风电机组故障智能诊断技术及系统研究

彭华东，陈晓清，任明，杨代勇，董明,2

（1.电力设备电气绝缘国家重点实验室，西安交通大学，陕西 西安 710049；2.西北电网有限公司 博士后工作站，陕西 西安 710075）

风力发电是世界上公认的最接近商业化的可再生能源技术之一[1]。在当今强调保护环境、可持续发展的背景下，不消耗化石燃料、无环境污染的风力发电被认为是最清洁的能源利用形式。在过去的10年里，由于年平均增长率接近28%，风力发电已成为世界上增长最快的可再生能源[2]。

随着风能的快速发展和大规模风电机组的投入运行，且由于大部分机组安装在偏远地区，负荷不稳定等因素，我国不少风电机组都出现了运行故障，直接影响了风力发电的安全性和经济性。为保持风电的长期稳定发展，增强它与传统能源的竞争力，必须不断降低风力发电的成本（包括制造安装成本和运行维护成本）。服役超过20年的风电机组，其运行维护费用估计占能源成本的10%～20%[3]；海上风电机组由于运行环境更恶劣、维护操作更困难，这个比例更是高达30%～35%[4]。2004年丹麦Horns Rev海上风电场的多台机组出现了电机失效等技术故障，更换风机并运至陆上维修，直接导致设备供应商年度亏损近4 000万欧元。

因此，风电机组的状态检测和故障诊断显得尤为重要，是保证机组长期稳定运行和安全发电的关键。风电机组故障诊断利于降低故障率、减少维修时间、增加年发电量和提高风电场的经济效益；利于发现早期故障，不仅能为机组维护人员安排备用器件和物资提供必要的时间，而且也能为设计人员提供指导和意见。随着人工智能技术的发展，特别是知识工程、专家系统、人工神经网络等在诊断领域的进一步应用，故障智能诊断已逐渐成为现实。本文将在介绍风电机组结构、常见故障和状态监测技术的基础上，深入讨论如何应用人工神经网络构建智能诊断系统，并给出可行的系统设计方案和软件实现流程图。

1 风电机组结构

风电机组通过叶轮捕获风能，传动系统将风能传递到发电机，发电机在电气控制系统的调节下发出高质量的电能，并网型发电机通过变流器和变压器接入电网，向电网馈电。风电机组从整体结构上分为直驱型和齿轮箱升速型，实际应用中较多采用后者。常见的升速型水平轴风电机结构如图1所示[5]，主要由风轮、变桨机构、传动系统、偏航系统、发电机、控制系统、机舱和塔架等构成。

图1 水平轴升速型风电机结构

2 常见故障和机理分析

风电机组多安装在高山、荒野、海滩、海岛等风口处，常年经受无规律的变向变负荷的风力作用以及强阵风的冲击和酷暑严寒极端温差的影响，从而导致其故障频发。

风电机组常见的故障类型有很多。对于不同风电场，其地理位置、风况、风机类型和运行情况都有所不同，从而导致机组的故障类型不同。图2是瑞典风电场2000—2004年间故障数据的统计图。可见，电气系统是机组中最常发生故障的部件，其次是传感器和叶片/变桨装置；齿轮箱故障是引起停机时间的最主要原因，其次是控制系统故障和电气故障[6]。据统计，我国的风场齿轮箱损坏率高达40%～50%，是机组中故障率最高的部件。以下仅分析几种常见的主要故障。

图2 瑞典风电场2000—2004年间风电机组各部件故障次数和时间分布

2.1 齿轮箱故障

齿轮箱是升速型风电机的重要组成部件，其作用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。根据风轮和发电机的特点，机组的质量、刚度以及传动轴的耦合、润滑等情况，齿轮箱在使用过程中将承受静态和动态载荷，从而可能产生各种类型的故障。由于制造安装、操作维护、润滑、承载大小等方面的条件不同，故障发生的时间和程度有很大差异。统计表明[7]，齿轮箱中各类零件损坏的比例为：齿轮60%、轴承19%、轴10%、箱体7%、紧固体3%、油封1%。通常齿轮投入使用后，由于齿轮制造不良或操作维护不善，会产生各种形式的失效，各部件常见的失效形式见表1。

表1 齿轮箱各部件常见的失效形式

2.2 电气系统故障

风电机组的电气系统通过变频器等电气设备与电网连接，向电网输送电能，同时控制电能参数。现代设计通过变频器等电气设备来控制功率和频率，实现风电机组的软并网。在大功率并网型风力发电系统中，双馈型电机转子侧变频调速恒频发电系统性价比较高，近年来被广泛应用。虽然电气系统的投资仅占风电机组全部投资的1%，但是其故障率却高达17.5%[8]。电气系统部件较多，故障种类也较多，主要有短路、过电流、过载、过电压、欠电压、过温、接地、无法启动变频器等故障。

2.3 发电机故障

发电机的作用将旋转的机械能转化为电能，其型式较多，目前国内外采用最多的是双馈式异步发电机。风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%[9]。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。异步电机出现故障时可能出现以下现象：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。

3 风电机组状态监测和故障诊断

3.1 状态监测技术

早期，风电场多采用事后维修方式，即部件失效后才进行维修。随着装机容量的快速增加，风电场更多采用预防性维修（PM）。多数经营者采取定期检查测量结合历史经验分析的方式对机组状态进行评估。上述监测方式有2个缺点：一是检查费用昂贵，需要停机和进入机组内部；二是只能定期评估，很难及时全面地了解设备运行状况。近年来，由于状态监测和故障诊断技术的发展，预测性维修（PDM）和基于状态的维修（CBM）得到了更多的应用。

风力发电机组的状态监测技术主要分为以下几种：振动分析、油液监测、热成像技术、过程参数监视、性能参数检查。其他还包括材料的物理状态检查、应变测量、声学监测、电学效应、目视检查、传感器自我诊断等技术。其中，应变测量、声发射和振动监测可用于检测叶片故障趋势；基于参数估计的方法可用于变桨系统的状态监测；基于不同传感器的振动分析主要用于齿轮箱的状态监测，最常用的传感器有加速度传感器和位移传感器，后者的作用是检查主轴在低速运行时的情况；声发射技术还可用于检测由摩擦引起的部件表面应力的突变，尤其能提早发现齿轮出现点蚀、裂缝等潜在故障；温度监测可用于检查发电机定子和转子绕组的运行情况，转矩测量可用于传动系统的故障检测。

齿轮箱是风电机故障频率最高的部件，表2总结了齿轮箱状态监测的典型技术，并分析了它们的优缺点[8]。

表2 齿轮箱状态监测技术

3.2 故障诊断技术

风电机的故障诊断方法有很多种，主要包括传统诊断方法、数学诊断方法和智能故障诊断方法。传统诊断方法大多是基于状态监测技术的数据分析，现多采用与其他方法相结合的方式对故障进行诊断。数学诊断方法主要包括模式识别、基于概率统计的时序模型诊断、基于距离判据的故障诊断、模糊诊断、灰色系统诊断、故障树分析、小波分析以及混沌分析与分形几何。智能诊断方法主要包括模糊逻辑、专家系统、神经网络、遗传算法等。根据Frank PM[10]的观点，故障诊断方法可根据图3进行分类。

图3 故障诊断方法分类

风力机故障诊断属于旋转机械故障诊断的范畴，其内容主要包括主传动链上主轴、齿轮箱、发电机的故障诊断。文献[11]中介绍了风电机组故障检测技术，基于频谱分析法讨论了轮毂移动和发电机振动的影响。文献[12]基于多层电路理论，建立了双馈型异步发电机（DFIG）定子绕组短路模型，并详细分析了故障电流的变化，提出电流相角差可作为故障诊断特征。文献 [13]分析了永磁同步发电机（PMSG）多相突然对称性短路的情况，文献[14]结合负序分析和神经网络方法，研究了永磁同步发电机单相绕组短路的故障诊断方法。文献[15]研究了一种特殊的离散小波变换法在DFIG电气和机械故障中的应用，实验测试表明此方法在瞬态工况的条件下能对故障进行明确的诊断。文献[16]利用自组织模糊神经网络模型，提出了基于长期预测的非线性系统降阶模型的故障检测方法。文献[17]研究了人工神经网络技术在风电机组变速箱故障智能诊断中的应用，认为BP神经网络是解决复杂状态识别问题的有效方法。文献[18]基于齿轮箱的故障分类，利用小波神经网络分析了齿轮箱的振动频谱；相比于早期的快速傅里叶分析（FFT）和包络分析工具，小波分析更有利于提取故障特征。

4 风电机组故障智能诊断

4.1 诊断方法的选择

目前应用于旋转机械故障诊断较为广泛的方法是专家系统和人工神经网络[19]。专家系统用于旋转机械的故障诊断较成功，但在实际应用中仍然存在以下主要缺陷：建立知识库及验证其完备性比较困难；容错能力较差，缺乏有效的方法识别错误信息；大型专家系统的知识库的维护难度很大；在复杂故障诊断任务中会出现组合爆炸和推理速度慢的问题。与专家系统相比，基于人工神经网络（Artificial Neural Network,ANN）的故障诊断方法具有鲁棒性好、容错能力强和学习能力强等特点。

从风力机故障诊断的实际应用考虑，风力发电在国内的发展尚处于起步或较早状态，早期投入的风电机组也正处于故障发生的频繁期，对故障维护检修的经验仍处于摸索积累阶段，因此构建大规模比较完备的专家库尚不成熟。而神经网络虽然也存在需要完备样本的条件，但对故障样本的搜寻相对比较简单。另外对风电场机组的检测需要较强的容错能力和实时性，即要对机组的运行情况进行在线诊断并发出警报，尽量避免故障情况的误报。因此，应用神经网络进行风电故障诊断将是一个很好的选择。虽然神经网络在风电领域中的应用实例并不多，但在机械故障诊断中的应用已十分广泛，尤其是对齿轮箱、发电机的诊断有很多成功的经验可循。基于以上原因，下面具体介绍如何利用神经网络构建风电机组智能诊断系统。

4.2 预警和诊断系统设计

根据神经网络技术在旋转机械故障诊断方面的研究总结[16-17,20-22]，拟定如图4的风电机组预警和诊断方案。

图4 风电机预警系统神经网络结构

预警系统采用3层BP神经网络结构。网络的拟定输入为风向、风速、风轮转速、电机转速、输出功率、功率因数、发电频率、发电机温度、齿轮箱油温、液压系统压力等10个参量，在实际的设计中选取敏感度较高的参数作为输入量，可根据运行数据进行调整；输出为机组正常、齿轮箱异常、发电机异常、偏航系统异常4个量。根据风电场运行数据，取得机组在齿轮箱异常、电机异常、偏航系统异常和正常四种状态下的样本值，即预警和报警样本值。神经网络输出节点为4个，分别对应机组正常、齿轮箱异常、发电机异常和偏航系统异常，节点输出值的范围为[0,1]，输出值越大代表异常的可能性越大。

应用神经网络模型进行故障预测和诊断过程分为两部分：网络模型学习训练和模型的应用[23]。前者在离线时通过目标样本训练神经网络、调节网络权值，从而得到实用的网络模型。当训练输出与预期输出之差在容许范围内时，表明网络已训练好，然后分析目标样本确定各节点的输出阈值。各异常状态对应节点输出的最小值作为该节点输出的第一阈值；各异常状态对应节点输出的平均值作为该节点输出的第二阈值。

模型的应用即利用训练得到的诊断模型对运行数据进行故障诊断和预测。用实时测量数据代替网络的输入，用已训练好的模型实时计算输出，若某节点的输出大于第一阈值，小于第二阈值时，对该类故障给予预警，提醒工作人员注意；当节点输出超过第二阈值时，发出报警信号，认为该类事故发生。故障诊断预警模型的运行流程见图5。

图5 故障诊断模型运行流程图

4.3 数据库结构

风电机组预警诊断系统作为一套完整的软件不仅要具有训练和诊断功能，还需要其他一些辅助功能：实时诊断、实时曲线、实时监控、历史数据查询、诊断数据查询、神经网络训练、数据管理等。此系统用于对不同风电场不同机组的运行状况进行诊断，因此包含了对远程数据库和本地数据库的操作。其中本地数据库用于存储神经网络训练样本、训练得到的网络模型、用户信息、阈值参数等；远程数据库主要用于保存系统诊断所需要的风电机组的参数数据（即机组运行的实时数据）以及实时诊断的计算结果等。数据库存取流程和本地数据库结构图如图6所示。

图6 数据库操作流程和本地数据库结构图

系统对故障样本的训练在本地完成。通过调用本地的样本库进行训练，为每台机组训练得到一套诊断模型，并将该模型储蓄在本地。从故障预警系统开始运作起，实时监控模块将会从远程数据库中读取实时数据和用户信息，然后根据用户信息从本地数据库中调用该用户的诊断模型，对读取到的实时数据进行诊断计算，诊断结果显示该机组此时是否出现故障，并将该结果保存回远程数据库中以备后续功能调用。实时曲线模块从远程数据库中读取机组异常数据进行实时绘制曲线；历史数据查询、诊断结果查询等功能主要根据设定的时间日期等参数从远程数据库中选出符合条件的数据。

4.4 软件实现

根据神经网络用于故障诊断的原理，在软件的使用方面设置了学习模块和诊断模块。为适应学习和计算的不同需要，两条模块采用不同的组织形式。软件操作方式拟采用树状按钮的设置模式，既可浏览软件各功能全貌，又可方便操作各个功能模块。设计原则简单方便、易于理解，各个功能模块化，操作直观快捷，安全性区分好。软件整体设计流程图如图7所示。

图7 故障诊断系统软件实现流程图

软件实现主要包括算法实现和系统实现两部分。算法实现为神经网络训练算法和实时诊断算法；系统实现为整个软件系统的功能，包括诊断模块、训练模块、系统框架、曲线绘制模块、数据查询模块、数据管理模块的软件实现等。软件设计完成后，还应进行测试，包括独立运行测试和融合测试，其目的是确保各模块实现各自的功能，相互之间通信正常，不出现非法干扰。

5 结语

随着风能在世界范围内的快速发展，不少风电机组都出现了大量运行故障，如何降低发电成本、保证机组的运行可靠性已成为一个亟待解决的问题。风电机组是一个复杂的机电综合系统，目前齿轮箱故障、电气系统故障和发电机故障是最主要的三种故障，往往征兆与故障之间存在多种映射关系，针对风电机组进行状态监测，进而开展故障诊断仍存在较大的困难。因此构建基于BP神经网络的风电机组故障智诊断系统，擅长发掘故障信息中的隐含知识，不仅可对故障进行有效诊断与分类，还有利于降低机组故障率、减少维修时间、提高风电场的经济效益。

[1]Mid and Long Range Plan for Renewable Energy Development[R].Chinese Committee for National Development and Reform,2007.

[2]Highlights of the World Wind Energy Report 2008[R/OL].World Wind Energy Association.http://www.wwindea.org/home/index.php.

[3]WALFORD C A.Wind Turbine Reliability:Understanding and Minimizing Wind Turbine Operation and Maintenance Costs[R].Sandia Report,SAND2006-1100,2006.

[4]WILKINSON M R,SPIANTO F,KNOWLES M,et al.Towards the Zero Maintenance Wind Turbine[C]//Proceedings of 41st International Universities Power Engineering Conference,2006,1:74-78.

[5]AMIRAT Y,BENSAKER MEH，WAMKEUE R.Condition Monitoring and Fault Diagnosis in Wind Energy Conversion Systems:a Review [C]//Proceedings of the International Electric Machines and Drive Conference,2007:1434-1439.

[6]RIBRANT J,BERTLING L M.Survey of Failures in Wind Power Systems With Focus on Swedish Wind Power Plants during 1997-2005[J].IEEE Transactions on Energy Conversion,2007,22（1）:167-173.

[7]李虎,柳亦兵.大型风电机组振动状态监测系统开发[D].北京:华北电力大学,2009.

[8]LU Bin，LI Yaoyu，LI Xin，et al.A Review of Recent Advances in Wind Turbine Condition Monitoring and Fault Diagnosis[J].IEEE Power Electronics and Machines in Wind Applications,2009:109-115.

[9]POPALM,RITCHIEE,BOLDEA I,etal.Condition Monitoring of Wind Generators[J].IEEE Industry Applications Society Annual Meeting,2003,3:1839-1846.

[10]FRANK P M.Fault Diagnosis in Dynamic Systems Using Analytical and Knowledge-based Redundancy:a Survey and Some new Results[J].Automatica,1990,26（3）:459-474.

[11]CASELITZ P,GIEBHANDT J.Development of a Fault Detection System for Wind Energy Convertors[J].EUWEC,1996.

[12]LU Q F,CAO Z T,RITCHE E.Model of Stator Inter-turn Short Circuit Fault in Doubly-fed Induction Generators for Wind Turbine[C]//IEEE 35th Annual Power Electronics Specialists Conference,2004,1（6）:932-937.

[13]QIAO Mingzhong.The Analysis of Abrupt Symetry Short Circuit of multi-phase PMSG[J].Journal of Electrical Engineering Technology,2004,19（4）.

[14]QUIROGA J,CART ES D A,EDRINGTON C S.Neural Network Based Fault Detection of PMSM Stator Winding Short Under Load Fluctuation[J].EPE-PEMC,2008:793-798.

[15]AL-AHMAR E,BENBOUZID MEH,AMIRAT Y,et al.DFIG-Based Wind Turbine Fault Diagnosis Using a Specific Discrete Wavelet Transform[C]//Proceedings of the 2008 International Conference on Electrical Machines,2009,1（4）:1175-1180.

[16]ZHAI Yongjie,DAI Xuewu,ZHOU Qian.Fault Detection for Gas Turbines Based on Long-term Prediction using Self-organizing Fuzzy Neural Networks[J].Proceedings of the Sixth International Conference on Machine Learning and Cybernetics,2007,1（7）:1120-1125.

[17]YANG Shulian,LI Wenhai,WANG Canlin.The Intelligent Fault Diagnosis of Wind Turbine Gearbox based on Artificial Neural Network[J].Proceedings of International Conference on Condition Monitoring and Diagnosis,2008:1327-1330.

[18]HUANG Qian,JIANG Dongxiang,HONG Liangyou,et al.Application of Wavelet Neural Networks on Vibration Ffault Diagnosis for Wind Turbine Gearbox[M].Lecture Notes in Computer Science.Advances in Neural Networks,2008,5264:313-320.

[19]张承亮.旋转机械故障诊断方法概述[J].科技情报开发与经济,2008,18（26）:191-193.

[20]ZAHER A S,MCARTHUR SDJ.A Multi-Agent Fault Detection System for Wind Turbine Defect Recognition and diagnosis[C].IEEE Lausanne Power Tech,2007,1（5）:22-27.

[21]阴妍,鲍久圣.基于神经网络和VB程序的旋转机械故障诊断系统[J].设备管理与维修,2008,11:44-46.

[22]ECHAVARRIA E,TOMIYAMA T,HUBERTS HW,et al.Fault Diagnosis System for an Offshore Wind Turbine using Qualitative Physics[C].EWEC,2008.

[23]韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社，2002.