風力發電機組故障診斷與預測技術探究

郭明龍

國投云南新能源有限公司 云南 昆明 650000

“雙碳”戰略目標背景下，我國對于可再生清潔能源的使用愈發重視，風力發電逐漸成為主流供電方式。與火力發電、核發電相比，風力發電更加清潔、健康，在為社會提供優質電能的同時，能夠維護環境健康，促進生態的可持續發展。但由于風力發電機組結構十分復雜，再加上葉片長時間受外力作用，因此很容易出現各種故障，降低了風力發電的安全性和穩定性。因此，如何對風力發電機組的故障進行有效診斷并精準預測，是當前風力發電行業需要研究的重點問題。

1 風力發電與風力發電機組發展現狀

近年來，各國對新能源產業的呼聲越來越大，并著力發展太陽能、風能等。截止到2021年，全球資源中風能約為2.74×109MW，其中約為73%為可利用風能，其利用率相比水能具有超過十倍的優越性。我國地域廣闊，具有極為良好的風能開發條件，據初步統計，我國陸地可開發風能超過2.53千瓦，海上可開發風能為7.5億千瓦，按照五十米范圍推算，總風能可達到20億千瓦，可利用風能可達到14.6億千瓦，風能可開發總量僅次于俄羅斯與美國。風能作為新能源的一種，不僅具有良好的開發機制，還兼備寶貴的清潔屬性，與太陽能同屬于新能源的核心種類[1]。隨著我國科學技術水平的持續提升，風力發電設備裝機容量持續加大，在技術水平的進一步提升下，風能開發成本將進一步壓縮，并且將實現大規模普及。

據資料顯示，我國近年風力發電設備裝機容量持續擴大，已經超過19.66GW，并且仍在持續上漲中。從世界范圍來看，我國新增風力發電裝機容量超過全球新增風力發電裝機容量的三分之一，位居世界首位，相比排名第二的美國高出12.64GW。我國總裝機容量占比約為全球的35%[2]。從數據中可知，我國風力發電事業正處于高速發展階段，并且還有大量等待開發的風力裝機場所。新疆作為我國風力資源十分豐富的區域，每年風能儲量超過九千億，僅低于內蒙古區域。在新疆地區我國有著世界最大的風能發電基地，陸上風機單機容量達到6.25兆瓦。截止目前，新疆地區的風力資源儲備仍在持續上漲，并且成為該區域的主要替代性清潔能源。

2 風力發電機組常見運行故障

2.1 葉片故障

風力發電機組中葉片是其主要構件之一。機組在工作過程中葉片將承受十分巨大的壓力，由于機組全天候運作，因此葉片承受的壓力會伴隨在機組運行全程，是最容易出現故障的構件之一。比如，葉片運行時會和蒸汽和空氣接觸，在壓力的影響下會加快葉片腐蝕，從而出現陀螺的問題。當葉片運作時間過長時，內部配件容易出現松動的問題，從而導致葉片連接不穩定，引發故障。如果葉片受外力影響產生裂紋及形變，將釋放出高頻瞬態的聲發射信號，此信號是葉片損傷評估的主要途徑之一[3]。當葉片出現故障后，將導致葉片的轉子受力失衡，此種受力會通過主軸傳送到機組內部，從而導致機艙出現震動，輕者導致局部故障，重者導致機組基礎失衡。

2.2 齒輪箱故障

風力發電機組中齒輪箱的作用是連接機組主軸和發電機，可讓主軸轉速更快，一方面滿足機組運行需求，另一方面提升經濟效益。齒輪箱中包含行星齒輪和兩級平行齒輪兩部分，由于齒輪箱工況惡劣，且運行中受力情況復雜，當機組處于運行狀態時很容易對齒輪箱施加沖擊力與交變應力，促使齒輪箱出現磨損、滑動等問題。齒輪箱作為內部構件，大多數情況不暴露在空氣中，因此發生故障的幾率很小[4]。即便如此，齒輪箱仍然是故障診斷與異常排查的重要環節，這是因為齒輪箱故障后機組將無法運行，并且齒輪箱維修周期較長，且維修費用高昂，所以齒輪箱故障診斷是近年風電機組故障診斷的核心方向，是確保風電機組穩定運行的基礎。

2.3 機組系統的故障

目前，偏航系統的功能包括風向跟蹤和解除電纜纏繞兩種。前者可引導風電機組對風向進行追蹤，最大限度提高風能的接受比率；當機組對風向進行跟蹤時，很容易出現電纜纏繞的問題，因此偏航系統會判斷電纜纏繞的嚴重程度，當超過閾值后會自動解除纏繞。當偏航系統發生故障時，繼續風向跟蹤與電纜纏繞解除功能失效。

變槳系統的功能是當風速發生變化時，該系統可調整葉片角度讓空氣動力扭矩更大，從而提高機組運行規律。如果風速過快或機組出現故障，變槳系統可通過調整葉片狀態的方式實現制動，將損失降到最低。由于葉片是風電機組的主要元件，而變槳系統主要對葉片角度與運行模式進行調整，因此需注重變槳系統的維護，可通過調整葉片和風速的匹配程度來判斷變槳系統是否出現故障[5]。

3 風力發電機組故障診斷技術

常規情況下，風力發電機組（簡稱：機組）共分為垂直軸和水平軸兩種，我國現階段廣泛應用的為水平軸，許多研究也是針對水平軸風力發電機組進行。機組在實際運行過程中一旦遇到故障可以通過振動、溫度、應力、電氣等相關參數來對其進行診斷和有效預測，以下為簡要的診斷技術說明：

3.1 依據振動信號診斷

振動信號診斷法是目前機組故障檢測中最常用的檢測方式，這種方法能夠對機組的不同關鍵部位進行有效的檢查，并具有較為精準的應用成果。近幾年許多技術專家在此基礎上進行了一定的拓展，尋找操作性更強，更具價值性的使用技術。一些專家通過信號診斷法延伸出小波神經網絡診斷技術，能夠進一步診斷機組中的齒輪箱是否存在故障。一些專家將信號振動診斷應用在機組的葉片相關故障診斷當中，也獲得了較高的應用率。通過不同位置傳達出來的振動信號能夠通過數據收集和計算來分析出具體的故障位置并進行有效定位，通過診斷來判斷故障原因，進而采取有效的解決措施[6]。

3.2 依據電氣信號診斷

對比振動信號診斷法，電氣信號的診斷能力較弱，通常會被電機等相關設備的噪音所掩蓋，無法進行有效的分析。因此電氣信號的診斷通常需要結合先進的接收儀器和分析設備，對電氣信號進行精準的識別，并判斷故障的具體信息。以此為基礎來通過數據和力學模型對故障的位置進行定位，后分析其發生原因和制定應對策略。通過模型分析的形式能夠將電氣信號連接電機扭矩波動，對機組齒輪中存在的故障和信號之間的關系進行分析，通過仿真的形式將實際故障情況進行模擬，精準定位故障的位置。同時，也可以采用維納濾波來過濾分析過程中可能存在的噪音，對機組的軸承故障進行精準的判斷。采用信號雙譜分析法和模量頻譜分析法也能夠精準定位故障的部件。技術人員可以根據機組的實際情況來選擇適合的診斷方法，對故障進行科學合理的診斷。這項診斷方法不需要借助額外的傳感器，經濟性更強，診斷結果更加準確，具有較大的應用空間[7]。

3.3 依據模式識別診斷

模式診斷法是基于機組的多元化信號而延伸出來可以在時域或者頻域當中通過模型來對故障進行分析和確定的一種診斷方法。如軸承故障的診斷中，采用這種方法能夠進行立體模型的構建，更加直觀地對故障進行排查，確定故障發生原因和具體位置后能夠進行及時的解決。通過Laplacian Eigenmaps算法來建立可視化的故障模型，技術人員可以通過立體的圖形來對故障的特征進行確定，更加快捷簡便地找出故障的具體位置，通過非線性的流形學習也能夠在立體空間的結構上對軸承進行動態的故障分析。粗糙的軸承故障可以通過線性辨別法進行診斷和成因分析，對故障的位置進行定位，加快處理故障的速度。這些診斷方法都能夠對軸承的故障進行有效的解決，在實際應用過程中具有較強的可行性。我國當前的研究環境當中，對方法分為有監督和無監督兩種，但無論是哪一種形式都需要龐大數量的算法，在獲取數據方面也需要較長的時間，這就造成了成本的耗損，如果采用這種診斷方法有可能會提升企業的運營成本，所以需要根據實際情況來選擇最適合的診斷方法[8]。

3.4 基于大數據人工智能技術的故障診斷方法

信息時代的到來讓大數據技術和人工智能技術滲透到各行各業當中，在機組的故障診斷當中采用機器深度學習技術和3D建模技術能夠充分利用智能預警系統對風機設備的異常情況進行實時監控和定期掃描，在故障出現的初期進行識別并及時預警，有效降低了設備損壞和非停損壞的情況發生。以風機設備為核心的檢測系統能夠針對機組的核心設備、控制系統、傳感器以及主要參數進行實時監控，通過機器深度學習來進行設備故障的識別，確保參數惡化、參數越限、啟停狀態異常、設備異常等故障和其他緊急情況能夠進行及時的預警，進而減少非計劃性的突發停機情況所造成的成本損失以及隱藏的發電性能不達標造成的損失，充分利用遠程監測中心來構建資產風險預警中心（見圖1）[9]。

圖1 大數據預測告警+智能診斷分析

4 風力發電機組故障預測技術研究分析

4.1 風電機組機械結構系統故障預測

通過上文故障類型分析能夠發現，風力發電機組運行過程中容易出現諸多故障問題，例如葉片故障、電機故障、齒輪箱故障等。相較于電氣結構，風力發電機組的機械結構故障更為嚴重，不僅關系著風電機組運行的穩定性、安全性，并且一旦發生機械故障，還會產生高額的維修費用。因此，對于風電機組機械結構故障的預測顯得至關重要。

與故障診斷不同，故障預測主要是通過日常監測發電機組的運行狀態、運行數據從而對可能發生的故障進行分析，并采取相應措施防止故障或降低故障發生率。二者雖然存在本質上的區別，但也有一定的相似之處。例如，在預測風電機組機械結構故障的過程中，可以參考風電機組的振動數據。風電機組運行過程中，不同結構都有其獨特的功能和特性，因此通過對振動數據的監控分析，能夠全面預測發電機組的機械部位可能存在的功能問題。

首先，風電機組日常運行過程中，需要定期收集風電機組振動所產生的參數數據；其次，對收集到的數據進行深度分析，提取其中的頻率信號、時域信號。通過分析信號的特征值，能夠精準確定機組機械結構各部件的運行狀態，發現可能存在的故障問題；最后，以統計學理論為基礎，根據風電機組的運行規律制定報警數值，進而在保證不影響機組正常運行的狀態下對可能發生的嚴重故障問題進行精準預測。

4.2 基于設備故障模型和大數據神經網絡預測

隨著狀態監測和故障診斷技術的不斷進步，上個世紀末逐漸發展起來一種新的維修方式——基于狀態的維修(CBM)。該維修方式綜合運用各種技術手段獲取設備的運行狀態信息,并運用數據分析與維修決策技術對設備狀態進行實時或者周期性的評價，最終做出科學化的維修決策。實現了通過狀態監測預測即將發生的故障，制訂合理的維修決策。

本文將智能診斷技術進行有效融合，通過大數據神經網絡、機組設備故障模型，構建了一套風電機組核心設備的數字化鏡像模型，能夠完全還原機組的真實運行狀態，從理論上將具有與機組相同的狀態結果。模型結構如圖2所示。

圖2 基于大數據神經網絡預測模型

與傳統的警報預測相比，基于大數據神經網絡的機組故障模型預測進一步提高了對機組運行異常數據的捕捉能力，提升了異常記錄以及警報的準確性。不僅如此，該模型除具有警報功能外，還能夠對可能發生的故障進行定性、定位，預估可能造成的危害性，并根據風電機組的實際情況提供可行的檢修方案，更加智能化、便捷化。該模型主要參考機組設備、系統的運行參數，并根據重要性對所收集到的參數進行類別劃分，同時通過對過程報警的進一步整合，在很大程度上提高了報警的準確性，降低了誤報警情況的發生。

另外，為進一步縮短故障處理時間，該模型還設置了越限報警功能、故障致因診斷功能，并還能提供故障零部件劣化趨勢信息，在很大程度上保證了風電機組的穩定運行。該模型還存儲了大量的機組運行數據，通過挖掘、分析這些數據，還能夠根據不同工藝系統的特征進行建模。機組實際運行過程中，可以將運行參數帶入帶預警模型中，通過深度分析計算，能夠精準獲得各工藝段、設備的運行故障診斷和事故預報信息，這些信息都有助于機組運行狀態的監測和預警，進而及時發現可能存在的故障關聯點。

5 結束語

現階段，為滿足“雙碳”戰略發展目標，風力發電逐漸成為主流供電方式，為保證風電機組的穩定運行，亟需制定一套高效、精準度機組運行故障、預測方法。本文結合當前風力發電及發電機組的發展現狀，簡要分析了風電機組運行過程中的常見故障，并深入探討了風電機組的故障診斷及預測技術，以期能夠進一步提高風力機組運行的穩定性，促進風力發電行業的健康發展。