. Tale metodo si basa su diverse tecniche di analisi vibrazionale: tra quelle classiche, descritte nella prima parte dell’articolo, abbiamo menzionato l’analisi nel dominio della frequenza, nel dominio del tempo, la Demodulazione d’ampiezza, lo studio dei trend di parametri vibratori come il valore efficace, la kurtosis, etc.
In questa terza e quarta parte, invece, ci si soffermerà in modo esaustivo sulle tecniche di trattamento più avanzate dei segnali vibratori (che si rendono necessarie proprio per massimizzare l’efficienza della diagnostica e del monitoraggio), e sull’applicazione dell’Intelligenza artificiale.
TECNICHE AVANZATE PER IL MONITORAGGIO E LA DIAGNOSTICA
Parametri estratti dai pattern spettrali
Uno sviluppo relativamente recente in alcuni (pochi) software dei sistemi di monitoraggio prevede la possibilità di calcolare l’energia di parametri complessi, corrispondenti a modi di guasto caratteristici.
Si pensi alle armoniche della frequenza di danneggiamento BPFO del cuscinetto vista negli spettri di demodulazione di Figura 5 della prima parte (riproposti in Figura 1a), frequenza legata al danneggiamento dell’anello esterno del cuscinetto dell’albero HSS. Per questo modo di guasto è possibile creare uno speciale parametro che racchiude solo l’energia delle frequenze a 210 Hz e 420 Hz (rispettivamente la prima e la seconda armonica della BPFO). Se applichiamo questo parametro retroattivamente ai dati immagazzinati nel software, e osserviamo la sua evoluzione nel tempo, otteniamo il trend di Figura 1c.
Questo parametro è estratto sulla base degli stessi spettri che hanno dato luogo al valore efficace di Figura 6 della prima parte (riproposto in Figura 1b). Eppure, il parametro estratto aumenta in modo molto più evidente rispetto al valore efficace. Inoltre, essendo legato ad un modo di guasto caratteristico, identifica automaticamente tale modo di guasto, risparmiando un notevole tempo di analisi dei dati dinamici (spettri e forme d’onda).
Quando si fa il monitoraggio di una flotta importante (come nel caso della MDR), si hanno dati sufficienti per configurare un certo numero di siffatti parametri. Il beneficio si ottiene associando opportuni allarmi a ognuno di questi parametri; in questo modo è possibile realizzare un monitoraggio molto efficiente e preciso (in quanto ogni cambiamento meccanico, seppur lieve, viene automaticamente individuato), e orientato fin dal primo momento all’identificazione dello specifico modo di guasto.
Power Bins
Una delle caratteristiche peculiari delle turbine eoliche è quella di variare continuamente l’output di potenza, a seconda delle condizioni del vento.
Le variazioni di carico hanno un effetto particolarmente significativo sulle caratteristiche vibratorie del treno di potenza. Ad esempio, le frequenze di ingranamento del moltiplicatore (GMF) e le ampiezze corrispondenti dipendono dal carico, in quanto le stesse forze di ingranamento sono da esso influenzate; tali forze influenzano fortemente anche l’entità di eventuali impulsi.
Ne consegue che l’analisi dei trend dei diversi parametri menzionati anteriormente è inficiata da continue fluttuazioni, legate appunto alle fluttuazioni di carico. D’altra parte la stabilità dei trend è fortemente desiderabile visto che da essa dipende il successo della strategia di allarmi.
La soluzione più comune identificata dall’industria è quella di suddividere i dati in base alle condizioni di potenza, creando un certo numero di “power bins” o intervalli di potenza. In Figura 2 a titolo esemplificativo abbiamo mostrato l’ampiezza della GMF HSS-IMS misurata dall’accelerometro prossimo all’HSS di una certa turbina, durante un anno.
I diversi colori indicano la condizione di potenza (questo software opera con 5 diversi power bins: carico minimo, 3 condizioni intermedie e carico massimo): è evidente la dipendenza fra l’ampiezza della GMF e la potenza, in particolare si può affermare che quanto più alta è la potenza, tanto maggiore è l’ampiezza della GMF (e infatti tale comportamento è perfettamente logico, dal momento che a maggior potenza corrispondono forze di ingranamento maggiori). Inoltre, è evidente che la stabilità di questo parametro (e quindi l’utilità di un eventuale allarme ad esso associato) è assicurata dalla divisione in power bins, e che senza tale suddivisione il parametro fluttuerebbe continuamente, mascherando le eventuali variazioni dovute allo sviluppo di modi di guasto.
Campionamento sincrono
Le variazioni istantanee di velocità di rotazione hanno effetti deleteri sugli spettri, in quanto causano un fenomeno conosciuto come “smearing”.
Per comprendere questo fenomeno, basti osservare gli spettri di Figura 3. In quello superiore, è possibile osservare come la GMF HSS-IMS non ha una frequenza fissa, giacché produce un picco “piatto”, che va dai 520 ai 560 Hz. Ciò è dovuto al fatto che durante il tempo del campionamento del segnale vibratorio necessario per produrre questo spettro, la frequenza di rotazione del rotore (e di tutti gli alberi del treno di potenza) ha fluttuato, come conseguenza delle fluttuazioni del vento.
Ovviamente si potrebbe cercare di campionare il segnale solo in condizioni di stabilità, ma è quasi impossibile ottenere finestre temporali a velocità costante. Tale problema è ancora più accentuato nella parte “lenta” del treno di potenza (cuscinetti del rotore; cuscinetti e ruote dentate dello stadio parallelo); in questi punti, infatti, le frequenze caratteristiche dei danneggiamenti sono molto basse, e ciò implica la necessità di disporre di alta risoluzione spettrale (ovvero la capacità di distinguere componenti a frequenze molto vicine tra loro). Per le note leggi del campionamento, ad alte risoluzioni spettrali corrispondono alti tempi di campionamento (dell’ordine di almeno 10-15 secondi) e ciò rende ancora più difficile l’ottenimento di misure a velocità di rotazione costante.
Per tale ragione, viene utilizzata una tecnica chiamata “campionamento sincrono”, che realizza campionamento della forma d’onda sulla base del tempo di rotazione. In pratica il numero di campioni non è fisso nell’unità di tempo, ma lo è in un ciclo di rotazione (la frequenza di campionamento “segue” le variazioni della frequenza di rotazione, causate appunto dalle fluttuazioni del vento).
Questo conferisce allo spettro una caratteristica di stabilità che può essere osservata nello spettro in basso di Figura 3, e che è fondamentale per realizzare una diagnostica accurata del comportamento vibratorio del treno di potenza.
Purtroppo non tutti i pacchetti software dei CMS contengono questo tipo di trattamento del segnale; nel caso non fosse presente, e non fosse possibile disporre del segnale di impulsi del sensore di velocità di rotazione, è necessario utilizzare tecniche di trattamento del segnale vibratorio molto avanzate, che permettono di realizzare appunto un ricampionamento di tipo sincrono (ovviamente tali elaborazioni vanno realizzate su software di calcolo come Matlab).
Francesco Miniello, Esperto di manutenzione predittiva – Monitoring and Diagnostic Room (MDR), Enel Green Power
