风电机组故障诊断研究

张艳云

摘 要：近几年，风力发电及其技术发展迅速，由于工作环境恶劣，风电机组故障发生率提高，故障诊断成为一个重要的研究课题，该文结合风电机组典型故障分析，提出了一种尝试方法。

关键词：风电 故障诊断 信息融合

中图分类号：TM315 文献标识码：A 文章编号：1674-098X（2014）11（c）-0041-01

风力发电是一种安全、清洁、技术成熟、成本适宜的新型能源，近几年来其发展速度非常迅猛。但是由于风电机组经常工作在低温、沙尘、风暴、冰雪等恶劣坏境条件下，导致风电机组故障甚至损坏，影响机组的安全可靠性。同时，风电机组超常疲劳运行和各种不确定因素影响，风电机组故障出现频率增大、种类多样的局面，因此风力发电机的故障诊断是一个不可回避的问题，它既涉及机械故障诊断又涉及电气系统故障诊断。通过检测监视、故障分析、性能评估等方法，及时、正确、有效地对风电机组各种异常状态和故障状态作出诊断，提出对机组的运行维护的必要指导，制定合理的检测维修制度，保证机组工作时发挥最大的设计能力和潜力，延长设备的服役期限和使用寿命，最大限度提高系统可靠性。

1 风电机组故障的分类

根据实践运行结论和分型统计，风电机组的故障类型大致可概括为电气故障和机械故障两大类。其中，电气故障包括传感器故障、低压器件故障、通信故障、变流器故障、变桨故障等，机械故障包括齿轮箱故障、回转支撑故障、轴承故障、叶片故障、机械刹车故障、液压故障、对中故障等。

许多国内外的风电机组运行专家通过十几年来风电机组故障方面的研究，从大量数据的统计和分析中发现风电机组的故障情况虽然存在一些不确定性因素，但基典型风机组件故障的发生率本上保持着一些基本的规律趋势。发生率按照由高到低依次约为：液压系统（20%）、传感器（11%）、转子（10%）、电力模块（9%）、变桨执行模块（7%）、发电机（7%）、齿轮箱（6%）、刹车系统（5%）和电子模块（5%）。

可见，液压系统、传感器、转子电力模块和变桨执行模块部分是占突出地位的故障发生组件，也是故障监控系统及运行维护尤其予以重视的部分。综合对多年来各种风力发电机组的故障类型和数据统计分析，得出典型故障及其严重程度如表1所示。

针对上述典型故障，一般采取了根据设备的实际运行状态来安排维修和按照计划进行维修的基本措施。在正确排解上述故障的同时，监测和数据采集系统将对核心故障数据特征将进行存储、判别类型并发出报警，最终形成故障报告，根据故障轻重程度指导系统维修维护或容错运行。

2 风电机组故障诊断方法

由于风电是一个方兴未艾的新事物，其故障诊断技术也随之引起了国内外学者的高度重视，先后出现了传统故障诊断方法、基于模糊理论和可能性理论的方法、专家系统的方法、神经网络的方法、基于粗糙集理论的方法。但是由于用于描述风电机组故障特征与故障类型之间的对应关系是较复杂的，一种故障类型可能对应多种特征信息，而一种特征信息也可能对应多种故障类型，另外故障特征常常呈现出多种不确定性特征，所以单靠一种理论或某种方法在复杂环境下无法实现准确、及时、有效地对风力发电机组进行故障诊断。目前基于信息融合的故障诊断方法以其独特新颖、推理科学、诊断准确而成为一个重要的研究方面，但是当前故障诊断中信息融合依然是基础性研究，所以在这方面需要更加深入和广泛的研究。

将证据推理模式、神经网络与信息融合理论相结合形成一个综合故障诊断模式不失为一个研究方向。故障诊断信号源于各类传感器，因此故障特征信号多数情况存在随机、模糊、不确定等特性，分别对应于一种或多种故障类型，采取信息融合手段并根据故障特征和故障之间的关联度，建立起可统一度量上述各不确定信息的测度；采取证据推理（如D-S证据推理），可以解决不确定性信息问题，将各种不确定性故障特征作为推理证据，合并融合后做出诊断决策；采用神经网络方法可设计容错控制器，结合信息融合故障诊断决策结果决定是否采用容错控制。将模糊推理、信息融合（D-S证据推理）、神经网络结在一起，各自发挥优势，弥补了单一故障诊断方法的缺陷，提高了系统故障诊断和容错控制效果。

3 结语

随着风电机组的不断发展，机组的故障诊断技术也在不断发展，各种诊断技术的相互融合，优势互补是保证故障诊断准确有效的方向，成熟良好的诊断技术应用在风电机组中，必将推动风电事业的进一步发展。

参考文献

[1] 叶杭冶.风力发电机组监测与控制[M].机械工业出版社，2011.

[2] 姚兴佳，宋俊.风力发电机组原理与应用[M].机械工业出版社，2011.

[3] 彭力.信息融合关键技术及其应用[M].冶金工业出版社，2010.

[4] 王仲生.智能故障诊断与容错控制[M].西北工业大学出版社，2005.endprint

摘 要：近几年，风力发电及其技术发展迅速，由于工作环境恶劣，风电机组故障发生率提高，故障诊断成为一个重要的研究课题，该文结合风电机组典型故障分析，提出了一种尝试方法。

关键词：风电 故障诊断 信息融合

中图分类号：TM315 文献标识码：A 文章编号：1674-098X（2014）11（c）-0041-01

风力发电是一种安全、清洁、技术成熟、成本适宜的新型能源，近几年来其发展速度非常迅猛。但是由于风电机组经常工作在低温、沙尘、风暴、冰雪等恶劣坏境条件下，导致风电机组故障甚至损坏，影响机组的安全可靠性。同时，风电机组超常疲劳运行和各种不确定因素影响，风电机组故障出现频率增大、种类多样的局面，因此风力发电机的故障诊断是一个不可回避的问题，它既涉及机械故障诊断又涉及电气系统故障诊断。通过检测监视、故障分析、性能评估等方法，及时、正确、有效地对风电机组各种异常状态和故障状态作出诊断，提出对机组的运行维护的必要指导，制定合理的检测维修制度，保证机组工作时发挥最大的设计能力和潜力，延长设备的服役期限和使用寿命，最大限度提高系统可靠性。

1 风电机组故障的分类

根据实践运行结论和分型统计，风电机组的故障类型大致可概括为电气故障和机械故障两大类。其中，电气故障包括传感器故障、低压器件故障、通信故障、变流器故障、变桨故障等，机械故障包括齿轮箱故障、回转支撑故障、轴承故障、叶片故障、机械刹车故障、液压故障、对中故障等。

许多国内外的风电机组运行专家通过十几年来风电机组故障方面的研究，从大量数据的统计和分析中发现风电机组的故障情况虽然存在一些不确定性因素，但基典型风机组件故障的发生率本上保持着一些基本的规律趋势。发生率按照由高到低依次约为：液压系统（20%）、传感器（11%）、转子（10%）、电力模块（9%）、变桨执行模块（7%）、发电机（7%）、齿轮箱（6%）、刹车系统（5%）和电子模块（5%）。

可见，液压系统、传感器、转子电力模块和变桨执行模块部分是占突出地位的故障发生组件，也是故障监控系统及运行维护尤其予以重视的部分。综合对多年来各种风力发电机组的故障类型和数据统计分析，得出典型故障及其严重程度如表1所示。

针对上述典型故障，一般采取了根据设备的实际运行状态来安排维修和按照计划进行维修的基本措施。在正确排解上述故障的同时，监测和数据采集系统将对核心故障数据特征将进行存储、判别类型并发出报警，最终形成故障报告，根据故障轻重程度指导系统维修维护或容错运行。

2 风电机组故障诊断方法

由于风电是一个方兴未艾的新事物，其故障诊断技术也随之引起了国内外学者的高度重视，先后出现了传统故障诊断方法、基于模糊理论和可能性理论的方法、专家系统的方法、神经网络的方法、基于粗糙集理论的方法。但是由于用于描述风电机组故障特征与故障类型之间的对应关系是较复杂的，一种故障类型可能对应多种特征信息，而一种特征信息也可能对应多种故障类型，另外故障特征常常呈现出多种不确定性特征，所以单靠一种理论或某种方法在复杂环境下无法实现准确、及时、有效地对风力发电机组进行故障诊断。目前基于信息融合的故障诊断方法以其独特新颖、推理科学、诊断准确而成为一个重要的研究方面，但是当前故障诊断中信息融合依然是基础性研究，所以在这方面需要更加深入和广泛的研究。

将证据推理模式、神经网络与信息融合理论相结合形成一个综合故障诊断模式不失为一个研究方向。故障诊断信号源于各类传感器，因此故障特征信号多数情况存在随机、模糊、不确定等特性，分别对应于一种或多种故障类型，采取信息融合手段并根据故障特征和故障之间的关联度，建立起可统一度量上述各不确定信息的测度；采取证据推理（如D-S证据推理），可以解决不确定性信息问题，将各种不确定性故障特征作为推理证据，合并融合后做出诊断决策；采用神经网络方法可设计容错控制器，结合信息融合故障诊断决策结果决定是否采用容错控制。将模糊推理、信息融合（D-S证据推理）、神经网络结在一起，各自发挥优势，弥补了单一故障诊断方法的缺陷，提高了系统故障诊断和容错控制效果。

3 结语

随着风电机组的不断发展，机组的故障诊断技术也在不断发展，各种诊断技术的相互融合，优势互补是保证故障诊断准确有效的方向，成熟良好的诊断技术应用在风电机组中，必将推动风电事业的进一步发展。

参考文献

[1] 叶杭冶.风力发电机组监测与控制[M].机械工业出版社，2011.

[2] 姚兴佳，宋俊.风力发电机组原理与应用[M].机械工业出版社，2011.

[3] 彭力.信息融合关键技术及其应用[M].冶金工业出版社，2010.

[4] 王仲生.智能故障诊断与容错控制[M].西北工业大学出版社，2005.endprint

摘 要：近几年，风力发电及其技术发展迅速，由于工作环境恶劣，风电机组故障发生率提高，故障诊断成为一个重要的研究课题，该文结合风电机组典型故障分析，提出了一种尝试方法。

关键词：风电 故障诊断 信息融合

中图分类号：TM315 文献标识码：A 文章编号：1674-098X（2014）11（c）-0041-01

风力发电是一种安全、清洁、技术成熟、成本适宜的新型能源，近几年来其发展速度非常迅猛。但是由于风电机组经常工作在低温、沙尘、风暴、冰雪等恶劣坏境条件下，导致风电机组故障甚至损坏，影响机组的安全可靠性。同时，风电机组超常疲劳运行和各种不确定因素影响，风电机组故障出现频率增大、种类多样的局面，因此风力发电机的故障诊断是一个不可回避的问题，它既涉及机械故障诊断又涉及电气系统故障诊断。通过检测监视、故障分析、性能评估等方法，及时、正确、有效地对风电机组各种异常状态和故障状态作出诊断，提出对机组的运行维护的必要指导，制定合理的检测维修制度，保证机组工作时发挥最大的设计能力和潜力，延长设备的服役期限和使用寿命，最大限度提高系统可靠性。

1 风电机组故障的分类

根据实践运行结论和分型统计，风电机组的故障类型大致可概括为电气故障和机械故障两大类。其中，电气故障包括传感器故障、低压器件故障、通信故障、变流器故障、变桨故障等，机械故障包括齿轮箱故障、回转支撑故障、轴承故障、叶片故障、机械刹车故障、液压故障、对中故障等。

许多国内外的风电机组运行专家通过十几年来风电机组故障方面的研究，从大量数据的统计和分析中发现风电机组的故障情况虽然存在一些不确定性因素，但基典型风机组件故障的发生率本上保持着一些基本的规律趋势。发生率按照由高到低依次约为：液压系统（20%）、传感器（11%）、转子（10%）、电力模块（9%）、变桨执行模块（7%）、发电机（7%）、齿轮箱（6%）、刹车系统（5%）和电子模块（5%）。

可见，液压系统、传感器、转子电力模块和变桨执行模块部分是占突出地位的故障发生组件，也是故障监控系统及运行维护尤其予以重视的部分。综合对多年来各种风力发电机组的故障类型和数据统计分析，得出典型故障及其严重程度如表1所示。

针对上述典型故障，一般采取了根据设备的实际运行状态来安排维修和按照计划进行维修的基本措施。在正确排解上述故障的同时，监测和数据采集系统将对核心故障数据特征将进行存储、判别类型并发出报警，最终形成故障报告，根据故障轻重程度指导系统维修维护或容错运行。

2 风电机组故障诊断方法

由于风电是一个方兴未艾的新事物，其故障诊断技术也随之引起了国内外学者的高度重视，先后出现了传统故障诊断方法、基于模糊理论和可能性理论的方法、专家系统的方法、神经网络的方法、基于粗糙集理论的方法。但是由于用于描述风电机组故障特征与故障类型之间的对应关系是较复杂的，一种故障类型可能对应多种特征信息，而一种特征信息也可能对应多种故障类型，另外故障特征常常呈现出多种不确定性特征，所以单靠一种理论或某种方法在复杂环境下无法实现准确、及时、有效地对风力发电机组进行故障诊断。目前基于信息融合的故障诊断方法以其独特新颖、推理科学、诊断准确而成为一个重要的研究方面，但是当前故障诊断中信息融合依然是基础性研究，所以在这方面需要更加深入和广泛的研究。

将证据推理模式、神经网络与信息融合理论相结合形成一个综合故障诊断模式不失为一个研究方向。故障诊断信号源于各类传感器，因此故障特征信号多数情况存在随机、模糊、不确定等特性，分别对应于一种或多种故障类型，采取信息融合手段并根据故障特征和故障之间的关联度，建立起可统一度量上述各不确定信息的测度；采取证据推理（如D-S证据推理），可以解决不确定性信息问题，将各种不确定性故障特征作为推理证据，合并融合后做出诊断决策；采用神经网络方法可设计容错控制器，结合信息融合故障诊断决策结果决定是否采用容错控制。将模糊推理、信息融合（D-S证据推理）、神经网络结在一起，各自发挥优势，弥补了单一故障诊断方法的缺陷，提高了系统故障诊断和容错控制效果。

3 结语

随着风电机组的不断发展，机组的故障诊断技术也在不断发展，各种诊断技术的相互融合，优势互补是保证故障诊断准确有效的方向，成熟良好的诊断技术应用在风电机组中，必将推动风电事业的进一步发展。

参考文献

[1] 叶杭冶.风力发电机组监测与控制[M].机械工业出版社，2011.

[2] 姚兴佳，宋俊.风力发电机组原理与应用[M].机械工业出版社，2011.

[3] 彭力.信息融合关键技术及其应用[M].冶金工业出版社，2010.

[4] 王仲生.智能故障诊断与容错控制[M].西北工业大学出版社，2005.endprint