4、温度与电气参数分析：齿轮箱温度趋势分析、发电机电流谐波分析、变桨系统电机电流分析

各位工程师朋友，咱们继续往下聊。前面几章我们讲了振动分析、油液分析，今天要聊的这块，我个人觉得特别有意思——温度与电气参数分析。

为什么说有意思？因为很多故障，在振动信号里可能还藏得比较深，但在温度曲线或者电流波形里，早就暴露了。说白了，温度和电流是设备的“体温”和“心跳”。你想想看，一个人发烧了，或者心跳不规律了，是不是身体出问题了？风机也一样。

4.1 齿轮箱温度趋势分析

齿轮箱温度，是我在项目中最常盯的一个参数。为什么？因为它太直观了。

4.1.1 温度特征与故障映射

我在项目中遇到过这样一件事：某风场连续3台风机报齿轮箱高温预警，运维团队换了散热器、清洗了油路，问题依旧。后来我调了半年的温度趋势数据，发现一个规律——温度上升总是发生在高风速段，而且每次上升后，回不到原来的基线。

嗯，这里要注意：温度基线漂移，往往是磨损加剧的信号。

常见的温度-故障对应关系，我整理了一张表：

温度异常模式	可能故障	我的经验判断
油温缓慢上升，回不到基线	齿轮磨损、轴承点蚀	大概率是齿面疲劳，建议缩短油品检测周期
油温突然跳变（5℃以上）	散热系统故障、油路堵塞	先查散热风扇和油泵，别急着拆齿轮箱
轴承温度异常升高	轴承保持架断裂、润滑失效	这个要警惕，我曾经遇到过保持架断裂前3小时轴承温度飙升12℃
温差过大（驱动端 vs 非驱动端）	轴不对中、齿轮偏载	建议结合振动频谱的啮合频率边带一起看

4.1.2 趋势分析实操方法

我个人习惯用滑动窗口均值+3σ阈值的方法来做趋势预警。说白了，就是看当前温度跟历史同期比，是不是“出格”了。

举个例子，我写过这样一个简单的分析脚本：

import pandas as pd
import numpy as np

# 加载齿轮箱油温数据（假设是10分钟间隔）
df = pd.read_csv('gearbox_temp.csv', parse_dates=['time'])
df.set_index('time', inplace=True)

# 计算24小时滑动均值
window = 144  # 24小时 * 6个点/小时
df['temp_ma'] = df['oil_temp'].rolling(window=window).mean()
df['temp_std'] = df['oil_temp'].rolling(window=window).std()

# 设置预警阈值：均值 + 3倍标准差
df['upper_limit'] = df['temp_ma'] + 3 * df['temp_std']
df['alarm'] = df['oil_temp'] > df['upper_limit']

# 输出预警时段
alarm_periods = df[df['alarm']]
print(f"共发现 {len(alarm_periods)} 个预警点")
print(alarm_periods[['oil_temp', 'temp_ma', 'upper_limit']].head())

4.2 发电机电流谐波分析

讲完温度，咱们聊聊电流。发电机电流谐波分析，说白了就是从电流波形里“听”出故障。

为什么会这样？因为发电机转子出现故障时（比如断条、偏心），会在定子电流中感应出特定的谐波分量。这个原理，跟振动分析里的边带是一个道理。

4.2.1 关键谐波特征

我记得刚入行时，师傅跟我说：看电流谐波，先盯住两个频率——基频的奇次谐波和旁瓣频率。

具体来说：

• 转子断条故障：会在电流频谱中产生 (1±2s)f 的旁瓣，其中 s 是转差率，f 是电网频率。我遇到过一台1.5MW双馈风机，转差率0.8%时，在49.2Hz和50.8Hz出现了明显的旁瓣——后来停机检查，发现转子有3根断条。
• 气隙偏心：会产生 f ± fr 的谐波（fr是转子机械频率）。这个特征比较隐蔽，我曾经漏判过一次，后来学乖了，一定要结合振动信号一起看。
• 轴承故障：会在电流中调制出轴承故障特征频率。嗯，这个信噪比比较低，需要做包络分析才能提取出来。

4.2.2 谐波分析实操

实际操作中，我一般用FFT做频谱分析，重点关注0~500Hz频段。下面是我常用的分析流程：

import numpy as np
import matplotlib.pyplot as plt
from scipy import signal

# 加载电流数据（采样率：2kHz）
current = np.loadtxt('generator_current.csv')
fs = 2000  # 采样频率

# 做FFT
n = len(current)
freq = np.fft.fftfreq(n, 1/fs)
spectrum = np.fft.fft(current)
magnitude = np.abs(spectrum) / n

# 只取正频率，关注0-500Hz
mask = (freq >= 0) & (freq <= 500)
freq_plot = freq[mask]
mag_plot = magnitude[mask]

# 找峰值（排除基频50Hz）
peaks, _ = signal.find_peaks(mag_plot, height=0.01, distance=10)
peak_freqs = freq_plot[peaks]
peak_mags = mag_plot[peaks]

# 输出显著谐波
for f, m in zip(peak_freqs, peak_mags):
    if abs(f - 50) > 2:  # 排除基频
        print(f"谐波频率: {f:.2f} Hz, 幅值: {m:.4f}")

4.3 变桨系统电机电流分析

变桨系统，是风机最容易出故障的子系统之一。为什么？因为它在机舱外面，风吹日晒，而且动作频繁。我个人觉得，变桨电机电流分析，是诊断变桨系统故障最有效的手段之一。

4.3.1 电流波形与故障对应

变桨电机是伺服电机，它的电流波形能反映出很多信息。我在现场看过上百条变桨电流曲线，总结出几个典型模式：

• 正常模式：电流波形平滑，启动时有一个尖峰，然后迅速回落并稳定。桨叶角度变化时，电流平稳跟随。
• 机械卡滞：电流波形出现“锯齿状”波动，而且整体偏高。我曾经遇到一个案例，变桨轴承缺油，电流从正常的5A飙到了12A，波形像锯齿一样——嗯，这就是典型的“硬摩擦”。
• 电机绕组故障：电流波形不对称，三相电流不平衡度超过10%。这个要小心，我曾经因为没及时处理，导致电机烧毁，换一台电机花了8万块。
• 编码器故障：电流波形出现周期性抖动，频率跟电机转速相关。说白了，就是位置反馈不准，电机在“来回找位置”。

4.3.2 电流分析实操方法

我建议重点关注三个指标：电流有效值、电流峰值、三相不平衡度。

下面是我常用的一个分析模板：

import numpy as np

# 假设有三相电流数据（每相1000个点）
ia = np.loadtxt('phase_a.csv')
ib = np.loadtxt('phase_b.csv')
ic = np.loadtxt('phase_c.csv')

# 计算有效值
rms_a = np.sqrt(np.mean(ia**2))
rms_b = np.sqrt(np.mean(ib**2))
rms_c = np.sqrt(np.mean(ic**2))

# 计算三相不平衡度
avg_rms = (rms_a + rms_b + rms_c) / 3
unbalance = max(abs(rms_a - avg_rms), abs(rms_b - avg_rms), abs(rms_c - avg_rms)) / avg_rms * 100

print(f"三相电流有效值: A相={rms_a:.2f}A, B相={rms_b:.2f}A, C相={rms_c:.2f}A")
print(f"三相不平衡度: {unbalance:.2f}%")

if unbalance > 10:
    print("⚠️ 三相不平衡度超过10%，建议检查电机绕组和接线")
elif unbalance > 5:
    print("⚡ 三相不平衡度在5%-10%之间，建议加强监测")
else:
    print("✅ 三相平衡度正常")

4.4 本章知识体系

说了这么多，我画了一张图，把温度分析和电气参数分析的逻辑串起来。你一看就明白了：

这张图把今天讲的内容串起来了。你仔细看，三个分支虽然分析对象不同，但核心逻辑是一样的——找规律、设阈值、看异常。

好了，关于温度和电气参数分析，我就讲这么多。记住一句话：温度看趋势，电流看谐波，变桨看波形。这三个维度结合起来，大部分齿轮箱和发电机故障都能提前发现。

---

公众号:蓝海资料掘金营，微信deep3321