風力發電機組軸承狀態檢測綜述

任 濤 歐旭鵬

風力發電機組軸承狀態檢測綜述

任 濤 歐旭鵬

（華能華家嶺風力發電有限公司，甘肅 定西 743000）

隨著風力發電裝機容量的不斷增加，風力發電機組設備的運行維護工作將越來越困難，并且風力發電機組設備的運維成本也在不斷提高。風電場運維人員通過對風力發電機組轉動設備在線監測，來預測和診斷設備的故障。通過研究可以看出風力機組大量故障是由于軸承與齒輪箱故障造成的。因此，對風力發電機組狀態監測變得至關重要。文章對有關風力發電機組狀態監測與故障診斷技術的研究進行綜述，為今后提高風電機組的可靠性、預測和風電機組組件的早期故障診斷提供參考。

風力發電機組；在線監測；故障診斷

引言

根據統計可知，截至2020年，我國風力發電裝機容量累計28153萬kW，比2016年的總裝機容量高出16692萬kW，如圖1所示[1]。當今世界，風能是一種可靠的可再生能源，風力發電裝機容量也在日益增長。然而，風力發電機組中由于主要設備（main components，MC）的使用壽命比較短，并且部分設備會發生故障，這使風電場運營和維護的成本大大增加。例如，軸承在運行不到3年或預期壽命的5%～10%情況下被檢測到早期故障[2]。除此之外，據估計，齒輪箱的故障率是每年每145臺風力機發生一起事故[3]。隨著對風能的需求持續大幅增長，降低運維成本和提高設備可靠性已成為風力發電機組維護策略的重中之重。在過去的十年中，主要的研究方向集中于提高風電機組的可靠性、預測和風電機組組件的早期故障診斷。制造廠家正試圖通過相同的配置或開發新的配置來提高其傳動系統（如齒輪箱、軸承等）的可靠性。此外，軸承對成本和可靠性的影響很大。例如，已經證明軸承的失效導致了50%以上齒輪箱的發生故障。因此，風力發電機組的狀態監測是預防故障發生的有力保障。

圖1 2016—2020年我國風力發電累計裝機容量

風力發電機組運行的環境條件非常惡劣，長期暴露在極端多變的全天候天氣條件下，溫度、氣壓、風切變、風速和總負荷都會發生快速變化。由于這些因素的存在，風力發電設備經歷了不斷變化的局部動態和負載。因此，轉動部件必須可以承受強烈且可變的機械應力，因為這可能會導致故障的發生。機械應力會使旋轉機械會生溫度差，例如軸和齒輪的溫度，再加上潤滑問題也會加速軸承故障。此外，對于不同位置的軸承，載荷和應力也是不同的。例如，傳動系統中的不對中會導致異常載荷，并加速放置在該特定位置的軸承的磨損。為了避免這種過早的故障，有必要開發更好的風電機組設計，并應用可靠和經濟高效的狀態監測技術。由于所有這些因素，風力發電機組的軸承狀態監測對智慧電場有巨大作用[4]。

1 風力發電機組狀態監測

目前為止，研究人員對狀態監測有著不同的見解，總而言之，不斷獲取設備在運行中或相對于靜態條件下的狀態信息，通過對這些信息的分析和處理，并結合設備的歷史狀況，來定量地掌握設備的技術狀態和預測設備壽命，為設備運行和按狀態維修提供技術基礎。狀態監測側重于早期發現設備的故障和磨損，目的是最大限度地減少停機時間和運營與維護成本，從而最大限度地提高產量。狀態監測在早期階段檢測到故障，可通過減少連鎖損壞和災難性故障的機會來優化維護計劃和行動。

圖2 風力發電機組在線監測系統圖

主要設備狀態監測在工業應用中定義為專業人員采集主要設備的狀況指標和質量數據，用來測量評估設備的健康狀況，并做出有關維護工作的最佳決策的過程。軸承故障對風力發電機組的影響是至關重要的，有研究人員對齒輪箱和發電機狀態監測進行研究，因為它們會導致風力發電設備停機時間長，從而導致公司效益的損失，還因為它們在風電場的生命周期內有很高的更換率。然而，最近的研究表明，大約70%的齒輪箱故障停機原因是由軸承故障造成的，21%～70%的發電機停機原因［小型發電機（＜1 MW）為21%，中型發電機（＞1 MW，＜2 MW）為70%，大型發電機（＞2 MW）為50%］是由軸承引起的。預防性維修是一種基于時間的維修，它具有“維修不足”和“維修過度”兩個不足之處。換句話說，系統性能沒有得到很好的監控，導致意外故障或有過多的維護工作導致資源浪費[5]。因此，對軸承使用基于狀態的維護以及開發可用于早期診斷故障的工具和方法是至關重要的。

2 狀態監測手段與故障診斷

2.1 聲學監測

Elforjani等[6]對低速軸和軸承上采用聲發射技術來監測。分別對軸和軸承進行了不同條件下的試驗。試驗證明了聲發射檢測裂紋萌生和擴展的效率。Eftekharnejad等[7]在試驗臺模擬軸承在不同工況下運行。通過對振動和聲發射測量結果的比較，表明聲發射對早期損傷的檢測更為敏感。Kilundu等[8]利用循環平穩性監測對聲發射是非常有效的，主要是利用譜相關和綜合指標來監測軸承外圈缺陷，但對內圈缺陷監測效果一般。

2.2 電效應監測

Renaudin等[9]提出了一種基于瞬時角速度波動的軸承狀態監測方案，該方案由磁編碼器測量，結果表明該方案是有效的。Holweger等[10]在全軸承試驗臺上應用巴克豪森噪聲測量（也稱為磁彈性或微磁法）。試驗證明，這種方法可以在高動態加載環境中實現真實的預測狀態監測。Machado等[11]使用電阻測量和數值實驗來診斷軸承故障，這種方法能有效地監測軸承故障。

2.3 電能質量和溫度監測

電能質量和溫度監測結合在一起，因為大多數軸承的故障檢測和診斷方法都使用通過SCADA系統獲得的溫度測量和功率數據。Kim等[12]研究了基于SCADA獲得的風電性能曲線的故障檢測系統。分析中還考慮了發電機和齒輪箱的軸承溫度，開發了一種基于神經網絡的故障檢測算法，能夠有效地檢測風力機的正常和異常行為。Guo等[13]構造了一種基于非線性狀態估計技術（NSET）的方法，并將其應用于發電機軸承溫度。仿真結果表明，該方法能夠成功地檢測出軸承的早期損傷。Yang等[14]使用SCADA數據評估風力渦輪機系統的健康狀況。該技術用于通過功率和溫度的變化來檢測發電機軸承故障，能成功檢測到故障的發生和進一步發展。

2.4 油樣監測

Dupuis[15]提出了一項關于軸承和齒輪故障模式、診斷和預測的研究。該研究通過油屑監測來計算顆粒累積數量的技術，并將這項技術應用于在役風力發電機組。Jiang等[16]提出了基于油樣的滾動軸承故障后分析。研究還表明，油液監測將是避免這些故障、延長軸承壽命的一種有效的狀態監測方法。

2.5 振動監測

振動監測在軸承故障診斷中運用最廣泛，也是軸承故障診斷的有效工具。因此，大多數風力發電機組都采用振動傳感器來監測設備的運行狀態。振動監測的只要方法有時域分析、頻域分析、時頻域分析等方法。在風力發電機組上使用的振動傳感器基本上是加速度計。此外，不同的頻率范圍的傳感器給風力發電機的監測增加了更多的挑戰，主要是由于交叉頻和低頻分量的耦合難以監測。在信號處理中時域信號和頻域信號均可用于診斷故障。可以通過信號處理算法來診斷和預測設備的運行狀態。

2.5.1 頻域分析

Miao[17]提出了一種基于多重調制的細化插值離散傅立葉變換（Zoom FFT）。通過多次實驗表明，該方法具有較好的性能，特別是在混疊和多個閉合頻率的多故障情況下。ZOOM FFT與快速傅里葉變換（FFT）比較結果顯示，ZOOM FFT能夠準確識別故障，且分辨率較好。Jayaswal[18]提出了軸承振動分析技術，使用振動監測來檢測軸承的早期故障，通過研究軸承振動信號的FFT譜，得出軸承的狀態。Liu等[19]測量了滾珠軸承的徑向加速度，并提取了頻域峰值振幅、功率百分比和峰值均方根。然后利用序貫前向搜索算法和自適應神經模糊推理系統對缺陷進行檢測和識別。Saidi等[20]提出了一種新的軸承診斷模式分類方法，該方法結合了高階譜分析特征和支持向量機分類器，提取振動雙譜圖，進行主成分降維分析。然后，將主成分輸入到支持向量機中，對不同工況下運行的試驗臺測量的軸承故障和嚴重程度進行識別。結果表明，該方法能夠可靠地根據振動信號識別滾動軸承的不同故障模式。

2.5.2 時頻域分析

Sarvajith等[21]使用傅立葉和離散小波變換來確定軸承中的滾動體狀態。然后利用離散小波變換將預處理后的信號分解為多個層次，利用支持向量機對軸承的狀態值和故障進行分類和故障識別。所獲得的結果得到了實驗驗證，以確保所開發技術的有效性。Khanam等[22]提出了利用小波輔助的離散小波變換對振動信號進行分解。分解后的信號明顯地將對應于滾動體進入和退出故障的峰值分割開來，從而可以估計軸承中存在的缺陷大小。對深溝球軸承外圈存在的不同尺寸缺陷進行的實驗證實了該方法的有效性。Ali等[23]提出了一種基于振動信號經驗模態分解能量熵的特征提取方法。然后，他們選擇最重要的固有模態函數來訓練一個人工神經網絡來分類軸承缺陷。實驗結果表明，這是一種可靠的評估軸承健康狀況和退化的工具。Ming[24]提出了一種新的確定性分量抵消方法，該方法基于對多分量信號（包括離散頻率分量和循環脈沖響應）包絡的迭代計算，理論上通過希爾伯特變換在時域和頻域進行計算。然后，通過軸承仿真和實驗驗證了理論計算和提出的確定性分量抵消方法。Fu W[25]用變異正弦余弦算法和Harris優化的一種新的耦合變分模態分解（VMD）、復合多尺度精細排序色散熵（CMFSDE）和支持向量機（SVM）的混合方法。提出了一種稱為MSCAHHO的增強型混合優化方法。所提出的VMD-CMFSDE-MSCAHHO-SVM方法取得了良好的診斷結果。

2.5.3 盲源分析（Blind Source Separation，BSS）

在機械系統的在線監測和故障診斷中，盲源分離作為一種信號處理方法得到了廣泛的應用。風力發電機組在線監測的數據采集工作，大多數是通過傳感器來完成的。但是由于風力發電所處的環境比較復雜，同時機組中的機械設備較多在運行中會產生混合振動信號的現象。盲源分離最大的特點在于可以將傳感器采集的混合信號分離開。這對風力發電機組各部件的狀態檢測提供了很大的貢獻。

Gelleet等[26]提出了一種用于旋轉機械監測的盲源分離方法，該方法假設源的獨立性和傳播介質的線性性，而不需要任何混合先驗知識。Roanet[27]提出了一種基于信息最大化的盲源分離算法，該算法實質上是一種非線性自適應獨立分量分析（ICA）方法，并應用于齒輪振動測量。Hu[28]基于稀疏分量分析的風電齒輪箱軸承故障特征欠定盲源分離。基于稀疏分量分析算法，是從信源數估計和信源信號恢復兩個方面，實現了準確、高效的軸承故障診斷。Zhang[29]提出了一種基于變分模態分解（VMD）的單通道盲源分離（SCBSS）方法，并將其應用于單聲傳感器獲取的風力機齒輪箱信號的分離中。基于數據的非線性非平穩信號的變分模態分解完全是自適應的，最后通過實驗數據驗證，該算法優于EMD信號處理。

2.5.4 機器學習分析

目前，人工智能發展很迅速，已經應用與各個領域。研究人員發現機器學習是解決方案的選擇有效地解決數據驅動的故障檢測和診斷方法所面臨的主要問題。基于機器學習方法的故障診斷在軸承不同運行工況下，獲得令人滿意的故障診斷效果。

Ziani等[30]比較了人工神經網絡（ANN）和遺傳算法（GA）在軸承故障檢測中的性能。提取正常齒輪箱和故障齒輪箱的時域信號作為人工神經網絡的輸入。基于遺傳算法選擇系統特征，并使用線性判別分析作為評價函數。Xu[31]提出了一種基于深度卷積神經網絡和領域自適應的滾動軸承智能故障診斷方法。基于一維卷積神經網絡，設計了深度卷積連體適應網絡（DCSAN），將兩個域數據的輸入空間映射到一個公共特征空間。實驗結果表明，當變工況下目標域振動數據較少時，該方法能有效提高故障診斷的準確性。Zhao[32]提出了一種基于深度多尺度卷積神經網絡（MSCNN）的新型遷移學習框架。所提出的MSCNN通過在兩個著名的滾動軸承試驗臺上構建的不同傳輸場景進行評估。三個案例研究表明，所提出的框架不僅在源域上具有出色的性能，而且在可變工作條件和域上具有出色的可遷移性。Li[33]提出了一種基于參數遷移學習和卷積自編碼（CAE）的風電機組小尺度數據故障診斷方法。該方法可以將相似風力機的信息傳遞給目標風力機。分析了該方法的性能，并與其他遷移/非遷移方法進行了比較。比較結果表明，該方法在利用小尺度數據進行風力機故障診斷方面具有優勢。由于風電機組的實際運行，所收集的故障數據集有限，很難通過變量之間的相關性實現故障診斷。Yu等[34]提出了一種基于虛擬展開和球面映射模型的故障診斷方法。最后進行對比實驗，驗證了所提方法的有效性。Wen[35]提出了一種基于ReliefF、主成分分析（PCA）和深度神經網絡（DNN）的混合故障診斷方法，構建relief-pca-dnn模型，并針對吉林省某風電場故障案例進行優化。實驗結果表明，所提出的混合模型對單故障的準確率均在98.5%以上，對多故障的準確率均在96%以上。驗證結果表示該方法優于其他故障診斷算法。

3 挑戰性問題及展望

隨著科學技術快速的發展，風力發電機組在線狀態檢測與故障診斷技術同樣面臨著各種挑戰。

（1）在線監測技術之間的集成功能。將多種在線監測技術的集成在一起，綜合分析風電機組的運行狀態。例如，風電場的維護人員使用基于振動的狀態監測、油屑和SCADA分析，但不容易以自動的方式來集成它們，從而使結果不可靠。這也是為什么該行業在在線監測系統上仍然會出現假警報和誤診的原因之一。

（2）隨著風電機組裝機容量的快速增長，風電機組狀態監測與故障診斷技術逐步完善。風電機組狀態監測系統中設備狀態智能監測技術、智能故障診斷技術發展迅速，但就目前技術水平而言，很多技術還存在不足。

（3）隨著人工智能算法的不斷更新，基于智能算法的故障診斷技術是一個很熱門的話題。

4 結束語

風力發電機組在線監測與故障診斷可以有效降低故障率，提高風機可利用率。風電機組的設備故障會直接影響風電機組停機時間和設備更換等問題。研究發現齒輪箱和發電機的故障大多是由于軸承故障引起的，軸承更換成本低于齒輪箱、發電機的更換和停機成本。因此，在線監測和故障診斷軸承也是非常有益的。風力發電場運行人員應重視風電機組的在線監測系統。在眾多監測方法中，可以看出振動監測在風力發電機組的在線狀態監測與故障診斷技術中起著關鍵作用。研究人員通過不同的數據解釋和統計方法，結合智能的算法，對監測技術作進一步更新。

[1]施鵬飛. 中國風電產業發展現狀和展望[C]. 國際清潔能源論壇(澳門): 國際清潔能源論壇(澳門)秘書處，2019.

[2] Stadler K, Stubenrauch A. Premature bearing failures in industrial gearboxes[J]. SKF, 2013, 12: 97421.

[3] Renewable Energy World Magazine. Analyzing gearbox failure and preventing it[EB/OL]. https://www.researchgate. net/publication/225602159, 2015-03-02.

[4] 封新建. 風力發電機組齒輪箱振動監測與故障診斷方法研究[D]. 吉林: 東北電力大學，2017.

[5] Tian Z, Jin T, Wu B, et al. Condition based maintenance optimization for wind power generation systems under continuous monitoring[J]. Renewable Energy, 2011, 36: 1502-1509.

[6] Elforjani M, Mba D. Condition monitoring of slow-speed shafts and bearings with acoustic emission[M]. Oxford: Blackwell Publishing, 2010.

[7] Eftekharnejad B, Carrasco M R, Charnley B, et al. The application of spectral kurtosis on acoustic emission and vibrations from a defective bearing[J]. Mechanical Systems and Signal Processing, 2011, 25: 266-284.

[8] Kilundu B, Chiementin X, Duez J, et al. Cyclostationarity of acoustic emissions (AE) for monitoring bearing defects[J]. Mechanical Systems and Signal Processing, 2011, 25: 2061-2072.

[9] Renaudin L, Bonnardot F, Musy O, et al. Natural roller bearing fault detection by angular measurement of true instantaneous angular speed[J]. Mechanical Systems and Signal Processing, 2010, 24(7): 1998-2011.

[10] Holweger W, Walther F, Loos J, et al. Nondestructive subsurface damage monitoring in bearings failure mode using fractal dimension analysis[J]. Industrial Lubrication and Tribology, 2012, 64: 132-137.

[11] Machado C, Guessasma M, Bellenger E, et al. Diagnosis of faults in the bearings by electrical measures and numerical simulations[J]. Mechanics Industry, 2014, 15(5): 383-391.

[12] Kim S Y, Ra I H, Kim S H. Design of wind turbine fault detection system based on performance curve SCIS-ISIS[C]. The 6th International Conference on Soft Computing and Intelligent Systems, and the 13th International Symposium on Advanced Intelligence Systems, IEEE, 2013.

[13] P.eng G. Wind Turbine Generator Bearing Condition Monitoring with NSET Method[C]. Control and Decision Conference, 2012.

[14] Yang W, Court R, Jiang J. Wind turbine condition monitoring by the approach of SCADA data analysis[J]. Renew Energy, 2013, 53: e365-e376.

[15] Dupuis R. Application of oil debris monitoring for wind turbine gearbox prognostics and health management[C]. Annual Conference of the Prognostics and Health Management Society, 2010.

[16] Jiang X, Liu F, Zhao P. Failure analysis of rolling bearing based on oil monitoring techniques with mechanics basis[J]. Applied Mechanics and Materials, 2012, 164: 401-404.

[17] Miao Q, Cong L, Pecht M. Identifification of multiple characteristic components with high accuracy and resolution using the zoom interpolated discrete Fourier transform[J]. Measurement Science and Technology, 2011, 22(5): 055701.

[18] Jayaswal P, Agrawal B. New trends in wind turbine condition monitoring system[J]. International Journal of Emerging Trends in Engineering Research, 2011, 3(1): 133-148.

[19] Liu T. Lee J, Singh P. Using acceleration measurements and neurofuzzy systems for monitoring and diagnosis of bearings[J]. International Society for Optics and Photonics, 2013, 8916: 89160B.

[20] Saidi L, Ali JB, Fnaiech F. Application of higher order spectral features and support vector machines for bearing faults classifification[J]. Isa Transactions, 2015, 54: 193-206.

[21] Sarvajith M, Shah B, Kulkarni S, et al. Condition monitoring of rolling element bearing using wavelet transform and support vector machine[C]. Conference: NCCM, 2013.

[22] Khanam S, Tandon N, Dutt J K. Fault size estimation in the outer race of ball bearing using discrete wavelet transform of the vibration signal[J]. Procedia Technology, 2014, 14: 12-19.

[23] Ali J B, Fnaiech N, Saidi L, et al. Application of empirical mode decomposition and artifificial neural network for automatic bearing fault diagnosis based on vibration signals[J]. Applied Acoustics, 2015, 89: 16-27.

[24] Ming A B, Zhangb W, Qina Z Y, et al. Envelope calculation of the multi component signal and its application to the deterministic component can cellation in bearing fault diagnosis[J]. Mechanical Systems and Signal Processing, 2015, 50: 70-100.

[25] Fu W, Shao K, Tan J, et al. Fault diagnosis for rolling bearings based on composite multiscale fine-sorted dispersion entropy and SVM with hybrid mutation SCA-HHO algorithm optimization[J]. IEEE Access, 2020, 99: 1.

[26] Gelle G , Colas M , Serviere C. Blind source separation: a tool for rotating machine monitoring by vibrations analysis[J]. Journal of Sound and Vibration, 2001, 248(5): 865-885.

[27] Roan M J , Erling J G , Sibul L H. A new, non-linear, adaptive, blind source separation approach to gear tooth failure detection and analysis[J]. Mechanical Systems and Signal Processing, 2002, 16(5): 719-740.

[28] Hu C, Yang Q, Huang M, et al. Sparse component analysis-based under-determined blind source separation for bearing fault feature extraction in wind turbine gearbox[J]. IET Renewable Power Generation, 2017, 11(3): 330-337.

[29] Zhang Y, Qi S, Zhou L. Single channel blind source separation for wind turbine aeroacoustics signals based on variational mode decomposition[J]. Ieee Access, 2018, 6: 73952-73964

[30] Ziani R, Zagadi R, Felkaoui A, et al. Bearing fault diagnosis using neural network and genetic algorithms with the trace criterion[J]. Condition Monitoring of Machinery in Non-Stationary Operations, 2012, 37: 89-96.

[31] Xu J, Huang J, Zhao Y, et al. A robust intelligent fault diagnosis method for rolling bearings based on deep convolutional neural network and domain adaptation[J]. Procedia Computer Science, 2020, 174: 400-405.

[32] Zhao B, Zhang X, Zhan Z, et al. Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains[J]. Neurocomputing, 2020, 407: 24-38.

[33] Li Y, Jiang W, Zhang G, et al. Wind turbine fault diagnosis based on transfer learning and convolutional autoencoder with small-scale data[J]. Renewable Energy, 2021, 171: 103-115.

[34] Yu W X, Lu Y, Wang J N. Application of small sample virtual expansion and spherical mapping model in wind turbine fault diagnosis[J]. Expert Systems with Applications, 2021, 14: 115397.

[35] Wen X, Xu Z. Wind turbine fault diagnosis based on ReliefF-PCA and DNN[J]. Expert Systems with Applications, 2021, 178: 115016.

Review on Bearing Condition Detection of Wind Turbine

With the increasing installed capacity of wind turbine, the operation and maintenance of wind turbine equipment will be more and more difficult, and the operation and maintenance cost of wind turbine equipment is also increasing. The operation and maintenance personnel of the wind farm predict and diagnose the fault of the equipment by Online monitoring the rotating equipment of the wind turbine. Through the research, it can be seen that a large number of faults of wind turbine are caused by bearing and gearbox faults. Therefore, the condition monitoring of wind turbine becomes very important. This paper summarizes the research on condition monitoring and fault diagnosis technology of wind turbine, so as to provide reference for improving the reliability, prediction and early fault diagnosis of wind turbine components in the future.

wind turbine; Online monitoring; fault diagnosis

TM31

A

1008-1151(2022)02-0053-04

2021-11-20

任濤（1993－），男，甘肅白銀人，供職于華能華家嶺風力發電有限公司，研究方向設備管理。