风力发电机组故障诊断与预测技术研究综述

摘 要：本文主要论述了基于模式识别、共振信号和电气信号的风力发电机组故障的诊断技术和其在机械结构系统、电气系统中的故障预测技术，希望能够提高风力发电机组的稳定运行性。

关键词：风力发电机组;故障诊断与预测技术;电气系统

中图分类号：TM315 文献标识码：A 文章编号：1671-2064（2020）13-0126-02

0引言

风力资源是一种绿色可再生能源，在环境污染问题日渐突出的今天，受到了世界各国的关注。风力发电机组因其可以把风能转化为电能而被广泛应用，但由于其运作环境恶劣和需要长期运作，所以很容易出现故障，对其故障的预测诊断十分重要。

1风力发电机组故障的诊断技术

1.1基于模式识别故障的诊断技术

模式识别诊断故障技术的研究思路是通过分析风力发电机组的信号种类，构建时域、时频和频域的高维统计特征，运用机器学习方法把特征进行可视化分析处理，从而进行风力发电机组故障诊断。相关专家通过无监督分类方法对重构的高维流行拓扑结构进行分类分析，顺利的提取出相关部件的故障特征，在这个方法运用的过程中其极大程度的保留了故障信号中含有的信息，避免了因为诊断技术不足而出现的在诊断过程中故障部件的其余信息受到破坏。栗茂林等人基于局部切空间优化的学习，经过一系列研究提出模式识别基于非线性学习的故障诊断方法，可以有效诊断滚动轴承的故障。目前，这种诊断技术主要运用的是无监督和监督的模式识别方法，其中包含大量算法，影响诊断效率，所以这种诊断技术方法还需要被不断优化。

1.2基于共振信号故障的诊断技术

基于共振信号故障的诊断技术是目前世界各国常用的风力发电机组故障的诊断手段。通常情况下，风力发电机组的工作环境恶劣，具有风速变化大、外部载荷不稳定的特点，如果长期运行其内部部件很容易发生故障。我国通过振动信号监测和诊断风力发电机组中的叶片、轴承以及齿轮箱等关键部件的技术已经非常成熟。首先，随着专业人员对振动信号诊断风力发电机组的研究，小波神经方法被提出。其次，根据风力发电机组故障信号不平稳和变化快的特点，相关研究人员提出谱峭度方法，可以通过频率调解方法识别其具体故障情况，而后对振动信号进行降噪处理。叶片故障的诊断是通过分析对压电陶瓷传感器监测到的振动信号来完成的。最后，风力发电机组的振动信号具有噪声大、非线性强的特点，Tang B.P.等人提出了针对性的降噪方法，通过对降噪后的信号分析还可以运用流行学习算法诊断风力发电机组早期存在的影响小的故障。

1.3基于电气信号故障的诊断技术

我国对电气信号的故障诊断技术目前研究的还比较少，但是国外学者已经从这个角度进行了大量的研究，尤其是针对电气信号对电动机的故障诊断技术。电气信号里面包含的和故障有关的信号和振动信号相比较而言通常都很微弱，大部分都会被电动机本身有的电气信号和风力发电机组运作的噪声掩盖。所以，想要运用电气信号诊断故障，需要用先进的信号分析方法和电动机模型、转子动力学模型等相结合，通过模型建立、反复实验来诊断风力发电机组的故障。最后，我国胡伟等相关领域学者也对其进行了一定的研究，其选取适合的隐马尔可夫的模型的阶次，研究建立起HMM故障诊断模型，成功通过电气信号诊断电机定子匝的短路故障。依靠电气信号诊断风力发电机组故障的技术在诊断过程中不需要增加其他传感器。具有低成本、可靠性强的特点，很适合应用于对其故障诊断的工作中。

2风力发电机组故障的预测技术

风力发电机组无论在最初的设计多可靠，制作选材多精良，都是一个机械设备，其经过长时间的运行都会像其他机械一样性能都会降低，出现各种故障。为了防止突发性的故障对风力发电机组系统运行的影响，需要采取一定的技术对故障进行提前预测，保障其稳定运行，下面就是对其预测技术的说明。

2.1对机械结构系统故障的预测技术

对风力发电机组早期故障的预测维修可以增加其使用寿命，降低突发性故障的维修费用，提高运行的可靠性。风力发电机组中的机械结构系统包括轴承、齿轮箱、叶片等，由于其承受载荷重、工况复杂多变、工作环境恶劣等特点，机械结构系统容易发生失效，导致风力发电机组长时间停机和需要支付高额的维修资金。近年来，随着风力发电机组的发展，相关学者也开始对风力发电机组典型机械结构的部件进行了故障预测的研究，研究得出在对其进行具体预测时可以从以下几个角度入手：第一，分析风力发电机组动态部件的运行状态，可以借助HMM和隐半Markov模型对轴承退化状态和程度进行推理，来判断其寿命。比如，中电投木垒新能源公司相关技术人员利用离散观测序列来提取隐半Markov链，接着利用转台转移矩阵进行故障预测，顺利预测了部件寿命，使风力发电机组可以平稳运行。第二，依据相关数据密度判断其寿命情况，可以通过Gamma过程分析设备运行数据，研究其寿命长短概率的分布情况。第三，分析设备噪声情况，用相对均根值计算设备的使用状态和性能，借助麦克风多测点监测法分析其噪声变化，最后用小波分析法提取设备故障预测数据，进行有效预测。

除此之外，将其综合来看，风力发电机组目前故障预测技术的应用主要是在对单一载荷或者工况稳定的条件下对装备性能退化的数据分析的基础上展开的，因传统预测故障方法效率低，实施难度大，所以，需要构建风力发电机组的动态性能退化过程的非线性空间模型，选择非线性贝叶斯滤波算法，预测风力发电机组的健康状态和剩余寿命[1]。

2.2对电子系统故障的预测技术

风力发电机组里面的电子系统主要包括电气系统、控制系统、发电机以及传感器等电类方面的系统，是风力发电机组中故障出现次数占比最大的系统，据有关统计，其故障占风力发电机组故障的51%左右，所以电子系统故障预测是风力发电机组故障预测的重要环节。电子系统故障具有维修难度小、频率高、时间短的特点，一般都是由于电压过高、散热效果差、软件老化等引起故障发生的。对此，有关学者提出四个解决措施：（1）在电子系统设计初期进行科学合理的规划，可以选择植入相关硬件电路和软件，添加相关功能，让电子系统可以自我检测，智能化的发现故障、报告故障、修复故障;（2）在电子系统的内部设计中建立保护功能板块，最好其自身保护机制，尽可能的增强其性能和寿命;（3）实时监测电子器件和系统内部状态变化，关注关键参数，及时发现问题、解决问题;（4）建立在不同环境中的不同模型，通过实验预估故障程度。通过这些措施，可以有效提高故障预测技術水平，对风力发电机组的潜在故障进行及时修复。

此外，对电气系统预测的过程中还需要计算一些具体参数，对于其中关键参量的算法，相关学者也经过一系列实验研究出目前为止的最优方法：第一，可以进行对场效晶体管加速寿命实验，实验出器件在该功率下的不同健康状况下的具体参数;第二，进行热应力实验，分析绝缘栅双极型晶体管在实验里的参数，预测剩余寿命的健康指数;第三，充分发挥现代科技的作用，构建集成的故障预测诊断平台，大量采集电容的寿命数据进行分析，从而得出数据;第四，电容性能的衰退，会使等效串联电阻值增大，电容容量减小，可以通过具体测量计算得出参数[2]。通过合理的计算方法和科学的预测故障技术的运用可以极大程度地减少电气系统故障的出现，使风力发电机组运行稳定。

3 结语

总而言之，目前对风力发电机组故障预测和诊断技术还有很大的发展空间，考虑到日后社会发展对能源的大量需求，相关人员需要在原有的故障预测和诊断技术的基础上，尽快对其优化，研究出简化其中复杂性计算的方法，使风力发电机组可以健康发展，进一步优化世界能源的使用结构。

参考文献

[1] 艾超，高伟，陈立娟，等.基于风速预测的液压型风力发电机组并网转速控制研究[J].机械工程学报，2020，56（8）：162-171.

[2] 唐钊.浅议100MW风力发电机组工程2.0MW风机安装施工工艺及技术[J].门窗，2019（11）：69+72.

Abstract：This article mainly discusses wind turbine fault diagnosis technology based on pattern recognition， resonance signal and electrical signal and its fault prediction technology in mechanical structure system and electrical system， hoping to improve the stable operation of wind turbine.

Key words：wind turbine;fault diagnosis and prediction technology;electrical system

收稿日期：2020-05-09

作者簡介：姚兆林（1972—），男，江苏盐城人，本科，高级工程师，研究方向：新能源工程建设和新能源生产优化。