风力发电机组状态监测和故障诊断系统的设计与实现

叶明星， 焦 斌

（上海电机学院 电气学院，上海200240）

随着风电技术的发展，风力发电机组的装机容量不断增加，风电作为一种新型能源在全球能源结构中所占的比例也越来越大[1]。然而，风电行业的快速增长也导致了风力发电机组的运行维护成本持续增高，其中，海上风力发电机组较陆地的维护成本更高，占其单位电价的25%～30%[2]。目前，降低风力发电机组运行维护成本的方法主要有两种[3-4]：① 提高风力发电机组设备的生产质量；② 对风力发电机组进行有效的在线状态监测和故障诊断。相对于前者，第2种方法所需要的成本低且更容易实现，故风力发电机组状态监测与故障诊断技术在近几十年得到了迅猛发展。

虽然早期的风力发电机震动监测系统至今仍有沿用，但国内外专家、学者提出了更具创新性和高效性的状态监测和故障诊断方法：文献[5] 中提出通过分析双馈感应风力发电机定子电流和总功率谱的故障频率来监测风力发电机转轴创伤程度和转轴电磁对称的方法，该方法对发电机转轴故障识别能力非常强；文献[6] 中通过对传感器采集到的温度信号分析来监测风力发电机的状态，并建立非线性状态预测模型来预测发电机的温度；文献[7] 中运用数据挖掘算法来预测风力发电机的故障类型；文献[8] 中采用离散小波变换来对双馈感应风力发电机做出故障诊断；文献[9] 中在Labview环境下开发一种状态监测与故障诊断系统，在一定程度上减小了程序开发的工作量，提高了开发效率；文献[10] 中对基于人工智能的故障诊断监测和诊断系统进行研究，分析了多种故障智能监测与诊断的技术原理和方法。虽然文献[5-8] 中所提方法具有极强的数据处理和算法分析能力，但是，都只是针对风力发电机组中某一局部构件的状态监测和故障诊断，并没有应用到机组所有部件的故障诊断中，具有一定的局限性，也未设计出易于工作人员直接监测和操作的监控界面。文献[9-10] 中设计了友好的人机交互界面，但却缺乏对于大量监测数据处理的能力。针对上述不足，本文从硬件和软件两个方面设计了一套具有良好监控界面和较强数据处理能力的实时在线监测和故障诊断系统。

1 系统整体结构构建

本文设计的风力发电机组状态监测和故障诊断系统中包含硬件和软件两个部分。硬件部分由传感器、可编程逻辑控制器（Programmable Logic Controller，PLC）和Turningpoint数据采集器组成。软件部分由Matlab软件和组态软件WinCC组成。前者主要用于实现风力发电机组当前运行状态数据采集，后者主要实现数据处理和画面显示。系统整体结构图如图1所示。

图1 系统整体结构图Fig.1 Overall system structure

2 硬件设计

2.1 传感器选择

传感器是一种检测装置，能感受到被测量的信息，并将感受到的信息按一定规律转变为可以检测、传输、处理的信号（电压、电流信号等）[11]。本文以齿轮箱和发电机轴承为故障诊断对象，采用振动加速度传感器。齿轮箱是增速装置，其输入端的转速较慢，故选用型号为Turningpoint TP500的低频加速度传感器（500mV／g），其采样频率为0.2～14kHz；而在齿轮箱输出端和发电机轴承输入端的转速较高，采用型号Turningpoint TP100通用型加速度传感器（100mV／g），其采样频率为0.5～14kHz。TP100和TP500均属于压电式传感器，输出的电信号正比于振动加速度，灵敏度较速度式传感器低，但具有受干扰小、频率范围宽、线性动态范围大、质量轻、体积小等优点[12]，非常适用于风力发电机组中振动信号检测。另外，为更多地获取风力发电机组运行的状态数据，采用转速传感器监测发电机实时转速，风速仪用于检测当前风速，温度传感器用来检测机舱内温度（一般风力发电机组中使用的温度传感器均为薄膜铂热电阻PT100，其温度检测范围-100～500℃[13]）。

2.2 数据采集器

数据采集器主要用来接收传感器传递的模拟信号，模拟量通过A／D转换为数字量。数据采集器可通过自带的通信接口与上位机通讯。本文采用PLC和数据采集板Turningpoint作为系统数据采集器。

Turningpoint数据采集器是由Turningpoint公司开发的Turningpoint TP系列加速度传感器，专用于振动信号采集，其具有16路数据通道，24位A／D转换器，可以提供较高的数据采集精度。该数据采集装置提供一个标准工业以太网接口RJ-45与RS-232接口，可以简单、方便地与装有组态软件 WinCC的上位机通讯[14]。本文中，Turningpoint数据采集器通过RJ-45接口采用TCP／IP网络协议与上位机通信，将采集的模拟信号转化为数字信号传送到上位机实时数据库中，以便实现下一步数据处理。Turningpoint加速度传感器延着轴承振动的径向（R）和轴向（A）两个方向安装。图2为加速度传感器和Turningpoint数据采集器的连接。PLC相比，现代PLC在数据处理和通信能力方面得到了显著提高。目前，市场上PLC的种类和型号不一，但其功能大致相似。本文选用西门子公司S7-300系列PLC作为采集发电机转速、风速和机舱温度信号的数据采集器，可通过MPI、PROFIBUS或工业以太网进行通讯。

图2 加速度传感器安装位置和Turningpoint数据采集器连接示意图Fig.2 Diagram of acceleration sensor location and connection of Turningpoint data collection

一般，S7-300PLC集成在风力发电机组控制箱内，为模拟S7-300PLC数据采集功能，在PLC编程软件STEP7V5.5下完成组态。组态结构如图3所示。将组态好的S7-300PLC硬件结构保存并下载到PLC仿真器中，仿真器即可模拟实际PLC的功能。

图3 S7-300PLC硬件组态Fig.3 Hardware configuration of S7-300PLC

3 系统实现

3.1 数据处理

由于风力发电机组的齿轮箱和发电机轴承都是非常复杂的传动机构，从Turningpoint数据采集器获得的振动信号中含有多种噪声，为提高信号的信噪比，需要在Matlab中调用小波变换来对原始数据进行3层分解，以实现消噪。对原始振动信号进行以下小波包分解[16]：

式中，P（i，j）为第i层中的第j个节点小波系数；i＝0，1，2，…；j＝0，1，…，2i-1；k为小波系数的序号；W（t）为振动原始信号；t＝0，1，…，2n-1，其中，n＝log2N；N为t的个数；H为低频分解滤波器函数；G为高频分解滤波器函数。

小波包分解后，根据阈值函数[17]

然后，选取小波包重构过程中的阈值，以实现消除信号中的噪声。

在实验室模拟风力发电机组中发电机轴承内圈故障的振动信号，然后利用小波包进行消噪处理，图4给出了利用小波包消噪处理前、后的效果比较。由图可见，应用小波包可以有效去除振动信号背景中的噪声，提高提取故障特征量的准确度。

图4 小波包消噪效果图Fig.4 Result of wavelet packet denoising

对实验室中模拟齿轮箱和发电机轴承故障得到的振动信号均通过式（1）、（2）在 Matlab中进行消噪处理，然后对消噪后的信号提取时域内的峰值因子F、裕度系数M和峭度系数Q作为故障特征量；消噪信号经快速傅里叶变换（Fast Fourier Transformation，FFT）后提取频域内功率重心谱指标Z、相关因子C、谐波因子L作为故障特征参量。将信号时域和频域内提取的故障特征量构成一组特征输入向量T＝[F，M，Q，Z，C，L] 作为BP（Back Propagation）神经网络故障诊断的输入向量，为避免BP神经网络算法陷入局部最小值，提高诊断准确度，对所有提取的故障特征量应用最值法进行数据归一化处理[18]。最值法公式如下：

为加快BP神经网络的训练速度，采用可根据输入故障特征量维数和训练样本数量快速确定最优隐含层神经元数的改进BP神经网络算法，并同时自主构建3层前馈网络模型，具体改进方法可参考文献[19] 。在Matlab中通过改进BP神经网络诊断齿轮箱和发电机的故障类型和故障输出代码，如表1所示。

表1 故障类型及故障代码Tab.1 Fault type and fault code

3.2 通讯建立

本文设计的风力发电机组状态监测和故障诊断系统利用西门子公司的组态软件视窗监控中心（Window Control Center，WinCC）[20]来实时显示风力发电机组的状态数据及故障诊断代码。

WinCC与PLC之间以PROFIBUS-DP现场总线标准通信。为与S7-300PLC通讯，WinCC在变量管理器中添加SIMATIC S7Protocol Suite.chn协议集。在该协议集下的PROFIBUS通道单元中，根据S7-300PLC硬件组态结构设置PROFIBUS网络属性并创建连接。在新建连接下建立PLC采集到的风速、风力发电机转速、机舱温度3个外部信号变量，变量地址分别设置为MW0、MW2、MW4。运行PLC模拟器，改变内存地址 MW0、MW2、MW4中的内容，则 WinCC界面中相对应的输入／输出域也随之变化，说明S7-300PLC与WinCC软件之间已建立起了动态连接，其效果如图5所示；而当PLC与WinCC通讯中断后，WinCC界面中相应的输入／输出域颜色将变暗，且显示连接中断警示符号。图5的WinCC界面中给出了当前风力发电机组的具体运行状态。由于Matlab传送数据的周期必须与WinCC界面更新周期一致，可设置Matlab以每30s传送一组数据为周期，这样在WinCC中可同时显示故障诊断结果——齿轮箱和发电机的故障代码。

图5 S7-300PLC、Matlab与WinCC动态数据交换Fig.5 Dynamic data exchange between S7-300PLC，Matlab and WinCC

图6 OPC通信流程Fig.6 Communication process of OPC

3.3 故障显示

在通信成功且整套系统处于正常运行的情况下，S7-300PLC、Matlab和 WinCC之间一直处于动态数据交换状态。图7为风力发电机组状态监测的实时界面。由图可见，在WinCC界面中，可以直观地监测当前风力发电机外部环境和自身运行状态，包括风力发电机当前的风速、发电机的转速及机舱温度等信息；同时，还包括故障诊断的结果。根据图7的界面显示，即可及时调整风力发电机工作方式，制订合理维修方案，在很大程度上减少了停机检修的时间，降低风力发电机组维修费用。

图7 风力发电机组状态监测界面Fig.7 Interface of wind turbine condition monitoring

4 结 语

随着风力发电机组数量的不断增加，开发出低成本、高效率、智能化的风力发电机组状态监测和故障诊断系统迫在眉睫。本文提出了基于WinCC组态软件，结合硬件PLC和Matlab改进神经网络算法的状态监测与故障诊断系统，不仅减小了复杂的程序开发工作，而且大大提高了数据处理的能力，能够实时地在线监测风力发电机组的运行状态、诊断故障类型。但由于风力发电机组部件多样，同一种智能算法是否适合诊断不同部件的故障还不十分明确，故还需要对故障诊断所使用的算法进行不断地改进和测试，而且还需构建更加完善的智能故障诊断知识库。

[1] Erlich I，Shewarega F，Feltes C，et al.Offshore wind power generation technologies[J] .Proceedings of the IEEE，2013，101（4）：891-905.

[2] Deb G.Nature of wind turbine power[J] .International Journal of Computer and Electrical Engineering，2012，4（2）：145-148.

[3] 李永东，许烈，马宏伟.风力发电系统综述[J] .电气时代，2012（3）：42-47.

[4] 谢源，焦斌.风力发电机组状态监测系统与故障诊断方法研究现状[J] .上海电机学院学报，2010，13（6）：328-333.

[5] Djurovic S，Crabtree C J，Tavner P J，et al.Condition monitoring of wind turbine induction generators with rotor electrical asymmetry[J] .IET Renewable Power Generation，2012，6（4）：207-216.

[6] Guo Peng，Infield D，Yang Xiyun.Wind turbine generator condition-monitoring using temperature trend analysis[J] .IEEE Transactions on Sustainable Energy，2012，3（1）：124-133.

[7] Kusiak A，Verma A.A data-mining approach to monitoring wind turbines[J] .IEEE Transactions on Sustainable Energy，2012，3（1）：150-157.

[8] Al-Ahmar E，Benbouzid M E H，Amirat Y，et al.DFIG-based wind turbine fault diagnosis using a specific discrete wavelet transform[C] ∥Proceedings of the 18th IEEE International Conference on Electrical Machines.[S.L.] ：IEEE，2008：1-6.

[9] 高燨.风力发电机组状态监测与故障诊断系统的软件开发[D] .北京：华北电力大学，2012：39-42.

[10] 宗春英.基于人工智能的故障监测和诊断系统的研究[J] .制造业自动化，2012，34（4）：52-54，72.

[11] 程本同.传感器的应用[J] .电子元器件应用，1999（4）：1-5.

[12] 杨海艳，孟彦京，李伟京，等.振动传感器特性及其在风力发电机中的应用[J] .传感器世界，2009（2）：27-31.

[13] 孟繁超.大型风力发电机组故障分析及齿轮箱温度检测系统研究[D] .北京：华北电力大学，2012：21-23.

[14] 张青.风力发电机齿轮箱振动监测和故障诊断系统研究[D] .上海：华东理工大学，2012：40-42.

[15] 刘锴.深入浅出西门子S7-300PLC[M] .北京：北京航空航天大学出版社，2004：8-10.

[16] 王冬云.转子-轴承故障诊断方法研究[D] .秦皇岛：燕山大学，2012：18-19.

[17] 张德丰.MATLAB小波分析[M] .2版.北京：机械工业出版社，2011：223-225.

[18] 柳小桐.BP神经网络输入层数据归一化研究[J] .机械工程与自动化，2010（3）：122-123，126.

[19] 焦斌，叶明星.BP神经网络隐层单元数确定方法[J] .上海电机学院学报，2013，16（3）：113-115.

[20] 苏昆哲.深入浅出西门子 WinCC V6[M] .北京：北京航空航天大学出版社，2004：5-9.

[21] 赵武，马建伟.基于OPC的 MATLAB与 WINCC实时数据交换设计与实现[J] .通信技术，2008，41（12）：98-100.