淺析風力發電機組軸承故障診斷方法及解決措施

北京京能國際控股有限公司華南分公司 張光奎 北京能源國際控股有限公司 童 正

京能勝科（海南）國際能源有限公司 朱志國 新疆信友新能源發電有限公司 張 勃

近年來，風力發電作為一種清潔、可再生的能源形式，得到了廣泛的應用和推廣。然而，風力發電機組的可靠性，以及穩定性問題一直是業界關注的焦點。其中，軸承是風力發電機組的重要組成部分，軸承用于支撐轉子的重量并使其對風偏航。軸承故障在風力發電機組中常見，軸承故障一般會導致長時間停機，并且增加維修成本。此外，軸承問題還會導致風機性能下降、發電量降低和維護需求增加。因此，了解風力發電機組軸承問題的原因，并使用有效的診斷方法及時發現和解決問題至關重要。

1 軸承故障原因研究

1.1 潤滑問題

潤滑問題是風力發電機組軸承問題的重要原因。風力發電機組中的軸承承受復雜的運行條件，包括高負載、變速和低溫。因此，有效的潤滑對于減少摩擦和防止軸承表面磨損至關重要。由于潤滑不足或污染，可能會出現軸承潤滑問題，從而導致軸承過早損壞。風力發電機組軸承故障的最常見原因是潤滑不足。大約45%的風力發電機組軸承故障是由潤滑不足引起的。軸承潤滑不足原因包括油位低、潤滑劑選擇不當和潤滑劑使用不當等。尤其是使用不正確的潤滑劑，會導致風力發電機組軸承嚴重損壞。

污染是另一個可能導致軸承損壞的原因。風力發電機組通常位于惡劣的環境中，例如海上、沙漠等。風電機組運行在鹽水、沙子和灰塵中。潤滑劑便會被外部因素（例如灰塵和碎屑）或內部因素（例如磨損顆粒和腐蝕）而污染。

1.2 聯軸器錯位

聯軸器錯位是風力發電機組軸承故障的另一個重要原因。當聯軸器未正確對齊時，導致承受力過大和過早磨損。聯軸器不對中可能由多種因素引起，包括安裝不當、軸承或其他部件的磨損以及熱膨脹。研究表明，聯軸器錯位是風力發電機組軸承問題的重要原因。研究發現，聯軸器不對中，會導致機組振動，降低發電系統的可靠性。此外，未對準故障會導致齒輪和軸承損壞。

1.3 安裝和維護不當

軸承故障的另一個潛在原因是軸承安裝和維護不當。安裝不當會使軸承錯位或潤滑不足，從而導致過早磨損和故障。此外，不規律的換油和未能更換損壞的密封件等維護不當也會導致軸承故障。研究發現，維護不當和安裝不當占軸承故障原因的5%。研究還發現，一些維護人員缺乏正確維護和安裝軸承所需的培訓和知識。此外，溫度和濕度等環境因素也會導致軸承失效。極端溫度會導致潤滑失效，導致金屬與金屬接觸并增加磨損。高濕度水平還會導致軸承材料腐蝕和損壞。總體而言，風力發電機組中的軸承故障可能由多種因素引起，包括安裝和維護不當、環境因素和設計缺陷。因此，在診斷和排除風力發電機組中的軸承問題時，考慮所有上文所述問題較為關鍵。

2 軸承故障診斷方法

由于設備的復雜性和遠程性，診斷風力發電機組中的軸承問題過程較為復雜。然而以下幾種方法可用于識別和診斷軸承問題，包括振動分析、聲發射分析、溫度監測和目視檢查。

2.1 振動分析

振動分析是診斷風力發電機組軸承問題的常用方法。該方法將使用專用設備（如加速度計或接近探頭）測量風機部件的振動。通過分析振動信號，可識別表明軸承磨損或損壞的特定頻率和模式。并且可使用各種算法（例如，快速傅里葉變換）分析數據。除了檢測軸承問題，振動分析還可以提供有關風力發電機組其他部件的信息，例如齒輪箱和發電機。研究證明了振動分析在檢測風力發電機組軸承故障方面的有效性，并總結了在不同的故障情況下，風力發電機組軸承的振動信號的特征。

2.2 聲發射信號分析

聲發射信號分析是一種重要的軸承故障診斷技術，可以通過監測軸承在運行期間產生的聲發射來提供有關軸承狀況的信息。與其他技術相比，聲發射信號分析具有較多優點，例如能夠檢測到微小的軸承故障、提供更精確的故障位置和嚴重程度信息、不需要停機檢測等。因此，聲發射信號分析在軸承故障診斷中得到了廣泛的應用。聲發射信號分析通常使用小波分析算法來處理聲發射信號數據。小波分析算法具有良好的時間和頻率局部性，可更好地描述信號的時頻特性，并提高信號的處理效率。此外，小波分析算法還可以對信號進行降噪處理，提高信號的信噪比，從而提高故障診斷的準確性。

2.3 溫度監測

溫度監測通過監測運行期間軸承的溫度，可識別可能表明軸承磨損或損壞的異常溫度升高。使用風力發電機組的SCADA（監控和數據采集）系統，實時監控軸承溫度，并在與正常工作溫度有任何偏差時發出警報。這種方法已廣泛用于以前的研究，以檢測風力發電機組中的軸承問題。

為了進一步分析從溫度監測中獲得的數據，目前已經開發了以下的公式和模型，比如EPF-BP算法，首選使用局部離群因子（LOF）算法進行SCADA數據進行清洗和過濾，作為軸承溫度異常的輸入值。其次選取主軸承溫度智能檢測方法中BP神經網絡，并擬用增強后的粒子濾波算法加以改進，設計EPF-BP算法的風電機組主軸承溫度異常的故障診斷模型。針對特定機型進行數據仿真。結果表明，該診斷方案可更為有效、準確地識別風電機組核心部件軸承故障，以提高軸承運行的可靠性。

其他溫度監測方法涉及的一般步驟包括：步驟1安裝溫度傳感器：溫度傳感器安裝在風力發電機組的軸承上以監測溫度；步驟2設置監控系統：設置監控系統以記錄和存儲來自傳感器的溫度數據；步驟3分析數據：分析溫度數據以檢測可能指示問題的任何異常或溫度變化；步驟4采取措施：如果檢測到任何異常，則采取措施解決問題，例如更換軸承或調整風力發電機組的運行條件。

2.4 定型分析診斷

文獻[1]歸納了通過定性分析方法診斷軸承故障，定型分析是場站運行人員根據軸承故障發生的屬性和特點，對其故障原因、故障機理等進行分析和評估的過程，不需要數學方法和算法模型。風電機組軸承故障定型診斷方法主要有專家系統（ES），故障模式與影響分析（FMEA），故障樹分析（FTA）。以上故障診斷方法首先通過不全面的先驗知識來進行系統結構功能的描述，然后再利用建立的定性模型完成故障診斷。

3 未來研究方向

風電機組軸承故障診斷是風能領域的一個重要研究領域。隨著風能技術的快速發展，對高效、可靠的風電機組的需求越來越大。因此，準確及時地診斷軸承故障，對于確保風電機組安全高效運行至關重要。近年來，研究人員在風電機組軸承故障診斷領域取得了重大進展，但仍有一些挑戰和機遇需要應對。

3.1 先進信號處理技術的發展

信號處理技術在軸承故障診斷中起著至關重要的作用。目前，已經開發出了相關信號處理技術并將其應用于風電機組軸承故障的診斷。然而，這些方法具有一些局限性，例如精度低和計算復雜度高。因此，未來的研究應側重于開發先進的信號處理技術，以提高軸承故障診斷的準確性和效率。例如，深度學習技術在軸承故障診斷方面顯示出巨大潛力。深度學習算法可自動從振動信號中提取特征，提高故障診斷的準確性。文獻[2]提出了一種基于深度學習的軸承故障診斷新方法，準確率達到99.6%。

3.2 多傳感器數據集成

目前，大多數風電機組都配備了用于軸承故障診斷的振動傳感器。但是在實際操作中，振動信號的應用也存在著一些限制。例如，某些類型的軸承故障可能不會導致明顯的振動信號，因此只依靠振動信號進行軸承故障診斷可能不夠準確。為了提高軸承故障診斷的準確性和可靠性，需要整合多個傳感器數據，如溫度、油液、聲學和圖像等。

已經有很多學者嘗試使用多個傳感器數據集成，來解決風力發電機組軸承故障診斷問題。例如，使用振動、聲學、溫度和電流信號進行數據融合，以提高軸承故障診斷的準確性。使用了振動、油液、溫度和電流信號進行數據融合，以實現對軸承故障的快速檢測。在實際應用中，多傳感器數據集成的方法可以提高軸承故障診斷的準確性，從而減少不必要的維護成本和停機時間。

未來關于多傳感器數據集成主要研究方向為聯合分析、互補分析、分級分析：聯合分析是指將多個傳感器的信號數據組合起來，形成一個統一的特征向量。然后，使用機器學習算法來對特征向量進行分類和診斷。聯合分析可以利用各種傳感器的優點，從而提高軸承故障的檢測準確性；互補分析是指利用多個傳感器數據的互補性，以提高軸承故障的診斷準確性。例如，振動傳感器可以檢測到軸承的高頻振動信號，而油液傳感器可檢測到軸承油液中的金屬顆粒，從而對軸承故障進行更準確的診斷；分級分析是指將多個傳感器數據分為多個級別進行分析和診斷。例如，使用振動傳感器對軸承進行初步診斷，然后使用其他傳感器進行更深入的分析和診斷。

3.3 狀態監測和預測

狀態監測和預測對于確保風電機組安全高效運行至關重要。目前，大多數軸承故障診斷方法都是基于檢測故障的存在。然而，預測軸承的剩余使用壽命（RUL）以避免意外故障也很重要。因此，未來的研究應側重于開發風電機組軸承的狀態監測和預測技術。文獻[3]研究了由多層次聚類系統進行故障類型的判別，改進了小波包方法，提高了對信號頻率的分析能力，并且使用多場算法，建立了混合模型，結合機器學習和基于物理學的模型，以實現更準確的RUL預測[3]。此外，先進的預知技術的發展也可以幫助優化維護計劃，降低維護成本。文獻[4]提出了一個用于風機維護調度的多目標優化模型，其可以考慮維護成本和風機可用性之間的權衡。

數字孿生和人工智能的整合數字雙胞胎技術可以提供風機的虛擬表現，可用于模擬、監測和優化目的。將數字孿生技術與人工智能（AI）技術相結合，可以提高風力發電機組軸承故障診斷的準確性和效率。文獻[5]提出了一個基于數字雙胞胎的人工智能框架，用于風電機組的故障診斷和預測。該框架包括一個數字雙胞胎模型、一個機器學習模型和一個決策支持系統，可對風機軸承故障進行準確、及時的診斷和預判。

風電場水平監測和診斷的整合風電場通常由多個風力發電機組組成，一個發電機組的故障會影響整個風電場的性能和安全。因此，未來的研究應該集中在開發風電場層面的監測和診斷技術，以便在風電場層面檢測和診斷軸承故障。

結風機軸承故障診斷是風能領域的一個關鍵研究領域。先進的信號處理技術的發展、多種傳感器數據的整合、對狀態監測和預后的關注、數字孿生技術和人工智能的整合，以及風場層面的監測和診斷的整合，是風機軸承故障診斷的未來研究方向。這些研究方向的推進可以提高風力發電機組的可靠性和效率，從而促進風能的可持續發展。

總之，風電機組軸承故障診斷是風能領域的一個重要研究領域。準確及時地診斷軸承故障對于確保風電機組安全高效運行至關重要。隨著風能技術的快速發展，對更高效、更可靠的風電機組的需求越來越大。因此，未來的研究應側重于開發先進的信號處理技術，集成多個傳感器數據，以及開發風電機組軸承的狀態監測和預測技術。為了有效地診斷風電機組軸承故障，必須使用先進的信號處理技術，例如深度學習算法，并集成多個傳感器數據，例如聲發射和振動信號。此外，用于預測軸承剩余使用壽命的預測技術對于避免意外故障和確保風電機組安全高效運行至關重要。