大型風力發電機組故障診斷綜述

陳小華

摘要：經濟的發展與進步使得風力發電機組數量也在逐漸增多，而所應用的故障診斷技術則是保證其運行效率、延長使用壽命的關鍵因素。本文就大型風力發電機組的主要故障進行了深入分析，提出了幾種智能故障診斷方法，希望能夠為同行業工作人員提供一些幫助。

關鍵詞：風力發電機組;故障;智能故障診斷;

引言：能源危機與大氣環境污染加重的大背景下，風能以及太陽能等新興清潔能源的利用與開發逐漸被人們所重視，并在近些年獲得了飛速發展。大型風力發電機由于其結構特點，大都坐落于近海與遠郊地區，因此想要對其狀態進行實時檢測較為困難，維護成本也相對較高。近些年來，隨著人們對于風力發電機的需求量逐漸提升，單機容量的增加使得風機的整體結構也逐漸變得復雜，無論是風機的故障率還是其在運行維護過程中的所需費用都有明顯提升。為將風力發電機組故障率降低，從而減少零件更換與日常維護成本，對其狀態進行實時檢測、保證故障診斷及時性具有十分重要的現實意義，同時其也是確保風力發電機組運行高效性與穩定性的重要前提。

1 大型風力發電機組主要故障

1.1機械故障

1.1.1風輪系統

輪轂與葉片是風輪的主要組成部分，也是將風能轉換為機械能的基本結構單元，機械能在產生后通過帶動轉子軸心即可完成電力轉換。常見的葉片故障包括剛性降低、疲勞以及裂縫等，而輪轂部分最為常見的故障就是由于磨損過度而導致出現的一系列機械故障。

1.1.2主傳動鏈

齒輪箱、齒輪以及軸承等組件是主傳動鏈系統的主要組成部分，也是將發電機與主軸相連的重要基礎，是風機中的關鍵結構。當前風力發電機組中所應用的齒輪箱由于所包含的結構過于復雜，因此在變載荷與變工況狀態下運行時，極容易出現故障[1]。絕大多數的齒輪箱故障均由軸承開始，其作為關鍵的齒輪箱部件，若由于各種不確定因素導致其失效將對齒輪箱中造成難以逆轉的傷害。常見的幾種軸承故障主要包括磨損、斷裂以及疲勞剝落，而齒輪故障則包括表面疲勞、輪齒斷裂以及磨損過度等。

1.1.3偏航、變槳以及發電機系統

導致偏航系統或變槳系統出現故障的主要原因為缺少潤滑油，長期磨損下無論是偏航齒輪還是軸承都將會產生故障。而導致發電機系統出現機械故障一般為軸承與或轉子故障，其中轉子故障包含了結構破裂、膠套松動以及轉子不平衡等，出現的軸承疲勞則主要為軸承的內外圈故障。

1.2電氣故障

電氣故障主要為電子交換器故障、驅動電路電氣故障以及控制系統故障等，引起發動機電氣故障的主要原因為定子繞組或轉子繞組發生故障。其中定子繞組發生故障包含了支路位置的匝間短路故障，以及在同相范圍內不同支路的匝間短路故障，而轉子繞組故障在線路中表現出的主要形式為接地故障或短路故障[2];多數定子故障產生的原因為繞組絕緣出現問題，也是引發故障停機的主要原因;電力電氣變換器故障出現的主要位置包括PCB板、半導體器件以及電容器等。無論是溫度還是濕度不正常的變化，均會增大故障的發生風險。一旦電子變換器發生故障，將有較高的停機現象的發生風險。對于大型風力發電機組來說，對大型風力發電機組的電氣故障進行排查相對來說較為容易，且所耗成本也較低。但若海上風電機組出現故障，想要對其進行檢修需要的設備類型較多，甚至還需要用到直升機或吊裝船，并需要對天氣因素進行綜合判斷。

2 大型風力發電機組的智能故障診斷方法

2.1ANN

由于ANN具有高度自學能力，因此在實際的故障診斷過程中的應用效果較好，針對于不同層級所對應的故障類型信息的處理工作也有所不同。例如，輸入層需要對各類故障信息進行搜集;中間層需要處理故障信息，從而制定出解決方案;而輸入層則需要將故障形式輸入，在經過權值系數的調整后，能夠形成針對于故障的診斷結果與后續類似故障的處理方案。

該類型的故障診斷方法主要集中應用在風機齒輪箱輪與軸承中，一般可將其分為分類與行為預測兩大類[3]。以非線性自回歸神經網絡的應用為例，其以馬氏距離為依據完成了針對于軸承早期故障的檢測與分析，從這一點中也可以看到，利用該種方式能夠最大程度的降低監測部件經常出現的損害。綜合神經網絡與動量法，能夠實現在確認風機不同振動信號的基礎上的機組故障診斷。以人工神經網絡為例，在將其中的數據驅動技術融入至實際的故障檢測過程后，只需要掌握大致的風力發電機組的結構特點與應用狀態信息，即可完成檢測，但由于人工神經網絡需要耗費大量的時間用以完成對故障的訓練，在技術尚不成熟的情況下應用的可靠性將無法得到保障。

2.2模糊邏輯

該種方法以二值邏輯概念為基礎，屬于特殊多值邏輯中的一種。其基本理念為隸屬度函數與模糊關系矩陣，并需要綜合模糊集合論與模糊關系矩陣，才能明確所產生故障與征兆之間的模糊關系，其也是實現對故障進行自我診斷的重要基礎。

風力發電機組在模糊邏輯的基礎上所設定的故障診斷方法，重點強調故障征兆隸屬函數建立以及矩陣確定等內容[4]。通常情況下選擇應用EMD作為將振動信號中特征向量提取的有效途徑，并在利用模糊支持向量機的前提下有效解決噪聲分類與異常值問題。想要實現模糊隸屬函數的優化，關鍵在于模糊C均值聚類算法的應用，并需要綜合粒子群算法設計對應試驗，從而完成風力發電機組的多分類故障診斷。故障處理人員應在綜合發電機組實際情況與現場專家經驗的基礎上，構建模糊推力模型以及時確定變槳控制系統故障，從而縮短發電機故障的診斷時間。

2.3灰色理論

該種方法簡單來說就是對灰色關聯度進行深入分析，重點強調設備運行狀態與故障特征之間的相關性，從而對設備故障進行進一步的確定。針對灰色理論進行故障診斷需要在待檢模式向量的基礎上，對故障的典型模式與向量之間的關聯性進行測算，以獲得關聯度序列，從而實現在檢測數據幫助下進行的故障類型判斷。

2.4專家系統

專家系統是在既定的規則下實現的風力發電機組的故障診斷方法，為保證發電機組齒輪箱故障的檢測及時性，需要首先以齒輪箱結構為依據，構建故障樹模型以完成針對于變速箱是故障的定量與定性分析，從而實現有效且快速的齒輪箱故障診斷[5]。另外需要在綜合決策表信息后（粗糙集基礎上）約減并將冗余信息刪除;在神經網絡融入后，能夠對知識的模式與故障診斷方法進行有效識別，從而在專家系統推理判斷能力的基礎上完成電力系統故障診斷。該種方法的應用由于對分類型分析方法的優點進行了深入分析，因此求解規模也有了明顯降低，繼而幫助完成了在強化容錯能力的同時的快速推理過程。貝葉斯網絡與專家系統的緊密結合使得風機齒輪箱故障的診斷模型與數據庫均在短時間內構建，在有類似故障出現時，系統就會自動比對數據庫信息以快速定位到故障位置，并出具故障解決方案。

結束語：綜上所述，大型風力發電機組覆蓋范圍的逐漸擴大使得智能故障診斷技術也在進行不斷更新，其突出的遠程故障診斷與分層分布式的網絡應用優勢，使得該類型的故障診斷方法已然成為了重要的發電機組故障診斷研究方向。

參考文獻

[1]陳偉.聲音在線監測、識別、判斷模型在風力發電機組故障診斷中的應用[J].河南科技，2018，11：32-33.

[2]邢海軍.風力發電機組故障診斷與預測技術研究綜述[J].化工管理，2019，12：155-156.

[3]張冬梅，王紅艷，孫曉輝.風力發電機組故障診斷技術綜述[J].內江科技，2019，4007：45+26.

[4]孔德同，賈思遠，王天品，劉慶超.基于振動分析的風力發電機故障診斷方法[J].發電與空調，2017，3801：54-58.

[5]金曉航，孫毅，單繼宏，吳根勇.風力發電機組故障診斷與預測技術研究綜述[J].儀器儀表學報，2017，3805：1041-1053.