【基于故障树的风力发电机的故障诊断10000字（论文）】

基于故障树的风力发电机的故障诊断摘要本文主要利用相关性分析，针对风场风电机组实时运行监测数据进行分析处理,本文内容的章节安排如下主要阐述了风电机组故障诊断的研究背景及意义，以及国内外故障诊断技术的研究现状进行了分析比较。主要介绍了风电机组的各个主要子系统的结构、功能以及主要的故障形式，并且总结了各个子系统故障诊断的所需参量以及目前应用于实际的主要诊断方法，为后续的研究奠定了基础。本文探讨故障树理论及其在风力发电系统故障诊断中的应用。关键词：故障树；风力发电机；故障诊断一风电机组故障诊断的研究背景及意义1.1风电机组故障诊断的研究背景二十世纪六十年代初产业革命阶段，国外最早开始了对机械设备的监测与故障诊断技术的研宄。六十年代末，由于航天、军工业的需要迅速发展，对大型旋转机械的机械振动、振动信号提取方法、信号处理技术以及故障诊断系统进行了深入研宄，英国对设备故障诊断技术的探讨始于此时期，以著名的博士为核心人物的英国机器保健中心，在诊断技术的集成开发方面做了许多分析与研宄，并取得了一定的成果。到七十年代后期，一些测试诊断仪器进入工程实用领域。日本的诊断技术思索便是诞于七十年代左右，年新日铁以丰田利夫教授为核心展开了对诊断技术的开发，到年己能够运用到应用方面。虽然日本的发展时间较短，但进展较快，其可以借鉴的行为是一直注视着世界各国故障诊断技术的发展状况，着重注意研究美国故障诊断技术的实况，积极仿效和引进最新技术。到九十年代，由于现代测试技术、计算机技术以及信号处理技术等方面的一成就，促使大型旋转机械的运行状态监测与故障诊断系统的飞速发展。1.2国内外故障诊断技术的研究现状分析比较国外计对风力发电系统容易发生故障的部件己经展开了较多的研究。目前的研究重点主要在电气系统（发电机、叶片、传动系统（齿轮箱）等方面。国外主要是通过对风力发电机的输出信号如电流、电压和功率等来进行分析，以诊断故障。国内研究现状及趋势：国内对风力发电系统的故障诊断还处于起步阶段，目前我国从事风电系统故障诊断技术研宄与开发的单位较少，主要有新疆大学、沈阳工大、西华大学、中国石油大学和大连理工等高等院校，最近清华大学、华北电力大学和天津工业大学也开展了一些研究。此外，一些公司对传统的旋转机械振动监测故障诊断系统进行了改造，应用到了风力发电系统上，如新疆风能有限公司、新疆金风和深圳创为实等公司已开发出相应的产品。国内都是针对风电机组的某个设备开展了故障诊断方法的研究，并没有从系统的角度去研究系统的故障特征。大多数研究文献并没有考虑风速变化对故障特征的影响，例如有文献指出表面粗糙和偏航不对中造成的气动力不平衡，可以通过一倍频、二倍频处的幅值增大反映出来，但实际上在不同的风速范围，其幅值增大程度并不一样。二故障树理论2.1故障树分析法故障树分析法(faulttreeanalysis}FTA)是1961年由美国贝尔实验室的华生(H.A.Watson)和汉塞尔(D.F.Haasl)首先提出，并应用于民兵导弹发射系统的质量控制。经过多年发展，FTA在对机械系统可靠性、安全性分析和风险评估上得到了广泛应用，己成为一种较为成熟的工程计算方法传统的FTA方法存在以下不足之处:首先，传统的FTA方法在对系统的可靠性进行分析时，认为部件只有工作或故障两种状态，不能对系统的可靠做出更确切或更符合客观实际的评价;其次，传统的FTA方法以布尔代数法为基础，需要精确己知部件故障发生概率和故障事件之间的联系，忽略了环境的模糊性和数据的不准确性会对部件故障概率产生影响，给故障树定量计算带来很大的误差;最后，部件故障概率值的获取和故障事件之间关系的明确需要大量统计数据，对于新研制产品或故障发生概率很低的部件难以获取大量的数据。由于这些问题的存在，导致在分析多状态不确定性复杂系统时，传统的FTA方法难以得到令人满意的结果。故障树方法的改进,1983年，H.Tanaka等人提出模糊故障树方法。该方法针对故障树的顶上事件和基本事件的发生概率，采用模糊概率值取代精确概率值，将模糊数学和经典的事故树理论进行了有效的结合，解决了顶上事件和基本事件的精确发生概率难以确定的问题，在各领域得到了发展和应用。近年来，李瑰贤、周继忠等人提出将灰色关联分析方法用于故障树分析过程，解决故障信息缺乏导致的故障事件之间关联不确定性问题，取得了一定的进展。但是，在工程实际中往往在一个信息不完全的问题中存在许多模糊的因素，或是具有模糊因素的一个问题不具备完全充分的资料，即在一个问题中既存在模糊性，又具有灰色性。因此，本文同时考虑系统的模糊性和灰色性，采用灰关联分析方法对模糊故障树进行改进，形成模糊灰关联分析方法。2.2模糊灰色关联分析方法2.2.1建立故障树首先确定一个最不希望发生的故障事件作为顶上事件(用T表示)，逐步找出各中间故障事件(用A表示)的全部可能起因，并用故障树符号表示各类故障事件及其逻辑关系，直至分析到各类基本事件(用X表示)。2.2.2求故障树的结构函数和最小割集求故障树的结构函数就是将故障树用简单的数学表达式表示出来，以便于对故障树进行简化，并用数学方法进行运算。具有n个基本事件的故障树的结构函数可表示为:yX,Xz,...。故障事件所组成的集合中全部基本事件都发生时顶事件必然发生，则这个故障集合是故障树的一个割集，若将割集中任意去掉一个基本事件后割集就不成立的故障集合则为最小割集(用F表示)[A]。确定简单故障树的最小割集时，只需将故障树的结构函数展开，使之成为具有最小项数的积之和的表达式，每一项乘积就是一个最小割集。2.2.3确定基本事件的模糊概率基本事件的精确概率往往难以确定，这里采用模糊数来表示基本事件的发生概率。模糊数有多种形式，如三角形模糊数、梯形模糊数、正态模糊数、LR型模糊数和语言值等。而三角模糊数参照函数处理较方便，代数运算较容易。因此，在模糊故障树分析中采用三角模糊数。一个三角模糊数P的隶属度函数具有如下形式，即：隶属度函数可以通过图1形象的表示出来。因此，三角模糊数也可由3个参数a，m，b表示，记为p=(a，m，b)。2.3确定参考列和比较列灰色关联分析的基本思想是根据序列曲线几何形状的相似程度来判断其联系是否紧密。曲线越接近，相应序列之间的关联度就越大，反之就越小［11］。因此，首先需要确定参考序列和比较序列。这里把对各基本事件的模糊重要度做均值化处理后作为参考列。当故障树具有m个最小割集时，可用一个特征向量来代表相应的最小割集，进而构成一个典型故障的特征矩阵。最终，最小割集的灰色关联度的大小，灰色关联度越大的最小割集所代表的故障模式造成顶上事件发生的可能性就越大;反之造成顶上事件发生的可能性就越小。3故障树结构在风力发电机和故障树风轮叶片中的分析和运用3.1建立故障树风轮叶片故障树结构风力发电机作为风能转化为电能的基础设施在整个风力发电系统中有着举足轻重的作用。风力发电机各部件长期工作在野外。由于环境影响因素众多且相互之间作用复杂，导致了风力发电机故障种类繁多，故障原因复杂，故障征兆模糊，故障机理不清，故障数据缺乏等问题，从而使得现场数据带有极大的复杂性、模糊性、不确定性，给故障分析过程造成困难。使用传统的可靠性分析方法难以得到令人满意的结果。风力发电系统主要包括塔架、风轮、变桨系统、机舱、传动系统、偏航系统、刹车系统、发电机、电气系统、主控系统、传感器等子系统。其中风轮是捕获风能的装置，由叶片和轮毅组成。由于风力发电机长期工作于雨、雪、大风等恶劣环境中，易造成风轮不平衡、浆叶和轮毅的腐蚀、损伤等故障。本文依据风力发电机的故障统计资料，建立风轮叶片故障的故障树，利用上述模糊灰关联分析方法对故障树进行分析，其过程如下。图2风轮叶片故障树Fig．2FTAofrotorblades故障树的顶上事件T表示风轮叶片故障;中间事件A1表示质量不平衡，A2表示空气动力学不平衡，A3表示叶片裂纹损伤;各基本事件的含义如表1所示。求故障树的结构函数和最小割集上面故障树的结构函数为:可见故障树的每个基本事件就构成一个最小割集，即：3.2确定基本事件的模糊概率根据工程经验，利用三角模糊数来表示各基本事件的模糊概率，如表1所示。计算顶上事件的模糊概率根据故障树的结构函数和三角模糊数的运算法则，计算顶上事件的模糊概率为：计算基本事件的模糊重要度根据式：计算得各基本事件的模糊重要度所构成的集合：{e1，e2，e3，e4，e5，e6，e7，e8，e9，e10}={0.032726，0.032726，0.109729，0.039689，0.039689，0.000622，0.00056，0.000498，0.000124，0.054069}确定参考列和比较列根据式：确定参考序列，即：X0=［1.054208，1.054208，3.534697，1.278508，1.278508，0.02005，0.018043，0.016037，0.004007，1.741735］。根据式(9)确定比较序列，即：计算关联系数与灰色关联度根据式(10)和式(11)求得关联系数如表2所示：根据式(12)求得各最小割集的灰色关联度所组成的集合{r1，r2，r3，r4，r5，r6，r7，r8，r9，r10}={0.757866，0.757866，0.731167，0.751827，0.751827，0.688775，0.688616，0.688458，0.687503，0.74352}。对各最小割集的灰色关联度进行排序:r1=r2＞r4=r5＞r10＞r3＞r6＞r7＞r8＞r9。该结果反映出了各最小割集所代表的故障模式导致顶上事件发生的可能性的大小。本文提出了利用灰关联分析方法对故障树基本事件的模糊重要度进行分析的模糊灰关联分析方法。解决传统的故障树分析方法无法解决的由于故障信息缺乏所导致的顶上事件和基本事件的概率无法确知以及基本事件与顶上事件之间的相互关联难以确定的问题。应用该方法对风力发电机系统的风轮叶片故障树进行分析，对造成顶上事件发生的各种故障模式可能性大小做出判断，找出了风轮系统中变桨振动调节闸漏油，结冰腐蚀污垢等关键故障模式，为处理事故的轻重缓急、控制事故的发生、改进系统可靠性和安全性提供了理论依据。3)该方法同时考虑系统的模糊性和灰色性，经进一步的研究改进，可用于包括机械系统在内的多状态不确定性复杂系统的可靠性分析。四风力发电机的故障诊断4.1风力发电机组的故障特点风电机组主要分为三类：①双馈式变桨变速机型，是目前大部分企业采用的主流机型；②直驱永磁式变桨变速机型是近几年发展起来的，是未来风电的发展方向之一；③失速定桨定速机型是非主流机型，运行维护方便[10]。考虑到目前风场中主要以双馈式变桨变速机型为主，故本文内容主要针对该机型的故障及状态监测方法加以讨论。风力发电机由风轮及变桨距系统、轮毂、结构(机舱、地基和塔架)、传动装置、齿轮箱、发电机、电气系统、控制系统、传感器、刹车系统、液压系统和偏航系统等构成[11]。风电机组首先将风能通过风轮转换成机械能，再借助主轴、齿轮箱等传动系统和发电机将机械能转换成电能，从而实现风力发电。风力发电机组一般都设在50～80m或以上的高空，其工作环境恶劣复杂，机组的受力情况也很复杂。风力发电机组在工作过程中，桨叶的转速是随风速的变化而变化。当阵风袭来，叶片受到短暂而频繁的冲击载荷，而这个冲击载荷也会传递到传动链上的各个部件，使得各个部件也受到复杂交变的冲击，对其工作寿命造成极大的影响，使风力机在运行过程中出现各种故障，尤其是风轮以及与其刚性连接的主轴、齿轮箱、发电机等在交变载荷的作用下很容易出现故障，造成机组停机。表3是西班牙纳瓦拉水电能源集团公司(EHN)对2001～2003年风力发电机主要部件的故障比例统计。据统计其中行星齿轮段占54%，中间轴占4%，高速轴占38%，其他原因占4%[12]。表3EHN公司风力发电机故障比例统计%年份齿轮箱发电机叶片200148213120025627172003602911近年来，在国家政策的大力支持下，我国自行研发的风力发电机组已逐步占有市场，市场份额比例也在逐年上升，但是在引进国外先进技术的同时，欠缺对我国特殊的气候环境和地理因素的考虑，致使产品质量问题越来越突出。在国家相关部门的调研中发现[8]，各整机制造企业在运行和调试过程中均出现过质量问题，问题部件及原因如表4所示。表4风电整机及零部件部分产品质量问题与原因风场多位于偏远的山区或近海区域，交通不便，并且机组处于高空，一旦机组的某些部件出现故障，不仅长时间停机造成发电量损失，而且整个机组的重新吊装和部件更换，都需要极大的人力和物力。长期以来，风力发电机采用的是计划维修和事后维修的方式。计划维修即机组运行2500h和5000h后的例行维护，如：检查螺栓是否松动、抽检油样、加注润滑油等。这种维修方式无法全面、及时地了解设备的运行状况;而事后维修则由于事先准备不足，造成维修工作耗时太长，损失严重。所以，必须在风力发电机组运行过程中实时监控各关键部件的运行状态，及时了解各部件存在的故障隐患，以便及时采取措施，防止造成严重损失，提高风力发电机组运行的可靠性，延长其使用寿命。状态监测和故障诊断技术可以在机组不停机的情况下，对其进行连续监控，实时了解设备的健康状态，及时发现故障隐患，避免重大事故的发生，并且得到的机组长时问运行状态数据对零部件后续的设计改进有积极的指导作用。通过国内外的统计数据可以发现，风力发电机组的典型故障主要集中在叶片、齿轮箱、发电机等部位。针对不同的故障部件和故障特征，采取合适的故障诊断方法是有效实施状态监测和故障诊断技术的保证。4.2风场风电机组实时运行监测和风场风电机组实时运行监测数据分析处理针对风力发电这一新型装备制造业，目前尚缺乏有效的监测诊断方法，其有效的在线振动监测诊断系统可以说还是空白。风力机容量的增加，使得风力机体积变大，发生事故的概率增大。面对风力机事故发生频繁以及造成的巨额损失，风力机的状态监测技术引起了国内外相关人员的极大关注。但鉴于现代风力机的运行特点，传统的状态监测方法虽然可以实现故障的有效诊断，但存在一定的局限性，尤其是在线状态监测方面，问题尤为突出。选择合适的状态监测方法，实现风力机故障的有效诊断是现在风力机状态监测面临的主要问题。本文在简要介绍风电发展趋势的基础上，主要介绍了风力机的主要故障部件和现有的状态监测方法，以及有待研究的一些问题。五风场风电机组故障诊断随着人类对能源的需求日益增加，可持续发展的迫切需要，建立在天然气、石油、煤等传统资源基础上的能源体系在推动人类社会进步的同时也带来了人类居住环境的日益恶化。如何实现能源的可持续发展，寻求清洁、安全且能够重复利用的绿色能源，从而满足社会经济的可持续发展，已经成为世界各国共同面对的难题。在此背景下，具有分布广、巨大蕴藏量、无污染、可再生等优点的风能越来越受到世界各国的相关部门的重视，成为可再生能源发展的重要方向。如今全球的风能总量约为2.7×109MW，其中可利用的风能约为2×109MW，我国的风能资源丰富程度仅此于美国和俄罗斯，居世界第三位。风力发电作为风能利用的主要方面，是世界上增长最快的发电技术，风电装机容量正在逐年迅速增长，从1996年开始，全球风电累计装机容量已经连续15年保持在20%到40%的高速增长水平，2010年，世界风电发电量约占用全球电力消费的2.5%，到2020年，预计风电提供全球约7.7%~8.3%的电力。截止2012年年底，全球总装机容量超过2.83×109MW，新增装机容量达到44，711MW。风电的快速发展也给风电设备制造业也带来了巨大挑战。伴随风电机组装机容量越来越大，风电机组故障发生率也越来越高，随着投产的风机数量不断增加，装机规模的不断扩大，发展相关的第三产业即风机运行维护、监测、故障诊断等己逐渐成为行业新的增长点。5.1齿轮箱齿轮箱位于机舱内，是风力机传动链上的重要部件，是连接主轴和发电机的重要枢纽。齿轮箱一般由一级行星齿轮传动和两级平行齿轮传动构成，内部结构和受力情况较为复杂，尤其是在变工况、变载荷的情况下运行，容易发生故障。齿轮箱的常见故障包括齿轮故障和轴承故障，轴承作为齿轮箱的关键部件，其失效常常会引起齿轮箱灾难性的破坏。常见的齿轮故障有：断齿、齿面疲劳、胶合等；轴承故障有：磨损、点蚀、裂纹、表面剥落等。表5是瑞典皇家理工学院的可靠性评估管理中心对分布于瑞典的风力机齿轮箱故障类型的统计数据。齿轮箱是风力机正常、高效运行的保障。风电技术的快速发展和单机容量的增加，使得风力机的规模越来越大，对其性能的要求也越来越高。随着大重型机组的投入运行，齿轮箱的故障频率也随之增加。据统计，一台风力机故障停机时问的20%是由齿轮箱故障引起的。一旦齿轮箱出现问题，除了高额的维修费用，长时问停机造成的发电量损失也是巨大的。表6是1997--2004年瑞典皇家理工学院对瑞典风力机齿轮箱故障时问统计数据。面对风力机齿轮箱故障的频繁发生以及造成的巨额损失，近年来，已有不少科研人员对风力机齿轮箱的故障检测进行了研究。振动测量方法是技术最成熟、最普及的一种故障检测方法。唐新安等[13}借助时域信号的统计指标实现了对齿轮箱故障的初步诊断，然后借助传统的快速傅里叶变换(FastFouriertransform,FFT)和功率谱对诊断结果进一步加以确认。众所周知，故障特征频率是判断齿轮、轴承等健康状态的重要指标。借助故障特征频率可以实现故障的准确定位，提高诊断精度。时频分析方法是结合了时域和频域的双重信息，适用于非平稳信号的处理方法。常见的时频分析方法有小波分析、短时傅里叶变换以及经验模态分解等。BARSZCZ等提出了利用谱峭度诊断行星齿轮箱故障的方法。谱峭度具有对冲击信号敏感的特性，利用谱峭度可以检测出信号中的冲击成分，从而诊断出故障原因。HUANG等[[1G}研究了小波神经网络在风力机齿轮箱故障诊断中的应用。该方法借助小波变换的时频分析特性和神经网络的白学习功能，将小波函数作为神经网络的隐含层，提高了诊断精度，减少了神经网络的层数，加快了收敛速度。1NALPOLAT等[17}对行星齿轮箱的建模和动力学行为进行了研究，为阐述其复合传动引起的故障相互调制和祸合等故障机理提供了依据。温度测量方法是基于零部件的温度变化实现异常状态识别的诊断方法。温度作为状态量，测量方便，操作简单。鉴于温度测量方法的简单易行等特点，该方法已集成在风力机的控制系统中，用于检测齿轮箱、发电机以及主轴等部件的健康状态。5.2发电机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。随着风力机容量的增大，发电机的规模也在逐渐增加，使得对发电机的密封保护受到制约。发电机长期运行于变工况和电磁环境中，容易发生故障。常见的故障模式有发电机振动过大、发电机过热、轴承过热、转了/定了线圈短路、转了断条以及绝缘损坏等。据统计，在发电机的所有故障中，轴承的故障率为40%定了的故障率为38%，转了的故障率为10%其他故障占12%。根据发电机的故障特点，采用的诊断方法主要是基于转了/定了电流信号、电压信号以及输出功率信号等状态检测手段。POPA等[is}借助定了电流和转了电流信号的时域分析得到其幅值信息，再通过FFT得到电流信号的谐波分量，最后通过判断谐波分量的变化实现对发电机3种模拟故障的识别。WATSON等[m}借助连续小波变换，对输出功率信号进行分析，识别出了发电机转了偏心故障和轴承故障。DJUROVIC等[}zo}研究了稳态状况下，短时傅里叶变换方法在发电机定了开环故障中的应用。通过对比发现，虽然基于定了电流和瞬时功率的诊断方法均可识别出故障，但瞬时功率信号中包含了更多的故障信息。发电机的转了偏心现象是轴承过度磨损或其他故障隐患的表现。基于输出电流、电压、功率等信号的检测方法是识别转了偏心故障的有效手段。此外，MOHANTY等针对多级齿轮箱研究通过解调异步发电机的电流信号来诊断齿轮箱故障。另外，BENNOUNA等在变转速下建立了基于多项式的双馈式异步发电机线性与非线性数学模型，利用故障特征分析法检测出了转了偏心故障，但是此方法也仅能判断发电机出现故障类型，而不能准确找出故障源。YANG等[23}针对同步发电机为消除变转速的影响，提出了基于转矩和主轴转速的判断准则。模拟定了绕组线圈的短路，对发电机定了绕组电流/功率信号，先用离散小波去除噪声，再使用连续小波提取特征频率，有效地识别出了故障。5.3叶片叶片是风力发电机组吸收风能的关键部件。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问运行产生的疲劳裂纹等故障隐患。风力机叶片长度一般在30^-40m，由纤维增强型复合材料组成，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。因此，研究风力机叶片的状态检测方法，对于降低故障损失，保证机组长时问安全运行具有重要意义。目前，国内虽然在风力机叶片的设计制造技术方面取得了一定的研究成果，如清华大学针对风力机叶片在运行过程中出现的颤振等现象综述了叶片气动弹性稳定性问题的研究成果[24]，为风力机叶片的设计提供理论依据。但现有文献对其运行过程中的状态检测技术研究的较少，GHOSHAL等[[z5}基于振动测量方法，利用压电陶瓷传感器捕捉振动信号，提出了4种用于叶片故障诊断的方法。传递函数和动态变形分析方法需借助多普勒激光扫描测振仪和叶片健康状态时的测量数据作为参考，虽然诊断结果较为准确，但难以在实际中应用;响应比较和波动传播分析方法只需压电陶瓷传感器和激振器，借助传感器信号之问的比较判断叶片是否存在异常。波动传播方法只对位于传感器和激振器之问的故障敏感，有一定的局限性;但响应比较分析方法算法简单·对历史数据要求低。SCHROEDER等z基于安装在运行风力机叶片中的光纤光栅传感器测量系统的成功运行，介绍了用光纤光栅传感器实现风力机叶片的在线监测的可行性。根据风力机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。SUNDARESAN等利用压电陶瓷传感器捕捉叶片中的应力应变波形，通过分析这些波形的传播特性实现对叶片的故障识别。可见，对于叶片的故障检测，主要是根据材料在不同受力情况下的应力应变变化，从而识别出故障状态。应力应变检测方法是通过应力应变传感器(光纤光栅传感器)检测叶片在运行过程中应力应变的变化范围，从而确保叶片的安全运行，并且该方法对于预测叶片寿命也非常有效。光纤光栅传感器具有较好的抗电磁干扰、抗腐蚀、尺寸小、寿命长等优点，适合叶片结构的状态检测。但叶片损伤容限准则尚未有效建立，基于光纤光栅传感器获得的信号难以与叶片损伤模式对应，YE等针对复合材料损伤的失效容限和性能退化预测进行了相关研究工作。此外，国外相关人员还利用现代无损检测手段对叶片的健康状态进行识别。声发射检测方法是利用物体内部因应力集中产生断裂、变形时释放的应变波来识别被检部件的异常情况。风力机叶片长期受到空气动力的交变冲击以及腐蚀等，会产生裂纹、变形等异常，可借助声发射检测。红外成像检测方法是利用物体在不同温度下辐射出来的红外线成像识别异常状况。物体表面的健康状态(裂纹、剥落等)会影响热辐射的能量分布，利用该特点，红外成像检测方法可用于零部件表面裂纹的诊断识别[[30]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，应用到实际中还需要一定的时问。5.4桨距控制系统、电气系统与偏航系统采用桨距控制除可控制转速外，还可减少转了和驱动链中各部件的压力，并允许风力机在很大风力下运行，目前主流的调速方式采用变桨距结构。其一般有两种传动机构:齿轮式与连杆式。在大型风力机中，常采用电了控制的液压机构来控制叶片的桨距，液压调节器控制齿轮或连杆推动叶片。变桨距系统转速极低、运行不连续、负载随机，对其状态监测可采用振动检测，也可采集发电机的电流信号进行分析。风电机组的电气系统通过变频器等电气设备与电网相连，向电网输送电能，同时控制电能参数。电气系统部件较多，发生故障的概率较大，故障类型主要有:短路故障、过电压故障、过电流故障以及过温故障等。电气系统的任一部件出现故障，都有可能问接引起发电机的损坏。鉴于电气系统的特点，可以采取性能参数检测方法，如检测输出电压、电流、功率、温度等是否和正常值相一致，借此判断电气系统各个部件的健康状态。偏航系统在风力发电机组中的作用是转动机舱，使转了随时与风向保持一致，以保证风力发电机具有最大的发电能力。偏航系统主要由偏航电机、偏航齿轮、偏航齿圈等组成，出现的问题主要包括轮齿磨损、定位不准确、偏航电机故障以及限位开关故障等。鉴于偏航系统白身的运行特点，如转速低、状态多变、负载重等，对其进行状态监测，采用的方法大致是振动检测以及针对偏航电机的电流、电压检测方法等。市场调查研究风力发电机姐的故障情况及故障诊断方法。首先采用调查法调查了风力发电技术的发展现状，风力发电场的地理分布特点和风为发电机组的故障情况，并对其现有的故障诊断方法进行重点调查分析，了解其原理、应用范围和优缺点，掌握基本情况为后续的设计与实现奠定基础。通过对于现有技术的综合了解，对于当前技术进行简单的分析寻找当前风力发电市场现有的故障诊断系统的不足之处，结合实际情况分析。就目前来说，国内应用于风力发电场的故障诊断系统只能做到响应式维护和定期维护，有预知维护方面的理论研巧基础，虽然部分公司开发一些针对风力发电机组某一部位进行预知维护的软件但因为技术原因，目前还未大规模投入使用，并且没有对整个风电场进行预知维护的故障诊断系统。六总结现如今风电机组的状态监测与故障诊断技术正在飞速发展之中，越来越多的研究人员参与其中，但是其成熟度依旧跟不上风电机组的发展速度，且对状态监测与故障诊断应用于风电机组的研究还处在初级阶段，国内外研究人员虽然提出了大量的监测诊断方法，但是其中的大部分还是处于仿真理论研究或离线诊断阶段，且实际监测数据目对于仿真数据更为复杂，现有应用的故障诊断系统功能也‘较为简单，许多系统还达不到自动诊断，不能及时准确的给出故障诊断结果，许多故障还需要专家进行现场诊断，这些都是现在所面临的主要问题。本文在简要介绍了故障诊断发展趋势的基础上，对风电机组的智能预测诊断技术做了研究，对解决实际风场故障诊断问题有重要意义。参考文献[1]武花荣，王晨升，刘磊磊，等.基于