風力發電機組故障診斷與預測技術研究綜述

余金泰

（中國能源建設集團投資有限公司山西分公司，山西太原 030001）

1.風力發電機組故障診斷

近年來，雖然風力發電機組故障的出現幾率正在不斷降低，不過和以往常用的發電系統相比，風力發電機組發生故障的幾率仍然比較高，運行時的可靠性仍然應該不斷強化。與此同時，風力發電機組所處的工作環境非常復雜，且載荷多變，出現故障的幾率很高，所以風力發電機組的故障診斷工作應當作為相關單位工作的重點內容。

1.1 按照振動的信號來診斷

在風力發電機組發生故障時，一般會出現振動信號，利用識別振動信號的方法，能夠對故障的狀況做出更加準確地判斷。現階段，按照振動信號做出診斷的模式非常常見，其使用頻率同樣很高，可以檢測與診斷風力發電機組的許多重要部位，包括齒輪箱、軸承以及葉片。以小波神經網絡檢測方法為例，此方法的檢測依據便是故障的特點，它可以被應用于齒輪箱故障的診斷工作。特別對齒輪箱故障特征的提取來說，小波神經網絡檢測方法能夠結合信號分析與連續小波的變化，對微弱故障信號進行提取。就發展狀況而言，故障診斷方法均是利用對穩態狀況的振動信號進行離線分析來完成的，不過就實際情況來說，風力發電機組在運行時的工作條件不僅是動態的，而且擁有很多變化，所以其故障診斷結果有很大的幾率會存在漏洞，應該有針對地對風力發電機組的在線健康監測的系統進行開發[1]。

1.2 按照模式識別來診斷

所謂按照模式識別來診斷，是指在機組多元化基礎上獲得的故障診斷方法，其工作原理為將模型假設于時域或視域，按照模型來分析故障。舉例說明，在對軸承故障進行診斷時，使用該診斷方法能夠對立體模型進行更加有效地建立，之后對相關故障進行準確查找并將其解決。就可視化模型而言，其在建設時的常用算法為Laplacian Eigenmaps算法，此算法可以對故障可視化模型進行構建，能夠把立體圖形提供給相關技術人員。可視化模型最顯著的特征在于此類模型能夠把故障的特征表現給相關人員，幫助他們盡快將故障的所在位置找出，除此之外，對于立體空間結構使用非線性的流形模型，可以分析動態軸承的故障，而且可以將故障的位置鎖定，使故障處理的效率得到提升[2]。

1.3 按照電氣信號來診斷

綜上所述，如果風力發電機組出現故障，此種情況下能夠按照信號對故障的狀況進行判斷，不過絕大多數均是借助振動信號來分析，在對風力發電機機組的故障進行判斷時很少會使用電氣信號進行判斷的方法，在具體應用時未能獲得很好的傳播效果。對電氣信號來說，電流信號是最為常見的一種，此信號比較弱，且易被噪音與其他故障所限制，所以出于將相關信息由電氣信號提取出來的目的，應該對設備進行更加有效地分析，使用更加先進的設備對信號進行接收，對電氣信號進行精準識別。舉例說明，在按照電氣信號來診斷時，需要對風力發電機組動力學模型進行合理應用，把動力學模型與數據進行結合，全方位總結與分析故障問題。除此之外，還需要使用維納濾波來清理噪音，從而能夠對風力發電機組的軸承發生的故障進行更明晰地判斷。在按照電氣信號做出診斷時，還能夠對信號雙譜分析方法和Hilbert模量頻譜的方法進行應用，可以對風力發電機組的部件出現的故障進行更加準確的診斷，在具體應用過程中，相關人員能夠按照具體狀況，對所用的診斷方式進行實際選擇。電氣信號診斷方式和振動信號方式相比，相關單位無需另外對傳感器進行購置，此外，應用電氣信號判斷方法在經濟方面效益很好，擁有很好的應用前景[3]。

2.風力發電機組預測技術

對風力發電機組來說，不管初始設計有多么可靠，制作的選材有多么精良，其本質屬于機械設備，風力發電機組在長期運行之后均會出現性能降低的問題和故障多發的問題。出于避免突發故障嚴重影響風力發電機組的正常運行的目的，應該使用某種技術來預測故障，確保風力發電機組能夠在穩定的狀態下運行，預測技術說明如下文所示：

2.1 預測機械結構系統故障

預測維修發電機組前期故障能夠延長風力發電機組的使用時長，減少維修突發故障所用的成本，使風力發電機組在運行時表現得更加可靠。對風力發電機組機械結構系統而言，其組成除了軸承與齒輪箱外，還有葉片，機械結構系統會在多種因素限制下出現失效問題，使風力發電機組不得不長期停機，而且應該對不菲的維修資金進行支付。近幾年，伴隨風力發電機組的不斷發展，有關學者加大了研究風力發電機組的故障預測的力度，有研究表明。在實際預測風力發電機組故障的過程中需要將下列角度當作切入點，首先，對風力發電機組的動態部件在運行時的狀態進行分析，能夠使用HMM模型與半Markov模型來推理軸承的退化狀態與退化程度，進而對軸承的可使用時長進行判斷。舉例說明，技術人員能夠使用離散觀測序列的方式對隱半Markov鏈進行提取，隨后使用轉臺轉移矩陣來預測故障，對部件的可使用時長進行預測，最終實現穩定運行風力發電機組的目標。其次，按照有關的數據密度對風力發電機組的壽命狀況進行判斷，能夠使用Gamma過程對設備的運行數據進行分析，對設備的使用時長的幾率分布狀況進行研究。再次，對設備的噪聲狀況進行分析，借助相對均根值對設備使用狀態及設備性能進行計算，使用麥克風多測點的監測方法對設備的噪聲變化狀況進行分析，再利用小波分析法對設備故障的相關預測數據進行提取，完成預測工作。

2.2 預測電子系統故障

對風力發電機組來說，其電子系統除了電氣系統與控制系統之外，還有發電機和傳感器，電子系統故障在風力發電機組的故障中所占的比例很高，有數據表明，電子系統故障的比例約為51%，因此電子系統的故障預測工作非常重要。電子系統故障的特點除了維修難度不大與頻率很高外，還有時間很短，其原因大多是電壓太高、散熱性能很差與軟件出現老化，其解決措施如下：首先，在電子系統的設計階段保障規劃的科學性及合理性，能夠將有關硬件電路及軟件進行植入，有針對地增加功能，使電子系統進行自我檢測，可以對故障進行發現、報告、修復。其次，將保護功能板塊建設于電子系統內部設計，使其具備自我保護機制，盡量提高其性能與延長其使用時間。再次，對電子器件及系統內部狀態的變化進行實時監測，留意重點參數，盡快將問題發現并予以解決。最后，在各類環境下建設相應的模型，借助實驗對故障程度進行預估，以此提升預測技術的水準，從而盡快修復其潛在故障。

與此同時，在預測電氣系統時應該對實際參數進行計算，就計算重點參量的方法來說，可以使用的方法如下：首先，開展關于場效晶體管的加速壽命的試驗，獲得器件在此功率的各種健康情況的實際參數。其次，開展熱應力試驗，對絕緣柵雙極型的晶體管的參數進行分析，對剩余使用時間的健康指數進行預測。再次，使現代科技作用得到充分發揮，對集成故障預測與診斷的平臺進行建設，分析多個采集電容在使用時間方面的數據。最后，如果電容性能發生衰退，等效串聯電阻值會因此增大，電容的容量會不斷減小，能夠利用實際測量的方法對參數進行計算。

3.結語

風力發電機組的故障維修工作非常困難，需要花費很長時間，而且嚴重故障會使系統癱瘓，此時故障檢測的難度也會得到提高。在此背景下，需要不斷研究風力發電機組的故障診斷和預測技術，對在線監測系統進行充分利用和升級優化、利用只能控制系統不斷強化故障診斷和故障預警技術，使風力發電事業不斷進步，減少故障所致的損失，使相關人員能夠對設備的工作狀態進行充分掌握，提升故障診斷質量與預測質量，從而實現資產保值增值。