风电机组故障诊断方法研究

计划提供支持，而且也能为设计人员提供指导意见，对降低故障率，保证风电机组安全稳定运行具有重大意义。

故障诊断基本理论

故障诊断技术是一种了解和掌握设备在使用过程中的状态，确定其整体或局部是否存在异常，早期发现故障及其原因并能预报故障发展趋势的技术。故障诊断技术是大型机械设备可靠运行的关键技术之一，也是各种自动化系统及普通机械系统提高效率和运行可靠性，进行预测维修及设备管理的基础。故从机械设备故障诊断的实施过程，可以将其归纳为图1的步骤：

风电机组故障诊断是采用相应的传感器采集风电机组在运行过程中产生的力、热、振动、噪声等各种信号，然后将信号采集获得的数据信息进行分类、处理、加工，获得表征风电机组运行状态的特征参量，对风电机组的状态作出判断，确定是否存在故障以及故障的类型和性质、程度等。最后根据状态识别的结果，决定采取的措施，同时根据当前的检测信息预测风电机组运行状态可能发展趋势，进行趋势分析。故障诊断的最终日的是分析故障形成原因，作出科学的维修计划，增强设备运行可靠性，提高运行效率。

风电机组常见故障分析

一、齿轮箱故障分析

齿轮箱是风电机组中重要的机械部件，其主要功能是将风轮在风力作用下所产生的动力传递给发电机并使其得到相应的转速，它的正常运行关系到整机的工作性能。通常风轮的转速很低，远达不到发电机发电所要求的转速，必须通过齿轮箱齿轮的增速作用来实现，故也将齿轮箱称之为增速箱。齿轮箱系统一般包括齿轮、轴承、轴和箱体四部分。齿轮箱在使用过程中将承受复杂的静态和动态载荷；其零部件如齿轮、轴和轴承的加工工艺复杂，装配精度高，再加上风电机组常常在高速重载荷下连续工作，而其状态的好坏往往直接影响到机械设备的正常工作，故对齿轮传动系统的诊断是风电机组故障诊断的重要组成部分。风电机组齿轮箱常见故障按发生部位分主要有齿轮损伤、轴承损坏、断轴等。常见故障形式见表1。

经统计润滑油油温过大时齿轮箱故障产生的一个重要原因，因此采取各种措施防止油温升高，对于保证风电机组齿轮箱正常运行有重要意义。上海电机学院郑翔等提出在风电机组齿轮箱润滑系统中应用MCS-51单片机及其控制电路，结合复合PID算法、GSM-Modem通信技术，控制风扇或加热器进行冷却或加热以实现对润滑油温度的精确控制的方法，实验结果表明该系统具有过渡时间短、超调量小（20C）和稳定误差小（0.40C）等特点。在齿轮箱信号特征提取上，常采用共振解调技术和倒谱技术，提取信号故障特征。

二、发电机故障分析

发电机是风电机组的核心部件，负责将旋转的机械能转化为电能，并为电气系统供电。发电机中最容易发生故障的部件是轴承、定子和转子；对典型的异步发电机而言，三者的故障率分别为40%、38%和10%左右。定子和转子故障主要包括匝间绕组开路、单个或多个绕组短路、定子绕组连接异常、转子导条和端环断裂（笼型转子）、静态或动态气隙偏心等。发电机常见的故障模式有：内部电气不对称，气隙磁通和相电流谐波分量增加，转矩波动增强、均值下降，电机损耗增加、效率降低.绕组过热等。此外，油温过高、振动过大、轴承过热、有不正常杂声和绝缘损坏也是发电机的常见故障。关于发电机的在线监测和故障诊断方法有很多：基于定子电流信号的监测，轴向磁通监测，基于振动信号分析的故障监测，基于温度信号的故障监测与诊断，局部放电监测法等。沈阳工业大学陈长征等提出采用对兆瓦级风电机组主轴和齿轮箱振动信号进行频谱分析的方法。从风电机组采集到的频谱信号若超过设定的报警限，则对实时处理信号与数据库存储信号进行比较，将采集的信号进行小波变换和频谱分析，获得信号频谱图，可以准确判断出风电机组发生的故障及位置，为齿轮箱和主轴的故障诊断寻找依据。

三、叶片故障分析

风电机组通过叶片将空气的动能转化为机械能，再由发电机将机械能转化为电能，风轮及叶片在能量转化中担任着重要角色。风电机组的叶片是整个机组中最昂贵的部件，也是最容易受到损坏的部件。叶片长期露天工作在恶劣的环境下，难以避免受到湿气腐蚀、阵风或雷击等因素的破坏以及长时间运行产生的疲劳裂纹等故障隐患。风电机组叶片长度一般在30m-40m，体积质量巨大，一旦发生故障，不仅造成叶片本身的损坏，还会对整机的安全产生致命性损伤。叶片常见故障有叶片断裂、偏移、弯曲和疲劳失效等。国外有研究者探究了用光纤光栅传感器实现风电机组叶片的在线监测的可行性。该技术根据风电机组叶片在运行过程中的载荷变化，借助叶片上对称分布的光纤光栅传感器捕捉应变信号，评判叶片健康状态。此外，还可利用声发射检测和红外成像检测对叶片的健康状态进行识别。

四、偏航系统和变桨系统故障分析

偏航系统是水平轴式风电机组必不可少的组成系统之一，其主要组成部分包括：偏航大齿圈、侧面轴承、滑垫保持装置、上下及侧面滑动衬垫、偏航驱动装置、偏航限位开关、接近开关、风速仪风向标等。风电机组偏航系统常见故障模式有：偏航位置故障、偏航位置传感器故障和偏航速度故障等。根据偏航系统自身的运行特点，如转速低、负载重等对其进行状态监测，可采用的方法有振动检测、电流、电压检测等。

变桨系统的所有部件都安装在轮毂上，风电机组正常运行时所有部件都随轮毂以一定的速度旋转。变桨系统通过控制叶片的角度来控制风轮的转速，进而控制风电机组的输出功率，并能够通过空气动力制动的方式使风电机组安全停机。风电机组的叶片通过变桨轴承与轮毂相连，每个叶片都要有自己的相对独立的电控同步的变桨驱动系统。变桨驱动系统通过一个小齿轮与变桨轴承内齿啮合联动。变桨系统由中央控制箱、轴控箱、电池箱、变桨电机和限位开关等组成。故障类型：变桨电机故障、轴承润滑不好造成的磨损，螺栓松动引起轴承移位，安装不当引起轴承变形等等。可采用振动检测，也可采集发电机的电流信号进行分析。

风理发电机故障诊断方法

风电机组的故障诊断方法有很多种，主要包括传统诊断方法、智能故障诊断方法和数学诊断方法。传统诊断方法大多是基于状态监测技术的数据分析，主要包括：振动监测技术、油液分析技术、噪声监测技术、红外测温技术、声发射技术以及无损检测技术等。智能诊断方法主要包括模糊逻辑、专家系统、神经网络和遗传算法等。数学诊断方法主要包括基于贝叶斯决策判据以及基于线性和非线性判别函数的模式识别方法、基于概率统计的时序模型诊断方法、基于距离判据的故障诊断方法、模糊诊断原理、灰色系统诊断方法、故障树分析法、小波分析法等。

一、时域和频域分析的方法

时域和频域分析是风电机组故障诊断最常用的方法。时域处理方法主要涉及以下指标：均值、方差、标准差、均方值、有效值、峰值、峰峰值、波形指标、峰值指标和脉冲指标。通过时域指标统计，可以进行定性诊断，却无法指出具体的故障部位。对时域信号进行傅里叶变换，得到信号的频谱，从频率的异常变化来诊断机组的故障。若需要处理短时冲击调制信号，如果直接对故障信号进行频谱分析，往往会失效，无法看出是否发生故障，因为FFT比较适合处理平稳周期信号。因此，包络谱图的使用便应运而生。包络谱图并不是对信号的处理过程进行确切描述而是表示在不同频率上的振动信号的能量，根据振动信号来源的故障频率计算，判断部件是否发生故障。包络解调技术加强了高频段瞬态畸变小信号的能量，将包络检测技术与传统的频谱分析技术相结合，能在轴承、齿轮严重损坏之前就及时检测到它们的早期缺陷及润滑问题。

二、人工智能的方法

人工智能诊断方法主要包括模糊逻辑、专家系统、神经网络、遗传算法。人工智能诊断方法可以用于故障状态模式识别、趋势预测等。山西大学孟恩隆等利用人工神经网络具有自学习、自组织、自适应和极强的非线性映射能力，针对齿轮箱和发电机的故障提出了一种智能诊断的新方法，思路为首先将信号进行单子带重构改进小波变换，然后从小波变换子带系数中选取特征域提取故障特征，作为BP神经网络的输入，BP神经网络根据训练好的映射关系，导出相应输入信号的故障类型。

三、小波分析的方法

小波分析在时域和频域都具有很好的局部化性质，较好地解决了时域和频域分辨率的矛盾，在高频率的部分频段能放大尺度，具有很好的频率分辨性；在低频率的部分频段能缩小尺度，具有很好的时间分辨性和对信号的自适应性。因而，小波分析特别适合处理非平稳时变信号，能够将信号在任意频段进行划分，比基于傅立叶变换的分析方法能够有效的提取故障特征，尤其是提取微弱故障特征。武汉理工大学梁伟宸等以小波分析故障诊断的理论为基础，提出了一种齿轮箱状态监测的实现方法。该方法首先利用常规的功率谱对点蚀故障进行分析，然后针对点蚀故障做小波变换的时频分析。最后，对振动信号进行特征值分析，判断故障分布和故障的严重程度，从而为齿轮箱故障诊断提供依据。

结论

随着全球发电产业的发展，风电机组故障诊断技术变得越来越重要，神经网络、小波分析和智能诊断技术也越来越受到研究者的关注，被广泛用在风电机组的故障诊断中，我们要极力做到：

风电机组各部件故障诊断机制的完善。风电机组是一个复杂的机电综合系统，曰前齿轮箱故障、电气系统故障和发电机故障是最主要的三种故障，对于发电机部件，也有很多专家从电信号和振动信号两个方面深入研究发电机的工作状态，将成为风电机组状态监测和故障诊断的未来研究方向之一。但在叶片的监测与故障诊断方面，国内专家研究的较少，虽然国外在风力机叶片故障诊断方面取得了一定的研究成果，但主要还是处于试验阶段，与实际应用还有一段距离。

专家系统的建立。一个完整的专家系统由人机接口、知识获取程序、知识库、综合数据库、推理机等组成，其中知识库是专家系统的核心内容，还包含有系统规则，这些规则大多是关于具体系统或通用设备有关因果关系的逻辑法则。所以真实反映对象系统的知识库的建立是专家系统进行快速有效的故障诊断的前提，但在知识库的建立、管理和维护等细节问题的实现方面仍存在很大难度。在采用先进的传感技术与信号处理技术的基础上研制故障诊断专家系统，将现代科学技术的优势同专家丰富经验与思维方式的优势结合起来，将是风电机组故障诊断技术发展的重要方向。

新方法在故障诊断技术中的应用。传统的基于快速傅里叶变换（ FFT）的频谱分析方法是振动信号处理中最重要的途径，但是只适于分析平稳信号，而不适于分析非平稳信号，小波分析对突变信号和非平稳信号的处理较好，已经被广泛使用在风电机组故障诊断技术中。另外，基于人工智能的方法也越来越受到研究者的关注，未来这些理论和算法同样会在风电机组故障诊断领域得到更加深入的应用。此外，如何在故障产生前及时准确地预测可能产生的危害，提前处理故障诱因将成为另一个尚待研究的重要主题。