風力發電機組故障診斷與預測技術研究綜述

摘 要：本文主要論述了基于模式識別、共振信號和電氣信號的風力發電機組故障的診斷技術和其在機械結構系統、電氣系統中的故障預測技術，希望能夠提高風力發電機組的穩定運行性。

關鍵詞：風力發電機組;故障診斷與預測技術;電氣系統

中圖分類號：TM315 文獻標識碼：A 文章編號：1671-2064（2020）13-0126-02

0引言

風力資源是一種綠色可再生能源，在環境污染問題日漸突出的今天，受到了世界各國的關注。風力發電機組因其可以把風能轉化為電能而被廣泛應用，但由于其運作環境惡劣和需要長期運作，所以很容易出現故障，對其故障的預測診斷十分重要。

1風力發電機組故障的診斷技術

1.1基于模式識別故障的診斷技術

模式識別診斷故障技術的研究思路是通過分析風力發電機組的信號種類，構建時域、時頻和頻域的高維統計特征，運用機器學習方法把特征進行可視化分析處理，從而進行風力發電機組故障診斷。相關專家通過無監督分類方法對重構的高維流行拓撲結構進行分類分析，順利的提取出相關部件的故障特征，在這個方法運用的過程中其極大程度的保留了故障信號中含有的信息，避免了因為診斷技術不足而出現的在診斷過程中故障部件的其余信息受到破壞。栗茂林等人基于局部切空間優化的學習，經過一系列研究提出模式識別基于非線性學習的故障診斷方法，可以有效診斷滾動軸承的故障。目前，這種診斷技術主要運用的是無監督和監督的模式識別方法，其中包含大量算法，影響診斷效率，所以這種診斷技術方法還需要被不斷優化。

1.2基于共振信號故障的診斷技術

基于共振信號故障的診斷技術是目前世界各國常用的風力發電機組故障的診斷手段。通常情況下，風力發電機組的工作環境惡劣，具有風速變化大、外部載荷不穩定的特點，如果長期運行其內部部件很容易發生故障。我國通過振動信號監測和診斷風力發電機組中的葉片、軸承以及齒輪箱等關鍵部件的技術已經非常成熟。首先，隨著專業人員對振動信號診斷風力發電機組的研究，小波神經方法被提出。其次，根據風力發電機組故障信號不平穩和變化快的特點，相關研究人員提出譜峭度方法，可以通過頻率調解方法識別其具體故障情況，而后對振動信號進行降噪處理。葉片故障的診斷是通過分析對壓電陶瓷傳感器監測到的振動信號來完成的。最后，風力發電機組的振動信號具有噪聲大、非線性強的特點，Tang B.P.等人提出了針對性的降噪方法，通過對降噪后的信號分析還可以運用流行學習算法診斷風力發電機組早期存在的影響小的故障。

1.3基于電氣信號故障的診斷技術

我國對電氣信號的故障診斷技術目前研究的還比較少，但是國外學者已經從這個角度進行了大量的研究，尤其是針對電氣信號對電動機的故障診斷技術。電氣信號里面包含的和故障有關的信號和振動信號相比較而言通常都很微弱，大部分都會被電動機本身有的電氣信號和風力發電機組運作的噪聲掩蓋。所以，想要運用電氣信號診斷故障，需要用先進的信號分析方法和電動機模型、轉子動力學模型等相結合，通過模型建立、反復實驗來診斷風力發電機組的故障。最后，我國胡偉等相關領域學者也對其進行了一定的研究，其選取適合的隱馬爾可夫的模型的階次，研究建立起HMM故障診斷模型，成功通過電氣信號診斷電機定子匝的短路故障。依靠電氣信號診斷風力發電機組故障的技術在診斷過程中不需要增加其他傳感器。具有低成本、可靠性強的特點，很適合應用于對其故障診斷的工作中。

2風力發電機組故障的預測技術

風力發電機組無論在最初的設計多可靠，制作選材多精良，都是一個機械設備，其經過長時間的運行都會像其他機械一樣性能都會降低，出現各種故障。為了防止突發性的故障對風力發電機組系統運行的影響，需要采取一定的技術對故障進行提前預測，保障其穩定運行，下面就是對其預測技術的說明。

2.1對機械結構系統故障的預測技術

對風力發電機組早期故障的預測維修可以增加其使用壽命，降低突發性故障的維修費用，提高運行的可靠性。風力發電機組中的機械結構系統包括軸承、齒輪箱、葉片等，由于其承受載荷重、工況復雜多變、工作環境惡劣等特點，機械結構系統容易發生失效，導致風力發電機組長時間停機和需要支付高額的維修資金。近年來，隨著風力發電機組的發展，相關學者也開始對風力發電機組典型機械結構的部件進行了故障預測的研究，研究得出在對其進行具體預測時可以從以下幾個角度入手：第一，分析風力發電機組動態部件的運行狀態，可以借助HMM和隱半Markov模型對軸承退化狀態和程度進行推理，來判斷其壽命。比如，中電投木壘新能源公司相關技術人員利用離散觀測序列來提取隱半Markov鏈，接著利用轉臺轉移矩陣進行故障預測，順利預測了部件壽命，使風力發電機組可以平穩運行。第二，依據相關數據密度判斷其壽命情況，可以通過Gamma過程分析設備運行數據，研究其壽命長短概率的分布情況。第三，分析設備噪聲情況，用相對均根值計算設備的使用狀態和性能，借助麥克風多測點監測法分析其噪聲變化，最后用小波分析法提取設備故障預測數據，進行有效預測。

除此之外，將其綜合來看，風力發電機組目前故障預測技術的應用主要是在對單一載荷或者工況穩定的條件下對裝備性能退化的數據分析的基礎上展開的，因傳統預測故障方法效率低，實施難度大，所以，需要構建風力發電機組的動態性能退化過程的非線性空間模型，選擇非線性貝葉斯濾波算法，預測風力發電機組的健康狀態和剩余壽命[1]。

2.2對電子系統故障的預測技術

風力發電機組里面的電子系統主要包括電氣系統、控制系統、發電機以及傳感器等電類方面的系統，是風力發電機組中故障出現次數占比最大的系統，據有關統計，其故障占風力發電機組故障的51%左右，所以電子系統故障預測是風力發電機組故障預測的重要環節。電子系統故障具有維修難度小、頻率高、時間短的特點，一般都是由于電壓過高、散熱效果差、軟件老化等引起故障發生的。對此，有關學者提出四個解決措施：（1）在電子系統設計初期進行科學合理的規劃，可以選擇植入相關硬件電路和軟件，添加相關功能，讓電子系統可以自我檢測，智能化的發現故障、報告故障、修復故障;（2）在電子系統的內部設計中建立保護功能板塊，最好其自身保護機制，盡可能的增強其性能和壽命;（3）實時監測電子器件和系統內部狀態變化，關注關鍵參數，及時發現問題、解決問題;（4）建立在不同環境中的不同模型，通過實驗預估故障程度。通過這些措施，可以有效提高故障預測技術水平，對風力發電機組的潛在故障進行及時修復。

此外，對電氣系統預測的過程中還需要計算一些具體參數，對于其中關鍵參量的算法，相關學者也經過一系列實驗研究出目前為止的最優方法：第一，可以進行對場效晶體管加速壽命實驗，實驗出器件在該功率下的不同健康狀況下的具體參數;第二，進行熱應力實驗，分析絕緣柵雙極型晶體管在實驗里的參數，預測剩余壽命的健康指數;第三，充分發揮現代科技的作用，構建集成的故障預測診斷平臺，大量采集電容的壽命數據進行分析，從而得出數據;第四，電容性能的衰退，會使等效串聯電阻值增大，電容容量減小，可以通過具體測量計算得出參數[2]。通過合理的計算方法和科學的預測故障技術的運用可以極大程度地減少電氣系統故障的出現，使風力發電機組運行穩定。

3 結語

總而言之，目前對風力發電機組故障預測和診斷技術還有很大的發展空間，考慮到日后社會發展對能源的大量需求，相關人員需要在原有的故障預測和診斷技術的基礎上，盡快對其優化，研究出簡化其中復雜性計算的方法，使風力發電機組可以健康發展，進一步優化世界能源的使用結構。

參考文獻

[1] 艾超，高偉，陳立娟，等.基于風速預測的液壓型風力發電機組并網轉速控制研究[J].機械工程學報，2020，56（8）：162-171.

[2] 唐釗.淺議100MW風力發電機組工程2.0MW風機安裝施工工藝及技術[J].門窗，2019（11）：69+72.

Abstract：This article mainly discusses wind turbine fault diagnosis technology based on pattern recognition， resonance signal and electrical signal and its fault prediction technology in mechanical structure system and electrical system， hoping to improve the stable operation of wind turbine.

Key words：wind turbine;fault diagnosis and prediction technology;electrical system

收稿日期：2020-05-09

作者簡介：姚兆林（1972—），男，江蘇鹽城人，本科，高級工程師，研究方向：新能源工程建設和新能源生產優化。