风力发电机组故障诊断与状态预测的研究进展

李 刚，齐 莹，李银强，张建付，张力晖

（1. 华北电力大学控制与计算机工程学院，河北省保定市071003；2. 复杂能源系统智能计算教育部工程研究中心（华北电力大学），河北省保定市071003；3. 国网河北省电力有限公司高阳县供电分公司，河北省保定市071500；4. 华北电力大学电气与电子工程学院，河北省保定市071003）

0 引言

为应对气候变暖、环境污染等问题，全球能源消费正逐步迈入以清洁能源/可再生能源替代化石能源的“第三次工业革命”［1］时代。风能是最重要的清洁能源之一，全球风能理事会在2020年3月25日发表的《全球风能报告》中指出，2019 年全球新增装机容量60.4 GW，累计装机容量达到650 GW［2］。据国家发展和改革委员会能源研究所预测，到2050年中国的风电装机容量将达到2 400 GW，占国内总装机容量的33.8%［3］，大力发展风电等清洁能源是实现中国可持续发展战略的必然选择。发展风电、光伏等新能源的高效运维技术已成为当前电力系统面临的重要问题之一。

在风电机组单机容量较大、机组整体结构越加复杂、各部件之间的耦合也愈加紧密的情况下，机组出现故障的概率也会增加。据统计，陆上风电机组的运营及维护费用可达到其收益的15%～25%，而海上风电机组的对应数字可占到35%［4-5］，除了导致维护成本过高之外，对电力系统的稳定运行也具有明显的负面影响。为了协调电网企业的建设运营成本与社会降低电价预期之间的矛盾，全面发展电力系统的泛在感知技术，通过数据驱动、人工智能、数字孪生［6］等方法实现基于设备健康管理体系的状态维护（condition-based maintenance，CBM）或 预 防 性 维 护（predictive maintenance，PM），是电力系统实现数字化、网络化和智能化的重要基础。

传统的设备维护策略包括事后维护和定期维护，这2种维护策略容易导致“维护不足”或“维护过剩”［7］。故障预测与健康管理（prognostics and health management，PHM）的理念近年来受到很多学者的关注，旨在实现从被动维护到主动预防的转变，可以显著降低设备的维护成本［8］。已有研究尝试将PHM体系引入电力系统（如风电机组、输变电设备等）的运行维护中，使之成为CBM或PM的重要环节［9-11］。

在风电机组中，传动轴系、叶轮、发电机是造成机组故障和停机的主要部件［12-13］。因此，本文着重对这三大部件的故障诊断及状态预测的基本原理、典型方法进行系统分析与综合评价，并对CBM 未来的发展方向进行展望。

1 故障诊断与状态预测的基本理论框架

从宏观方面来讲，CBM 体系主要包含故障诊断、状态预测和健康管理3个方面的内容。“故障”是指设备或系统丧失原定效用或者因为性能退化而不能达到原定要求的异常状态；“健康”是指目前运行状态与预期正常运行状态之间的偏差程度。“故障诊断”是判断设备或系统的异常状态，识别故障类型、位置以及具体原因，进而达到故障隔离的目的，并为用户进行决策提供参考。“状态预测”则是根据设备或系统的历史监测数据，对当前设备或系统的运行情况进行评估，并对未来一段时间内的设备或系统状态或故障趋势做出预测。“健康管理”即是依据设备或系统故障诊断或状态预测结果、现有维护资源以及其他要求等信息，做出相关维护的决策能力［14］。状态预测在CBM 体系中发挥着重要作用。风电机组的状态预测就是以机组历史监测数据和实测数据为基础，结合机组所处地域环境，建立预测模型和方法，实现对未来一定时间段内机组故障（或剩余寿命）的预测［15-16］。本章从影响风电机组正常运行的关键因素、风电机组故障特性、预测方法及其评价等4个方面对风电机组的CBM体系进行论述。

1.1 影响风电机组运行状态的因素及特性分析

目前应用广泛的风电机组主要包括双馈感应发电机（doubly-fed induction generator，DFIG）和永磁同步发电机（permanent magnetic synchronous generator，PMSG）。风电机组零部件种类众多且数量庞大，影响风电机组正常运转的因素有很多，且其中许多因素之间相互耦合，给分析风电机组的运行状况带来了挑战。如图1所示，本文根据风电机组在设计、生产、运输、安装、运行、维修及回收的全寿命周期发展过程的不同阶段，对影响风电机组正常运转的因素进行了归纳与总结。

图1 影响风电机组正常运转的主要因素Fig.1 Major factors affecting normal operation of wind turbines

由图1可知，风电机组的设计及生产过程直接影响其部件以及整机的性能，同时也影响到机组的生产成本和故障率。在采用模块化设计理念并优选部件供应商的情况下，可以提高整机质量、减少运维成本。

风电机组在运输、安装及维护过程中会受到人为因素的影响，如齿轮安装误差、轴承安装不正、润滑不良、存储不当、运输损耗、维护不当以及未及时进行维修等，外加运行过程中受气象和地理等客观因素影响，如极端天气、变工况运行以及不可预知的负载波动等，风电机组各部件均可能出现意外故障造成损伤，直接影响到风电机组的剩余使用寿命。

风电机组在运行中主要受到载荷以及电气因素的影响。导致风电机组疲劳和振动的载荷主要包括随机性载荷与确定性载荷。随机性载荷是由风湍流引起的气动载荷，受风速影响产生的随机交变载荷是导致机组发生故障的主要原因之一。在电流谐波以及风湍流两者的共同作用下，会直接影响到发电机的电磁转矩，进一步使得作用在轴上的扭矩随着时间的变化形成旋转振动。当因扭振引起的应力变化积累到一定程度时，会严重影响到传动轴系的齿轮箱以及轴承的剩余使用寿命。

影响风电机组的确定性载荷则主要包括：定常风作用产生的稳态载荷，由叶片的重力、偏航误差、塔影效应、风剪切、主轴的上倾角等因素产生的周期载荷，以及阵风和停机过程中产生的瞬态载荷［17］。而在并网过程中DFIG和PMSG除了受叶片传递的交变载荷影响外，还受变流器调制出的低频谐波的影响［17］。如并网运行的PMSG 输出端电压随负荷变化而变化，同时PMSG 转矩产生脉动，会对传动轴系产生一定的冲击［18-19］。

此外，当电力系统的电压突然下降时，在DFIG 的定子绕组中会产生衰减的直流暂态磁链，进而使转子绕组中产生过电流与过电压。同时，定子和转子的电流大范围波动也会引起电机转矩的脉动，加剧传动轴系的应力扭矩，增加其疲劳程度，并直接影响其剩余使用寿命。

1.2 故障诊断和状态预测的技术框架

目前已有多种故障诊断与状态预测方法，总体上可分为基于物理模型的方法和基于数据驱动的方法2类。近几年来，风电机组趋向大型化、复杂化，因此，如何建立精准的风电机组物理模型是目前的难点问题。另一方面，数据驱动方法几乎不需要监测对象的先验知识，因此，基于反映机组运行机理和运行状态的数据驱动方法在近年来受到普遍关注。

由于状态预测问题本质上是参数预测问题，即通过预测有关参数的变化趋势，判断整机或某一部件在将来一段时间的运行状态演变过程。在正常状态下，监测信号会在一定范围内上下波动；当整机或某一部件工作异常时，其动态特性就会偏离正常工作空间，监测信号随之变化并呈现某种变化趋势。简要的状态预测技术框架可用图2表示，基于数据驱动的故障诊断与状态预测的一般过程如图3所示。

图2 状态预测的技术框架Fig.2 Technical framework of state prediction

图3 基于数据驱动的故障诊断与状态预测的一般过程Fig.3 General procedure of data-driven fault diagnosis and state prediction

1.2.1 数据采集与预处理

对风电机组进行准确诊断和状态预测需要以可靠的数据为基础，因此，数据采集与预处理是故障诊断与状态预测的重要环节。目前，用于机组故障诊断和状态预测的数据大部分来源于数据采集与监控（supervisory control and data acquisition，SCADA）系统。随着信息物理融合系统（cyber-physical system，CPS）的提出与发展，对设备的监测与控制手段也在逐步提升［20］，借助大数据分析中的流式计算［21］和数据摘要等技术，可从更广泛的角度对风电机组所处环境和运行状态进行实时监测和控制。

由于受实际因素（如信息采集过程中环境温度的变化、电磁干扰等）的影响，所取得的原始数据质量较低，因此首先应进行数据预处理操作。目前可采用的方法包括：数据清理、数据集成、数据变换、数据归约等。其中，数据变换过程中常含有不能表征机组运行状态的“噪声”或“干扰”，这类信号对故障分析无用，甚至会导致错误的诊断结果，因此必须对数据进行信号处理操作。常用的信号处理技术包括：包络分析、带通滤波、平滑方法、域变换（如时频变换、小波变换、Hilbert变换）等［22］，以及大数据处理方法［23］。

1.2.2 故障特征提取与识别方法

由于风电机组运行工况较为复杂，其故障表现形式与运行状态密切相关，实现故障辨识具有一定的难度，因此，掌握有效的风电机组各部件故障特征提取方法，可以提高机组的故障诊断和状态预测精度。例如，机械故障在风电机组故障中的发生概率较高，且一旦发生就会造成较长的停机时间，而机械设备的运转情况可以通过振动信号反映，因此，基于振动信号的特征分析方法在风电机组故障诊断中广泛应用［24］。又如，机组温度与故障之间也存在潜在的关联关系，一般温度信号也会作为机组故障诊断与状态预测的参数之一。现有的故障特征提取方法主要包含频谱分析、小波包分析、离散傅里叶变换［25］和固有时间尺度分解（intrinsic time-scale decomposition，ITD）［26-27］等。

2 风电机组的故障诊断与状态预测方法

本章重点选取风电机组的传动轴系、叶轮和发电机三大主要部件的故障诊断和状态预测方法进行系统性回顾。由于风电机组各主要部件的本质构造及其运行特征不同，在电-磁-力-热等不同能量及物理效应的耦合程度上各有差异，对其进行科学分析的方法也会有所区别，因此，本文为了叙述上的便利，按不同部件分别归纳其研究方法。需要指出的是，由于建立风电机组各部件的纯物理模型难度较大，目前的研究大多采用基于数据驱动的分析方法，即利用SCADA 数据作为故障诊断与状态预测模型的输入，然后输出诊断及预测结果。

2.1 传动轴系

DFIG 的传动轴系不仅故障率高且故障造成的停机时间在所有故障中最长［17］，因此对该部件进行故障诊断与状态预测的研究方法也较多，主要列举如下。

1）回归分析

回归分析预测（regression analysis prediction，RAP）法本质上属于因果分析预测［28］，是一种基于历史数据来确定变量之间定量关系的预测方法，便于直观分析多参数模型。例如，文献［29-30］分析了与齿轮箱温度密切相关的风电机组参数，并分别利用多元线性回归分析模型建立了正常状态下齿轮箱温度的预测模型。但该方法可能会忽略交互效应和非线性的因果关系，因此在正态性假设不成立的前提条件下，需要考虑非参数回归分析法［31］。

2）时间序列分析

时间序列是把历史数据按照时间进行排序的统计序列，根据统计序列中的规律外推来实现未来一段时间内的预测。基于时间序列模型（time series model，TSM）的方法主要有4种：自回归（autoregressive，AR）模型、移动平均（moving average，MA）模型、自回归移动平均（autoregressive moving average，ARMA）模型和整合移动平均自回归（autoregressive integrated moving average，ARIMA）模型［28］。例如，文献［32］利用AR 模型提取运行在非线性状态下的机组齿轮箱的特征，用于故障诊断和状态预测。时间序列分析突出了时间因素在预测中的作用，但未充分考虑外界不确定因素变化造成的影响，存在预测误差。

3）人工神经网络

人工神经网络（artificial neural network，ANN）中的一些模型具有良好的泛化能力，广泛应用于故障诊断和预测领域。文献［33］将故障预测划分为3个层次：预测有无故障（fault and no-fault prediction）、故障类型（fault category）、具体故障预测（the specific fault prediction），并指出均可运用ANN 来处理。例如，通过收集多源实时信息，文献［34］提出一种基于ANN 中的多层前馈神经网络（multi-layer feedforward neural network，MLFNN）的风力涡轮机变速箱健康状况监测方法。此外，鉴于粒子群优化（particle swarm optimization，PSO）技术具有全局搜索特性，而LM（Levenberg Marquardt）方法具有快速收敛特性，利用这两者的优势可以改善前馈神经网络的学习算法，减小其陷入局部极小的概率并加快其收敛［35-36］。为更好地模拟复杂系统的演化发展，文献［37］提出基于进化神经网络（evolving neural network，ENN）的齿轮箱状态预测模型，给出了样本自动选取规则，且所设计的ENN 结构适于描述机组运行状况的改变，算例表明ENN 较前馈神经网络的状态预测精度高，学习速度也更快。

同时，针对前馈神经网络学习以及记忆的不稳定性，Elman ANN 应运而生，该神经网络模型由多个神经元按照一定的规则连接构成，通过加入内部反馈网络实现了动态建模［28］。这些特性使得Elman ANN 具有较高的学习效率和稳定性，较适用于故障诊断与状态预测［38］。考虑小波包对时间序列的分解特性，文献［39］提出了一种基于长短时记忆神经网络的故障诊断方法，最后通过实验验证了该方法能够得到较为准确的预测结果。但该方法需要大量的原始数据进行学习和训练，不适用于处理小数据。

4）深度学习

深度学习（deep learning，DL）是机器学习的一个重要分支，可以理解为ANN 的发展，主要通过组合低层特征形成更加抽象的高层来表示属性类别或特征，以发现数据的分布式特征表示，从而提升分类或预测的准确性。常见的DL 算法包括：深度置信网络、卷积神经网络、循环神经网络以及堆栈式自动编码器等［40］。例如，针对齿轮传动系统中齿轮等零部件易出现故障的问题，文献［41］提出了一种基于DL理论的齿轮传动系统故障诊断方法，首先利用深度置信网络提取齿轮传动系统的振动信号，然后通过深度置信网络的复杂映射表征能力对故障信号进行故障判别。为解决监督式学习需要大量标签数据的问题，文献［42］提出一种新的深度神经网络模型，即一维残差卷积自编码器，并应用于振动信号的无监督学习与故障特征的提取，实验表明该方法具有良好的去噪能力和故障提取能力，显著提高了齿轮箱的故障诊断率。由此可见，DL在进行复杂系统的故障诊断时具有巨大的潜力，但此类算法训练耗时，容易出现过拟合的情况。

5）支持向量机

支持向量机（support vector machine，SVM）是一种二分类模型，用于求解凸二次规划的最优化算法。由于单独使用SVM 技术存在资源耗费较大，且不具有不确定性管理能力等，一般需要对其改进。例如，文献［43］将最小二乘SVM（least squares SVM，LS-SVM）应用于风电机组齿轮箱的故障预测中，首先利用皮尔逊相关系数对特征变量进行筛选，然后利用SVM 回归对风机齿轮的正常状态建立预测模型，再利用统计过程控制分析预测模型，以降低算法复杂度、加快计算速度。但SVM 对参数和核函数选择敏感，不适用于解决多分类问题。

相关向量机（relevance vector machine，RVM）是一种特殊的用于回归和分类的贝叶斯稀疏核算法，其函数形式与SVM 相同，但其可以给出预测结果的置信区间，并且使用较少的核函数就可达到与SVM 相同的泛化能力［44］。例如，文献［45］分别利用RVM 和SVM建立了低速轴的故障诊断和预测模型，实验结果证明前者的性能优于后者。文献［46］基于RVM 建立了齿轮早期故障检测模型，首先利用小波包变换从齿轮原始振动信号提取时域统计特征作为特征向量，并采用Fisher准则选择出最优的特征向量，研究表明，采用变分径向基函数（variance radial basis function，VRBF）的鲁棒性高于高斯径向基函数（Gaussian radial basis function，GRBF），研究表明RVM 比SVM 更适合在线诊断。

6）灰色模型

灰色预测是通过少量、不完全的数据，建立数学模型并进行预测的一种方法，其核心是灰色模型（grey model，GM）。灰色预测是对灰色系统所做出的预测，即通过对原始数据进行统计处理，得到近似的指数规律，用观测到的反映预测对象的特征量进行建模并预测［47］。例如，文献［48］从风电机组原始温度监测数据中提取出多组时间序列，建立风电机组系统灰色预测模型，以识别故障模式与故障原因，并根据评估结果进行故障预警，一定程度上克服了风电机组运行状态的不确定性。但灰色预测模型只适用于中短期的预测和指数增长的预测。

7）Petri网模型

Petri网是对离散并行系统的数学表示，能够用较少元素直观、方便地表示复杂系统内部状态的变化，在描述系统异步和并发活动方面具有一定的优势，适用于研究部件级、系统级故障［49］。例如，文献［50］针对齿轮箱故障存在的并发性、信息不足和不确定性问题，采用模糊Petri网建立了故障诊断模型，以识别齿轮箱的故障模式。文献［51］将时间属性引入模型中，提出一种基于时序约束网络与模糊Petri网的电力系统故障诊断模型，提高了系统的可靠性。但使用Petri网模型明显增加了系统计算的复杂度。

8）其他方法

除上述典型方法外，还有一些学者创新性地引入其他理论，用于解决风电机组传动轴系的故障诊断和状态预测问题。例如，文献［52］在齿轮箱各类实时监测数据的信息融合基础上，提出了一种基于灰狼优化核极限学习机（grey wolf optimization-based kernel extreme learning machine，GWO-KELM）的风机齿轮箱状态监测、故障分类与识别方法。另外，为满足目前风电机组海量数据的存储和处理需求，文献［53］提出了一种基于Storm 实时流处理的齿轮箱故障诊断和预测方法。针对齿轮裂纹故障造成的振动信号波峰持续时间短且出现次数少的问题，文献［54］提出了一种基于频谱特征的特征提取方法——峰度和时间小波能谱（spectral kurtosis and time wavelet energy spectrum，SK-TWES）对行星齿轮进行早期故障诊断，实验表明利用谱峭度能够提前几星期时间预测到齿轮裂纹故障。

2.2 叶轮

叶轮是风机中能够捕获到风能的关键部件，其受气动力、重力和惯性力等循环应力的影响，且通常暴露于恶劣的自然环境中，非常容易受到损耗。一旦叶片的慢性损伤积累到一定程度，就会导致叶片发生疲劳裂纹故障。风机叶片多采用纤维增强型复合材料（如玻璃钢等）组成，长度在30～50 m，重量在6～10 t；装机容量为5 MW 的风机叶片甚至长达60 m，重达18 t。一旦叶片存在疲劳裂纹等故障隐患时，就会有很大概率出现叶片断裂、风机倒塌等大型灾难事故，造成严重的经济损失。因此，对风电机组叶轮运转情况进行实时监测，并进一步对其疲劳寿命进行分析，是预防灾难性故障、保障风电机组安全稳定运行的重要保障。

1）载荷应力监测

近年来，国内外已相继研发了一系列风机叶片的监控设备，即通过监测叶片的振动情况或安装传感器来获取有效信号特征，实现叶片的故障诊断。例如，文献［55］通过监测振动情况，提取叶片运行状态特征量，然后利用自联想人工神经网络（auto-associative neural network，AANN）对机组叶片进行全面的疲劳分析，并识别机组叶片故障。文献［56］则尝试利用提前安装在叶片上的光纤布拉格光栅传感器（fibre Bragg grating sensor，FBGS）来监测风机叶片上的应力模式，进一步分析叶片的运行状况。在实际运行中，叶轮由于振动或者载荷过大，容易出现叶片不平衡。因此，文献［57］通过研究不同水流流速下叶轮不平衡对海流机的影响程度，提出了一种机电耦合的数学模型，有利于分析海流机的故障诊断和状态预测。此外，风机变桨系统可以根据风速调整叶片角度，将叶片旋转产生的机械能传递给传动系统，通过对变桨系统进行实时故障监测，有利于风电机组对风能利用率的提高。例如，文献［58］考虑到变桨系统故障产生和传播过程中所具有的不确定性和模糊性，依据风电机组海量运行数据挖掘变桨系统故障关联规则，并转化为模糊Petri网模型，采用矩阵运算的形式化并行推理，得到变桨系统故障诊断结果。

2）疲劳寿命分析

通过及时评估叶片的疲劳损伤情况，并对其剩余使用寿命进行预测，对提高风机叶轮的可用性、可维护性具有积极意义。例如，考虑到风力涡轮机叶片载荷作用以及空气动力学特性，文献［59］基于线性疲劳损伤累积理论和基本应力疲劳性能曲线对风机叶片进行了寿命预测。不过，这种基于线性累积损伤理论的方法并不完全适用于复合材料［60］。对此，有学者提出了非线性损伤理论［61］，避免了等效损伤的假设，可以考虑构件损伤的非均匀发展情况。由于风机大部分暴露在复杂甚至恶劣的环境中，且受到动态变化的内/外部载荷的作用，因此，要保证叶轮使用寿命预测的准确性，就要考虑到载荷动态变化的影响。例如，文献［62］采用有限元分析法，基于材料的S-N曲线和Spera经验公式，对处于变载荷下的风机叶片进行寿命评估，但这需要花费大量时间来建立S-N 曲线。针对此问题，文献［63］提出一种基于ANN 模型的复合材料剩余使用寿命预测方法，与使用S-N 曲线相比，在保证达到相同预测精度的前提下需要的数据量减少了50%，从而显著减少了计算时间。目前基于数据驱动的方法是设备剩余使用寿命预测的主流方法［64］，通过提取反映设备健康状态的特征信息，建立状态监测数据间的非线性关系，进而实现剩余寿命的准确预测。

然而，现有的大部分针对风机叶片的疲劳寿命评估方法，尚未完全计及不确定性因素。因此，文献［65］在利用有限元分析法获得叶片关键区域后，再用威布尔分布法统计分析每种风速模式出现的比例并据此对其随机分配权重，然后基于经典层合板理论（classical lamination theory，CLT）对选出的关键区域提出了疲劳损伤累计模型，并进行疲劳分析和预测。图4说明了疲劳寿命分析的一般过程［22］。

图4 疲劳寿命分析的一般过程Fig.4 General procedure of fatigue life analysis

2.3 发电机

风力发电机主要由定子、转子、轴承以及电刷滑环系统组成，其较长时间运行在变工况和电磁环境中，相对容易发生故障。其中，发电机常见的不正常运行或故障形式包括振动过大、发电机过热、轴承过热、短路故障、转子断条、绝缘损坏及滑环面烧伤等。

发电机从正常态到故障态的变化能够通过物理参量的异常变化反映出来。这些物理状态量包括电气量和非电气量，如电流、电压、功率、温度和振动等信息，基于数据驱动的风电机组故障诊断与状态预测正是以这些物理参量的变化为基础的。目前，针对发电机转子、定子、轴承等部件的故障诊断研究较多［66］。例如，文献［67］以电流估计差为故障特征量，提出一种双馈风力发电机定子绕组匝间短路故障诊断方法。文献［68］以定子瞬时功率信号为切入点，提出一种针对双馈风力发电机转子绕组不平衡故障的诊断方法。但由于发电机转子故障与故障位置、严重程度等因素相关，对其进行准确定位非常困难，文献［69］通过对发电机转子匝间短路故障进行建模仿真，并基于仿真模型研究其故障严重程度的变化趋势，以实现故障源精确定位。

针对电刷滑环系统无法用常规方法进行温度量测的问题，大多数研究通过监测振动、火花放电、电气量等信号，实现发电机的故障诊断［70］。例如，文献［71］在电刷滑环仿真平台的基础上，通过分析系统故障运行前后的振动信号，提出了一种基于振动信号的滑环面损伤故障诊断方法。文献［72］提出一种基于希尔伯特-黄变换（Hilbert-Huang transform，HHT）的电刷滑环烧伤故障诊断方法，将非平稳时间序列用经验模态分解转化为固有特征方程，实现高分辨率的时频分析，并通过模拟实验验证了其可行性。

据统计，在风电机组发电机的所有故障中，轴承故障、定子故障、转子故障分别占40%，38%，10%，其他故障占12%［73］。可见，轴承部件最容易出现故障，而振动信号又是轴承部件最显著的特征。由于振动传感器会受到其附近振动源的干扰，并且轴承故障信号特征所覆盖的频率范围很宽，使得轴承振动信号中含有大量的噪声。针对这些非平稳信号，傅里叶变换具有明显的局限性，小波变换应运而生并广泛应用于时频分析中。例如，文献［74］基于小波变换和自组织特征映射（self-organizing feature mapping，SOM）神经元网络理论，提出一种利用小波变换提取轴承故障的信号特征，再结合SOM 与指数加权移动平均（exponential weighted moving average，EWMA）图对轴承故障进行预测的方法。粒子滤波（particle filter，PF）是一种以贝叶斯推理和重要性采样为基本框架，根据特征相似度计算每个粒子重要性的方法，可以处理任意形式的概率，在轴承的故障诊断与预测方面具有较好的应用前景。例如，文献［75］提出一种基于PF的滚动轴承剩余使用寿命预测方法。虽然粒子滤波器能够有效解决非线性问题，但需要大量样本，并且粒子会退化且对突变状态的跟踪能力差。针对此问题，文献［76］通过采集风电机组SCADA 数据，提出了一种基于深度自编码网络和XGBoost的故障诊断算法，实验表明该算法能够捕获风力发电机早期故障。此外，由于轴承温度与轴承故障之间存在潜在的关联关系，与采用振动信号进行故障诊断和状态预测相比，采用温度信号建模则相对简单，但该研究方向需要进一步论证其可行性与时效性。

以上分别讨论了风电机组三大关键部件的故障诊断与状态预测方法。由于各个部件作为整个风电机组的一部分，其特征具有一定的相似性和关联性，因此对某个部件所采用的方法也可以为其他部件提供参考。表1即对风电机组各关键部件所采用的方法进行了总 结，并给出了各部件的常见故障形式及其特点等。

表1 风电机组各关键部件常用的故障诊断与预测方法Table 1 Fault diagnosis and state prediction methods for critical components of wind turbines

3 风电机组故障诊断与状态预测中的难点与建议

随着风电装机容量的持续增长，尤其是单个风机趋于大型化、复杂化，这些都给风电机组状态的精确诊断与预测带来了挑战。虽然针对风电机组运行保障的多种监测手段已在现场得到应用，但由风电机组运行环境的复杂性与其本体结构的高度耦合性等因素叠加给诊断与预测领域带来的技术难度也在增加。本文通过对风电机组故障诊断与状态预测方法的系统性回顾，总结其难点如下：

1）风电设备SCADA 数据具有全局化、多元化的特点，如何融合多维数据，设计风电设备多参量关联关系，实现风电机组的深度挖掘与故障预测，是未来风电设备故障诊断与状态预测的难点之一；

2）现有的各类故障诊断方法和预测技术都有各自的优缺点和局限性，如何综合考虑风电机组的人-机-物-环等生态体系周期以及各类复合因素的影响，实现多技术融合的智能故障诊断与状态预测，是目前亟须解决的关键问题之一；

3）在复杂（如强噪声、变速变载等）工况下，如何实现风电机组整机大设备群中故障设备的精确定位及预警，也是目前及未来的难点之一；

4）风电设备的故障模式复杂，如何确定各关键零部件故障的危害性次序，研究风电场设备群预防性维修方法，提高系统整体的可靠性、准确性、鲁棒性，实现风电机组的实时在线监测以及准确运行调控，是影响到运行、维护等多环节的关键问题。

因此，在当前数据科学与人工智能理论快速发展阶段，未来可考虑在如下几个方面开展系统性研究。

1）风电机组多维关键参数信息融合

目前风电机组的故障诊断和状态预测使用的信息主要包括机组的振动信号和温度信号，若能充分考虑电压、功率、风速、环境等多参量的变化，则有望进一步提高诊断与预测的效果。因此，需要收集多维度、多时间尺度、多种数据类型的信息，然后提取风电机组的故障特征向量，对这些特征向量进行数据、特征和决策3个不同层面的信息融合。通过研究风电设备多关键参数之间或监测参数与目标函数的数据驱动关系，建立风电机组状态预测与诊断的模型，从而增强预测结果的可靠度。

2）“大云物智移”辅助的风电机组在线监测与综合评估

随着风电机组产业的规模化发展，将智能技术与其进行深度融合，实现风电机组的实时感知、动态控制和信息服务是未来的发展趋势。因此，有必要在万物互联的背景下，充分应用“大云物智移”等现代信息技术，研究基于海量历史数据与实时监测数据的故障模式及各部件的相互影响分析、故障危害性分析等，提取风电设备的可靠性指标，建立风电机组全寿命周期的在线监测与故障分析模型，为实现风电机组的在线监测和综合评估奠定坚实的理论基础。

3）风电机组整机的故障诊断与状态预测

风电机组的组成结构日益复杂，自动化程度明显提高，各子系统间的耦合也愈加紧密。一旦子系统或部件出现异常必定会引起其内在特性的改变，从而对系统整体造成影响。传统的故障预测方法主要集中在风电机组的某个部件上，而忽略了各部件之间的关联性。因此，可以从整个风电场的角度，挖掘各风电机组之间潜在的关联关系，利用该关联关系对其他机组的状态进行估计，探测出性能下降或状态异常的机组，再从单个风电机组的角度进一步定位故障部件、探测故障原因，并预测未来一段时间内机组的状态。

4）信息物理融合架构下的预防性维护体系

随着新型风电产业的发展，对风电机组结构提出了新的要求，同时如何科学、有效地对机组进行维护也成为亟待解决的问题。近几年来，故障诊断与预测技术在多个领域中得到深入发展和应用。虽然近年来国内许多学者或研究人员提出了多种针对某种关键设备的诊断与预测方法，但其系统化的设计和应用还有待进一步研究。风电机组属于典型的CPS，如何建立基于物理模型和数据驱动耦合分析的风电机组PM体系，通过将CPS理论、诊断与预测方法协同起来，对机组全景态势进行精确描述，将是未来的发展方向之一。

4 结语

风电作为一种清洁的可再生能源，在第三次工业革命浪潮中，将发挥重要的作用，是实现“清洁替代、电能替代”不可或缺的能量来源。为推动新能源电力系统的发展，未来将是风力发电由分散、孤立发展到广域集中、高效消纳的关键时期，因此，保障风机的可靠稳定运行是一项具有挑战性的科学难题。

本文对风电机组中较容易出现故障的关键部件，如传动轴系、叶轮和发电机的故障诊断与状态预测方法进行了系统性阐述。同时指出，由于风电机组内部结构的高度耦合性及技术局限性，增加了对其诊断与预测的难度，因此，基于“大云物智移”等现代信息技术，可实现风电机组多维关键参数的有效融合，逐步实现风电机组整机的故障诊断与状态预测，并进一步完善基于信息物理融合架构下的CBM 或PM 技术体系，这是未来值得重点关注的研究方向。