风力发电机电动变桨系统故障诊断研究进展

李洪川，王旭东，王东明，陈乃超，潘卫国

（1.甘肃中电投新能源发电有限责任公司，甘肃兰州 7 300601；2.上海电力大学能源与机械工程学院，上海 200090）

0 引言

为达到碳达峰与碳中和目标，在我国的“十四五”规划中，风电技术成为实现碳中和国家战略的重要手段，提出年均新增装机5000万千瓦以上。2025年后，风电年均新增装机容量不低于6000万千瓦，2030年至少达到8亿千瓦，2060年至少达到30亿千瓦。2020年，全国风电新增并网装机7167万千瓦，其中陆上风电新增装机6861万千瓦、海上风电新增装机306万千瓦。截至2020年底，全国风电累计装机2.81亿千瓦，其中陆上风电累计装机2.71亿千瓦、海上风电累计装机约900万千瓦[1]。我国风电规模日益扩大，新机组不断投运，由于风力发电影响因素较多，导致风力发电机组设备结构和运行较为复杂；载荷多变、负载较大、功率较高等特点，并且子系统数量多、机械和电气结构较多，风力发电机组在运行中容易产生故障、机组故障率较高，严重影响风电场运行效率。另外，电动变桨系统因结构紧凑、可靠等特点成为主流[2]。

电动变桨系统作为风力发电机组的关键控制部件，其故障已成为机组停机的主要原因之一。降低风力发电机组电动变桨系统故障率和故障停机时间，减少运维成本，提高发电率和经济效益，已成为风力发电投资、建设、运营维护需要解决的问题。因此，研究和掌握风电机组电动变桨的故障分析和诊断技术具有重要意义。

本文将针对风力发电机电动变桨系统故障及其故障诊断方法进行详细描述，分析风力发电机电动变桨系统故障诊断在模型分析、数据处理、故障树以及人工智能等方法的研究。

1 电动变桨系统基本结构及常见故障类型

1.1 电动变桨系统基本结构

现代大型风力发电机组一般采用三叶片方式，每个叶片分别配备独立的电动变桨距系统，一般由3套相同机构组成，包括变桨距伺服电机、伺服驱动器、减速器、叶片变桨距轴承、独立的轴控制箱和轮毂主控系统、蓄电池、传感器部分等。其中，传感器部分包括桨叶角位置传感器（叶片编码器和电机编码器）和两个限位开关；伺服电机连接减速器，通过主动齿轮与变桨距轴承内齿圈相啮合，带动桨叶进行转动，实现对叶片桨距角的控制。

1.2 电动变桨系统常见故障及发生原因

据统计变桨系统是风力发电机组故障发生率较高的部件[3]。变桨系统作为风力发电机的核心部件，其故障率甚至高于齿轮箱和轴承这些机械子系统。变桨系统的损坏不仅增加了运行维护成本，还严重影响了风电场运行效率[4]。因此，及时准确诊断出变桨系统故障，并采取相应举措，对于机组稳定安全运行至关重要。目前，实际运行过程中，变桨系统常见故障主要表现为[5-6]：

（1）变频器（变桨驱动器）故障。故障主要原因有变频器通信中断、绝缘栅双极型晶体管损坏、控制板件和动力回路接线损坏等。

（2）蓄电池故障。高低温都会对铅蓄电池产生极大影响，高温会引起腐蚀、析气，长期低温导致放电能力下降，寿命缩短。

（3）变桨电机故障。除了电机线圈断线，碳刷磨损这些电机自身原因，变频器损坏、限位开关和编码器故障长时间不解决会导致电机过载损坏。

（4）角度编码器故障。螺丝松动、接线不良均会发生故障。

（5）滑环故障。滑环连接轮毂和机舱的电源和通信线路，当滑环故障时会引发相关的变频器通信故障、蓄电池控制失效及变频器损坏等一系列连锁反应。

（6）变桨限位开关故障。限位开关接线回路松动、导线折断导致的限位开关不返回、位置不精确，进而造成变桨电机和变频器的损坏。

2 电动变桨系统故障诊断研究

故障诊断的难点之一在于对获得数据的处理，传统的诊断方法多是基于物理模型，利用测量获得数据，进行参数辨识，建立参数与故障对应的关系，获得故障类型和位置。随着技术的发展，尤其大数据和人工智能的发展，故障诊断技术也发生了较大变化。因此，本文将针对电动变桨系统故障诊断，通过模型和数据分析两类不同的方法进行论述。

2.1 基于分析模型的故障诊断

基于分析模型的故障检测和诊断方法是通过系统实际行为与基于模型的预期行为的差异的分析与比较，检测系统是否发生故障，并对故障发生部位、故障的大小及类型进行诊断。与基于信号的故障诊断方法相比，基于模型的故障诊断算法能够提高针对错误决策的恢复能力。基于模型的变桨系统的故障诊断，目前国内外已有很多的研究。

研究发现，采用可扩展的卡尔曼滤波器可以针对变桨执行器卡死、传感器偏差和失效等早期故障进行诊断[7]。同时，将H∞范数被引入作为阈值，利用线性矩阵不等式，求解最优H∞范数，系统模型的鲁棒性更强[8]。为了提高检测速度，及时响应外界变化，提出在时间域内快速检测叶片变桨执行器和传感器的故障，将故障发生前后进行比较，采用卡尔曼滤波器和基于H∞优化的阈值进行残差评价[9]；在此基础上，提出基于推理的故障隔离算法，能够确定故障类型、位置、大小和时间，同时对再控制器模块的容错控制器控制，以避免外部负载的影响[10]。在进一步的研究中，引入到多维空间，将变桨系统模型转变为可辨识的状态空间模型，结合状态观测器实现系统状态和参数的交互估计[11]。采用多新息随机梯度辨识算法（MISG）对系统状态和参数进行估计，将系统故障诊断问题转化为系统辨识问题。针对执行机构和桨距角传感器故障，提出了自适应解耦观测器，可以有效解决状态估计与故障估计相互耦合的问题，实现对白噪声不敏感而对故障参数敏感的残差信号，建立故障评价函数和决策方案[12]。此外，针对耦合问题，通过坐标变换将故障子系统与系统的其余部分解耦，通过降阶未知输入观测器（RUIO）去除干扰和不确定性，利用降阶滑动模式观测器（RSMO）能有效估计执行器和传感器故障[13]。针对变桨电机编码器的故障，感应电机驱动中编码器测量到的转子转速信号的均值和标准差被用来检测编码器故障。

这项工作表明，在比系统的机械时间常数短得多的周期内，平均转子速度的剧烈变化将表明编码器出现机械或电子故障；而编码器脉冲的缺失导致了转子速度的移动平均标准差的重大变化[14]。提出了两种永磁同步电机编码器故障检测方法。设计了一种基于转子位置与定子电流相关的方法，利用小波变换处理的定子电流信号的突变来检测编码器故障。另外一种方法是，根据校验方程生成的转子位置和转速的残差来检测编码器故障[15]。

风力机电动变桨故障的来源多种多样，各类故障之间相互影响，如何能精确定位故障源是之后研究的方向。通过建立数学模型，与实际系统双轨运行，通过残差分析，可以实现故障检测和诊断[16]。但该类方法针对不同风机类型、不同系统都需要重建模型，不具有通用性，导致建模的复杂性和难度大幅提高。

2.2 基于数据驱动的诊断技术

基于数据的故障诊断方法在学术界和工业界受到了更多的关注。数据驱动的价值归结于通过数据来支持决策和驱动产品智能。即在一定数据基础上建立算法模型，再将得到的数据结果反馈算法模型。模型本身就具有了学习能力，可以不断迭代。

2.2.1 基于故障树的故障诊断

针对故障树结构，提出许多改进方法。结合风力发电机组的实际性能和专家经验，引用模糊推理技术，建立变桨控制系统故障诊断模型。采用模糊理论可有效解决故障树中不确定性推理问题，提高诊断精度和故障识别时间[17]。在分析数据上，可以将SCADA（Supervisory Control And Data Acquisition，数据采集与监视控制）系统收集的60多项参数进行分类，进行数据预处理，并将带时间戳的状态和故障数据与记录的功率曲线比较，进行功率预测[18]。

可以看出，基于故障树的故障诊断方法的逻辑性较强，可以较为直观的获取故障点，但是在处理数据和建立故障树逻辑上仍然存在一定难度，厘清各故障之间的联系和影响，精确定位故障源头，这需要进行大量的工作。

2.2.2 基于图像的故障诊断

图像处理技术是人工智能发展的重要推动力量之一，也是故障诊断应用的重要技术。针对风力机电动变桨诊断，可以将测量的时域信号转换为二维灰度图像，可以根据统计学特征、小波分析、测量特征等开发出特征选择和最优的分类工具，选出MRMR（Max-Relevance and Min-Redundancy，最大相关性的最小冗余）标准和分类工具。实践表明，在5 MW海上型风力机组进行了模拟，能够检测和分类最常见的故障[19]。通过对相关指标数据绘制的雷达图进行特征提取，使经验风险和置信区间最小，有效地进行模式分类。首先将输入图像转换为灰度图像，提取图像GLCM（Gray-level Co-occurrence Matrix，灰度共生矩阵）特征并归一化，然后对灰度图像进行二值化。提取图像HOG（Histogram of Oriented Gradient，定向梯度直方图）特征，将GLCM特征和HOG特征组合为图像的特征向量，算法输出为训练集和测试集的特征和标签。其次，利用获得的图像特征对SVM（Support Vector Machines，支持向量机）分类器进行训练。然后利用测试图像的特征向量对样本标签进行预测[20]。

2.2.3 基于统计分析的故障诊断

一般而言，SCADA系统并没有综合考虑各子系统以及风力发电机运行参数间存在的强耦合性，可能会出现无序的报警信息，提高了故障停机后的维修难度。可以通过Fisher判别法，将数据进行识别分类，从而对故障源进行定位，实验结果验证了该方法具有良好的效果[21]。对单个SCADA数据的描述，采用期望值描述，而不是IEC（International Electrotechnical Commission，国际电工委员会）标准的平均值，以避免异常值引起的统计误差，并发现相关SCADA数据之间的相关性。额定风速前，相关SCADA之间的关系相对简单；当风速达到和超过额定风速时，变桨控制启动，SCADA数据相关性更加复杂。这也说明额定风速前，没有非线性控制效应抑制故障特征，能更容易发现故障[22]。

2.2.4 人工智能算法的应用

人工智能技术为解决问题带来了新的方法，使得传统无法解决的问题得到解决，并为故障诊断带来了新的曙光。相对于故障分析及其辨识而言，数据的采集、处理显得更为重要，过多的传感器不仅增加成本，还增加故障检测工作量，采用传感器优选可以减少检测和计算工作，结果表明该方法可以减少54%监测项目和95%检测时间[23]。此外，大量的数据需要首先进行预处理，尤其特征性能的提取非常重要。PCA（Principal Component Analysis，主成分分析）方法将系统高维数据组成矩阵，进行一系列矩阵运算后确定若干正交向量，数据在这些向量上的投影反映数据变化最大的几个方向，舍去数据变化较小的方向，由此可将高维数据进行降维，从而有效提高故障识别算法效率。在此基础上，通过MPCA（Multilinear Principal Component Analysi，多路主成分分析）对环境及风资源进行分析得到健康风力机组基准数据模型，提高故障诊断准确率[24]。同时，将PCA和MPCA耦合，充分利用PCA具有降维和噪声抑制的作用，MPCA模型可以反映各部件状态可变性的统计特性，进一步优化故障分析模型[25]。同时，PCA方法对风力机非线性的数据集处理效果不明显，需要采用非线性PCA技术，如核PCA（KPCA）也可结合神经网络技术，更能捕捉数据变化。

应用一种改进的ANFIS（Adaptive-Network-based Fuzzy Inference Systems，自适应神经模糊系统），监测了4种SCADA信号（转子速度、叶片角度、电机扭矩和功率输出）随风速的变化，结合已掌握的知识：风速为高，输出功率为低；风速为低，功率输出为高，这两种情况可能检测到故障。实现了变桨系统显著故障的自动检测[26]。然而，从停止到操作过程和从操作到停止过程之间不同的操作特性并未考虑。正是工作状态切换时，表现出与故障相似的参数。基于相似性原理，利用非线性状态评估方法，建立能够涵盖变桨系统全部正常运行状态的健康模型，当变桨系统发生故障时，比较模型预测值与正常状态的偏差，根据特征参数的偏差，来确定故障的原因[27]。深度神经网络的出现给复杂问题分析带来可能，针对风力发电机组变桨系统常见故障，提出基于DBN（Deep Boltzmann Machine，深度置信网络）的故障诊断方法，首先设计基于DBN的变桨系统故障诊断模型，通过堆叠多层RBM（Restricted Boltzmann Machine，受限玻尔兹曼机），对比重构数据与原始输入数据差异，获取故障特征自提取能力，再将RBM提取的故障特征输入到顶层分类器中进行训练，得到故障诊断模型。实验结果表明其有效性[28]。

风力机工况非常复杂，因此研究多未考虑风力机所处工况。但是，不同工况下，数据和数据之间的关系及耦合程度都不相同，给分析带来困难。ENRS（Entropy-optimized Neighborhood Rough Set，基于熵优化的邻域粗糙集）可以对不同工况下的特征参量进行约简建模，设计了全工况变桨系统状态特征参量挖掘策略。以其约简数据集作为输入样本，提出小世界粒子群优化的熵加权学习矢量量化（Learning Vector Quantization，LVQ）为基础模型的多模型状态监测器，实现异常状态的精准定位[29]。故障类型与所处工作状态有密切联系，将SCADA数据分类成4个工作状态区间，分别进行15个初始参数的相关OIE（Overlap Information Entropy，重叠信息熵）分析，选取OIE值低于0.3的初始参数作为故障诊断的合适信号，并进行离散化特征提取，建立小世界神经网络作为集成成员，并训练、选择、加权融合，最终得到分类结果[30]。

为了提高变桨系统故障预测的分类精度，针对多类分类问题，选用计算简单的二进制分类，选择径向基函数作为SVM（Support Vector Machines，支持向量机）的内核函数，并通过计算粒子适应度值来调整个体和全局的极值，不断迭代获得最优参数[31]。针对变桨系统易出现的编码器、电机故障和滑环断裂问题，选取与变桨电机功率最密切相关的功率、叶片角度、变桨电机电流、轮毂转速和风速等SCADA数据作为初始参数，并选取PLC状态代码处于发电状态下的数据进行数据预处理，使用RVM（Relevance Vector Machine，相关向量机）回归设计了一个正常行为模型，为提高模型精度，采用人工蜂群算法对核函数参数进行了优化[32]。选择功率和发电机转速、桨距角和发电机转速这两种性能曲线来建立正常行为模型（NBM），能更快地检测出滑环污染和变桨控制器故障，并解释和可视化故障条件下的风力机异常行为[33]。

此外，为了获取最优算法，对不同算法间的效果进行了比较。通过将代码映射到风速和功率输出预测状态代码、故障的严重性和特定代码，发现神经网络、标准分类、回归树和提升树算法可以较好地提取所需的信息，能提前60 min实现故障预测[34]。针对变桨执行器突变的和迟钝的动态变化的故障表现，集成了随机森林（Random Forest）和极端梯度提升（XGBoost）学习模型提高故障分类器的性能（鲁棒性和精度），并针对陆上和海上风力机组进行了数值模拟，与SVM相比具有较强的抗过拟合能力，且对多维信号有很好的效果[35]。然而不同的故障模式可能导致相似的故障特征，给故障诊断带来困难。不确定卡尔曼滤波器模型证明了，不同故障模式的故障识别的有效性[36]。

针对本课题所研究得出的协同育人机制，将在厦门理工学院新丝路时尚学院学院进行试行实践，因为“实践是检验真理的唯一标准”，我们将在实践的检验中研究和探索出一套实际效果好、可操作性强且具有可推广性的一套协同育人机制。

递归神经网络因为包含循环，所以它们可以在处理新输入的同时存储信息。这种记忆使它们非常适合处理时间序列数据，而风电场SCADA数据正是以时间为序列的数据。同时，故障分析也朝着多目标方向进行研究，提出递归神经网络多故障诊断预测方法，可以实现10种不同类型故障输出，形成了多故障诊断预测系统[37]。同时，将变桨系统关键故障对应的指标数据生成雷达图，通过ResNet50等卷积神经网络，利用雷达图训练故障模型，进行故障检测[38]。

可以看出，人工智能的故障诊断方法不需要知道对象的精确模型，避免了构建非线性、系统复杂的风力机模型。但是，需要大量数据作为基础，多数情况下，存在数据缺失等问题，并且需要合适的算法，也增加了使用人工智能算法的困难。

3 电动变桨故障诊断面临的挑战

根据上述风力发电电动变桨系统故障诊断技术的阐述，可以看出，采用模型分析和数据分析方法可以实现复杂电动变桨系统故障的诊断，能够有效避免故障出现，提高维护效率，减少风电机组运行成本。同时，无论是模型分析还是数据分析，在故障诊断方面还有待于进一步的研究和技术水平提升。现有的故障诊断理论和方法遇到了新的挑战，具体表现在以下3个方面。

（1）简单的风力机变桨系统模型已不能满足精确故障诊断的要求，数学模型难以完整表达变工况、强干扰运行下变桨系统各部件之间的关系，模型关系表达不完整，有遗漏，将会影响故障精确诊断，甚至误报、漏报故障。

（2）风力机故障有耦合性和并发性特点，现有诊断方法多为单类故障识别，忽视了各故障之间的联系，由一个零件失效导致所在机构故障，进而影响其他机构的正常运行。而如何厘清零件与零件、零件与机构和机构与机构之间故障影响关系是电动变桨系统故障诊断面临的一大挑战。

（3）现有的智能算法虽然在实现识别上具有突出优势，可以识别、决策风力机的故障，但较难给出故障的本质、演化过程和寿命预测。因此，需要对故障深层次联系、机理进行研究，对故障的预防提供理论支持。

（4）由于风电场测量数据量庞大繁杂，数据采样策略不同，各类数据采样时间不统一，测量数据误差和错误等都会使得数据质量下降，而从这样低质量的数据中找到故障特征犹如大海捞针。

4 潜在方向与发展趋势

针对电动变桨系统诊断的特点与挑战，认为应该从以下4个方面深入开展电动变桨系统故障诊断的研究工作，为风电机组的诊断与维护提供可靠的理论依据和有效的技术手段。

（1）风力机变桨系统各类故障的静态、动态联系以及故障之间的反馈和相互作用可能是需要研究的重点。可以将变桨系统模型拆分成多个精确子模型，厘清之间的数学关系，提高故障诊断的准确率。

（2）虽然提出了很多故障诊断方案，但还有进一步提升空间。基于物理模型的方法主要进行故障机理分析，基于数据驱动的研究主要进行状态监测、故障诊断和预测。将基于物理模型的故障诊断方法与基于数据驱动的故障诊断方法相融合，集在线监测、诊断、预测、机理分析于一体的变桨系统故障诊断技术将是未来的研究方向之一。

（3）如何对大量数据进行有效特征值的提取、相关性分析以及最终的数据处理，是未来的研究重点和难点。可通过数据清洗、特征指标提取、专家系统等技术对其进行处理，提高其对数据的利用效率。

（4）目前，变桨系统的故障诊断多针对变桨电机、驱动器这些机械、机构故障，关于变桨系统的电气故障诊断研究偏少，电气故障的产生原因是复杂的，排除故障的方法及方式只能根据故障的具体情况而定，也没有什么严格的模式及方法，对部分维修人员来说会感到困难。所以，将是电动变桨系统故障诊断发展的又一目标。

5 结论

（1）阐述了风力机变桨系统结构及基本故障类型，分析电动变桨系统故障诊断难点，并通过综述其国内外的研究进展，揭示现有电动变桨系统故障诊断理论与方法的问题与挑战。

（2）给出电动变桨系统故障诊断的潜在方向与发展趋势，认为应该从模型精确度、方法融合、数据利用等方面展开深入研究，将电动变桨系统故障诊断应用于工程实践。