風電機組軸承故障診斷與疲勞壽命研究綜述

尹曉偉，江雪峰，王龍福

(沈陽工程學院 能源與動力學院，沈陽 110136)

風力發電作為一種綠色能源，從20世紀80年代開始以超預期的速度發展，隨著相關技術的日益成熟，已成為應用廣泛的新能源發電方式，截止2019年，全國新增風電容量已達478×104kW[1-2]。風電機組長期在復雜交變載荷的作用下運行，對風電傳動系統的要求越來越嚴格，軸承作為風電機組的關鍵部件，對保障整個機組的可靠性起著至關重要的作用。

當前，針對軸承的故障診斷與壽命預測技術已經處于研究與應用階段，其不僅能夠保障風電機組的安全運行，減少故障發生率和經濟損失，也對未來新能源產業有著重要的學術研究意義和工程應用價值。因此，通過整理近些年的相關研究成果，介紹了風電機組的結構及其軸承，梳理了風電機組軸承運行特征量的監測及故障診斷方法，對風電機組軸承壽命分析方法的研究現狀進行了評述，并對風電機組軸承的研究方向進行了展望。

1 風電機組結構及其軸承

國內相關數據表明，風電機組傳動系統的齒輪箱、電動機等關鍵部件的故障率較高，而齒輪箱、電動機失效大都由軸承故障導致。風電機組主要部件傳動示意圖如圖1所示，傳動鏈軸承包括主軸軸承、齒輪箱軸承、發電機軸承、變槳軸承和偏航軸承等[3]。

圖1 風電機組主要部件傳動示意圖

對于主軸軸承，由于葉輪主軸承受的載荷非常大且軸很長，容易變形，大多數葉輪主軸由2套調心滾子軸承支承以保證主軸的調心性能。

對于齒輪箱軸承，由于齒輪箱中行星架的原因，軸承數量及種類較多，包含深溝球軸承、圓柱滾子軸承、雙列調心滾子軸承等。主軸的支承方式導致齒輪箱的受力不同，軸承的選用也略有不同，若主軸采用雙軸承支承，理論上齒輪箱只受到扭矩的作用，行星架支承軸承可選用2套圓柱滾子軸承或2套圓錐滾子軸承。

發電機軸承常采用圓柱滾子軸承和深溝球軸承，通過優選軸承結構設計以降低振動噪聲。

變槳和偏航系統的作用是根據風速大小、方向調整葉節距和追蹤風向，從而保證風電機組功率輸出穩定。根據其工作環境可知，偏航軸承和變槳軸承要承受很大的傾覆力矩和不定風力產生的沖擊載荷，具有間歇工作、頻繁啟停、傳動扭矩大的特點，所以要求該軸承為零游隙或者小的負游隙以減小滾動接觸面的磨損。

隨著風電技術的快速發展，對風電機組檢修及保養的要求也越來越嚴格，由于機組類型、大小、服役環境的變化以及安裝誤差等原因，軸承的失效機制也不盡相同，軸承的故障分析方法多種多樣。另外，風電機組所選用的軸承大都屬于大型軸承，根據尺寸和工作環境的特殊性，通常由于局部變形、局部振動和溫升等原因造成軸承損傷，與常規軸承長期運行出現磨損的故障不同。因此，應對風電機組軸承運行狀態進行實時監測并在最佳時間進行合理維護。

海、陸風電機組重要部件的失效率如圖2所示，發電機及齒輪箱失效率較大，而研究顯示[4]，軸承故障分別占發電機、齒輪箱故障的41%，21%。因此，為保證風電機組安全、穩定運行，減小風電機組軸承的故障及維修成本，提高軸承的可靠性至關重要[5-6]。

圖2 海、陸風電機組重要部件失效率

2 風電機組軸承的狀態監測與故障診斷

近年來，國內外積極地采用數字化監測實現風電機組的健康狀況監測，實現了對運行溫度、環境氣象、并網情況等數據的采集與監測[7-8]。如圖3所示，SCADA(Supervisory Control and Date Acquisition)監測系統已廣泛用于對風電機組的監測，但其監測參數有限且大多以電流、電壓、功率等信號為主，缺乏對具體部位軸承運行特征量的監測，從而影響軸承的故障診斷[9]。

圖3 SCADA系統流程

風電機組軸承的故障對時間有較強的依賴性，其故障的發生往往不是突然的，而是經歷了動態變化及非線性的歷程。軸承故障早期階段可分為正常工作階段和性能衰退階段，若能實現軸承早期故障階段的監測與診斷，將對風電機組運行可靠性的提升、運維策略、降低檢修費用等提供有效幫助[10]。

2.1 風電機組軸承的狀態監測

目前，風電機組都有運行數據采集、故障報警和通信功能，配合風場中控室可實現對風電機組運行狀態的實時監測，但通常只能采集風速、功率、電流等特征信號，對于加速度、振動、潤滑脂等信號的采集功能欠缺或不準。近年來，國內外學者對軸承特征信號采集不準、信號冗余、干擾性強等問題進行了相關研究。

國內學者針對風電機組運行工況下軸承的信號特征易被噪聲頻率所干擾，導致故障特征提取困難的問題進行了相應研究。文獻[11]提出一種增強型的形態學濾波及監測方法，能有效提取強噪聲背景下的目標信號特征，利用改進的包絡導數成功濾除噪聲頻率并消除干擾，試驗表明其濾波效果強于傳統方法，具有較好的實用價值。文獻[12]采用基于有理樣條函數的局部波動特征分解聯合快速譜方法對風電機組軸承的振動信號進行降噪、分解并自適應平滑信號特征的提取和監測，同時具有計算速度快和自適應性好的優點，有利于風電機組軸承運行狀態的實時在線監測。文獻[13]利用遺傳算法選出最優子集優化Element神經網絡參數，提高了風電機組軸承在信號冗余干擾下監測結果的有效性。文獻[14]以風電主軸軸承為研究對象，對基于輔助信息的條件生成對抗網絡進行改進，解決了軸承故障樣本少且類別數據不平衡問題，但缺少對風電機組各傳動鏈軸承的試驗驗證。文獻[15]在風電機組軸承變轉速工況下軸承損傷的識別研究中，提出改進奇異譜分解與1.5維包絡階次譜相結合的監測方法，針對奇異譜端點失真和數量判定問題，建立端點抑制效應結合皮爾遜相關系數的數量判定策略，并在實測風電機組工程信號試驗中有效提取了軸承故障特征。

國外學者同樣對風電機組軸承的狀態監測提出許多研究方法。文獻[16]將經驗模態分解與小波變換結合對有缺陷的滾動軸承非平穩信號進行分析，得出經驗模態分解存在自適應好的優勢。文獻[17-18]提出一種改進卷積神經網絡(Convolution Neural Network, CNN)模型的故障診斷算法(改進的CNN結構和參數見表1)，直接對軸承信號進行特征提取及故障識別，診斷率高但需人工調整參數，處理過程較為繁瑣。文獻[19-20]以風電機組軸承為研究對象，利用時頻域圖和韋爾奇周期圖對含噪軸承振動信號進行分析，結果表明韋爾奇周期圖處理后的信噪比更加有效。文獻[21-22]針對雙饋式風電機組保持最大功率時齒輪箱軸承的信號特征，提出一種變分模態分解與瑞利熵相結合的分析方法，通過監測對比頻域特征參數與小波包能量特征結果有效地實現了齒輪箱軸承的磨損狀態監測，從而為風機的維護保養提供指導。

表1 CNN模型的改進結構與參數

目前，雖然在軸承故障信號的特征提取、算法優化、模型建立等方面取得一些研究進展，但對于風電機組隱含健康狀態信息還需做進一步挖掘，特別是需要在結合工況、環境、結構等特征的情況下實現風電機組運行狀態的在線監測及評估。

2.2 風電機組軸承故障診斷方法

風電機組軸承存在種類繁多的特征信號(振動、噪聲、應力、溫度、潤滑油等)，均能在一定程度上反映軸承的健康狀態，可用于軸承的故障分析與診斷[23]。目前，軸承故障診斷可大致分為基于模型和基于數據驅動的故障診斷兩大類[24]。

基于模型的故障診斷現有研究較少，需要對機構零部件結構、運行原理和故障機制了解透徹并建立仿真模型對比模擬與實際輸出殘差，實現故障演化趨勢，具有故障準確度高的優點。

很多學者基于數據驅動的方法對風電機組軸承故障診斷進行研究。由于常規振動或應變等監測技術無法對不完全轉動的變槳軸承進行監測，文獻[25-26]基于維納濾波技術對風電機組低速軸承振動信號進行去噪處理并提取特征，通過Matlab進行仿真驗證了該方法的可行性，但缺少試驗驗證。文獻[27]提出一種基于經驗小波變換的軸承故障診斷方法，通過構建小波濾波組消除模態混疊影響并獲得模態函數的各種信息，該方法能提高信噪比并有效識別軸承故障類型和位置。為深度挖掘風電機組軸承振動信號非平穩、非線性的特性，文獻[28]將變分模態分解(Variational Mode Decomposition，VMD)與熵價值結合并采用貝葉斯準則克服傳統硬分類報錯率較高的缺點，但其缺少對風電機組不同位置處軸承的試驗驗證，不具普遍性，其故障診斷流程如圖4所示。文獻[29]針對風電機組不同轉速下的軸承損傷，將改進小波變換能量階次譜方法與計算階次追蹤算法融合作為轉速變化的預處理措施，進一步放大了故障特征，工程試驗表明其能有效診斷出變轉速下風電機組軸承的故障。為實現風電機組軸承的智能故障診斷并減少人為控制參數的影響，文獻[30]對多分類改進向量機進行改進，以風電機組主軸軸承為試驗對象進行分析，證明了該方法在智能診斷方面的優越性。

圖4 基于VMD-熵價值的故障診斷流程圖

國外學者基于各種特征信號對風電機組軸承的故障進行了研究。文獻[31]針對低速軸承故障，利用聲發射和振動信號的有效性對原始數據進行降維處理并采用相關向量機與支持向量機分類技術進行故障診斷，結果表明相關向量機具有更高的分類精度，可以有效降低計算復雜度，但該文獻并未對不同位置的風電機組軸承進行試驗驗證。文獻[32-33]針對單一特征量無法精確實現滾動軸承故障診斷的問題，將經驗模態分解、希爾伯特包絡分析、峭度系數和傅里葉變換等方法相結合，精準提取了軸承振動信號中的故障特征頻率，但需要進一步對不同工況下的運行狀態進行驗證。為充分提取大型風電機組軸承的微弱故障信號，文獻[34-35]以4種基本形態學構造出形態差分算子，結合多尺度形態學分析方法，通過試驗驗證了該算法的準確性和有效性，但缺少多工況的試驗研究。針對直驅風電機組發電機軸承溫升高的問題，文獻[36-37]建立了BP神經網絡與皮爾遜相關系數結合的故障診斷模型，利用大數據平臺判斷危險溫度閾值并作出反應，從而實現發電機軸承溫升故障的診斷與預測。文獻[38-39]基于聲發射技術和短時傅里葉方法有效捕捉到軸承故障信號(圖5)，但論證不夠充分且缺少高精度對比試驗。

圖5 有、無裂紋軸承聲發射信號的短時傅里葉時頻圖

總的來說，不同的信號能反映出風電機組軸承不同的故障特征，在軸承振動、潤滑、溫度等信號之間耦合特性的基礎上再結合風電機組傳動鏈結構的特點，合理地選擇故障診斷方式及模型是風電機組軸承故障診斷的重要基礎。

3 風電機組軸承疲勞壽命分析

一臺風電機組中軸承最大使用量能達32套。軸承作為風電機組的核心部件，其故障往往會導致齒輪箱、發電機等傳動系統損壞，對軸承進行壽命分析尤為重要[40]。目前，國內外針對風電機組軸承壽命分析方法大致可以分為基于物理模型和基于數據驅動的壽命分析兩類[41]。由于監測數據不全面或各風場、制造商的數據資源不共享等原因，基于數據驅動的壽命分析研究較少，大多數研究人員通過理論壽命、工程算法、有限元分析等開展基于物理模型的壽命分析研究[42]。

3.1 國內風電機組軸承疲勞壽命分析研究

文獻[43]提出基于主軸軸承額定動載荷的數學模型，結合Matlab對軸承主要參數進行約束優化，結果表明該方法亦可反向優化軸承主要參數，從而提高軸承的使用壽命。文獻[44]以厚壁圓筒為基本理論，結合仿真模擬軟件分析了過盈裝配對主軸軸承壽命的影響，結果表明主軸固定端軸承的疲勞壽命隨浮動端軸承徑向游隙的增大而減小，但該結論只是在仿真軟件中模擬低轉速工況得出，具有一定的局限性。文獻[45]以三排圓柱滾子軸承為研究對象，改變應力組合和應力修正方法進行仿真分析并計算主軸軸承的疲勞壽命(表2)，結果表明臨界面法與格伯平均應力修正法間的誤差約為5%，該組合方法驗證了三排圓柱滾子軸承疲勞壽命計算的可行性，但對其他類型軸承是否適用還需進一步驗證。

表2 三排圓柱滾子軸承疲勞壽命分析結果

惡劣天氣對風電機組軸承的疲勞壽命會產生較大影響。文獻[46]考慮隨機風載特點，利用蒙特卡洛抽樣法結合改進的Miner疲勞累計損傷理論對風電機組變工況下的高速軸軸承壽命進行分析預測，結果表明將疲勞壽命公式中的參數視作正態隨機變量更符合實際情況。文獻[47]在寬溫度范圍下通過風電機組軸承潤滑脂的元素含量進行軸承磨損分析，根據潤滑脂劣化、污染情況對軸承的壽命與運維換脂提供了科學預測依據。文獻[48]以滿足風電機組使用壽命為基礎，在考慮不同復雜因素影響的前提下對比分析了不同主軸軸承類型和布局的優缺點，為設計人員提供依據。

3.2 國外風電機組軸承疲勞壽命分析研究

文獻[49]通過提取高頻振動數據的關鍵特征并訓練其支持向量機算法，成功在風電機組發電機軸承故障發生前1—2個月預測故障，準確率高達67%，但由于風電機組型號和運行條件的不同，其泛化性試驗的整體精度有所下降。文獻[50-51]以風電機組齒輪箱軸承為研究對象，得出軸承的載荷、游隙、轉速以及滾動體修形都會影響軸承整體強度和壽命。文獻[52]以某2 MW風電機組傳動系統的低速軸為研究對象，利用BLADED軟件和雨流計數法繪制低速軸上的載荷譜并進行有限元模擬計算，通過SKF壽命公式驗證其可行性，能夠為風電機組的設計與研究提供理論支撐，但其缺少試驗數據分析。文獻[53]利用Falex微動磨損試驗驗證了載荷、低溫、擺動角度對軸承疲勞壽命的巨大影響，為風電運維人員的后期巡視提供不同的角度。文獻[54]針對風電機組齒輪箱軸承失效，使用壽命遠低于設計壽命的問題，從齒輪箱軸承失效機理出發得出軸向裂紋由環向應力產生的彎矩所導致的結論，并提出白色蝕刻區域與高應變率變形中產生的絕熱剪切帶(圖7)有較多的相似之處，但仍需進一步驗證。文獻[55-56]針對某型5 MW風電機組偏航軸承的6種支承方式進行研究，結合時域、疲勞累計理論和有限元的分析表明基于代碼的計算方法比有限元方法保守，同時還發現偏航軸承3個部件的疲勞壽命不同，應在軸承設計時分別考慮，但該文獻缺乏對偏航軸承失效模式和失效過程的研究。

圖7 不同摩擦因數下剪應力隨深度的變化

3.3 小結

目前，通過對游隙、潤滑、載荷等參數的研究，在風電機組軸承的疲勞壽命分析方面取得較大進展，能在一定程度上反映出軸承某一特征參數對其疲勞壽命的影響，但未能進一步考慮某一特征參數的異常是否是由其他部位異常所間接造成的，同時還應該注意多個特征參數的耦合作用對軸承疲勞壽命的影響[57]。另外，對風電機組軸承的壽命預測及計算大都依賴于軟件的數值模擬，包括上述文獻在內的許多文獻在利用Miner理論進行疲勞壽命估計時大都采用橫幅循環應力作為計算依據，忽略了風電機組運行狀態中風載的隨機性，從而使其研究缺少普遍性。

4 結束語

風電產業的迅速發展激發了眾多研究人員對風電軸承的研究熱情，國內外學者提出了各種思路和方法，本文從風電機組軸承的數字化監測、故障診斷、疲勞壽命等角度對相關研究內容進行整理分析，是對國內外現有研究內容的總結和思考，希望對風電機組軸承的進一步研究工作提供幫助。我國針對風電機組軸承技術的研究起步較晚，尚有許多工程、科學問題有待解決，仍需要在以下幾個方面進行大量的試驗與理論研究：

1)基于數據的智能化軸承壽命分析。理論壽命計算、有限元分析等方法在使用時都存在一定的假設前提，并不如實際工況下的大數據精準可靠，也可以利用機器學習算法對實際數據進行擬合，從而取得軸承全壽命過程的演化規律，進而通過閾值對軸承健康狀態進行判斷。該方案需要大量的數據支持，然而各研究機構與廠家還不能做到數據共享，閾值確定存在精度不夠或只具有單一性而缺乏一般性的問題。

2)基于物理模型考慮多因素耦合特性對風電機組軸承進行壽命分析。與普通軸承長期運行導致的磨損失效不同，大型滾動軸承由于承載較大，其失效模式大多以局部變形、溫升、振動等損傷為主，故需要深入地研究其失效機理，而且需考慮大型滾動軸承在接觸、游隙方面對軸承結構動力學耦合建模方法的影響，以及游隙、油膜、溫度、配合狀態對軸承動力學特性的影響。

3)風電機組軸承故障診斷研究。風電機組各部件的早期故障征兆會引起一系列物理特征量的變化，同時單一物理特征量的變化也可能由好幾個部件所引起。比如，當偏航系統的齒輪和軸承出現疲勞失效，將會引起發電機轉軸的振動，從而破壞發電機內部平衡，故障信號進而附加在發電機定、轉子的電氣特征量或振動特征量上。因此，應該結合不同部位軸承實際易發生的失效情況及不同機組的差異性，從現有的單一、多特征量的縱向數據融合分析方式向多方面結合及多角度分析轉變，尋求各部位軸承的故障數據特征及其演化規律。