风力发电机故障诊断方法研究

摘 要：文章阐述通过对振动信号对风力发电机进行故障诊断，介绍当前振动信号分析的各种方法，故障诊断方法的原理、优缺点及发展趋势。

关键词：风力发电机；故障诊断；振动；监测

引言

面对当前不可再生资源的短缺状况，学者们不断的探索和发展可再生清洁能源，一二五规划的推动下风力发电已经建成规模，发展时又出现了新的问题，风力发电机组频出故障。因而对于风力发电机的故障诊断变得尤为重要，并且风力发电机是大型的旋转机械设备，其理论同样适用于其他大型机械设备，对风力发电机故障诊断的研究有很深远的实践意义。

1 风力发电机故障研究

振动是对旋转机械运行时各部分状态的有效反应，振动信号的采集和处理对故障诊断的正确性和及时性都有直接的影响。对于风力发电机来说，振动信号的非线性是对故障反应的最明显信号，通过对非线性信号的处理，并结合先进的知识工程、信息融合技术对风力发电机进行准确的故障诊断。

2 故障征兆及特征提取

风力发电机的振动信号能够直接反映风机设备的实时运行状态，可将振动信号分别在时域、频域和幅值域进行分析，将分析结果作为故障的征兆及特征。下面简述几种常用的故障分析方法。

2.1 时域分析

风力发电机运行时会有速度的变化，振动状态会随之改变，信号为非平稳信号。时域法是以时间作为变量，从时域的角度对信号进行描述和分析，分辨和推断出信号所携带的信息。能比较直观、清晰的观察到信号的变化，能对信号的整体状况有一个比较完整的大致了解，通常它包含的信息量大，对明显的、突发的故障有明显的特征，得到对信号的原始的、初步的判断。

2.2 频域分析

频域法是原信号在频域中的情况，频域的获取一般依靠傅里叶变换的方式，分析时，振动能量大的是幅值高的频率谱谱峰，分析产生高幅值的频率分量。分析中，要摒除对正常运行没有影响分量，即使存在较大振动分量而不随时间的变化而变化，则此分量对设备的整体运行的影响很小。值得注意的是一些幅值较小分量的迅速增长，可能是设备故障的一种预示，应重视。

2.3 功率谱估计

从频域的介绍中得知，风力发电机在频域中有一定的故障征兆和特征，进而又发展了一种功率谱估计技术。经典功率谱估计方法分直接法和间接法，均进行傅里叶变换。两方法分辨率低、方差性能差，因而出现改进的直接法，与经典法相比可以得到平滑谱线、高分辨率和高精度。

2.4 其它方法

对风力发电机故障诊断和预警可以延长使用寿命、节约经济成本。针对此类设备常用的分析方法有轴心轨迹、全息谱、角域分析、统计分析、相关分析、相干分析、时间序列分析、传递函数分析，下面简要介绍前两种。

2.4.1 轴心轨迹

轴心轨迹是旋转机械振动转子振动状态的一种重要征兆，不同的轴承结构有不同的故障特征，针对不同结构、不同型号的风力发电机也有不同的轴心轨迹来反应故障特征。

2.4.2 全息谱

风力发电机在运行时，转子受力使得转子发生弯曲和扭转振动，全息谱针对类似于风力发电机类得的旋转机械故障征兆提取的一种重要技术。全息谱在以FFT算法为基础，按自由方式采集振动信号幅值、频率和相位值，得到风力发电机的故障特性。

3 风机故障的诊断推理

故障诊断推理就是对故障的识别，按诊断方法大致可以分为三个方面：信号的处理；模型的分析；多种知识融合；针对上文所述，下面对故障诊断几种常用的方法进行一下概述。（1）专家系统的故障诊断方法：运用蕴含在专家系统中的经验知识，将接收到的故障信息进行故障推理，在系统中找到与之匹配的故障类型，判断所接收信息的故障类型，其中知识库和推理机是此方法的核心部分。（2）小波分析的故障诊断方法：在傅里叶分析的方法上发展起来的，在动态系统中，故障信号会引起整个系统的信号变化，小波变换可以用来检测信号的不规则点来对整个系统的工作状况进行判断。（3）神经网络的故障诊断方法：人工智能网络有很多优点，包括容错性、自适应性、鲁棒性、自学习性等，在故障诊断方面有优越性。在故障诊断系统中神经网络系统，一般包括两个阶段，训练学习阶段和诊断匹配阶段。（4）模糊逻辑故障诊断方法：以模糊集合为基础的模糊逻辑可以克服故障系统本身的不精确性、噪声干扰等问题，尤其在复杂的大型系统、时变方面、时滞方面、耦合方面都有其特有的优越性。选择运用恰当的隶属函数和模糊规则，根据实际的故障运行数据进行模糊逻辑推理，从而实现模糊故障的诊断。（5）故障树故障诊断方法：是一种对安全性好和可靠性高的故障诊断方法。故障树由故障形成的原因和结构够造出来的，故障树的顶事件是系统不希望发生，而中间事件和底事件的发生与否对顶事件的发生有一定的影响，再按照逻辑门的关系，得到倒树状的结构反映信息之间因果关系的模型树。

伴随科技水平的进步和提高，单一的故障诊断方法不再是发展的潮流方向，人们不断的尝试将多种智能的诊断方法结合，发现结合后互补各自方法的不足的同时还能将各自的优点突出。

4 风机状态监测与故障诊断技术的发展趋势

（1）向整体系统发展，集中控制，建立大型故障数据库，对风力发电机运行转台进行比对，及时发现故障、解决故障。整个系统向着可靠性、智能化、开放性及与设备融合为一体的方向发展。（2）采集器，作为对振动信号采集的关键部件向高精度、高速度、高集成以及多通道方向发展，精度从8位到12位甚至16位，采集速度从几赫到几万赫，采集方式从等时采样到等角度同步整周期采样方向发展。（3）数据传输，将传感器采集到的数据迅速传输回控制中心，由计算机的串行口和并行口通讯向着网络通讯的方向发展。（4）监测系统，界面更人性化、智能化、友好化，方便用户的观看和操作，融进多媒体技术，实现数据的动态显示。（5）诊断系统，诊断更智能化，可以实现多个故障的诊断，实现在线采集振动数据，实时诊断振动状态的方向发展。（6）数据存储，存储容量更大，存储方式更便捷的方向发展，建立通用安全的、可靠的大型数据库。

6 结束语

综上所述，我们可以看到近年来风力发电机在振动检测方面的故障诊断在迅速发展，以计算机技术、信号处理技术、人工智能技术为基础，进一步建立了更加智能化的风力发电机故障诊断技术，并且实践证明几种大型的诊断方法集成的诊断方法诊断效果更好。对于实用性极强的故障诊断技术，在理论的研究上已经很先进了，但工程实践方面较少，未来的发展趋势就是将理论与实践相统一，真正为实际工程所用。

参考文献

[1]陈立军，侯爽，等.基于邻域粗糙集与支持向量机的大型风机齿轮箱故障诊断[J].机床与液压，2014，8.

[2]汪光阳，周义莲.风机振动故障诊断综述[J].安徽工业大学学报，2006，1.

[3]李增宝.风机振动故障诊断及处理[J].世界华裔经济年鉴，2013，4.

[4]王志强.风机叶片在线状态监测与故障诊断研究[D].天津工业大学，2010.

[5]张佰顺.风力发电机状态监测和故障诊断技术的研究[J].黑龙剑科技信息，2014，10.

[6]芦斌.基于模糊神经网络的电动机故障诊断技术研究[D].中北大学，2013.

[7]皮维.风力发电机组齿轮箱故障诊断技术研究[D].湖南大学，2011.

[8]孟庆春.双馈风力发电机组的传动链顾臧模拟机仿真研究[D].哈尔滨理工大学，2013.

[9]张艳云，风电机组故障诊断研究[J].科技创新导报，2014，11.

[10]中国电力企业联合会.2011年全国电力工业快报[EB/OL].http：//www.cec.org.cn，2012-01-15

作者简介：侯爽（1986，11-），女，吉林省松原市，长春科技学院助教，硕士研究生，研究方向：风力发电机故障诊断。