彭華東，陳曉清，任明，楊代勇，董明,2

（1.電力設備電氣絕緣國家重點實驗室，西安交通大學，陜西 西安 710049；2.西北電網(wǎng)有限公司 博士后工作站，陜西 西安 710075）

風力發(fā)電是世界上公認的最接近商業(yè)化的可再生能源技術之一[1]。在當今強調保護環(huán)境、可持續(xù)發(fā)展的背景下，不消耗化石燃料、無環(huán)境污染的風力發(fā)電被認為是最清潔的能源利用形式。在過去的10年里，由于年平均增長率接近28%，風力發(fā)電已成為世界上增長最快的可再生能源[2]。

隨著風能的快速發(fā)展和大規(guī)模風電機組的投入運行，且由于大部分機組安裝在偏遠地區(qū)，負荷不穩(wěn)定等因素，我國不少風電機組都出現(xiàn)了運行故障，直接影響了風力發(fā)電的安全性和經濟性。為保持風電的長期穩(wěn)定發(fā)展，增強它與傳統(tǒng)能源的競爭力，必須不斷降低風力發(fā)電的成本（包括制造安裝成本和運行維護成本）。服役超過20年的風電機組，其運行維護費用估計占能源成本的10%～20%[3]；海上風電機組由于運行環(huán)境更惡劣、維護操作更困難，這個比例更是高達30%～35%[4]。2004年丹麥Horns Rev海上風電場的多臺機組出現(xiàn)了電機失效等技術故障，更換風機并運至陸上維修，直接導致設備供應商年度虧損近4 000萬歐元。

因此，風電機組的狀態(tài)檢測和故障診斷顯得尤為重要，是保證機組長期穩(wěn)定運行和安全發(fā)電的關鍵。風電機組故障診斷利于降低故障率、減少維修時間、增加年發(fā)電量和提高風電場的經濟效益；利于發(fā)現(xiàn)早期故障，不僅能為機組維護人員安排備用器件和物資提供必要的時間，而且也能為設計人員提供指導和意見。隨著人工智能技術的發(fā)展，特別是知識工程、專家系統(tǒng)、人工神經網(wǎng)絡等在診斷領域的進一步應用，故障智能診斷已逐漸成為現(xiàn)實。本文將在介紹風電機組結構、常見故障和狀態(tài)監(jiān)測技術的基礎上，深入討論如何應用人工神經網(wǎng)絡構建智能診斷系統(tǒng)，并給出可行的系統(tǒng)設計方案和軟件實現(xiàn)流程圖。

1 風電機組結構

風電機組通過葉輪捕獲風能，傳動系統(tǒng)將風能傳遞到發(fā)電機，發(fā)電機在電氣控制系統(tǒng)的調節(jié)下發(fā)出高質量的電能，并網(wǎng)型發(fā)電機通過變流器和變壓器接入電網(wǎng)，向電網(wǎng)饋電。風電機組從整體結構上分為直驅型和齒輪箱升速型，實際應用中較多采用后者。常見的升速型水平軸風電機結構如圖1所示[5]，主要由風輪、變槳機構、傳動系統(tǒng)、偏航系統(tǒng)、發(fā)電機、控制系統(tǒng)、機艙和塔架等構成。

圖1 水平軸升速型風電機結構

2 常見故障和機理分析

風電機組多安裝在高山、荒野、海灘、海島等風口處，常年經受無規(guī)律的變向變負荷的風力作用以及強陣風的沖擊和酷暑嚴寒極端溫差的影響，從而導致其故障頻發(fā)。

風電機組常見的故障類型有很多。對于不同風電場，其地理位置、風況、風機類型和運行情況都有所不同，從而導致機組的故障類型不同。圖2是瑞典風電場2000—2004年間故障數(shù)據(jù)的統(tǒng)計圖?？梢?，電氣系統(tǒng)是機組中最常發(fā)生故障的部件，其次是傳感器和葉片/變槳裝置；齒輪箱故障是引起停機時間的最主要原因，其次是控制系統(tǒng)故障和電氣故障[6]。據(jù)統(tǒng)計，我國的風場齒輪箱損壞率高達40%～50%，是機組中故障率最高的部件。以下僅分析幾種常見的主要故障。

圖2 瑞典風電場2000—2004年間風電機組各部件故障次數(shù)和時間分布

2.1 齒輪箱故障

齒輪箱是升速型風電機的重要組成部件，其作用是將風輪在風力作用下所產生的動力傳遞給發(fā)電機并使其得到相應的轉速。根據(jù)風輪和發(fā)電機的特點，機組的質量、剛度以及傳動軸的耦合、潤滑等情況，齒輪箱在使用過程中將承受靜態(tài)和動態(tài)載荷，從而可能產生各種類型的故障。由于制造安裝、操作維護、潤滑、承載大小等方面的條件不同，故障發(fā)生的時間和程度有很大差異。統(tǒng)計表明[7]，齒輪箱中各類零件損壞的比例為：齒輪60%、軸承19%、軸10%、箱體7%、緊固體3%、油封1%。通常齒輪投入使用后，由于齒輪制造不良或操作維護不善，會產生各種形式的失效，各部件常見的失效形式見表1。

表1 齒輪箱各部件常見的失效形式

2.2 電氣系統(tǒng)故障

風電機組的電氣系統(tǒng)通過變頻器等電氣設備與電網(wǎng)連接，向電網(wǎng)輸送電能，同時控制電能參數(shù)。現(xiàn)代設計通過變頻器等電氣設備來控制功率和頻率，實現(xiàn)風電機組的軟并網(wǎng)。在大功率并網(wǎng)型風力發(fā)電系統(tǒng)中，雙饋型電機轉子側變頻調速恒頻發(fā)電系統(tǒng)性價比較高，近年來被廣泛應用。雖然電氣系統(tǒng)的投資僅占風電機組全部投資的1%，但是其故障率卻高達17.5%[8]。電氣系統(tǒng)部件較多，故障種類也較多，主要有短路、過電流、過載、過電壓、欠電壓、過溫、接地、無法啟動變頻器等故障。

2.3 發(fā)電機故障

發(fā)電機的作用將旋轉的機械能轉化為電能，其型式較多，目前國內外采用最多的是雙饋式異步發(fā)電機。風機中最容易發(fā)生故障的部件是軸承、定子和轉子；對典型的異步發(fā)電機而言，三者的故障率分別為40%、38%和10%[9]。定子和轉子故障主要包括匝間繞組開路、單個或多個繞組短路、定子繞組連接異常、轉子導條和端環(huán)斷裂（籠型轉子）、靜態(tài)或動態(tài)氣隙偏心等。異步電機出現(xiàn)故障時可能出現(xiàn)以下現(xiàn)象：內部電氣不對稱，氣隙磁通和相電流諧波分量增加，轉矩波動增強、均值下降，電機損耗增加、效率降低，繞組過熱等。此外，油溫過高、振動過大、軸承過熱、有不正常雜聲和絕緣損壞也是發(fā)電機的常見故障。

3 風電機組狀態(tài)監(jiān)測和故障診斷

3.1 狀態(tài)監(jiān)測技術

早期，風電場多采用事后維修方式，即部件失效后才進行維修。隨著裝機容量的快速增加，風電場更多采用預防性維修（PM）。多數(shù)經營者采取定期檢查測量結合歷史經驗分析的方式對機組狀態(tài)進行評估。上述監(jiān)測方式有2個缺點：一是檢查費用昂貴，需要停機和進入機組內部；二是只能定期評估，很難及時全面地了解設備運行狀況。近年來，由于狀態(tài)監(jiān)測和故障診斷技術的發(fā)展，預測性維修（PDM）和基于狀態(tài)的維修（CBM）得到了更多的應用。

風力發(fā)電機組的狀態(tài)監(jiān)測技術主要分為以下幾種：振動分析、油液監(jiān)測、熱成像技術、過程參數(shù)監(jiān)視、性能參數(shù)檢查。其他還包括材料的物理狀態(tài)檢查、應變測量、聲學監(jiān)測、電學效應、目視檢查、傳感器自我診斷等技術。其中，應變測量、聲發(fā)射和振動監(jiān)測可用于檢測葉片故障趨勢；基于參數(shù)估計的方法可用于變槳系統(tǒng)的狀態(tài)監(jiān)測；基于不同傳感器的振動分析主要用于齒輪箱的狀態(tài)監(jiān)測，最常用的傳感器有加速度傳感器和位移傳感器，后者的作用是檢查主軸在低速運行時的情況；聲發(fā)射技術還可用于檢測由摩擦引起的部件表面應力的突變，尤其能提早發(fā)現(xiàn)齒輪出現(xiàn)點蝕、裂縫等潛在故障；溫度監(jiān)測可用于檢查發(fā)電機定子和轉子繞組的運行情況，轉矩測量可用于傳動系統(tǒng)的故障檢測。

齒輪箱是風電機故障頻率最高的部件，表2總結了齒輪箱狀態(tài)監(jiān)測的典型技術，并分析了它們的優(yōu)缺點[8]。

表2 齒輪箱狀態(tài)監(jiān)測技術

3.2 故障診斷技術

風電機的故障診斷方法有很多種，主要包括傳統(tǒng)診斷方法、數(shù)學診斷方法和智能故障診斷方法。傳統(tǒng)診斷方法大多是基于狀態(tài)監(jiān)測技術的數(shù)據(jù)分析，現(xiàn)多采用與其他方法相結合的方式對故障進行診斷。數(shù)學診斷方法主要包括模式識別、基于概率統(tǒng)計的時序模型診斷、基于距離判據(jù)的故障診斷、模糊診斷、灰色系統(tǒng)診斷、故障樹分析、小波分析以及混沌分析與分形幾何。智能診斷方法主要包括模糊邏輯、專家系統(tǒng)、神經網(wǎng)絡、遺傳算法等。根據(jù)Frank PM[10]的觀點，故障診斷方法可根據(jù)圖3進行分類。

圖3 故障診斷方法分類

風力機故障診斷屬于旋轉機械故障診斷的范疇，其內容主要包括主傳動鏈上主軸、齒輪箱、發(fā)電機的故障診斷。文獻[11]中介紹了風電機組故障檢測技術，基于頻譜分析法討論了輪轂移動和發(fā)電機振動的影響。文獻[12]基于多層電路理論，建立了雙饋型異步發(fā)電機（DFIG）定子繞組短路模型，并詳細分析了故障電流的變化，提出電流相角差可作為故障診斷特征。文獻 [13]分析了永磁同步發(fā)電機（PMSG）多相突然對稱性短路的情況，文獻[14]結合負序分析和神經網(wǎng)絡方法，研究了永磁同步發(fā)電機單相繞組短路的故障診斷方法。文獻[15]研究了一種特殊的離散小波變換法在DFIG電氣和機械故障中的應用，實驗測試表明此方法在瞬態(tài)工況的條件下能對故障進行明確的診斷。文獻[16]利用自組織模糊神經網(wǎng)絡模型，提出了基于長期預測的非線性系統(tǒng)降階模型的故障檢測方法。文獻[17]研究了人工神經網(wǎng)絡技術在風電機組變速箱故障智能診斷中的應用，認為BP神經網(wǎng)絡是解決復雜狀態(tài)識別問題的有效方法。文獻[18]基于齒輪箱的故障分類，利用小波神經網(wǎng)絡分析了齒輪箱的振動頻譜；相比于早期的快速傅里葉分析（FFT）和包絡分析工具，小波分析更有利于提取故障特征。

4 風電機組故障智能診斷

4.1 診斷方法的選擇

目前應用于旋轉機械故障診斷較為廣泛的方法是專家系統(tǒng)和人工神經網(wǎng)絡[19]。專家系統(tǒng)用于旋轉機械的故障診斷較成功，但在實際應用中仍然存在以下主要缺陷：建立知識庫及驗證其完備性比較困難；容錯能力較差，缺乏有效的方法識別錯誤信息；大型專家系統(tǒng)的知識庫的維護難度很大；在復雜故障診斷任務中會出現(xiàn)組合爆炸和推理速度慢的問題。與專家系統(tǒng)相比，基于人工神經網(wǎng)絡（Artificial Neural Network,ANN）的故障診斷方法具有魯棒性好、容錯能力強和學習能力強等特點。

從風力機故障診斷的實際應用考慮，風力發(fā)電在國內的發(fā)展尚處于起步或較早狀態(tài)，早期投入的風電機組也正處于故障發(fā)生的頻繁期，對故障維護檢修的經驗仍處于摸索積累階段，因此構建大規(guī)模比較完備的專家?guī)焐胁怀墒臁６窠浘W(wǎng)絡雖然也存在需要完備樣本的條件，但對故障樣本的搜尋相對比較簡單。另外對風電場機組的檢測需要較強的容錯能力和實時性，即要對機組的運行情況進行在線診斷并發(fā)出警報，盡量避免故障情況的誤報。因此，應用神經網(wǎng)絡進行風電故障診斷將是一個很好的選擇。雖然神經網(wǎng)絡在風電領域中的應用實例并不多，但在機械故障診斷中的應用已十分廣泛，尤其是對齒輪箱、發(fā)電機的診斷有很多成功的經驗可循。基于以上原因，下面具體介紹如何利用神經網(wǎng)絡構建風電機組智能診斷系統(tǒng)。

4.2 預警和診斷系統(tǒng)設計

根據(jù)神經網(wǎng)絡技術在旋轉機械故障診斷方面的研究總結[16-17,20-22]，擬定如圖4的風電機組預警和診斷方案。

圖4 風電機預警系統(tǒng)神經網(wǎng)絡結構

預警系統(tǒng)采用3層BP神經網(wǎng)絡結構。網(wǎng)絡的擬定輸入為風向、風速、風輪轉速、電機轉速、輸出功率、功率因數(shù)、發(fā)電頻率、發(fā)電機溫度、齒輪箱油溫、液壓系統(tǒng)壓力等10個參量，在實際的設計中選取敏感度較高的參數(shù)作為輸入量，可根據(jù)運行數(shù)據(jù)進行調整；輸出為機組正常、齒輪箱異常、發(fā)電機異常、偏航系統(tǒng)異常4個量。根據(jù)風電場運行數(shù)據(jù)，取得機組在齒輪箱異常、電機異常、偏航系統(tǒng)異常和正常四種狀態(tài)下的樣本值，即預警和報警樣本值。神經網(wǎng)絡輸出節(jié)點為4個，分別對應機組正常、齒輪箱異常、發(fā)電機異常和偏航系統(tǒng)異常，節(jié)點輸出值的范圍為[0,1]，輸出值越大代表異常的可能性越大。

應用神經網(wǎng)絡模型進行故障預測和診斷過程分為兩部分：網(wǎng)絡模型學習訓練和模型的應用[23]。前者在離線時通過目標樣本訓練神經網(wǎng)絡、調節(jié)網(wǎng)絡權值，從而得到實用的網(wǎng)絡模型。當訓練輸出與預期輸出之差在容許范圍內時，表明網(wǎng)絡已訓練好，然后分析目標樣本確定各節(jié)點的輸出閾值。各異常狀態(tài)對應節(jié)點輸出的最小值作為該節(jié)點輸出的第一閾值；各異常狀態(tài)對應節(jié)點輸出的平均值作為該節(jié)點輸出的第二閾值。

模型的應用即利用訓練得到的診斷模型對運行數(shù)據(jù)進行故障診斷和預測。用實時測量數(shù)據(jù)代替網(wǎng)絡的輸入，用已訓練好的模型實時計算輸出，若某節(jié)點的輸出大于第一閾值，小于第二閾值時，對該類故障給予預警，提醒工作人員注意；當節(jié)點輸出超過第二閾值時，發(fā)出報警信號，認為該類事故發(fā)生。故障診斷預警模型的運行流程見圖5。

圖5 故障診斷模型運行流程圖

4.3 數(shù)據(jù)庫結構

風電機組預警診斷系統(tǒng)作為一套完整的軟件不僅要具有訓練和診斷功能，還需要其他一些輔助功能：實時診斷、實時曲線、實時監(jiān)控、歷史數(shù)據(jù)查詢、診斷數(shù)據(jù)查詢、神經網(wǎng)絡訓練、數(shù)據(jù)管理等。此系統(tǒng)用于對不同風電場不同機組的運行狀況進行診斷，因此包含了對遠程數(shù)據(jù)庫和本地數(shù)據(jù)庫的操作。其中本地數(shù)據(jù)庫用于存儲神經網(wǎng)絡訓練樣本、訓練得到的網(wǎng)絡模型、用戶信息、閾值參數(shù)等；遠程數(shù)據(jù)庫主要用于保存系統(tǒng)診斷所需要的風電機組的參數(shù)數(shù)據(jù)（即機組運行的實時數(shù)據(jù)）以及實時診斷的計算結果等。數(shù)據(jù)庫存取流程和本地數(shù)據(jù)庫結構圖如圖6所示。

圖6 數(shù)據(jù)庫操作流程和本地數(shù)據(jù)庫結構圖

系統(tǒng)對故障樣本的訓練在本地完成。通過調用本地的樣本庫進行訓練，為每臺機組訓練得到一套診斷模型，并將該模型儲蓄在本地。從故障預警系統(tǒng)開始運作起，實時監(jiān)控模塊將會從遠程數(shù)據(jù)庫中讀取實時數(shù)據(jù)和用戶信息，然后根據(jù)用戶信息從本地數(shù)據(jù)庫中調用該用戶的診斷模型，對讀取到的實時數(shù)據(jù)進行診斷計算，診斷結果顯示該機組此時是否出現(xiàn)故障，并將該結果保存回遠程數(shù)據(jù)庫中以備后續(xù)功能調用。實時曲線模塊從遠程數(shù)據(jù)庫中讀取機組異常數(shù)據(jù)進行實時繪制曲線；歷史數(shù)據(jù)查詢、診斷結果查詢等功能主要根據(jù)設定的時間日期等參數(shù)從遠程數(shù)據(jù)庫中選出符合條件的數(shù)據(jù)。

4.4 軟件實現(xiàn)

根據(jù)神經網(wǎng)絡用于故障診斷的原理，在軟件的使用方面設置了學習模塊和診斷模塊。為適應學習和計算的不同需要，兩條模塊采用不同的組織形式。軟件操作方式擬采用樹狀按鈕的設置模式，既可瀏覽軟件各功能全貌，又可方便操作各個功能模塊。設計原則簡單方便、易于理解，各個功能模塊化，操作直觀快捷，安全性區(qū)分好。軟件整體設計流程圖如圖7所示。

圖7 故障診斷系統(tǒng)軟件實現(xiàn)流程圖

軟件實現(xiàn)主要包括算法實現(xiàn)和系統(tǒng)實現(xiàn)兩部分。算法實現(xiàn)為神經網(wǎng)絡訓練算法和實時診斷算法；系統(tǒng)實現(xiàn)為整個軟件系統(tǒng)的功能，包括診斷模塊、訓練模塊、系統(tǒng)框架、曲線繪制模塊、數(shù)據(jù)查詢模塊、數(shù)據(jù)管理模塊的軟件實現(xiàn)等。軟件設計完成后，還應進行測試，包括獨立運行測試和融合測試，其目的是確保各模塊實現(xiàn)各自的功能，相互之間通信正常，不出現(xiàn)非法干擾。

5 結語

隨著風能在世界范圍內的快速發(fā)展，不少風電機組都出現(xiàn)了大量運行故障，如何降低發(fā)電成本、保證機組的運行可靠性已成為一個亟待解決的問題。風電機組是一個復雜的機電綜合系統(tǒng)，目前齒輪箱故障、電氣系統(tǒng)故障和發(fā)電機故障是最主要的三種故障，往往征兆與故障之間存在多種映射關系，針對風電機組進行狀態(tài)監(jiān)測，進而開展故障診斷仍存在較大的困難。因此構建基于BP神經網(wǎng)絡的風電機組故障智診斷系統(tǒng)，擅長發(fā)掘故障信息中的隱含知識，不僅可對故障進行有效診斷與分類，還有利于降低機組故障率、減少維修時間、提高風電場的經濟效益。

[1]Mid and Long Range Plan for Renewable Energy Development[R].Chinese Committee for National Development and Reform,2007.

[2]Highlights of the World Wind Energy Report 2008[R/OL].World Wind Energy Association.http://www.wwindea.org/home/index.php.

[3]WALFORD C A.Wind Turbine Reliability:Understanding and Minimizing Wind Turbine Operation and Maintenance Costs[R].Sandia Report,SAND2006-1100,2006.

[4]WILKINSON M R,SPIANTO F,KNOWLES M,et al.Towards the Zero Maintenance Wind Turbine[C]//Proceedings of 41st International Universities Power Engineering Conference,2006,1:74-78.

[5]AMIRAT Y,BENSAKER MEH，WAMKEUE R.Condition Monitoring and Fault Diagnosis in Wind Energy Conversion Systems:a Review [C]//Proceedings of the International Electric Machines and Drive Conference,2007:1434-1439.

[6]RIBRANT J,BERTLING L M.Survey of Failures in Wind Power Systems With Focus on Swedish Wind Power Plants during 1997-2005[J].IEEE Transactions on Energy Conversion,2007,22（1）:167-173.

[7]李虎,柳亦兵.大型風電機組振動狀態(tài)監(jiān)測系統(tǒng)開發(fā)[D].北京:華北電力大學,2009.

[8]LU Bin，LI Yaoyu，LI Xin，et al.A Review of Recent Advances in Wind Turbine Condition Monitoring and Fault Diagnosis[J].IEEE Power Electronics and Machines in Wind Applications,2009:109-115.

[9]POPALM,RITCHIEE,BOLDEA I,etal.Condition Monitoring of Wind Generators[J].IEEE Industry Applications Society Annual Meeting,2003,3:1839-1846.

[10]FRANK P M.Fault Diagnosis in Dynamic Systems Using Analytical and Knowledge-based Redundancy:a Survey and Some new Results[J].Automatica,1990,26（3）:459-474.

[11]CASELITZ P,GIEBHANDT J.Development of a Fault Detection System for Wind Energy Convertors[J].EUWEC,1996.

[12]LU Q F,CAO Z T,RITCHE E.Model of Stator Inter-turn Short Circuit Fault in Doubly-fed Induction Generators for Wind Turbine[C]//IEEE 35th Annual Power Electronics Specialists Conference,2004,1（6）:932-937.

[13]QIAO Mingzhong.The Analysis of Abrupt Symetry Short Circuit of multi-phase PMSG[J].Journal of Electrical Engineering Technology,2004,19（4）.

[14]QUIROGA J,CART ES D A,EDRINGTON C S.Neural Network Based Fault Detection of PMSM Stator Winding Short Under Load Fluctuation[J].EPE-PEMC,2008:793-798.

[15]AL-AHMAR E,BENBOUZID MEH,AMIRAT Y,et al.DFIG-Based Wind Turbine Fault Diagnosis Using a Specific Discrete Wavelet Transform[C]//Proceedings of the 2008 International Conference on Electrical Machines,2009,1（4）:1175-1180.

[16]ZHAI Yongjie,DAI Xuewu,ZHOU Qian.Fault Detection for Gas Turbines Based on Long-term Prediction using Self-organizing Fuzzy Neural Networks[J].Proceedings of the Sixth International Conference on Machine Learning and Cybernetics,2007,1（7）:1120-1125.

[17]YANG Shulian,LI Wenhai,WANG Canlin.The Intelligent Fault Diagnosis of Wind Turbine Gearbox based on Artificial Neural Network[J].Proceedings of International Conference on Condition Monitoring and Diagnosis,2008:1327-1330.

[18]HUANG Qian,JIANG Dongxiang,HONG Liangyou,et al.Application of Wavelet Neural Networks on Vibration Ffault Diagnosis for Wind Turbine Gearbox[M].Lecture Notes in Computer Science.Advances in Neural Networks,2008,5264:313-320.

[19]張承亮.旋轉機械故障診斷方法概述[J].科技情報開發(fā)與經濟,2008,18（26）:191-193.

[20]ZAHER A S,MCARTHUR SDJ.A Multi-Agent Fault Detection System for Wind Turbine Defect Recognition and diagnosis[C].IEEE Lausanne Power Tech,2007,1（5）:22-27.

[21]陰妍,鮑久圣.基于神經網(wǎng)絡和VB程序的旋轉機械故障診斷系統(tǒng)[J].設備管理與維修,2008,11:44-46.

[22]ECHAVARRIA E,TOMIYAMA T,HUBERTS HW,et al.Fault Diagnosis System for an Offshore Wind Turbine using Qualitative Physics[C].EWEC,2008.

[23]韓力群.人工神經網(wǎng)絡理論、設計及應用[M].北京:化學工業(yè)出版社，2002.