大型风力发电机组故障诊断综述

陈小华

摘要：经济的发展与进步使得风力发电机组数量也在逐渐增多，而所应用的故障诊断技术则是保证其运行效率、延长使用寿命的关键因素。本文就大型风力发电机组的主要故障进行了深入分析，提出了几种智能故障诊断方法，希望能够为同行业工作人员提供一些帮助。

关键词：风力发电机组;故障;智能故障诊断;

引言：能源危机与大气环境污染加重的大背景下，风能以及太阳能等新兴清洁能源的利用与开发逐渐被人们所重视，并在近些年获得了飞速发展。大型风力发电机由于其结构特点，大都坐落于近海与远郊地区，因此想要对其状态进行实时检测较为困难，维护成本也相对较高。近些年来，随着人们对于风力发电机的需求量逐渐提升，单机容量的增加使得风机的整体结构也逐渐变得复杂，无论是风机的故障率还是其在运行维护过程中的所需费用都有明显提升。为将风力发电机组故障率降低，从而减少零件更换与日常维护成本，对其状态进行实时检测、保证故障诊断及时性具有十分重要的现实意义，同时其也是确保风力发电机组运行高效性与稳定性的重要前提。

1 大型风力发电机组主要故障

1.1机械故障

1.1.1风轮系统

轮毂与叶片是风轮的主要组成部分，也是将风能转换为机械能的基本结构单元，机械能在产生后通过带动转子轴心即可完成电力转换。常见的叶片故障包括刚性降低、疲劳以及裂缝等，而轮毂部分最为常见的故障就是由于磨损过度而导致出现的一系列机械故障。

1.1.2主传动链

齿轮箱、齿轮以及轴承等组件是主传动链系统的主要组成部分，也是将发电机与主轴相连的重要基础，是风机中的关键结构。当前风力发电机组中所应用的齿轮箱由于所包含的结构过于复杂，因此在变载荷与变工况状态下运行时，极容易出现故障[1]。绝大多数的齿轮箱故障均由轴承开始，其作为关键的齿轮箱部件，若由于各种不确定因素导致其失效将对齿轮箱中造成难以逆转的伤害。常见的几种轴承故障主要包括磨损、断裂以及疲劳剥落，而齿轮故障则包括表面疲劳、轮齿断裂以及磨损过度等。

1.1.3偏航、变桨以及发电机系统

导致偏航系统或变桨系统出现故障的主要原因为缺少润滑油，长期磨损下无论是偏航齿轮还是轴承都将会产生故障。而导致发电机系统出现机械故障一般为轴承与或转子故障，其中转子故障包含了结构破裂、胶套松动以及转子不平衡等，出现的轴承疲劳则主要为轴承的内外圈故障。

1.2电气故障

电气故障主要为电子交换器故障、驱动电路电气故障以及控制系统故障等，引起发动机电气故障的主要原因为定子绕组或转子绕组发生故障。其中定子绕组发生故障包含了支路位置的匝间短路故障，以及在同相范围内不同支路的匝间短路故障，而转子绕组故障在线路中表现出的主要形式为接地故障或短路故障[2];多数定子故障产生的原因为绕组绝缘出现问题，也是引发故障停机的主要原因;电力电气变换器故障出现的主要位置包括PCB板、半导体器件以及电容器等。无论是温度还是湿度不正常的变化，均会增大故障的发生风险。一旦电子变换器发生故障，将有较高的停机现象的发生风险。对于大型风力发电机组来说，对大型风力发电机组的电气故障进行排查相对来说较为容易，且所耗成本也较低。但若海上风电机组出现故障，想要对其进行检修需要的设备类型较多，甚至还需要用到直升机或吊装船，并需要对天气因素进行综合判断。

2 大型风力发电机组的智能故障诊断方法

2.1ANN

由于ANN具有高度自学能力，因此在实际的故障诊断过程中的应用效果较好，针对于不同层级所对应的故障类型信息的处理工作也有所不同。例如，输入层需要对各类故障信息进行搜集;中间层需要处理故障信息，从而制定出解决方案;而输入层则需要将故障形式输入，在经过权值系数的调整后，能够形成针对于故障的诊断结果与后续类似故障的处理方案。

该类型的故障诊断方法主要集中应用在风机齿轮箱轮与轴承中，一般可将其分为分类与行为预测两大类[3]。以非线性自回归神经网络的应用为例，其以马氏距离为依据完成了针对于轴承早期故障的检测与分析，从这一点中也可以看到，利用该种方式能够最大程度的降低监测部件经常出现的损害。综合神经网络与动量法，能够实现在确认风机不同振动信号的基础上的机组故障诊断。以人工神经网络为例，在将其中的数据驱动技术融入至实际的故障检测过程后，只需要掌握大致的风力发电机组的结构特点与应用状态信息，即可完成检测，但由于人工神经网络需要耗费大量的时间用以完成对故障的训练，在技术尚不成熟的情况下应用的可靠性将无法得到保障。

2.2模糊逻辑

该种方法以二值逻辑概念为基础，属于特殊多值逻辑中的一种。其基本理念为隶属度函数与模糊关系矩阵，并需要综合模糊集合论与模糊关系矩阵，才能明确所产生故障与征兆之间的模糊关系，其也是实现对故障进行自我诊断的重要基础。

風力发电机组在模糊逻辑的基础上所设定的故障诊断方法，重点强调故障征兆隶属函数建立以及矩阵确定等内容[4]。通常情况下选择应用EMD作为将振动信号中特征向量提取的有效途径，并在利用模糊支持向量机的前提下有效解决噪声分类与异常值问题。想要实现模糊隶属函数的优化，关键在于模糊C均值聚类算法的应用，并需要综合粒子群算法设计对应试验，从而完成风力发电机组的多分类故障诊断。故障处理人员应在综合发电机组实际情况与现场专家经验的基础上，构建模糊推力模型以及时确定变桨控制系统故障，从而缩短发电机故障的诊断时间。

2.3灰色理论

该种方法简单来说就是对灰色关联度进行深入分析，重点强调设备运行状态与故障特征之间的相关性，从而对设备故障进行进一步的确定。针对灰色理论进行故障诊断需要在待检模式向量的基础上，对故障的典型模式与向量之间的关联性进行测算，以获得关联度序列，从而实现在检测数据帮助下进行的故障类型判断。

2.4专家系统

专家系统是在既定的规则下实现的风力发电机组的故障诊断方法，为保证发电机组齿轮箱故障的检测及时性，需要首先以齿轮箱结构为依据，构建故障树模型以完成针对于变速箱是故障的定量与定性分析，从而实现有效且快速的齿轮箱故障诊断[5]。另外需要在综合决策表信息后（粗糙集基础上）约减并将冗余信息删除;在神经网络融入后，能够对知识的模式与故障诊断方法进行有效识别，从而在专家系统推理判断能力的基础上完成电力系统故障诊断。该种方法的应用由于对分类型分析方法的优点进行了深入分析，因此求解规模也有了明显降低，继而帮助完成了在强化容错能力的同时的快速推理过程。贝叶斯网络与专家系统的紧密结合使得风机齿轮箱故障的诊断模型与数据库均在短时间内构建，在有类似故障出现时，系统就会自动比对数据库信息以快速定位到故障位置，并出具故障解决方案。

结束语：综上所述，大型风力发电机组覆盖范围的逐渐扩大使得智能故障诊断技术也在进行不断更新，其突出的远程故障诊断与分层分布式的网络应用优势，使得该类型的故障诊断方法已然成为了重要的发电机组故障诊断研究方向。

参考文献

[1]陈伟.声音在线监测、识别、判断模型在风力发电机组故障诊断中的应用[J].河南科技，2018，11：32-33.

[2]邢海军.风力发电机组故障诊断与预测技术研究综述[J].化工管理，2019，12：155-156.

[3]张冬梅，王红艳，孙晓辉.风力发电机组故障诊断技术综述[J].内江科技，2019，4007：45+26.

[4]孔德同，贾思远，王天品，刘庆超.基于振动分析的风力发电机故障诊断方法[J].发电与空调，2017，3801：54-58.

[5]金晓航，孙毅，单继宏，吴根勇.风力发电机组故障诊断与预测技术研究综述[J].仪器仪表学报，2017，3805：1041-1053.