風力發電系統故障診斷技術淺析

張健

摘要：針對風力發電系統中的主要部件，發電機、葉片、軸承、變流器及齒輪箱等故障，對現有故障診斷方法進行了介紹，為提高對風力發電系統的可靠性、降低成本，促進其工程化進程提供了有效的參考。

關鍵詞：風力發電；葉片；軸承；故障診斷

近年來，隨著大規模風電場的投入運行，出現了很多運行故障，因而需要高額的運行維護成本，大大影響了風電場的經濟效益。風電場一般處于偏遠地區，工作環境復雜惡劣，風力發電機組發生故障的幾率比較大，如果機組的關鍵零部件發生故障，將會使設備損壞，甚至導致機組停機，造成巨大的經濟損失。為降低風電機組運行的風險，維護機組安全經濟運行，都應該發展風電機組狀態監測和故障診斷技術。

狀態監測和故障診斷可以有效監測出傳動系統、發電機系統等的內部故障，優化維修策略、減少非計劃停機次數和降低機組的運行維護費用等。風力發電機組的狀態監測和故障診斷系統集合了信號采集、在線監測以及信號分析等功能；能對系統的各種機械參數和電氣參數等進行監測，并將采集到的數據進行分析處理，從而正確定位各系統的故障。

1 狀態監測技術分類

狀態監測技術可幫助發現機組機械和電氣的初始故障，遏制重要事故的發生。風電機組狀態監測系統可在機組運行過程中實時監控各個部件的運行狀態，及時判斷部件存在的問題和隱患，及時采取處理措施，提高了機組運行可靠性。對于風力發電機組，狀態監測技術主要可以分為以下幾類：

（1）油液監測。油液監測技術檢測的是設備潤滑油和液壓油的性能，掌握設備運行中的潤滑和零部件的磨損信息。油液監測包括油液品質檢查、鐵屑檢查等。

（2）振動監測。振動信號能夠反映機械故障特征，機械狀態的變化可以通過振動信號體現出來?？蓪C械設備進行準確的檢驗和故障診斷，比如轉子不平衡、油膜振蕩、轉軸彎曲等。

（3）溫度監測。在設備劣化的情況下，溫度的高低可以直觀地反應設備的運行情況，因此溫度監測通常用于電子和電氣元件的故障診斷。

（4）應變力監測。對風電機組中的葉片壽命預測和疲勞狀況監測，應變力測量是一種高效方法，主要通過在關鍵部位安裝應變力傳感器測量。

2 故障診斷

2.1發電機故障

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。隨著風力機容量的增大，發電機的規模也在逐漸增加，使得對發電機的密封保護受到制約。發電機長期運行于變工況和電磁環境中，容易發生故障。常見的故障模式有發電機振動過大、發電機過熱、軸承過熱、轉子/定子線圈短路、轉子斷條以及絕緣損壞等。據統計，在發電機的所有故障中，軸承的故障率為40%，定子的故障率為38%，轉子的故障率為10%，其他故障占12%。

根據發電機的故障特點，采用的診斷方法主要是基于轉子/定子電流信號、電壓信號以及輸出功率信號等狀態檢測手段。POPA等借助定子電流和轉子電流信號的時域分析得到其幅值信息，再通過FFT得到電流信號的諧波分量，最后通過判斷諧波分量的變化實現對發電機3種模擬故障的識別。借助連續小波變換，對輸出功率信號進行分析，能夠識別出發電機轉子偏心故障和軸承故障。

2.2葉片故障

風力發電機組安裝在野外比較惡劣的環境，經常處于無人值守的狀態，對其運行狀態的監測尤其重要。由于環境因素，機體各部件故障率較高，葉片作為風力發電機組的主要部件之一，對其故障監測十分必要，一旦出現故障，要是不及時處理，葉片就會很快的斷裂。輕則造成停機，重則燒壞機組，影響正常供電，造成不可挽回的損失.

風機葉片故障類型可分為裂紋、凹痕和破損等，葉片的振動形式主要包括擺振、揮舞振動、扭轉振動和復合振動，葉片的故障信息通常依靠現場監測的震動信號進行反應。在風力發電機組故障中，突變信號和非平穩信號往往會伴隨故障存在。理論上講，當葉片出現裂紋時，振動信號中會伴隨有較強的高頻沖擊波，并且這些離散的故障信號是可能存在任意頻段內的。

2.3軸承故障檢測

風電機組主要零部件的可靠性研究表明，在風電機組的故障中電氣和控制系統故障率最高，傳動系統如齒輪箱、主軸承等故障率相對較低。但進一步的研究表明電氣和控制系統的故障容易排除，停機時間短，并且也不需要吊車等輔助工具。從機組故障引發的停機時間、維護費用和是否容易造成的繼發故障等角度分析，與電氣和控制系統相比，機械傳動系統的狀態監測與預警維護更為重要。

風力發電機用軸承大致可以分為四類：變槳軸承、偏航軸承、傳動系統軸承和發電機軸承。目前的實際應用的風電軸承運行狀態監測與故障識別的方法主要有基于數據采集與監視控制系統（SCADA）的方法，基于振動分析、潤滑油檢測的方法，基于聲音、紅外圖像的方法以及多種方法相結合等方法。

2.4變流器故障診斷

在雙饋風力發電系統中，變流器是故障頻率相對較高的環節之一，其故障類型中最為常見的是功率開關的短、開路故障。診斷這一方面的主要研究方向可以分為全局短路故障診斷和局部短路故障診斷，全局短路故障診斷的內容是在變流器直流側安裝傳感器獲得直流鏈的變化值，通過對電流值進行分析來判斷故障的類型。從容錯的角度來講，局部故障診斷有助于我們判斷出故障的具體位置，便于系統的重構。功率期間一旦發生短路故障，最有效的手段就是對故障開關進行隔離。

可以將開路故障診斷方法分為兩種類型，即模型法和非模型法。模型法首先是要建立整個發電系統的數學模型，在設定的正常狀態和故障狀態下，比較分析數學模型在各種變量的差異。而非模型法相比較而言則省去了建立繁雜的模型的過程，只需要故障狀態下各種變量的相關信息，特別是當系統要建立復雜的、非線性的模型時，這種方法可以大大減輕人們的工作量。隨著智能方法的發展，先進的智能方法在開路故障診斷中的應用會更加廣泛。

2.5齒輪箱故障診斷

齒輪箱是風力發電機組的核心傳動部件，工作狀況將影響整個風力發電機組的性能。據統計，在風力發電機的故障中，46%是齒輪箱故障。長期以來采用的是計劃維修與事后維修的方式，嚴重地影響了日常發電工作，造成重大損失。因此，對風電系統的齒輪箱進行狀態檢測與故障診斷，是保障風力發電機組運行的可靠性、降低風電成本的重要手段。

齒輪箱發生故障時，齒輪箱故障的振動信號為復雜的非線性、非平穩信號。小波變換是時頻分析中最常用的方法，具有多分辨特性，在高頻率部分能夠放大尺度，具有很好的頻率分辨性，在低頻率部分能夠縮小尺度，具有很好的時間分辨性。采用小波變換對風電系統齒輪箱故障信號降噪預處理以提高EMD分解的精度，再用Hilbert變換對包含主要故障信息的IMF進行包絡譜分析。實現風電機組齒輪箱故障特征頻率的有效提取。

神經網絡是在生物神經學研究成果基礎上提出的人工智能概念。隨著人工神經網技術的發展，神經網絡大量應用于分類和模式識別，而故障檢測與診斷本質上也是一個模式識別問題。齒輪箱作為機械傳動的主要部件，其中的齒輪、滾動軸承和軸系的工作情況較復雜，各種典型故障一般并不以單一形式出現，往往多個故障同時發生且相互影響。因此，基于神經網絡的人工智能技術能夠在齒輪箱故障診斷中得到很好的應用。

3 結論

本文對風力發電系統中易故障部位，包括發電機、葉片、軸承、變流器及齒輪箱的故障診斷方法進行了介紹。研究基于數據的故障診斷系統，實時監測風力發電系統的狀態，進行風力發電系統的故障檢測與識別，對于進一步提高風力發電系統的可靠性，推進風電系統的工程化和市場化進程有著重大的現實意義。