風電機組在線智能故障診斷技術發展趨勢

杜勝磊， 高慶水， 潘巧波， 鄧小文， 張 楚， 馮永新

(廣東電網有限責任公司電力科學研究院，廣州 510080)

風電機組在線智能故障診斷技術發展趨勢

杜勝磊， 高慶水， 潘巧波， 鄧小文， 張 楚， 馮永新

(廣東電網有限責任公司電力科學研究院，廣州 510080)

總結了風電機組及風電場常見的故障類型以及故障分析理論，并針對風電機組故障診斷系統的分散性，提出風電機組故障診斷技術今后的發展方向，即對現有單一風場分散的監控與管理系統進行整合，通過異構數據的采集、存儲及管理技術，建立統一完整的實時和歷史數據庫?；谕暾娘L電場統管數據庫，開發風電機組各個重要子系統的在線監測系統，進而整合優化，實現基于數據融合方法的具有自學習能力的風電場智能專家故障預測。

風力發電；齒輪箱；故障預測；故障診斷；智能化

隨著環境問題、能源危機的日益突出，以風電、光伏等為代表的可再生清潔能源的裝機容量占電力系統的比重不斷增加。全球風能理事會發布的統計數據表明，全球風電新增裝機容量63.0 GW，其中中國新增30.5 GW，總規模達到432.4 GW。另外，隨著風電機組單機容量的不斷增長以及風電場規模的日益擴大，風電系統的結構變得越來越復雜，不同組件間耦合更加緊密，一個微小的缺陷可能引發災難性的大故障，造成機組停機，甚至導致機組部件的損壞，給企業帶來巨大的經濟損失[1]。相對于傳統火電機組，風電機組單機容量較小，風電場一般由數十甚至數百臺機組構成，且分布比較分散，一般分布在環境條件惡劣的內陸荒漠、沿海灘涂，這一系列的特點給運行、檢修及故障分析都帶來較大的困難。

傳統的風電場檢修維護方式，常出現故障時間與計劃檢修時間不同步問題。檢修前出現故障，不得不采用故障停機，給風場發電量帶來較大的影響。另外，達到檢修周期時，系統依然運行良好，如仍按計劃停機維護，會造成了人力、物力的極大浪費，即“維修過度”問題[2]。因此，對風電場實施狀態監測并智能化地對機組所出現的異常狀況在線分析及故障診斷，將會使風電場的運行維護更加高效、經濟。

基于此，本文從國內的風電場運維、故障診斷的現狀出發，總結現行風電系統主要發生的故障類型，以風電場智能化運維需求為導向，提出符合風電場未來運維要求的在線智能故障診斷技術的發展方向，旨在縮短風電機組的故障維修時間，提高風電場的可用率，為風電運營商提供風電場的運行優化與智能化管理、少人或無人值守管理、設備與運維人員的集約化管理，幫助運營商實現智能、高效、低成本運營。

1 風電機組的主要故障類型

目前國內外已投產的風電機組多為齒輪箱升速型，主要由風力機、齒輪箱、變槳系統、發電機、偏航系統、變頻系統、主控系統、液壓系統等幾部分子系統組成。每個子系統由若干的零部件構成，其中故障主要集中在齒輪箱、發電機、變頻裝置以及風輪葉片等關鍵部件。

1.1 齒輪箱故障

齒輪箱是風電系統中故障率最高的部件，且造成停機時間較長，包含齒輪、滾動軸承和軸等部件，其常見的故障主要為齒輪和滾動軸承的故障[3]。近年來，新投產風電機組普遍都配備了振動監測系統。當齒輪或滾動軸承存在局部缺陷時，其振動信號中含有豐富的信息。通過有效提取信號的特征，一般可以較為準確地診斷出缺陷種類及所處的部位。常用的時頻分析方法有傅里葉變換、小波變換[4]、Hilbert-Huang變換[5]等，將其與基于神經網絡方法、人工智能技術以及專家系統的學習與分類能力相結合，可實現對齒輪箱故障的快速準確的智能化診斷[6-7]。

1.2 發電機故障

目前風電系統采用的發電機型主要有雙饋異步電發機、籠型異步發電機和永磁同步電發機。由于承載發電機的機艙處于幾十米的高空，發電機長期運行于交變工況和惡劣的電磁環境中，極易發生故障。常見的故障有軸承故障、短路故障、轉子偏心故障等[8-10]。當發電機由正常狀態衍化到故障狀態時，會引發某些電量和非電量的變化。其中電量信號主要有電流、電壓、輸出有功功率、電磁力矩等[11]，而非電量主要為振動信號。發電機的故障診斷正是以這些反映電機運行狀態的物理量信號的變化為依據，通過相應監測設備獲取電量或非電量信號，采用先進有效的信號處理技術，最終提取出反映發電機故障種類以及故障嚴重程度的特征信息。

1.3 電力電子裝置故障

并網風電機組一般通過變頻器接入電網，從而實現在環境風速變化的情況下，也可以向電網輸送高質量電能。所不同的是：永磁直驅式風力發電機是定子側通過變頻器接入電網的；雙饋式風力發電機是轉子側通過變頻器接入電網的，定子側直接與電網相連。變速恒頻式風力發電機，尤其是雙饋式風力發電機在電網發生故障時容易導致風力發電機機端電壓跌落，造成發電機定子電流增加進而導致轉子電流的增加，極易導致風電機組變頻裝置的功率元器件損壞。功率元件的故障信息主要通過開路故障反映，常用小波分析的方法提取變頻裝置故障狀態下電路響應中所包含的有效故障特征信息，并結合神經網絡方法對故障進行分類和嚴重程度的判斷[12-13]。此外故障樹、專家系統等基于人工智能和專家系統等先進故障診斷方法在變頻器功率元件的故障診斷上也有初步的應用。

1.4 葉片故障

葉片是風電機組最基礎和最關鍵的部分，長期承受風帶來的交變沖擊載荷作用，是受力最復雜的部件之一，運行過程中各種激振力通過葉片傳遞出去。實際中常用有限元分析法建立風電機組的動力學模型，通過計算與模態分析獲得其固有頻率和振型等信息，并通過觀測固有頻率變化反映葉片的裂紋等故障特征，依此達到對風機葉片故障的檢測與診斷識別的目的[14]。

2 風電機組故障分析的理論基礎

故障診斷技術是以運行狀態監測和故障診斷為基礎的設備狀態維修，使得設備由預防性維修向預知性維修，由“到期必修”向“該修就修”模式發展，很大程度上提高了設備運行效率和可靠性。經過幾十年的發展，故障診斷技術歷經三個主要階段，從依靠檢修人員的個人經驗和簡易測量工具，到融合傳感器技術及數字信號處理等方法，進而發展到智能化故障診斷。目前，大型風電機組故障分析方法主要有布爾理論、馬爾科夫理論、故障樹分析法(Fault Tree Analysis，FTA)、故障模式及后果分析法(Failure Mode and Effect Analysis，FMEA)、故障模式后果與嚴重度分析法(Failure Mode Effects and Criticality Analysis，FMECA)等，其中FTA、FMEA和FMECA在工程中應有著較為廣泛的應用[15]。

故障樹分析法最早在1961年由美國貝爾實驗室提出并應用于導彈發射系統的質量控制。經過長期發展，FTA在機械系統可靠性、安全性分析和風險評估等方面得到了廣泛應用。FTA是一種將系統故障形成的原因，由總體至部分按樹枝狀逐級細化的圖形演繹方法。通過對可能造成系統故障的各種因素(包括軟硬件、環境、人為因素等)進行分析，繪制出故障樹，再對系統發生的故障事件，由總體至部分按樹枝狀逐級細化，判明系統故障原因，確定故障發生的概率，評價引發系統故障的各種因素的相關程度。王斌[16-17]等分別運用FTA對風電機組齒輪箱和風機葉片的故障診斷進行了較為深入的探索。但目前故障樹分析法主要作為定性分析，由于缺乏基礎數據的積累，該方法還難以實現定量診斷。

故障模式及后果分析，也稱為失效分析，是工程上常用的可靠性分析方法。它是在產品設計和加工過程中，以產品的元件、零件或系統為分析對象，通過工作人員的邏輯思維分析，預測結構元件或零件生產裝配中可能發生的問題及潛在的故障，研究故障的原因以及對產品質量造成的影響程度，提出可以采取的預防控制措施，以提高產品質量和可靠性。FMEA主要包括故障模式分析、故障原因分析、故障影響分析、故障檢測方法分析與補償措施分析等步驟。孟繁超[18]利用FMEA方法對大型風力發電機組的各主要組成部分進行分析，并給出故障模式及后果分析報表，依此開發了風電機組齒輪箱溫度監測及管理系統。

故障模式、后果和嚴重度分析是在FMEA分析工作的基礎上增加了嚴重度分析，即FMECA=FMEA+CA。由于FMECA和FMEA的方法、步驟較為類似，嚴重度分析是對FMEA的補充和擴展，其目的是按每一故障模式的嚴重度類別及故障模式的發生概率所產生的影響對其劃等分類，以便全面地評價各種可能出現的故障模式產生的影響。故障的嚴重度是CA的主要技術指標，其概念為產品工作期間內某一故障模式的發生次數與期間內發生所有故障次數的比值。FMECA方法一般將故障的嚴重度等級劃分為五級：經常發生、有時發生、偶然發生、很少發生、極少發生。此外，故障的嚴重度也可分為四級：災難性的、嚴重的、一般的和次要的。孫惢[19]利用FMECA對風電機組傳動系統進行分析，找出傳動系統的失效模式、失效原因，并根據風險優先數法進行危害性分析，得到對系統影響較大的失效模式。

也有專家學者采用其他方法對風電機組的某些特定的故障點進行分析與判斷，并實現了故障診斷系統的開發。李鋒[20]采用流形學習維數化簡理論開展了風電機組傳動系統智能故障診斷方法研究，孫自強[21]采用混沌分形理論對大型風電機械故障尤其是傳動故障進行了診斷研究。通過上述故障分析理論所開發的各類型、各子系統的故障分析系統或軟件主要針對風電機組某一具體部件或類型。SKF公司針對風電機組的狀態監測系統WindCon目前也只具備簡易的信號分析及故障預警、報警功能，缺乏精準的故障診斷技術。由于風電場的復雜性導致其故障類型多變，單一、分散的故障診斷系統缺乏對風電場運行與維護的全面指導，且各個子系統所采集的數據類型和時間維度也往往是異構的，這給綜合分析風電機組及風電場的運行狀態帶來了很大的困難。因此，針對風電場故障的在線智能化診斷技術亟需進一步深入研究和開發。

3 在線智能故障分析的發展方向

本文基于風電場故障診斷技術的發展現狀和存在的不足，結合現有先進技術以及風電場運行維護經驗的不斷完善和基礎數據的不斷增加，提出下一步風電場在線智能故障診斷技術的發展方向。完整和正確的數據采集是后續狀態分析和故障診斷的基礎。因此，在今后的集中監控技術研究中，應將風電機組SCADA系統、升壓站綜合自動化系統、風功率預測系統、AGC/AVC能量管理系統、生產管理系統等現有分散監控與管理系統進行整合。采取不同時間尺度的異構數據采集技術、防止數據丟失的數據隊列技術以及不同時間尺度的異構數據的統一存儲技術，建立以風電機組關鍵部件的振動在線監測數據、油液在線監測數據、葉片在線監測、離線點檢數據、風電場的環境監測數據等為基礎的統一實時和歷史數據庫，確保風電場實時數據的完整性和正確性。進而，基于各類異構數據的統一管理技術，將實時數據庫和歷史數據庫與統一的風電設備健康狀態數據庫相結合，建立風電場統管數據庫?；陲L電場統管數據庫，開發風電場場群的集中監控與管理技術，實現不同供應商的各類設備的集中監控與管理，實現風電場場群的狀態監測、運維調度和生產運營的統一管理。具體的技術路線如圖1所示。

在風電場場群的實時監測、運維管理和生產運營的統一管理基礎上，下一步的工作即是開發重要子系統的在線監測系統，如齒輪箱磨損狀態監控、葉片表面狀態監控等。以齒輪箱磨損狀態監控為例，通過對齒輪摩擦副的摩擦、磨損、潤滑與潤滑油劣化特征的研究，尋求對齒輪油運動粘度、油中水含量、介電常數、溫度、磨損烈度指數等多參數的集成式實時在線檢測方法，從而系統地建立風電機組齒輪箱潤滑磨損在線監測體系，其技術路線如圖2所示。

圖1 風電設備的實時狀態統一集中監控的技術路線

圖2 潤滑磨損在線監測技術路線

圖3 風電場故障預測技術路線

風電場故障預警技術的實現，有利于運維人員工作職責的原子化、遠程化和信息化，實現風電場維護的智能化和簡易化，最終達到風電場的安全、穩定、高效運行，如圖3所示。

4 結 語

本文總結了風電機組齒輪箱、發電機等重要零部件的常見故障類型以及常用的故障分析理論，并針對風電場風電機組故障診斷系統的分散性，提出了風電機組故障診斷的發展方向。對單風場現有分散的監控與管理系統進行整合，通過異構數據采集技術、數據隊列技術以及異構數據存儲技術，建立統一的實時數據庫和歷史數據庫，確保風電場實時數據的完整性和正確性?；谕暾娘L電場統管數據庫，開發各個重要子系統的在線監測系統，最終實現基于數據融合方法的具有自學習能力的風電場智能化專家故障預測，為風電場的安全穩定運行提供可靠保證。

[1] 沈艷霞，李帆．風力發電系統故障診斷方法綜述[J]. 控制工程，2013，20(5): 789-795. SHEN Yanxia，LI Fan．A survey of diagnosis methods for wind power system[J]. Control Engineering of China，2013，20(5): 789-795.

[2] 楊明明．大型風電機組故障模式統計分析及故障診斷[D]. 北京: 華北電力大學，2009. YANG Mingming. Fault mode statistie & analysis and failure diagnosis of large-scale wind turbines[D]. Beijing: North China Electric Power University, 2009.

[3] 潘巧波，劉楊．雙饋風電機組油溫超限運行的控制策略[J]. 黑龍江電力，2015，37(4): 360-363. PAN Qiaobo, LIU Yang. Control strategy for doubly-fed wind turbine units operation under over-standard ooil temperature[J]. Heilongjiang Electric Power, 2015, 37(4): 360-363.

[4] 郜立煥，張利娜，朱建國, 等．基于小波分析的齒輪箱振動信號消噪處理[J]. 機械傳動，2010，34(3): 50-52. GAO Lihuan，ZHANG Lina，ZHU Jianguo，et al. Gearbox vibration signal de-noising processing based on wavelet analysis[J]. Journal of Mechanical，2010，34(3): 50-52.

[5] HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition the Hilbert spectrum for non-liner non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A，1998，454(21): 903-995.

[6] 李永龍，邵忍平，薛騰．基于小波神經網絡的齒輪系統故障診斷[J]. 航空動力學報，2010，25(1): 234-240. LI Yonglong，SHAO Renping，XUE Teng．Gear fault diagnosis based on wavelet and neural network[J]. Journal of Aerospace Power，2010，25(1): 234-240.

[7] 冷軍發，荊雙喜，吳中青．基于RBF神經網絡的齒輪箱故障診斷[J]. 機械強度，2010，32(1): 12-20. LENG Junfa，JING Shuangxi，WU Zhongqing．Fault diagnosis for gearbox based on RBF neural network[J]. Journal of Mechanical Strength，2010，32(1): 12-20.

[8] 時維俊，馬宏忠．雙饋風力發電機軸承的早期診斷[J]. 電力系統及其自動化學報，2012，24(6): 27-30. SHI Weijun，MA Hongzhong．Incipient bearing fault detection in DFIG-based wind turbines[J]. Proceedings of the CSU-EPSA，2012，24(6): 27-30.

[9] 魏書榮，符楊，馬宏忠．雙饋風力發電機定子繞組匝間短路診斷與實驗研究[J]. 電力系統保護與控制，2010，38(11): 25-28. WEI Shurong，FU Yang，MA Hongzhong．Stator winding inter-turn short-circuit diagnosis and experimental research on doubly-fed wind generator[J]. Power System Protection and Control，2010，38(11): 25-28.

[10] WATSON S, XIANG B, YANG W, et al. Condition monitoring of the power output of wind turbine generators using wavelets[J]. IEEE Transactions on Energy Conversion，2010，25(3): 715-721.

[11] MCINERNY S, DAI Y.Basic vibration signal processing for bearing fault detection[J]. IEEE Transactions on Education，2003， 46(1): 149-156.

[12] 張曉波，張新燕，王維慶．用小波分析來判定風力發電中電力電子的故障[J]. 電機技術，2008(5): 47-50. ZHANG Xiaobo，ZHANG Xinyan，WANG Weiqing．Fault analysis of power electronic devices in wind power system by means of wavelet analysis[J]. Electrical Machinery Technology，2008(5): 47-50.

[13] 張曉波，張新燕，王維慶．用神經網絡對風力發電中電力電子故障分析[J]. 華東電力，2008，36(7): 16-18. ZHANG Xiaobo，ZHANG Xinyan，WANG Weiqing．Fault analysis for power electronic equipment of wind power systems by using neural networks[J]. East China Electric Power，2008，36(7): 16-18.

[14] 徐玉秀，張承東．風力機葉片應變響應分形特征及損傷識別研究[J]. 機械科學與技術，2009，28(1): 108-116. XU Yuxiu，ZHANG Chengdong．Strain response fractal characteristic and damage identification of a wind turbine blade[J]. Mechanical Science and Technology for Aerospace Engineering，2009，28(1): 108-116.

[15] 李鳳婷，晁勤．風速變化的并網型風電場故障分析[J]. 北京交通大學學報，2007，31(5): 105-109. LI Fengting，CHAO Qin．Fault analysis of wind farm connected to powersystem in varied wind [J]. Journal of Beijing Jiaotong University，2007，31(5): 105-109.

[16] 王斌，董興輝，劉浩, 等．基于故障樹的專家系統在風電齒輪箱上的應用[J]. 裝備制造技術，2011(10): 104-107. WANG Bin，DONG Xinghui，LIU Hao，et al．Application of expert system based on fault tree for wind gear box[J]. Equipment Manufacturing Technology，2011(10): 104-107.

[17] 周真，馬德仲，于曉洋, 等．模糊灰關聯分析方法在故障樹分析中的應用[J]. 電機與控制學報，2012，16(3): 60-64. ZHOU Zhen，MA Dezhong，YU Xiaoyang，et al．Application of fuzzy grey relational analysis in fault tree analysis[J]. Electric Machines and Control，2012，16(3): 60-64.

[18] 孟繁超．大型風力發電機組故障分析及齒輪箱溫度監測系統研究[D]. 北京: 華北電力大學, 2012. MENG Fanchao. Large scale wind turbine fault analysis and research of gear box temperature monitoring system[D]. Beijing: North China Electric Power University, 2012.

[19] 孫惢．風力發電機傳動系統可靠性分析方法研究[D]. 沈陽: 東北大學, 2011. SUN Suo. The method research of the raliability analysis of the wind generator transmission[D]. Shenyang: Northeastern University, 2011.

[20] 李鋒．基于流形學習的風電機組傳動系統故障診斷方法研究[D]. 重慶: 重慶大學, 2011. LI Feng. Research on methods of fault diagnosis for wind turbine transmision system based on manifold learning[D]. Chongqing: Chongqing University, 2011.

[21] 孫自強．基于混沌分形理論的大型風電機械故障診斷研究[D]．沈陽: 沈陽工業大學, 2013. SUN Ziqiang. Study on mechanical fault diagnosis of large-scale wind turbines based on chaos and fractal theory[D]. Shenyang: Shenyang University of Technoloy, 2013.

(編輯 陳銀娥)

Development trend of on-line intelligent fault diagnosis of wind turbines

DU Shenglei, GAO Qingshui, PAN Qiaobo，DENG Xiaowen, ZHANG Chu, FENG Yongxin

(Electric Power Research Institute of Guangdong Power Grid Co., Ltd., Guangzhou 510080，China)

The common fault types of wind turbines and wind farms and fault analysis theory are summed up, and in light of the dispersion of the wind turbines’ fault diagnosis system, the future development direction of wind turbines’ fault diagnosis technology was put forward. That is to integrate monitoring and management system in which the existing single wind farms distribute sparsely and establish a unified complete real-time and history database through heterogeneous data collection, storage and management technology. Based on the complete management database of wind farms, on-line monitoring system for wind turbines’ key subsystem is developed, and then integrated and optimized. It is to achieve fault prediction of wind farm intelligent expert with self-learning ability based on data fusion method.

wind power generation; gearbox; fault prediction; fault diagnosis; intelligence

2017-01-03。

國家科技支撐計劃項目(2015BAA06B02)。

杜勝磊(1985—)，男，工學博士，工程師，從事汽輪機、風機等旋轉機械的故障診斷研究工作。

TM614

B

2095-6843(2017)02-0173-05