風電機組故障診斷方法研究

文 | 唐新安，王海云，董昱廷，賈錦霞

近年來，由于資源短缺和環境惡化，世界各國開始重視開發和利用可再生能源和清潔能源。風能作為一種綠色、環保的能源，已越來越得到人們的重視。中國風力資源豐富，風力發電潛力巨大，近年來我國對風力資源的開發也非常重視，裝機容量也在不斷增加，根據中國風能協會統計，2014年中國風電新增裝機容量23.35GW，同比增長45.1%，累計裝機容量115GW，同比新增25.5%。由于大部分機組安裝在偏遠地區，長期工作在野外、暴曬和雷雨等的惡劣環境中，易發生多種機械或電氣故障。

隨著海上風能的開發和利用，近海風力發電場將成為未來風電的重要發展方向，海上風電機組由于拆裝的困難，其維護成本至少是陸地的2 倍以上，這都給機組的運行管理和維護帶來了極大的困難。因此開展風電機組故障診斷研究，有利于降低故障率、減少維修時間、增加年發電量和提高風電場經濟效益，不僅能為機組維護人員安排備件和檢修計劃提供支持，而且也能為設計人員提供指導意見，對降低故障率，保證風電機組安全穩定運行具有重大意義。

故障診斷基本理論

故障診斷技術是一種了解和掌握設備在使用過程中的狀態，確定其整體或局部是否存在異常，早期發現故障及其原因并能預報故障發展趨勢的技術。故障診斷技術是大型機械設備可靠運行的關鍵技術之一，也是各種自動化系統及普通機械系統提高效率和運行可靠性，進行預測維修及設備管理的基礎。故從機械設備故障診斷的實施過程，可以將其歸納為圖1的步驟：

圖1 故障診斷主要步驟

風電機組故障診斷是采用相應的傳感器采集風電機組在運行過程中產生的力、熱、振動、噪聲等各種信號，然后將信號采集獲得的數據信息進行分類、處理、加工，獲得表征風電機組運行狀態的特征參量，對風電機組的狀態作出判斷，確定是否存在故障以及故障的類型和性質、程度等。最后根據狀態識別的結果，決定采取的措施，同時根據當前的檢測信息預測風電機組運行狀態可能發展趨勢，進行趨勢分析。故障診斷的最終目的是分析故障形成原因，作出科學的維修計劃，增強設備運行可靠性，提高運行效率。

風電機組常見故障分析

一、齒輪箱故障分析

齒輪箱是風電機組中重要的機械部件，其主要功能是將風輪在風力作用下所產生的動力傳遞給發電機并使其得到相應的轉速，它的正常運行關系到整機的工作性能。通常風輪的轉速很低，遠達不到發電機發電所要求的轉速，必須通過齒輪箱齒輪的增速作用來實現，故也將齒輪箱稱之為增速箱。齒輪箱系統一般包括齒輪、軸承、軸和箱體四部分。齒輪箱在使用過程中將承受復雜的靜態和動態載荷；其零部件如齒輪、軸和軸承的加工工藝復雜，裝配精度高，再加上風電機組常常在高速重載荷下連續工作，而其狀態的好壞往往直接影響到機械設備的正常工作，故對齒輪傳動系統的診斷是風電機組故障診斷的重要組成部分。風電機組齒輪箱常見故障按發生部位分主要有齒輪損傷、軸承損壞、斷軸等。常見故障形式見表1。

經統計潤滑油油溫過大時齒輪箱故障產生的一個重要原因，因此采取各種措施防止油溫升高，對于保證風電機組齒輪箱正常運行有重要意義。上海電機學院鄭翔等提出在風電機組齒輪箱潤滑系統中應用MCS-51單片機及其控制電路，結合復合PID算法、GSM-Modem通信技術，控制風扇或加熱器進行冷卻或加熱以實現對潤滑油溫度的精確控制的方法，實驗結果表明該系統具有過渡時間短、超調量小(2℃)和穩定誤差小(0.4℃)等特點。在齒輪箱信號特征提取上，常采用共振解調技術和倒譜技術，提取信號故障特征。

二、發電機故障分析

發電機是風電機組的核心部件，負責將旋轉的機械能轉化為電能，并為電氣系統供電。發電機中最容易發生故障的部件是軸承、定子和轉子；對典型的異步發電機而言，三者的故障率分別為40%、38%和10%左右。定子和轉子故障主要包括匝間繞組開路、單個或多個繞組短路、定子繞組連接異常、轉子導條和端環斷裂（籠型轉子）、靜態或動態氣隙偏心等。發電機常見的故障模式有：內部電氣不對稱，氣隙磁通和相電流諧波分量增加，轉矩波動增強、均值下降，電機損耗增加、效率降低，繞組過熱等。此外，油溫過高、振動過大、軸承過熱、有不正常雜聲和絕緣損壞也是發電機的常見故障。關于發電機的在線監測和故障診斷方法有很多：基于定子電流信號的監測，軸向磁通監測，基于振動信號分析的故障監測，基于溫度信號的故障監測與診斷，局部放電監測法等。沈陽工業大學陳長征等提出采用對兆瓦級風電機組主軸和齒輪箱振動信號進行頻譜分析的方法。從風電機組采集到的頻譜信號若超過設定的報警限, 則對實時處理信號與數據庫存儲信號進行比較, 將采集的信號進行小波變換和頻譜分析, 獲得信號頻譜圖，可以準確判斷出風電機組發生的故障及位置，為齒輪箱和主軸的故障診斷尋找依據。

表1 齒輪箱各部件常見故障形式

三、葉片故障分析

風電機組通過葉片將空氣的動能轉化為機械能，再由發電機將機械能轉化為電能，風輪及葉片在能量轉化中擔任著重要角色。風電機組的葉片是整個機組中最昂貴的部件, 也是最容易受到損壞的部件。葉片長期露天工作在惡劣的環境下，難以避免受到濕氣腐蝕、陣風或雷擊等因素的破壞以及長時間運行產生的疲勞裂紋等故障隱患。風電機組葉片長度一般在30m－40 m，體積質量巨大，一旦發生故障，不僅造成葉片本身的損壞，還會對整機的安全產生致命性損傷。葉片常見故障有葉片斷裂、偏移、彎曲和疲勞失效等。國外有研究者探究了用光纖光柵傳感器實現風電機組葉片的在線監測的可行性。該技術根據風電機組葉片在運行過程中的載荷變化，借助葉片上對稱分布的光纖光柵傳感器捕捉應變信號，評判葉片健康狀態。此外，還可利用聲發射檢測和紅外成像檢測對葉片的健康狀態進行識別。

四、偏航系統和變槳系統故障分析

偏航系統是水平軸式風電機組必不可少的組成系統之一，其主要組成部分包括：偏航大齒圈、側面軸承、滑墊保持裝置、上下及側面滑動襯墊、偏航驅動裝置、偏航限位開關、接近開關、風速儀風向標等。風電機組偏航系統常見故障模式有：偏航位置故障、偏航位置傳感器故障和偏航速度故障等。根據偏航系統自身的運行特點，如轉速低、負載重等對其進行狀態監測，可采用的方法有振動檢測、電流、電壓檢測等。

變槳系統的所有部件都安裝在輪轂上，風電機組正常運行時所有部件都隨輪轂以一定的速度旋轉。變槳系統通過控制葉片的角度來控制風輪的轉速，進而控制風電機組的輸出功率，并能夠通過空氣動力制動的方式使風電機組安全停機。風電機組的葉片通過變槳軸承與輪轂相連，每個葉片都要有自己的相對獨立的電控同步的變槳驅動系統。變槳驅動系統通過一個小齒輪與變槳軸承內齒嚙合聯動。變槳系統由中央控制箱、軸控箱、電池箱、變槳電機和限位開關等組成。故障類型：變槳電機故障、軸承潤滑不好造成的磨損，螺栓松動引起軸承移位，安裝不當引起軸承變形等等。可采用振動檢測，也可采集發電機的電流信號進行分析。

風力發電機故障診斷方法

風電機組的故障診斷方法有很多種，主要包括傳統診斷方法、智能故障診斷方法和數學診斷方法。傳統診斷方法大多是基于狀態監測技術的數據分析，主要包括：振動監測技術、油液分析技術、噪聲監測技術、紅外測溫技術、聲發射技術以及無損檢測技術等。智能診斷方法主要包括模糊邏輯、專家系統、神經網絡和遺傳算法等。數學診斷方法主要包括基于貝葉斯決策判據以及基于線性和非線性判別函數的模式識別方法、基于概率統計的時序模型診斷方法、基于距離判據的故障診斷方法、模糊診斷原理、灰色系統診斷方法、故障樹分析法、小波分析法等。

一、時域和頻域分析的方法

時域和頻域分析是風電機組故障診斷最常用的方法。時域處理方法主要涉及以下指標: 均值、方差、標準差、均方值、有效值、峰值、峰峰值、波形指標、峰值指標和脈沖指標。通過時域指標統計, 可以進行定性診斷, 卻無法指出具體的故障部位。對時域信號進行傅里葉變換,得到信號的頻譜, 從頻率的異常變化來診斷機組的故障。若需要處理短時沖擊調制信號，如果直接對故障信號進行頻譜分析，往往會失效，無法看出是否發生故障，因為FFT比較適合處理平穩周期信號。因此，包絡譜圖的使用便應運而生。包絡譜圖并不是對信號的處理過程進行確切描述而是表示在不同頻率上的振動信號的能量，根據振動信號來源的故障頻率計算，判斷部件是否發生故障。包絡解調技術加強了高頻段瞬態畸變小信號的能量, 將包絡檢測技術與傳統的頻譜分析技術相結合, 能在軸承、齒輪嚴重損壞之前就及時檢測到它們的早期缺陷及潤滑問題。

二、人工智能的方法

人工智能診斷方法主要包括模糊邏輯、專家系統、神經網絡、遺傳算法。人工智能診斷方法可以用于故障狀態模式識別、趨勢預測等。山西大學孟恩隆等利用人工神經網絡具有自學習、自組織、自適應和極強的非線性映射能力，針對齒輪箱和發電機的故障提出了一種智能診斷的新方法,思路為首先將信號進行單子帶重構改進小波變換，然后從小波變換子帶系數中選取特征域提取故障特征，作為BP 神經網絡的輸入，BP 神經網絡根據訓練好的映射關系，導出相應輸入信號的故障類型。

三、小波分析的方法

小波分析在時域和頻域都具有很好的局部化性質，較好地解決了時域和頻域分辨率的矛盾，在高頻率的部分頻段能放大尺度, 具有很好的頻率分辨性；在低頻率的部分頻段能縮小尺度, 具有很好的時間分辨性和對信號的自適應性。因而，小波分析特別適合處理非平穩時變信號，能夠將信號在任意頻段進行劃分，比基于傅立葉變換的分析方法能夠有效的提取故障特征，尤其是提取微弱故障特征。武漢理工大學梁偉宸等以小波分析故障診斷的理論為基礎，提出了一種齒輪箱狀態監測的實現方法。該方法首先利用常規的功率譜對點蝕故障進行分析，然后針對點蝕故障做小波變換的時頻分析。最后，對振動信號進行特征值分析，判斷故障分布和故障的嚴重程度，從而為齒輪箱故障診斷提供依據。

結論

隨著全球發電產業的發展, 風電機組故障診斷技術變得越來越重要，神經網絡、小波分析和智能診斷技術也越來越受到研究者的關注，被廣泛用在風電機組的故障診斷中，我們要極力做到：

風電機組各部件故障診斷機制的完善。風電機組是一個復雜的機電綜合系統，目前齒輪箱故障、電氣系統故障和發電機故障是最主要的三種故障，對于發電機部件, 也有很多專家從電信號和振動信號兩個方面深入研究發電機的工作狀態，將成為風電機組狀態監測和故障診斷的未來研究方向之一。但在葉片的監測與故障診斷方面，國內專家研究的較少，雖然國外在風力機葉片故障診斷方面取得了一定的研究成果，但主要還是處于試驗階段，與實際應用還有一段距離。

專家系統的建立。一個完整的專家系統由人機接口、知識獲取程序、知識庫、綜合數據庫、推理機等組成，其中知識庫是專家系統的核心內容，還包含有系統規則，這些規則大多是關于具體系統或通用設備有關因果關系的邏輯法則。所以真實反映對象系統的知識庫的建立是專家系統進行快速有效的故障診斷的前提，但在知識庫的建立、管理和維護等細節問題的實現方面仍存在很大難度。在采用先進的傳感技術與信號處理技術的基礎上研制故障診斷專家系統，將現代科學技術的優勢同專家豐富經驗與思維方式的優勢結合起來，將是風電機組故障診斷技術發展的重要方向。

新方法在故障診斷技術中的應用。傳統的基于快速傅里葉變換（FFT）的頻譜分析方法是振動信號處理中最重要的途徑，但是只適于分析平穩信號，而不適于分析非平穩信號，小波分析對突變信號和非平穩信號的處理較好，已經被廣泛使用在風電機組故障診斷技術中。另外，基于人工智能的方法也越來越受到研究者的關注, 未來這些理論和算法同樣會在風電機組故障診斷領域得到更加深入的應用。此外,如何在故障產生前及時準確地預測可能產生的危害, 提前處理故障誘因將成為另一個尚待研究的重要主題。