風力發電機組故障診斷與預測技術研究綜述

許春福

（福建晉江天然氣發電有限公司 福建晉江 362251）

隨著我國社會的不斷向前發展，各種資源面臨短缺，人們對于可再生性清潔資源的使用重視程度越來越高。風力發電是實現將可再生性風能資源有效轉化成電力資源，為社會提供更加優質和充足的電能，推動整個社會快速向前發展。在風力發電過程中需要使用到大量的風力發電機組，由于風力發電機組的系統構成相對比較復雜，在工作過程中轉子葉片的轉速會隨著外部風速的變化而做出相應的調整。在一些強陣風的作用條件下，風電機組的葉片受到外力作用，在運轉過程中的平衡性會受到一定的影響，進而造成葉片會受到相對比較復雜的沖擊荷載作用，直接影響到整個機組部件的運行安全性和穩定性。從整個風力發電機組的工作環境條件上進行分析，風力發電機組在長時間工作過程中，不可避免會產生一些比較嚴重的故障情況，但是由于各種原因的存在會造成人工檢修存在一定的困難，因此必須要對風力發電機組故障問題進行正確診斷，同時提出相應的預測技術來加以解決。

1 風力發電機組故障診斷技術分析

結合某風電場風機故障案例進行分析，主要包含加速度故障（振動）、變槳系統故障（包含編碼器及其回路故障、變槳驅動及其回路輪轂CAN 通訊故障）、偏航液壓系統故障（包含偏航保護開關故障缺陷、液壓站上器件損壞、扭纜傳感器故障）、變頻器故障（包含電子器件損壞、IGBT 損壞、斷路器MCB故障和冷卻系統故障）、自控系統故障（機艙PLC AIO288 故障）。基于上述故障問題，選擇有針對性的故障診斷方法來進行處理。

1.1 基于振動信號的故障診斷技術方法

風力發電機組的系統構成相對比較復雜，其中發電機組的葉片、主軸承、發電機、塔筒等關鍵性部位在運轉工作過程中會生成相應的振動情況。通過對關鍵性部位進行震動監測，屬于1 種比較常用的故障診斷工作方法。傳統方法有3 種：①加速度傳感器法是將加速度傳感器安裝在結構物上，測量其在振動時的加速度，通過加速度積分求位移，此方法的缺點是加速度兩次積分后位移誤差較大；②位移傳感器是1 種接觸性傳感器，對于難以接近的點無法測量；③全站儀自動掃描法存在以下缺陷：環境條件差時不能觀測（臺風、下雨等），各測點不同步，大變形時不可測，實時性差，效率低。改進方法，可采用加速度傳感器與RTK 融合分析，利用RTK 高精度定位的特性，并通過算法還原風機塔筒姿態，在塔筒中心位置歸零時初始化加速度傳感器，從而消除加速度傳感器的累積誤差（見圖1）。

圖1 加速度傳感器與RTK 融合分析圖

1.2 基于電氣信號的故障診斷工作方法

相比于振動信號來講，電氣信號在產生的過程中和故障相關的內容相對較少，同時經常會被電機運轉過程中產生的電氣信號以及大量的噪聲所覆蓋，因此必須要使用更加先進的診斷技術來進行處理。基于電氣信號的故障診斷工作方法，主要是在電氣系統當中準確找到故障問題產生的相關信號信息，通過電機運轉過程中的動力模型分析，可以得出電流信號的整體變化情況，對風力發電機組電機系統的扭矩波動大小情況進行全面判斷。通過仿真模型有效分析機組產生的故障和電流信號故障之間存在的關聯，可以直接找到故障問題情況。如基于風機電氣設備模型判斷，如不同風速下三葉片變槳電機驅動電流模型與實際風機運行時的電流對比，可以提前預判變槳電機、驅動是否存在“亞健康”狀態下運行的情況，提前消除隱患，減少變槳系統故障。

1.3 基于大數據人工智能技術的故障診斷方法

基于大數據分析技術、人工智能技術、深度機器學習技術和在線建模技術構建智能預警預測平臺，進行風機設備異常狀態預測與健康識別，在設備故障早期識別劣化跡象并預警，避免設備損壞與非停帶來的損失。

系統以風機設備為核心，主要針對風機核心設備、控制系統、主要參數、傳感器4 個方面，通過機器學習識別設備亞健康狀態，實現參數越限、參數趨勢惡化、設備啟停狀態變化、設備故障和其他緊急事件告警管理，從而減少非計劃性停機損失和隱藏的發電性能不合格損失，使傳統遠程監測中心轉型資產風險預警中心（見圖2）。

圖2 大數據預測告警+智能診斷分析圖

2 風力發電機組故障預測技術研究分析

2.1 風電機組機械結構系統故障預測方法

針對風力發電機組在早期運行工作過程中存在的各種問題，主要是對風電機組的機械設備結構使用壽命進行判斷，可以全面提高風電機組運行工作的安全性和穩定性，降低后續機組的維修工作費用。故障預測和故障診斷工作之間有著相似之處，因此風電機組的振動數據參數數據也可以直接使用到故障預測工作當中［1］。根據風電機組在運行工作過程中所具有的結構特性以及功能特點，通過振動數據的合理使用可以實現對發電機組的葉片、主軸承、發電機等重要的機械傳動部位，以及結構支撐部位功能問題進行全面預測和分析。首先，需要連續錄取運行工作過程中風電機組產生的震動參數數據，然后分析數據特征，有效提取時域信號或者是頻率信號，其中頻率信號信息的特征值，對故障問題的表現更加敏感。根據統計學的工作規律設定出特定的參數預警數值以及報警數值，可以對風力發電機組運行過程中產生的嚴重故障問題進行合理預測［1］。

2.2 基于設備故障模型和大數據神經網絡預測方法

隨著風電機組單機容量的不斷加大，直驅式風電機組在風力發電市場當中得到了非常廣泛的應用。但在運行工作中產生的各種故障問題，未能得到有效的事前預警。基于風機設備故障機理模型和基于大數據神經網絡等AI 診斷技術融合，建立核心設備數字化模型鏡像，得到了任意時刻該設備的真實運行狀態和理論上應該具有的狀態對比結果（見圖3）。和常規報警策略相比，提升了設備異常參考基準值的準確性，改善了異常記錄和報警的準確性，實現故障預警、定性、定位、危害性評估，提供有效運維檢修方案。

圖3 基于大數據神經網絡預測模型圖

以系統、設備、參數為主線，按重要程度進行分級分類，對過程報警進行整合，形成精確報警，避免大量誤報警。同時，提供越限預警、故障主因診斷、輔機設備及部件劣化趨勢等報警提示信息，為運行人員贏得故障處理時間，提高機組運行水平。通過對實時數據庫中存儲的海量歷史及實時數據進行自動挖掘，軟件自動根據不同工藝系統的設備特征進行離線或在線建模［2］。可將機組實時運行數據代入機組及工藝系統的工況預警模型中進行運算和分析，得出不同工藝段、設備參數及工藝子系統的運行故障診斷及事故預報信息，對設備的健康狀態異動和潛在故障進行早期預警，自動發現各種潛在的故障關聯點。

3 結語

現階段，我國針對風力發電機組的故障診斷技術和預測技術的使用需求量相對較大。為推動我國風電事業的進一步發展，相關單位要進一步加大投資力度，同時研究風電發電機組大數據故障診斷和預測技術，推動大數據及模型合理應用，保證風力發電機組的工作穩定性。