风力发电机组故障诊断与预测技术研究综述

1、 风力发电机组故障诊断与预测技术研究综述 摘 要：当前，随着工业的发展，环境污染变得越来越严重，新能源风力发电已越来越多地用于各个行业。通常，风力发电场大多建在偏远地区。从风电机组的工作流程与工作环境的角度来看，在长期使用期间，不可避免地会发生故障。因此，有必要加强对风机故障诊断与预测技术的研究。关键词：风力发电机组；故障诊断；预测技术1. 概述1.1风力发电机组其主要指借助风机转换风能与电能，利用电磁感应原理经过调压操作将转换后的电能输送到电网与用户中心。经过多年发展，我国风力发电机组建设日益完善，逐步改进传统的恒速恒频发电机组，应用新技术与设备对风力发电进行创新完善。变速恒频技术是一种新技

2、术，其能够动态化调整风机叶轮转速，结合风速变化调整并引入变流技术，以此确保风力发电保持恒定的输出频率。应用变速恒频技术可以保障风力发电质量，所以现阶段此项技术广泛应用于我国风力发电并网系统。1.2 故障预测定义故障预测是在设备故障真正发生之前通过分析一些相应的特征数据来获知故障是否将要发生或者发生的概率，依据状态发展趋势采取一定的预防措施阻止故障的发生。大多数设备故障的发生并不是瞬间爆发的，都要经历一个发展阶段，也就是说很多故障在发生前的一段时间内都会有一个信号变化过程，我们称此类信号为潜在故障信号。潜在故障信号与设备正常运行的状态特征信号是有区别的。如果能够在故障发生前识别出此信号，就能够提

3、前制定合理的检修计划，减少因设备突然停机造成的损失，保证设备的安全可靠运行。故障预测通常对具有己知量、渐进劣化的故障和失效模式有效，对于随机的故障和失效模式预测较为困难。1.3故障预测等级按照故障预测的等级可以将故障预测分为初级预测和精确预测。对于两种预测可以有不同的解释。初级预测只是对设备运行状态进行定性评估，预测设备是否存在故障隐患。精确预测为预测设备到下次故障出现前的剩余寿命或者预测设备正常运行到未来某一时间点（如下次检修时间）的概率，需要对设备故障的发展程度有一个定量的表示。从另一层面上，初级预测也可以理解为对设备故障的粗略预测，不确定将要发生的故障类型或者只能确定大致的故障范围，精确

4、预测也可以理解为对设备的某一特定故障进行预测，能够准确确定故障的类型或者各个故障发生的概率。随着预测等级的升高，预测的成本和难度也在加大。二、风力发电机组故障诊断2.1依据振动信号诊断基于振动信号的针对风力发电机组中叶片、齿轮箱、轴承等关键部件的监测与故障诊断方法在我国已经非常成熟。科研人员根据风电机组的故障特点，利用小波神经网络方法对风电机组齿轮箱进行故障诊断，主要是针对风电机组的微弱故障信号，根据集平稳子空间分析的信号分析以及连续的小波变化，总结出风电机组齿轮箱的故障特征。利用谱峭度可以诊断行星齿轮箱的故障，基于频率解调方法识别行星齿轮箱的故障情况，再对风电机组振动信号进行降噪，运用流行学

5、习算法对风电机组的早期微弱故障进行诊断。另外，对叶片故障的诊断，是通过分析对压电陶瓷传感器监测到的振动信号完成的。2.2基于电气信号的故障诊断依据电气信号诊断相较于上文中到的振动信号，此方法中应用到的电气信号更加微弱，甚至常常被电机等设备的运作声音淹没，分析难度较大。所以，在应用此方法时，应使用较为先进的信号接收及分析设备，对相关信号进行准确识别，并从中找出故障信息。在此基础上，将转自动力学模型与数据相结合，对故障问题进行分析和总结。此模型能将电气信号与电机扭矩波动联系起来，分析出机组齿轮箱故障与信号间的实际关系，并将实际情况仿真模拟出来，准确找到故障位置。与此同时，在实际的分析中，还可以应用

6、维纳滤波对噪音进行清理，进而判断出机组中轴承的故障。另外，通过信号双谱分析法、hilbert 模量频谱等方法也能够对部件进行故障诊断，在实际应用中，有关技术人员可以依据实际情况进行选择，科学诊断故障。这种方法不需要额外购置传感器，具备很好的经济效益，而且诊断结果相对准确，应用前景较好。2.3基于模式识别法的故障诊断技术基于模式识别法的故障诊断，即分析风电机组的多元化信号，在时域、频域或时频域上构建一套高维模型，进行特征的融合、降维和分类，继而进行可视化分析，得出故障特征。轴承的故障特征，可以通过对重构的高维结构进行分类分析提取，故障诊断包括以下方法：（1）基于拉普拉斯特征的映射算法，可以保留故

7、障信号的整体几何结构，提取出内在的流形特征，用于装备的故障诊断。（2）基于非线性流形学习方法，在局部空间优化的基础上可以实现滚动轴承的故障诊断，还可以应用新的聚类算法。（3）采取线性判别分析方法，可以对电机轴承的粗糙度故障以及点故障进行诊断。三、风力发电机组故障预测技术3.1机组机械系统故障预测技术探测风电机组的早期故障，预测机械结构的剩余寿命，可以大大提高风电机组运行的可靠性，降低维修费用。故障预测与故障诊断有相通之处，因此，风电机组的振动数据也可以应用到故障预测中。根据风电机组固有的结构特性和功能特征，应用振动数据可以对发电机轴与轴承、齿轮箱轴与轴承、塔筒等机械传动与支撑部件进行故障预测。

8、首先要连续地录取运行中的风电机组的振动数据，然后对数据进行特征分析，提取时域信号或是频域信号，其中频域信号的特征值对故障更为敏感，再根据统计学规律设定预警以及告警阈值，最终以特征值的发展趋势作出预测。对齿轮箱油位、发电机电气量、叶片应变、传动链转矩、噪声等的监测，可以实现相应部件的故障预测。具体可以利用逻辑回归模型拟合，分析装备的性能退化演变过程，根据当前监测的信号评估装备的健康状态，利用自回归滑动平均模型，预测装备的剩余寿命，具体可以采用以下方法：（1）利用gamma 过程分析设备运行数据，能够得出其寿命的概率分布状况，可以依据数据密度判断其具体寿命。（2）利用hmm和隐半马尔可夫模型，通过

9、状态推理，可以完成轴承退化程度的状态识别。（3）利用相对方均根值可以反映出轴承性能变化的情况。其中，多测点布置麦克风的方法可以对噪声进行监测，运用小波分析法提取故障信息，对机械系统故障进行诊断。总体来说，故障预测工作是在稳定工况或单一载荷下，对装备性能退化数据进行分析。3.2机组电子系统故障预测技术近年来，各国对于风力发电的关注度持续上升，对于其故障诊断及预测也愈加深入。电子系统故障在机组检修中也是较为重要的预测环节，虽然不会形成较大面积的停工，维修成本也很低，但是故障次数的增多也会加重维修难度，并且该系统故障发生时间短，若发生故障还极有可能引发系统瘫痪，更是加重了故障检测的难度。在实际的预测

10、工作中，可以通过以下几个方面进行：（1）系统植入。在系统建设及投入使用之初，应对系统进行优化，植入自主检修系统，使其能自主进行故障发现、检查、隔离及修复，减轻预测负担。（2）保护功能的建立。与植入类似，在系统的建设中还应添加保护功能模块，在发现故障后开启保护模式，相关技术人员也可以进行开启该功能。（3）数据实时监控。对电子系统进行监控，可以适当添加预警功能，在遇到重大故障时能对相关技术人员发出警告，通过数据呈现出问题位置，及时解决。结 语：总体而言，当前对风力发电机故障诊断和预测技术的需求非常大。为了健康发展风电产业，政府部门需要加大投入，进一步开发研究风电发电机组的故障诊断与预测技术，以推广科学的在线监测系统。参考文献：1叶