风力发电机组故障诊断与预测技术研究综述

余金泰

（中国能源建设集团投资有限公司山西分公司，山西太原 030001）

1.风力发电机组故障诊断

近年来，虽然风力发电机组故障的出现几率正在不断降低，不过和以往常用的发电系统相比，风力发电机组发生故障的几率仍然比较高，运行时的可靠性仍然应该不断强化。与此同时，风力发电机组所处的工作环境非常复杂，且载荷多变，出现故障的几率很高，所以风力发电机组的故障诊断工作应当作为相关单位工作的重点内容。

1.1 按照振动的信号来诊断

在风力发电机组发生故障时，一般会出现振动信号，利用识别振动信号的方法，能够对故障的状况做出更加准确地判断。现阶段，按照振动信号做出诊断的模式非常常见，其使用频率同样很高，可以检测与诊断风力发电机组的许多重要部位，包括齿轮箱、轴承以及叶片。以小波神经网络检测方法为例，此方法的检测依据便是故障的特点，它可以被应用于齿轮箱故障的诊断工作。特别对齿轮箱故障特征的提取来说，小波神经网络检测方法能够结合信号分析与连续小波的变化，对微弱故障信号进行提取。就发展状况而言，故障诊断方法均是利用对稳态状况的振动信号进行离线分析来完成的，不过就实际情况来说，风力发电机组在运行时的工作条件不仅是动态的，而且拥有很多变化，所以其故障诊断结果有很大的几率会存在漏洞，应该有针对地对风力发电机组的在线健康监测的系统进行开发[1]。

1.2 按照模式识别来诊断

所谓按照模式识别来诊断，是指在机组多元化基础上获得的故障诊断方法，其工作原理为将模型假设于时域或视域，按照模型来分析故障。举例说明，在对轴承故障进行诊断时，使用该诊断方法能够对立体模型进行更加有效地建立，之后对相关故障进行准确查找并将其解决。就可视化模型而言，其在建设时的常用算法为Laplacian Eigenmaps算法，此算法可以对故障可视化模型进行构建，能够把立体图形提供给相关技术人员。可视化模型最显著的特征在于此类模型能够把故障的特征表现给相关人员，帮助他们尽快将故障的所在位置找出，除此之外，对于立体空间结构使用非线性的流形模型，可以分析动态轴承的故障，而且可以将故障的位置锁定，使故障处理的效率得到提升[2]。

1.3 按照电气信号来诊断

综上所述，如果风力发电机组出现故障，此种情况下能够按照信号对故障的状况进行判断，不过绝大多数均是借助振动信号来分析，在对风力发电机机组的故障进行判断时很少会使用电气信号进行判断的方法，在具体应用时未能获得很好的传播效果。对电气信号来说，电流信号是最为常见的一种，此信号比较弱，且易被噪音与其他故障所限制，所以出于将相关信息由电气信号提取出来的目的，应该对设备进行更加有效地分析，使用更加先进的设备对信号进行接收，对电气信号进行精准识别。举例说明，在按照电气信号来诊断时，需要对风力发电机组动力学模型进行合理应用，把动力学模型与数据进行结合，全方位总结与分析故障问题。除此之外，还需要使用维纳滤波来清理噪音，从而能够对风力发电机组的轴承发生的故障进行更明晰地判断。在按照电气信号做出诊断时，还能够对信号双谱分析方法和Hilbert模量频谱的方法进行应用，可以对风力发电机组的部件出现的故障进行更加准确的诊断，在具体应用过程中，相关人员能够按照具体状况，对所用的诊断方式进行实际选择。电气信号诊断方式和振动信号方式相比，相关单位无需另外对传感器进行购置，此外，应用电气信号判断方法在经济方面效益很好，拥有很好的应用前景[3]。

2.风力发电机组预测技术

对风力发电机组来说，不管初始设计有多么可靠，制作的选材有多么精良，其本质属于机械设备，风力发电机组在长期运行之后均会出现性能降低的问题和故障多发的问题。出于避免突发故障严重影响风力发电机组的正常运行的目的，应该使用某种技术来预测故障，确保风力发电机组能够在稳定的状态下运行，预测技术说明如下文所示：

2.1 预测机械结构系统故障

预测维修发电机组前期故障能够延长风力发电机组的使用时长，减少维修突发故障所用的成本，使风力发电机组在运行时表现得更加可靠。对风力发电机组机械结构系统而言，其组成除了轴承与齿轮箱外，还有叶片，机械结构系统会在多种因素限制下出现失效问题，使风力发电机组不得不长期停机，而且应该对不菲的维修资金进行支付。近几年，伴随风力发电机组的不断发展，有关学者加大了研究风力发电机组的故障预测的力度，有研究表明。在实际预测风力发电机组故障的过程中需要将下列角度当作切入点，首先，对风力发电机组的动态部件在运行时的状态进行分析，能够使用HMM模型与半Markov模型来推理轴承的退化状态与退化程度，进而对轴承的可使用时长进行判断。举例说明，技术人员能够使用离散观测序列的方式对隐半Markov链进行提取，随后使用转台转移矩阵来预测故障，对部件的可使用时长进行预测，最终实现稳定运行风力发电机组的目标。其次，按照有关的数据密度对风力发电机组的寿命状况进行判断，能够使用Gamma过程对设备的运行数据进行分析，对设备的使用时长的几率分布状况进行研究。再次，对设备的噪声状况进行分析，借助相对均根值对设备使用状态及设备性能进行计算，使用麦克风多测点的监测方法对设备的噪声变化状况进行分析，再利用小波分析法对设备故障的相关预测数据进行提取，完成预测工作。

2.2 预测电子系统故障

对风力发电机组来说，其电子系统除了电气系统与控制系统之外，还有发电机和传感器，电子系统故障在风力发电机组的故障中所占的比例很高，有数据表明，电子系统故障的比例约为51%，因此电子系统的故障预测工作非常重要。电子系统故障的特点除了维修难度不大与频率很高外，还有时间很短，其原因大多是电压太高、散热性能很差与软件出现老化，其解决措施如下：首先，在电子系统的设计阶段保障规划的科学性及合理性，能够将有关硬件电路及软件进行植入，有针对地增加功能，使电子系统进行自我检测，可以对故障进行发现、报告、修复。其次，将保护功能板块建设于电子系统内部设计，使其具备自我保护机制，尽量提高其性能与延长其使用时间。再次，对电子器件及系统内部状态的变化进行实时监测，留意重点参数，尽快将问题发现并予以解决。最后，在各类环境下建设相应的模型，借助实验对故障程度进行预估，以此提升预测技术的水准，从而尽快修复其潜在故障。

与此同时，在预测电气系统时应该对实际参数进行计算，就计算重点参量的方法来说，可以使用的方法如下：首先，开展关于场效晶体管的加速寿命的试验，获得器件在此功率的各种健康情况的实际参数。其次，开展热应力试验，对绝缘栅双极型的晶体管的参数进行分析，对剩余使用时间的健康指数进行预测。再次，使现代科技作用得到充分发挥，对集成故障预测与诊断的平台进行建设，分析多个采集电容在使用时间方面的数据。最后，如果电容性能发生衰退，等效串联电阻值会因此增大，电容的容量会不断减小，能够利用实际测量的方法对参数进行计算。

3.结语

风力发电机组的故障维修工作非常困难，需要花费很长时间，而且严重故障会使系统瘫痪，此时故障检测的难度也会得到提高。在此背景下，需要不断研究风力发电机组的故障诊断和预测技术，对在线监测系统进行充分利用和升级优化、利用只能控制系统不断强化故障诊断和故障预警技术，使风力发电事业不断进步，减少故障所致的损失，使相关人员能够对设备的工作状态进行充分掌握，提升故障诊断质量与预测质量，从而实现资产保值增值。