风电机组状态监测与故障诊断相关技术研究

张文秀， 武新芳

(1. 南京理工大学 能源与动力工程学院，江苏 南京 210094；2. 上海电力学院 能源与机械工程学院，上海 200090)

0 引 言

近年来，风能作为一种绿色能源在世界能源结构中发挥着愈来愈重要的作用，风电装备也因此得到迅猛发展。根据世界风能协会(WWEA)的报告，截止2009年底，全球风力发电机组发电量占全球电力消耗量的2%，根据目前的增长趋势，预计到2020年底，全球装机容量至少为 1.9×106MW，是2009年的10倍[1]。在“九五”期间，我国风力发电场的建设快速发展，过去十年中，我国的风力发电装机容量以年均55%的速度高速增长，2010年已达1000万kW。

随着大规模风电场的投入运行，出现了很多运行故障，因而需要高额的运行维护成本，大大影响了风电场的经济效益。风电场一般处于偏远地区，工作环境复杂恶劣，风力发电机组发生故障的几率比较大，如果机组的关键零部件发生故障，将会使设备损坏，甚至导致机组停机，造成巨大的经济损失[2]。对于工作寿命为20年的机组，运行维护成本一般占到整个风电场总投入的10%～15%，而对于海上风电场，整个比例高达20%～25%[3]。因此，为了降低风电机组运行的风险，维护机组安全经济运行，都应该发展风电机组状态监测和故障诊断技术。

状态监测和故障诊断可以有效监测出传动系统、发电机系统等的内部故障，优化维修策略、减少非计划停机次数和降低机组的运行维护费用等。风力发电机组的状态监测和故障诊断系统集合了信号采集、在线监测以及信号分析等功能；能对系统的各种机械参数和电气参数等进行监测，并将采集到的数据进行分析处理，从而正确定位各系统的故障。

1 风力发电机组结构及故障机理

1.1 风力发电机组结构

风力发电机组由风轮、叶片、主轴承、齿轮箱、发电机、电气系统、液压系统、刹车系统和偏航系统等组成[4]，其结构如图1所示。风电机组通过叶轮捕获风能，通过齿轮箱传递到发电机，发电机将机械能转化为电能，通过变频器接入电网。

图1 风力发电机组结构

1.2 风力发电机组故障机理

从瑞典2000年～2004年间的故障统计情况来看[5],风力机每年都保持较高的故障率，刚开始运行的几年故障率较高，之后开始下降，到风机运行一定年数时风力机故障率又会上升。

图2 瑞典风力发电场故障分布图(2000年～2004年)

图2为瑞典风力机各主要部件故障形式的百分比，统计年限为2000年～2004年。由图可见，各主要部件失效形式百分比最少的为轮毂，最多的为电气系统，传感器、叶片/节距和液压系统的故障数也较大。

一项由丹麦和德国的研究机构得出的结论[6-7]表明偏航系统、电气系统、机械系统、齿轮箱具有较高的故障率。研究者使用统计可靠性分析技术论证得出，传动系统的故障主要在于齿轮箱和轴承。对于海上风电场，环境比陆地上更恶劣，那么风机更容易发生故障，这些故障需要很长的维修时间，并且会耗费很高的维修费用，这大大影响增加了风电机组发电成本，影响了经济效益。

2 状态监测与故障诊断

设备故障诊断技术是为了适应现代工程需要而形成的一门多种学科交叉的应用型学科。其研究起源于20世纪60年代后期,主要由军事工业的需要发展起来。美国是最开始开发状态监测和故障诊断技术的国家，应用范围从航天系统的故障原理、故障检测、故障诊断的研究和开发，逐渐延伸到电站汽轮发电机组等其他行业。美国的西屋公司、BEI公司、Bently公司等主要从事电站故障诊断系统的工作。欧洲也产生了很多拥有故障诊断技术的公司，如瑞士的ABB公司、德国的普鲁夫公司。早期的状态监测与故障诊断技术主要是凭借积累的经验或专家分析研究，对现场获取设备运行时的一些可以实际观测或感觉出的状态，确定可能存在的故障或故障隐患，这样难免会存在一些误判断。

近年来，随着相关学科的发展，许多国家相继成功研发了一些比较完善的故障诊断系统，使状态监测与故障诊断技术进入了实用化的时代。与计算机技术结合起来，将监测数据传输给计算机，然后对这些传输来的数据做出综合分析与处理，系统的性能都有了全面的提高，监测与诊断的对象发展成为由多个区域多台机组构成的监测网络；应用领域迅速扩展到石油、化工、航空、核工业、电力等主要领域[8]。不过尽管在很多行业都直接或间接使用到状态监测和故障诊断技术，在风电机组上成功实行这项技术是一个不小的挑战。

2.1 风力机状态监测技术

状态监测技术可帮助发现机组机械和电气的初始故障，遏制重要事故的发生。风电机组状态监测系统可在机组运行过程中实时监控各个部件的运行状态，及时判断部件存在的问题和隐患，及时采取处理措施，提高了机组运行可靠性。对于风力发电机组，状态监测技术主要可以分为以下几类。

(1) 油液监测。油液监测技术检测的是设备润滑油和液压油的性能，掌握设备运行中的润滑和零部件的磨损信息[9]。油液监测包括油液品质检查、铁屑检查等。在风电机组状态监测中，油液分析的主要目的是监测经过润滑油润滑的组件质量。

(2) 振动监测。振动信号能够反映机械故障特征，机械状态的变化可以通过振动信号体现出来。振动分析是旋转机械状态监测中应用最多的方法，可对机械设备进行准确的检验和故障诊断，比如转子不平衡、油膜振荡、转轴弯曲等[10]。

(3) 温度监测。在设备劣化的情况下，温度的高低可以直观地反应设备的运行情况，因此温度监测通常用于电子和电气元件的故障诊断。对风力发电机组而言，发电机、齿轮箱、变频器等设备都需要进行温度监测。

(4) 应变力监测。对风电机组中的叶片寿命预测和疲劳状况监测，应变力测量是一种高效方法，主要通过在关键部位安装应变力传感器测量。应变力传感器是一种常见的设备疲劳状况监测的传感器。

其他的状态监测技术还有很多，比如声学监测、转矩测量等。其中，声学监测可用于检测叶片故障趋势，与传统的振动监测方法相比更适合低速的鲁棒性强的机组，还可用于检测组件表面应力的突变；转矩测量可用于传动系统的故障检测。

2.2 风电机组状态监控系统的应用开发

一般来说，风电机组都有自己配套的状态监测系统。如西班牙Gamesa公司、德国B&K公司、美国GE公司、丹麦Vestas公司等这些风电制造商都有相关的产品。但是，这些系统的兼容性相对较差，只适用于特定型号风电机组。因此，国外有很多公司设计与开发了第三方监控系统，如美国赛风公司的Second-WIND-ADMS系统、美国卓越通信的SCADA系统、美国的AREVA公司的OneProd系列、英国Garrad公司的GH SCADA系统和Vestas Online系统、德国SKF公司开发的SKF Windcon2.0、丹麦瑞思国家实验室开发的Clever Farm系统等。此外，德国Prutechnikf公司、丹麦Gram&Juhl公司专门致力于开发用于风电机组的监测设备[11]。

国内很少有制造商研制整机或整个风电场的状态监控系统，大多只是对风电机组的某个部件进行状态监测与故障诊断。现在已投入实用的监控系统还限于完成数据采集、分析显示这些传统的任务。目前，有部分厂商在研发风电机组状态监控系统，并取得了一定的成果。如南京中大趋势测控设备公司的CUT-3100系列监控产品、北京国旋新力公司的MV.SD2100风机监控系列产品、南瑞电控所开发的NS2000W系统[12]。此外金风科技、华锐风电等都为自行生产的风电机组配备了监控系统。

2.3 风力机故障诊断技术

风电机组故障诊断技术是通过掌握风电机组运行过程中的状态，判断其部件是否正常的技术，其也可以预报故障发展趋势。本文主要针对风电机组中故障率高的齿轮箱、发电机、叶片、变频器，介绍了国内外相关研究现状。

2.3.1 齿轮箱的故障诊断

风电机组的齿轮箱位于机舱内，是连接主轴和发电机的主要部件，其主要功能是将风轮所产生的动力传递给发电机。由于其长期运行在变工况和变载荷的情况下，很容易发生故障。表1给出了齿轮箱部件的主要失效形式。

表1 齿轮箱部件失效形式

近年来，已经有不少科研人员对齿轮箱的故障诊断进行了研究。振动测量和频谱分析是典型的齿轮箱故障诊断方法。文献[13-14]先测得对异步发电机的电流信号，然后对其进行解调来诊断齿轮箱故障，之后将离散小波变换方法用到解调出来的电流信号上，进而根据特定层次频谱来诊断齿轮故障。唐新安[15]等利用时域信号的指标对齿轮箱故障进行了初步诊断，再借助快速傅里叶变换法对诊断结果进行进一步的分析确认。ZHOU[16]等基于小波变换的时频多分辨率分析特性和齿轮箱的故障类型，从动力学的角度建立了齿轮箱振动信号理论模型，试验表明该诊断方法能有效地诊断局部损伤在变速箱的齿轮故障。文献[17]提取了齿轮箱振动信号的多维时域特征值，采用主分量分析(PCA)和Fisher准则对实际运行的健康机组和故障机组的齿轮箱进行分类识别。YAO X J[18]等针对风机齿轮箱的裂齿现象，提出一种基于自适应Morlet小波变换的新方法，该方法首先基于峭度最大化原则，优化Morlet小波函数的参数提取冲击特征，然后利用一种平均自相关谱来突出有关裂齿故障的故障特征。

2.3.2 发电机的故障诊断

发电机是风电机组的核心部件，主要功能是将机械能转化为电能。由于发电机长期处于变工况和电磁的环境中，定子绕组、轴承、转子导条等容易产生故障。而定子绕组短路、转子绕组故障是发电机的主要的故障形式[19]。根据发电机的故障特点，目前主流的诊断方法是基于发电机定、转子电流信号、电压信号及输出功率信号。文献[20]通过测量定子三相电流来监测发电机容易出现的定子匝间短路问题。WATSON[21]等在利用连续小波变换的条件下，对发电机输出功率信号进行分析，从而辨识出转子轴承故障和偏心故障。文献[22]分析了风电机组的机械转矩和电磁转矩以及发电机端电流信号三者之间的联系，利用离散小波变换方法，通过对电流、电压以及功率等电参数信号的分析，得到齿轮箱轴承的偏心故障特征信号。文献[23]分别利用小波分析和RBF神经网络方法对风电机组的各种电参数信号进行分析，从而得到一种诊断机组转子绕组故障的方法。许允之[24]研究了发电机转子断条故障的诊断机理，选取小波包分析作为信号处理的前置手段，得到输出神经网络的特征向量。神经网络通过学习训练得到诊断结果，将小波的局部特性和神经网络的自学习特性结合起来，使诊断系统具有自适应分辨性和良好的容错性。

针对发电机的特定故障类型，如转子角误差、轴承故障及定子匝间短路等故障，Yang W等运用小波分析和快速傅里叶变换分析功率信号来检测发电机转子角误差和轴承故障，小波分析体现了不稳定信号的时频特性，快速傅里叶变换则准确地确定了谐波元件的振幅，从而在给定的时间之内找到峰值振幅谱的小波系数，作为发电机的故障特征提取出来。

2.3.3 叶片的故障诊断

风电机组的叶片是整个机组最容易受到损坏的部件，由于长期裸露在恶劣的环境下，易受到湿气腐蚀、雷击等因素的破坏，因此叶片的故障率在整机中占有较高的比重[25]。文献[26]中为了测量因闪电造成的叶片破坏，提出建立光纤传感网络的方法，实现了对叶片故障的诊断。文献[27]是间接地来监测叶片的运行状态，通过测量发电机端的电压和电流，计算出发电机输出功率。ZHAO M H[28]等针对因结冰引起的叶片质量不平衡，采用Fluent软件分析结冰对风机外形结构的影响，并通过振动信号的结构特征进行分析。文献[29]在风力机叶片中成功安装了光纤光栅传感器测量系统。根据叶片在旋转过程中的载荷变化，利用光纤光栅传感器捕捉信号来判断叶片是否处于健康状态。光纤光栅传感器具有较好的抗电磁干扰、抗腐蚀等优点，适合用于叶片结构的状态监测，但由于没有相对应的叶片损伤准则，传感器获得的信号并不能与叶片损伤模式对应。针对此不足，文献[30]对叶片材料损伤的失效容限进行了一定的研究。文献[31]则通过利用归一化双谱和双相干技术得出发电机端的功率谱密度来分析叶片的缺陷。由于电击这种情况仅仅通过发电机端的一些参数很难分析出叶片的故障，文献[32]对叶片中遭受闪电破坏的位置进行定位利用的是光纤电流传感器。

2.3.4 变频器的故障诊断

变频器所处现场往往环境恶劣，高温发热、电磁干扰等易导致变频器发生故障。变频器的主要故障有误动作、过电压、过电流、过热、欠电压等。过电压主要指中间直流环节回路过电压，这会影响到中间直流环节中滤波电容器的使用寿命。过电流产生的原因主要是负载突变、负荷分配不均和输出短路等。当输入电压缺相、整流回路发生故障时就会导致欠电压故障。文献[33]通过细化其变频器仿真模型，在仿真环境下对变频器故障原理和故障类型等做了仿真分析研究，将经过处理的仿真结果数据和作为训练的样本数据对设计好的神经网络进行训练和测试，以此使神经网络具有诊断和定位故障的能力。于辉[34]等则利用神经网络的非线性映射特性，提出了采用基于波形直接分析的BP神经网络故障诊断方法，这种方法主要针对变速风力发电机组中的变频器电路模型非线性强的特点，能动态监视风力发电机变频器电路的工作状态，实时在线进行故障诊断和分析，确定变频器故障的部位和性质。文献[35]提出了仿真分析诊断法，通过对变频器进行故障后的系统仿真，利用获取的故障电流、电压波形与正常电流、电压波形的对比来诊断变频器的故障。文献[36]对风电变频器中的故障进行设置，然后使用小波变换的多分辨率特性，提取变频器的故障特征向量，最后应用BP神经网络进行故障模式识别。仿真结果表明，此种风电变频器的故障诊断系统具有较强的稳定性和准确性。

2.4 系统级故障检测和隔离

风电机组及其子系统包含很多部件，因此对其进行系统和子系统级的故障隔离较复杂。故障隔离也需要更多的系统分析，因此需要有效地建立部件级和系统级的故障诊断模型。离散事件系统DES的框架被认为是一个合适的选择，随着复杂系统越来越多，佩特里网已经被用在风机故障诊断的系统级决策上。Rodriguez[37]等使用颜色化的佩特里网来诊断风机的润滑系统和冷却系统。Echavarria[38]等开发了一种定性物理的方法用作对风电机组的智能维护，在基于模型推理和功能冗余设计的基础上开发了故障诊断系统。基于模型的好处是只需要很少的信息且不要解复杂方程组，同时在故障预测中具有可重用性和鲁棒性。Zaher和McArthur[39]提出了一个用于风机故障检测和识别的多智能断层检测系统的初步框架，描述了反常现象代理、功率曲线代理和停机时间分类代理的开发，由于系统开发的可重构性和可伸缩性，多代理系统需要更进一步的研究。

2.5 风力发电机组智能故障诊断方法

风力发电机组故障原因复杂，故障原因和故障机理之间存在着极大的不确定性，因此通过人工智能的方法来诊断机组的故障。近些年来，人工智能方法在可再生能源技术上的应用越来越广泛。

关于人工智能方法，文献[40]主要针对齿轮箱故障诊断，提出了一种基于故障诊断框架的神经网络故障诊断方法。文献[41]利用多种智能诊断技术和方法，如Elman网络、概率神经网络、BP网络等，对发电机的多种故障数据进行处理，然后分析故障产生的原因，得出诊断结论。文献[42]提出了数据库的奇偶编号、推理机制的模糊推理判断及学习机制的机械学习，增强了故障诊断专家系统的智能性。文献[43]根据故障信号特征和小波变换多尺度分解性质选取小波分解层次，得到反映风机运行状态的特征向量，利用待检状态的特征向量与典型故障特征表，通过模糊模式识别方法进行风机故障诊断。文献[44]在最小二乘支持向量机方法的基础上，融合SA算法，提出黑洞粒子群模拟退火算法，并应用到最小二乘支持向量机方法参数优化中，利用参数优化后的最小二乘支持向量机方法建立多分类决策模型，对风力发电机进行故障诊断。文献[45]在BP算法的基础上提出了输出模式矩阵的改进方法，将常用的单位矩阵故障模式转变为二进制结构，运用于转子的故障诊断，使得样本训练次数大大减小。Garcia MC[46]等利用人工神经网络实现了对风力机各部件和整机的健康状况评估，提出了在线预测智能系统，使用模糊专家系统技术对故障进行诊断。

3 结 语

状态监测与故障诊断技术是一门融合电子、计算机、信号分析与数据处理、人工智能等多学科的技术。近年来随着风力发电行业的不断发展，如何降低风电机组故障率，提高风电场的经济效益成为当前的研究热点。在这个背景下风力发电机组状态监测与故障诊断技术的研究显得十分重要。本文主要介绍了现有的各种状态监测技术，然后针对风电机组的主要部件，对国内外相关故障诊断的研究进展进行了调研综述。

综合国内外的研究现状，未来状态监测与故障诊断技术的发展趋势是各种先进诊断方法的融合以及发展远程的状态监测和故障诊断等。具体可有以下的发展方向。

(1) 把基于多传感器的信息融合技术应用于设备状态监测中，不仅可拓宽设备状态信息的来源渠道，还可改善信息处理的质量，对设备的运行状态做出准确判断，提高故障诊断的准确性。

(2) 把虚拟仪器技术应用到机组监测和诊断系统中，使系统工作界面更形象，具有良好的可视性和交互性，准确表现风电机组的工作状态。

(3) 通过网络连接实现远程故障诊断系统间的通信，形成开放式故障诊断系统，从而可以使整个诊断系统具有更大的灵活性和可扩展性。

(4) 根据不同风电机组类型制定量化的故障诊断方法参照标准。

(5) 更多地发展基于模型的故障诊断方法，从子系统扩展到整个系统。

【参考文献】

[1] EWEA. World wind energy report 2009[M]. Bonn: World Wind Energy Association, 2010.

[2] YANG W X, JIANG J S, TAVNER P J, et al. Monito-ring wind turbine condition by the approach of empirical mode decomposition[C]∥2008 Interna-tional Conference on Electrical Machines and Syst-ems. Wuhan, China: IEEE, 2008: 736-740.

[3] LU B, LI Y Y, WU X, et al. A review of recent advances in wind turbine condition monitoring and fault diagnosis[J]. PEMWA 2009, IEEE, 2009(6): 1-7.

[4] RIBRANT J. Reliability performance and maintena-nce-a survey of failures in wind power systems[D]. Sweden: Royal Institute of Technology, 2006.

[5] RIBRANT J. Survey of failures in wind power systems with focus on Swedish wind power plant during 1997-2005[J]. IEEE Trans Energy Conversion, 2007(22): 167-173.

[6] TAVNER P J, XIANG J, SPINATO F. Reliability 10 Turbines[J]. Wind Energy, 2007(10): 1-18.

[7] TAVNER P J, EDWARDS C, BRINKMAN A, et al. Influence of wind speed on wind turbine reliability[J]. Wind Engineering, 2006, 30(1): 55-72,2006.

[8] 龙泉,刘永前,杨勇平.状态监测与故障诊断在风电机组上的应用[J].现代电力,2008,25(6): 54-59.

[9] 王小斌.油液分析技术在机械设备状态监测中的应用分析[J].煤炭技术,2001,20(9): 52-53.

[10] 操炼.振动信号在船舶设备检验中的应用探讨[D].上海: 上海海事大学,2005.

[11] 陈云花.基于振动测试的大型风力发电机组运行状态监测研究[D].内蒙古: 内蒙古科技大学,2009.

[12] 傅质馨,袁越.海上风电机组状态监控技术研究现状与展望[J].电力系统自动化,2012(21): 121-129.

[13] AMIRAT Y, BENBOUZID M E H, BENSAKER B, et al. Condition monitoring and fault diagnosis in wind energy conversion system: a review[C]∥Electric Machines&Drives Conference, lEMDC’07, IEEE International, 2007: 1434-1439.

[14] MOHANTY A R. Fault detection in a multistage gearbox by demodulation of motor current waveform[J]. IEEE Tran&Industrial Electronics, 2006,53(4): 285-1297.

[15] 唐新安,谢志明,吴金强,等.风力机齿轮箱故障诊断[J].噪声与振动控制,2007(1): 120-124.

[16] ZHOU W J, SHEN Y X, WANG L. Fault diagnosis for wind turbine gearbox based on wavelet analysis[C]∥24th Chinese Control and Decision Conference (CCDC), 2012, China.

[17] YANG J M, FAN D G, ZHOU Y B, et al. Fault diagnosis of wind turbine gearbox based on fisher criterion[C]∥Proceedings of the 30th Chinese Control Conference July 22-24, 2011, Yantai, China.

[18] YAO X J, GUO C C, ZHONG M F, et al. Wind turbine gearbox fault diagnosis using adaptive morlet wavelet spectrum[C]∥Proc of the 2nd International Conferenceon Intelligent Computation Technology and Automation. Changsha, China: IEEE Computer Society, 2009: 580-583.

[19] YANG W X, TAVNER P J, MICHAEL W. Wind turbine condition monitoring and fault diagnosis using both mechanical and electrical signatures [C]∥International Conference on Advanced Intelligent Mechatronics,2008, Xi’an, China, 2008: 1296- 1301.

[20] WILLIAMSON S, DJUROVIC S. Origins of stator current spectra in DFIFs with winding faults and excitation asymmetries[C]∥2009 IEEE International Electric Machines and Drives Conference, Miami, FL: IEEE, 2009: 563-570.

[21] WATSON S J,XIANG B J, YANG W X, et al. Condition monitoring of the power output of wind turbine generators using wavelets[J]. IEEE Transactions on Energy Conversi on, 2010, 25(3): 715-721.

[22] YANG W, TAVNER P J, WILKINSON M R. Condition monitoring and fault diagnosis of a wind turbine synchronous generator drive train[J]. ET Renewable Power Generation, 2009, 3(1): 1-11.

[23] ZHAO Y J, LI Y G, HU J W. RBFNN for Fault diagnosis of rotor windings inter tum short circuit in turbine-generator[C]∥International Conference on Condition Monitoring and Diagnosis, 2008(4): 1331-1334.

[24] 许允之,韩丽,方永丽,等,基于神经网络算法的感应电机故障诊断方法[J].大电机技术,2013,1(1): 15-21.

[25] KUBUR,KAHRAMAN A, ZINI D M, et a1. Dynamic analysis of a multi-shaft helical gear transmission by finite elements: model and experi-ment[J]. Transactions of the ASME, 2004,126(7): 398- 406.

[26] KRAMER S G M, LEON F P, APPERT B. Fiber optic sensor network for lighting impact localization and classification in wind turbines[C]∥2006 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems. Heidelberg: IEEE,2006: 173-178.

[27] TSAI C S, HSIEH C T, HUANG S J. Enhancement of damage-detection of wind turbine blades via CWT-based approaches[J]. IEEE Transactions on Energy Conversion, 2006, 21(3): 776-781.

[28] ZHAO M H, JIANG D X, LI S H. Research on fault mechanism of icing of wind turbine blades[C]∥Proc of the 1st World Non-Grid-Connected Wind Power and Energy Conference, Nanjing, China: IEEE Computer Society, 2009: 1- 4.

[29] SCHROEDER K， ECKE W， APITZ J， et al. A fibreBragg grating sensor system monitors operational load ina wind turbine rotor blade[J]. Meas Sci Technol, 2006(17): 1167-1172.

[30] JEFFRIES W Q. Experience with bieoherenee of electrical power for condition monitoring of wind turbine blades[J]. lEE Proc Vision, Image and Signal Processing, 1998,145(3)141-148.

[31] YE J J, CHEN X F,ZHAI Z, et al. Predictingelastic and plastic response of fiber-reinforced metal matrix composites[J]. Mechanics of Composite Materials， 2010(4): 405- 416.

[32] TSAI C S. Enhancement of damage-detection of wind turbine blades via CWT-based approaches[J]. IEEE Trans. Energy Conversion, 2006, 21(3): 776-781.

[33] 胡立锦.直驱式风力发电机变频器故障诊断研究[D].新疆: 新疆大学,2012.

[34] 于辉,邓英.风力发电机变流器故障诊断方法[J].可再生能源,2010,28(3): 89-92.

[35] YANG S, LI W, WANG C. The intelligent fault diagnosis of wind turbine gearbox basedon artificial neural network[C]∥Proc 2008 Int Conf on Condition Monitoring and Diagnosis, 2008: 1327-1330.

[36] WANG Z, GUO Q. The diagnosis method for conve-rter fault of the variable speed wind turbine based on the neural networks[C]∥in Proc 2ndInt Conf on Innovative Computing, Information and Control, 2008.

[37] RODRIGUEZ L, GARCIA E, MORANT F, et a1. Application of latent nestling method using colored petri nets for thefault diagnosis in the wind turbine subsets[C]∥in Proc 2008 IEEE Int. Conf. Emerging Technologies and Factory Automation, 2008: 767-773.

[38] ECHAVARRIA E, TOMIYAMA T, HUBERTS H W, et al. Fault diagnosis system for an offshore wind turbine using qualitative physics[C]∥in Proc EWEC 2008, Brussels, Belgium, 2008.

[39] ZAHER A S, MCARTHUR S D J. A multi-agent fault detectionsystem for wind turbine defect recogni-tion and diagnosis[C]∥in Proc 2007 IEEE Lausanne POWERTECH.

[40] WALLCAE A K, SPEE R. The simulation of brushless dc driver failures [C]∥PESC Record-IEEE Power Electronics Specialists Conference, 1988: 199-206.

[41] SOTERIS A K. Artificial neural networks in renew-able energy systems applications a review[J]. Renewable and Sustainable Energy Reviews, 2001(5): 373- 401.

[42] 郭洪澈.风力发电系统的故障诊断专家系统设计[J].节能,2002(7): 36-38.

[43] 胡汉辉,杨洪,谭青,等.基于小波分析的风机故障诊断[J].中南大学学报,2007,38(6): 1169-1173.

[44] 焦斌,徐志翔.基于综合优化方法的风力发电机故障诊断[J],控制工程,2012,19(4): 681-686.

[45] 王立鹏,刘贵立,李小彭.基于BP神经网络的风机转子故障诊断[J].沈阳工业大学学报,2002,24(5): 428- 430.

[46] GARCIA M C, SANZ-BOBI M A, DEL PICO J. SIM A P: intelligent system for predictive maintenance application to the health condition monitoring of a wind turbine gearbox[J]. Computers in Industry, 2006, 57(6): 552-568.