风电机组噪声检测及故障诊断研究

(新疆大学电气工程学院1，新疆 乌鲁木齐 830047；可再生能源发电与并网技术教育部工程研究中心2，新疆 乌鲁木齐 830047)

0 引言

当今，能源问题成为世界各国面临的重大问题，风能作为一种可再生能源，使得风力发电在我国得到了迅猛发展。伴随装机容量的迅猛增长，风电机组逐步由中小型、单机分布式向大型化、集中并网式发展[1]。若发生倒机、飞车、振动等事故，势必对整个风力发电系统造成严重后果。因此，研究风电机组的测试技术及故障诊断技术具有重要意义。

目前，基于振动检测的机械故障诊断技术已相对成熟，但振动检测属于接触式测量，在测量过程中存在一些不易解决的实际难题。如对于电机等旋转部件，传感器的固定和安装难以实现，且需要克服测试线线体受振动的影响；另外，测试点的最佳位置也是测量过程中须重要考虑的问题[2-6]。噪声检测属于非接触式测量，它通过对机组发射信号的采集、测试，分析信息与故障之间的关系，进行故障机理诊断。采用这种基于噪声的检测方法进行故障诊断，省去了大量传感器，更简单高效。

1 多测点布置测量

风电机组产生的噪声主要由气动噪声和机械噪声两部分组成。气动噪声主要来源于风机叶片与空气相互作用而产生的噪声。当风电机组的机械部件产生故障时，辐射出的故障噪声将混叠于环境噪声和机组正常运行噪声中。在这样的强干扰环境下，如何有效提取故障信息是进行故障诊断的关键。为给故障分析提供精准的数据，测试点的布置起着决定性作用。

声学噪声测量技术国际标准IEC 61400-11:2002规范中规定[7]：麦克风的标准测试位置有1个，另外还有3个可选的测试位置。4个测点麦克风位置布置图如图1所示。图1中，1为标准测试位置；在与塔架垂直中心相同距离的圆周上，可布置2、3、4这3个测试位置。

图1 4测点麦克风位置布置图

对于水平轴风力发电机组，从风机塔架垂直中心到各麦克风测试位置的水平距离为R0，允许偏差为20%，测量精度±2%，R0应满足如下关系：

R0=H+D/2

(1)

式中：H为从地面到风轮中心的垂直距离；D为风轮直径。

2 小波分析法故障诊断

噪声检测尤其是旋转部件的高频噪声检测，对于风力发电机组早期故障的监测效果显著。当部件预故障或发生故障时，其辐射的噪声品质会发生改变[8]。通过监测和分析对应的噪声特性，就可以检测判断设备的噪声检测尤其是旋转部件的高频噪声检测。该方法对于风力发电机组早期故障的监测效果显著。

近年来，小波分析方法发展迅猛，已被应用于故障诊断领域[9-10]。在工程实践中，设备运行状态复杂多变，致使系统中存在大量的非平稳信号。如风力发电机组在启动和停机时，其转速、功率等都是非平稳的，即使在稳态运行时，若发生摩擦或冲击，发电机转子的阻尼、刚度、弹性力等发生变化，产生的噪声信号也变得非平稳。对于平稳信号进行处理的理想方法是傅里叶分析；而对于非平稳信号，则采用小波分析[11]。

风电机组采用小波分析进行故障诊断的过程可分为故障信息采集、故障特征提取和状态识别及故障诊断3个步骤。

故障分析诊断的关键是从动态信号中提取故障特征。对于基于噪声检测的故障诊断技术，提取故障特征尤为突出。由于风电机组工作环境的特殊性，风电现场的噪声不仅来源于周围环境噪声，还包含机组正常运行时产生的机械噪声。当机组存在故障隐患或发生故障时，还会混入故障噪声。因此，如何从复杂的强噪声环境中提取有效的故障信息，是进行故障分析诊断的关键。小波分析兼具时域和频域分析能力，并且具有可变的时频分辨率，能够有效地进行故障信号的提取和分析。

3 具体应用

2012年8月，按照IEC 61400-11标准的要求，在新疆达坂城实验风场对87/1500型风力发电机组在开机状态下进行了声发射测试。

测量相关参数如下：轮毂高度H=70 m、风轮直径D=87 m、噪声测试的地点距离风机下风口距离R0=115 m、麦克风安装位置相对于风机地基平面的高度为1 m、测试地表粗糙度取值为0.05、声级计的采样频率为1 Hz。测试持续时间为一周左右，从测试数据中截取一段(50 min时长的数据)，运用Matlab软件进行仿真分析。

当风电机组的发动机、齿轮箱、叶片等部件发生故障时，其噪声频率在几十至几千赫兹范围内。在测试现场采集噪声信号时，很少有机会能捕捉到机组带故障运行的数据，因此，在仿真时采用200 Hz和2 000 Hz的正弦信号来模拟机组的低频和高频故障噪声。风电场的实际测量噪声及混叠正弦故障信号后的总噪声信号曲线如图2所示，图2中，LAeq为噪声的A计权连续等效声压级。总噪声信号经傅里叶变换的频谱如图3所示。

图2 测量噪声信号和总噪声信号曲线

图3 总噪声信号傅里叶变换的频谱图

图3可识别出信号中含有200 Hz和2 000 Hz的频率成分，但不能详细揭示这两个干扰信号的细节，因此采用小波分析法对噪声信号的细节进行提取和重构。对总噪声信号进行5层小波分解，提取其各层的低频成分ai和高频系数di(i=1,2,3,4,5)，总噪声信号与各层低高频成分信号曲线分别如图4、图5所示。

将各层低频、高频系数进行重构，可获得重构的200 Hz和2 000 Hz故障噪声信号，以此进行故障分析。

由此可见，利用小波分析法对信号进行分解和重构，获得的重构信号能很好地表征各频段的信号，即使用基于小波分析的故障信号提取方法，能有效地从复杂的强噪声信号中提取出故障噪声信息。

图4 总噪声信号与各层低频成分曲线

图5 总噪声信号与各高频成分曲线

4 结束语

依照IEC噪声标准，采用多测点布置测量的方法对噪声进行检测，利用小波分析法[12-20]提取故障信息，可对风电机组的机械故障进行诊断和分析。该方法提高了机组的使用寿命、运行效率和可靠性，降低了运行维护成本，具有较高的实用价值。本文采用小波分析的不足之处在于在风电现场采集噪声信号时，未能有幸捕捉到机组带故障运行的数据，因此在软件仿真分析时采用正弦信号模拟代替真实故障噪声信号。

[1] 任永峰，安中全.双馈式风力发电机组柔性并网运行于控制[M].北京：机械工业出版社，2011.

[2] 姚兴佳.风力发电测试技术[M].北京：电子工业出版社，2011.

[3] 李飞行，王涛，张群岩.时频分析在发动机振动监测与故障诊断中的应用[J].测控技术,2011,30(2):20-22,26.

[4] 李继猛，陈雪峰，何正嘉.基于时域统计量的风力发电机组故障诊断研究[J].振动与冲击,2010,29(S):345-347.

[5] 李果，张广明，凌祥.基于粗糙集的旋转机械振动故障诊断研究[J].制造业自动化,2011,33(10):12-15.

[6] 单光坤.兆瓦级风电机组状态监测及故障诊断研究[D].沈阳:沈阳工业大学，2010.

[7] 中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会.GB/T 22516-2008/IEC 61400-11:2002风力发电机组噪声测量方法[S].北京：中国标准出版社，2009.

[8] 吴宏钢.风力发电机组振动检测及噪声评估研究[D].重庆:重庆大学，2010.

[9] 马超，陈西宏，姚懿玲，等.变频机组小波分析早期故障检测系统的设计[J].自动化仪表,2011,32(5):11-13，16.

[10]朱明玲，王直杰，郑丽霞.改进的小波变换在罗拉故障诊断中的应用[J].自动化仪表,2011,32(3):36-38.

[11]张德丰.Matlab小波分析[M].北京：机械工业出版社，2012.

[12]崔岩,李小俚,彭华新，等.基于声发射小波分析的非连续增强金属基复合材料界面表征[J].科学通报，2010,43(6):656-657.

[13]赵元喜，胥永，高立新，等.基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术[J].振动与冲击，2010，29(10)：163-166.

[14]张运强,牛卫飞,谭蔚.基于小波变换的声发射模拟信号特性分析[J].无损检测,2011,33(1):16-17.

[15]杨建国.小波分析及其工程应用[M].北京：机械工业出版社,2007.

[16]周俊，刘丽川，杨继平.基于K-均值聚类与小波分析的声发射信号去噪[J].石油化工高等学校学报，2013,26(3):16-19.

[17]徐仁林，安伟.小波降噪在信号基于EMD的Hilbert变换中的应用[J].噪声与振动控制,2008(3):74-77.

[18]李婷,蒋庆,蔡晋辉,等.小波消噪-HHT的四通阀故障诊断[J].中国计量学院报，2009,20(03):235-239.

[19]王文慧.基于小波分析理论的高炉炉温预测模型研究[D].杭州:浙江大学，2005.

[20]周玉国,姚恩营.基于小波分析的时间序列建模与预测[J].微计算机信息，2009,25(12):29-30.