張文秀， 武新芳

(1. 南京理工大學(xué) 能源與動(dòng)力工程學(xué)院，江蘇 南京 210094；2. 上海電力學(xué)院 能源與機(jī)械工程學(xué)院，上海 200090)

0 引 言

近年來(lái)，風(fēng)能作為一種綠色能源在世界能源結(jié)構(gòu)中發(fā)揮著愈來(lái)愈重要的作用，風(fēng)電裝備也因此得到迅猛發(fā)展。根據(jù)世界風(fēng)能協(xié)會(huì)(WWEA)的報(bào)告，截止2009年底，全球風(fēng)力發(fā)電機(jī)組發(fā)電量占全球電力消耗量的2%，根據(jù)目前的增長(zhǎng)趨勢(shì)，預(yù)計(jì)到2020年底，全球裝機(jī)容量至少為 1.9×106MW，是2009年的10倍[1]。在“九五”期間，我國(guó)風(fēng)力發(fā)電場(chǎng)的建設(shè)快速發(fā)展，過(guò)去十年中，我國(guó)的風(fēng)力發(fā)電裝機(jī)容量以年均55%的速度高速增長(zhǎng)，2010年已達(dá)1000萬(wàn)kW。

隨著大規(guī)模風(fēng)電場(chǎng)的投入運(yùn)行，出現(xiàn)了很多運(yùn)行故障，因而需要高額的運(yùn)行維護(hù)成本，大大影響了風(fēng)電場(chǎng)的經(jīng)濟(jì)效益。風(fēng)電場(chǎng)一般處于偏遠(yuǎn)地區(qū)，工作環(huán)境復(fù)雜惡劣，風(fēng)力發(fā)電機(jī)組發(fā)生故障的幾率比較大，如果機(jī)組的關(guān)鍵零部件發(fā)生故障，將會(huì)使設(shè)備損壞，甚至導(dǎo)致機(jī)組停機(jī)，造成巨大的經(jīng)濟(jì)損失[2]。對(duì)于工作壽命為20年的機(jī)組，運(yùn)行維護(hù)成本一般占到整個(gè)風(fēng)電場(chǎng)總投入的10%～15%，而對(duì)于海上風(fēng)電場(chǎng)，整個(gè)比例高達(dá)20%～25%[3]。因此，為了降低風(fēng)電機(jī)組運(yùn)行的風(fēng)險(xiǎn)，維護(hù)機(jī)組安全經(jīng)濟(jì)運(yùn)行，都應(yīng)該發(fā)展風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)。

狀態(tài)監(jiān)測(cè)和故障診斷可以有效監(jiān)測(cè)出傳動(dòng)系統(tǒng)、發(fā)電機(jī)系統(tǒng)等的內(nèi)部故障，優(yōu)化維修策略、減少非計(jì)劃停機(jī)次數(shù)和降低機(jī)組的運(yùn)行維護(hù)費(fèi)用等。風(fēng)力發(fā)電機(jī)組的狀態(tài)監(jiān)測(cè)和故障診斷系統(tǒng)集合了信號(hào)采集、在線(xiàn)監(jiān)測(cè)以及信號(hào)分析等功能；能對(duì)系統(tǒng)的各種機(jī)械參數(shù)和電氣參數(shù)等進(jìn)行監(jiān)測(cè)，并將采集到的數(shù)據(jù)進(jìn)行分析處理，從而正確定位各系統(tǒng)的故障。

1 風(fēng)力發(fā)電機(jī)組結(jié)構(gòu)及故障機(jī)理

1.1 風(fēng)力發(fā)電機(jī)組結(jié)構(gòu)

風(fēng)力發(fā)電機(jī)組由風(fēng)輪、葉片、主軸承、齒輪箱、發(fā)電機(jī)、電氣系統(tǒng)、液壓系統(tǒng)、剎車(chē)系統(tǒng)和偏航系統(tǒng)等組成[4]，其結(jié)構(gòu)如圖1所示。風(fēng)電機(jī)組通過(guò)葉輪捕獲風(fēng)能，通過(guò)齒輪箱傳遞到發(fā)電機(jī)，發(fā)電機(jī)將機(jī)械能轉(zhuǎn)化為電能，通過(guò)變頻器接入電網(wǎng)。

圖1 風(fēng)力發(fā)電機(jī)組結(jié)構(gòu)

1.2 風(fēng)力發(fā)電機(jī)組故障機(jī)理

從瑞典2000年～2004年間的故障統(tǒng)計(jì)情況來(lái)看[5],風(fēng)力機(jī)每年都保持較高的故障率，剛開(kāi)始運(yùn)行的幾年故障率較高，之后開(kāi)始下降，到風(fēng)機(jī)運(yùn)行一定年數(shù)時(shí)風(fēng)力機(jī)故障率又會(huì)上升。

圖2 瑞典風(fēng)力發(fā)電場(chǎng)故障分布圖(2000年～2004年)

圖2為瑞典風(fēng)力機(jī)各主要部件故障形式的百分比，統(tǒng)計(jì)年限為2000年～2004年。由圖可見(jiàn)，各主要部件失效形式百分比最少的為輪轂，最多的為電氣系統(tǒng)，傳感器、葉片/節(jié)距和液壓系統(tǒng)的故障數(shù)也較大。

一項(xiàng)由丹麥和德國(guó)的研究機(jī)構(gòu)得出的結(jié)論[6-7]表明偏航系統(tǒng)、電氣系統(tǒng)、機(jī)械系統(tǒng)、齒輪箱具有較高的故障率。研究者使用統(tǒng)計(jì)可靠性分析技術(shù)論證得出，傳動(dòng)系統(tǒng)的故障主要在于齒輪箱和軸承。對(duì)于海上風(fēng)電場(chǎng)，環(huán)境比陸地上更惡劣，那么風(fēng)機(jī)更容易發(fā)生故障，這些故障需要很長(zhǎng)的維修時(shí)間，并且會(huì)耗費(fèi)很高的維修費(fèi)用，這大大影響增加了風(fēng)電機(jī)組發(fā)電成本，影響了經(jīng)濟(jì)效益。

2 狀態(tài)監(jiān)測(cè)與故障診斷

設(shè)備故障診斷技術(shù)是為了適應(yīng)現(xiàn)代工程需要而形成的一門(mén)多種學(xué)科交叉的應(yīng)用型學(xué)科。其研究起源于20世紀(jì)60年代后期,主要由軍事工業(yè)的需要發(fā)展起來(lái)。美國(guó)是最開(kāi)始開(kāi)發(fā)狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)的國(guó)家，應(yīng)用范圍從航天系統(tǒng)的故障原理、故障檢測(cè)、故障診斷的研究和開(kāi)發(fā)，逐漸延伸到電站汽輪發(fā)電機(jī)組等其他行業(yè)。美國(guó)的西屋公司、BEI公司、Bently公司等主要從事電站故障診斷系統(tǒng)的工作。歐洲也產(chǎn)生了很多擁有故障診斷技術(shù)的公司，如瑞士的ABB公司、德國(guó)的普魯夫公司。早期的狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)主要是憑借積累的經(jīng)驗(yàn)或?qū)＜曳治鲅芯?，?duì)現(xiàn)場(chǎng)獲取設(shè)備運(yùn)行時(shí)的一些可以實(shí)際觀測(cè)或感覺(jué)出的狀態(tài)，確定可能存在的故障或故障隱患，這樣難免會(huì)存在一些誤判斷。

近年來(lái)，隨著相關(guān)學(xué)科的發(fā)展，許多國(guó)家相繼成功研發(fā)了一些比較完善的故障診斷系統(tǒng)，使?fàn)顟B(tài)監(jiān)測(cè)與故障診斷技術(shù)進(jìn)入了實(shí)用化的時(shí)代。與計(jì)算機(jī)技術(shù)結(jié)合起來(lái)，將監(jiān)測(cè)數(shù)據(jù)傳輸給計(jì)算機(jī)，然后對(duì)這些傳輸來(lái)的數(shù)據(jù)做出綜合分析與處理，系統(tǒng)的性能都有了全面的提高，監(jiān)測(cè)與診斷的對(duì)象發(fā)展成為由多個(gè)區(qū)域多臺(tái)機(jī)組構(gòu)成的監(jiān)測(cè)網(wǎng)絡(luò)；應(yīng)用領(lǐng)域迅速擴(kuò)展到石油、化工、航空、核工業(yè)、電力等主要領(lǐng)域[8]。不過(guò)盡管在很多行業(yè)都直接或間接使用到狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)，在風(fēng)電機(jī)組上成功實(shí)行這項(xiàng)技術(shù)是一個(gè)不小的挑戰(zhàn)。

2.1 風(fēng)力機(jī)狀態(tài)監(jiān)測(cè)技術(shù)

狀態(tài)監(jiān)測(cè)技術(shù)可幫助發(fā)現(xiàn)機(jī)組機(jī)械和電氣的初始故障，遏制重要事故的發(fā)生。風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)系統(tǒng)可在機(jī)組運(yùn)行過(guò)程中實(shí)時(shí)監(jiān)控各個(gè)部件的運(yùn)行狀態(tài)，及時(shí)判斷部件存在的問(wèn)題和隱患，及時(shí)采取處理措施，提高了機(jī)組運(yùn)行可靠性。對(duì)于風(fēng)力發(fā)電機(jī)組，狀態(tài)監(jiān)測(cè)技術(shù)主要可以分為以下幾類(lèi)。

(1) 油液監(jiān)測(cè)。油液監(jiān)測(cè)技術(shù)檢測(cè)的是設(shè)備潤(rùn)滑油和液壓油的性能，掌握設(shè)備運(yùn)行中的潤(rùn)滑和零部件的磨損信息[9]。油液監(jiān)測(cè)包括油液品質(zhì)檢查、鐵屑檢查等。在風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)中，油液分析的主要目的是監(jiān)測(cè)經(jīng)過(guò)潤(rùn)滑油潤(rùn)滑的組件質(zhì)量。

(2) 振動(dòng)監(jiān)測(cè)。振動(dòng)信號(hào)能夠反映機(jī)械故障特征，機(jī)械狀態(tài)的變化可以通過(guò)振動(dòng)信號(hào)體現(xiàn)出來(lái)。振動(dòng)分析是旋轉(zhuǎn)機(jī)械狀態(tài)監(jiān)測(cè)中應(yīng)用最多的方法，可對(duì)機(jī)械設(shè)備進(jìn)行準(zhǔn)確的檢驗(yàn)和故障診斷，比如轉(zhuǎn)子不平衡、油膜振蕩、轉(zhuǎn)軸彎曲等[10]。

(3) 溫度監(jiān)測(cè)。在設(shè)備劣化的情況下，溫度的高低可以直觀地反應(yīng)設(shè)備的運(yùn)行情況，因此溫度監(jiān)測(cè)通常用于電子和電氣元件的故障診斷。對(duì)風(fēng)力發(fā)電機(jī)組而言，發(fā)電機(jī)、齒輪箱、變頻器等設(shè)備都需要進(jìn)行溫度監(jiān)測(cè)。

(4) 應(yīng)變力監(jiān)測(cè)。對(duì)風(fēng)電機(jī)組中的葉片壽命預(yù)測(cè)和疲勞狀況監(jiān)測(cè)，應(yīng)變力測(cè)量是一種高效方法，主要通過(guò)在關(guān)鍵部位安裝應(yīng)變力傳感器測(cè)量。應(yīng)變力傳感器是一種常見(jiàn)的設(shè)備疲勞狀況監(jiān)測(cè)的傳感器。

其他的狀態(tài)監(jiān)測(cè)技術(shù)還有很多，比如聲學(xué)監(jiān)測(cè)、轉(zhuǎn)矩測(cè)量等。其中，聲學(xué)監(jiān)測(cè)可用于檢測(cè)葉片故障趨勢(shì)，與傳統(tǒng)的振動(dòng)監(jiān)測(cè)方法相比更適合低速的魯棒性強(qiáng)的機(jī)組，還可用于檢測(cè)組件表面應(yīng)力的突變；轉(zhuǎn)矩測(cè)量可用于傳動(dòng)系統(tǒng)的故障檢測(cè)。

2.2 風(fēng)電機(jī)組狀態(tài)監(jiān)控系統(tǒng)的應(yīng)用開(kāi)發(fā)

一般來(lái)說(shuō)，風(fēng)電機(jī)組都有自己配套的狀態(tài)監(jiān)測(cè)系統(tǒng)。如西班牙Gamesa公司、德國(guó)B&K公司、美國(guó)GE公司、丹麥Vestas公司等這些風(fēng)電制造商都有相關(guān)的產(chǎn)品。但是，這些系統(tǒng)的兼容性相對(duì)較差，只適用于特定型號(hào)風(fēng)電機(jī)組。因此，國(guó)外有很多公司設(shè)計(jì)與開(kāi)發(fā)了第三方監(jiān)控系統(tǒng)，如美國(guó)賽風(fēng)公司的Second-WIND-ADMS系統(tǒng)、美國(guó)卓越通信的SCADA系統(tǒng)、美國(guó)的AREVA公司的OneProd系列、英國(guó)Garrad公司的GH SCADA系統(tǒng)和Vestas Online系統(tǒng)、德國(guó)SKF公司開(kāi)發(fā)的SKF Windcon2.0、丹麥瑞思國(guó)家實(shí)驗(yàn)室開(kāi)發(fā)的Clever Farm系統(tǒng)等。此外，德國(guó)Prutechnikf公司、丹麥Gram&Juhl公司專(zhuān)門(mén)致力于開(kāi)發(fā)用于風(fēng)電機(jī)組的監(jiān)測(cè)設(shè)備[11]。

國(guó)內(nèi)很少有制造商研制整機(jī)或整個(gè)風(fēng)電場(chǎng)的狀態(tài)監(jiān)控系統(tǒng)，大多只是對(duì)風(fēng)電機(jī)組的某個(gè)部件進(jìn)行狀態(tài)監(jiān)測(cè)與故障診斷?，F(xiàn)在已投入實(shí)用的監(jiān)控系統(tǒng)還限于完成數(shù)據(jù)采集、分析顯示這些傳統(tǒng)的任務(wù)。目前，有部分廠商在研發(fā)風(fēng)電機(jī)組狀態(tài)監(jiān)控系統(tǒng)，并取得了一定的成果。如南京中大趨勢(shì)測(cè)控設(shè)備公司的CUT-3100系列監(jiān)控產(chǎn)品、北京國(guó)旋新力公司的MV.SD2100風(fēng)機(jī)監(jiān)控系列產(chǎn)品、南瑞電控所開(kāi)發(fā)的NS2000W系統(tǒng)[12]。此外金風(fēng)科技、華銳風(fēng)電等都為自行生產(chǎn)的風(fēng)電機(jī)組配備了監(jiān)控系統(tǒng)。

2.3 風(fēng)力機(jī)故障診斷技術(shù)

風(fēng)電機(jī)組故障診斷技術(shù)是通過(guò)掌握風(fēng)電機(jī)組運(yùn)行過(guò)程中的狀態(tài)，判斷其部件是否正常的技術(shù)，其也可以預(yù)報(bào)故障發(fā)展趨勢(shì)。本文主要針對(duì)風(fēng)電機(jī)組中故障率高的齒輪箱、發(fā)電機(jī)、葉片、變頻器，介紹了國(guó)內(nèi)外相關(guān)研究現(xiàn)狀。

2.3.1 齒輪箱的故障診斷

風(fēng)電機(jī)組的齒輪箱位于機(jī)艙內(nèi)，是連接主軸和發(fā)電機(jī)的主要部件，其主要功能是將風(fēng)輪所產(chǎn)生的動(dòng)力傳遞給發(fā)電機(jī)。由于其長(zhǎng)期運(yùn)行在變工況和變載荷的情況下，很容易發(fā)生故障。表1給出了齒輪箱部件的主要失效形式。

表1 齒輪箱部件失效形式

近年來(lái)，已經(jīng)有不少科研人員對(duì)齒輪箱的故障診斷進(jìn)行了研究。振動(dòng)測(cè)量和頻譜分析是典型的齒輪箱故障診斷方法。文獻(xiàn)[13-14]先測(cè)得對(duì)異步發(fā)電機(jī)的電流信號(hào)，然后對(duì)其進(jìn)行解調(diào)來(lái)診斷齒輪箱故障，之后將離散小波變換方法用到解調(diào)出來(lái)的電流信號(hào)上，進(jìn)而根據(jù)特定層次頻譜來(lái)診斷齒輪故障。唐新安[15]等利用時(shí)域信號(hào)的指標(biāo)對(duì)齒輪箱故障進(jìn)行了初步診斷，再借助快速傅里葉變換法對(duì)診斷結(jié)果進(jìn)行進(jìn)一步的分析確認(rèn)。ZHOU[16]等基于小波變換的時(shí)頻多分辨率分析特性和齒輪箱的故障類(lèi)型，從動(dòng)力學(xué)的角度建立了齒輪箱振動(dòng)信號(hào)理論模型，試驗(yàn)表明該診斷方法能有效地診斷局部損傷在變速箱的齒輪故障。文獻(xiàn)[17]提取了齒輪箱振動(dòng)信號(hào)的多維時(shí)域特征值，采用主分量分析(PCA)和Fisher準(zhǔn)則對(duì)實(shí)際運(yùn)行的健康機(jī)組和故障機(jī)組的齒輪箱進(jìn)行分類(lèi)識(shí)別。YAO X J[18]等針對(duì)風(fēng)機(jī)齒輪箱的裂齒現(xiàn)象，提出一種基于自適應(yīng)Morlet小波變換的新方法，該方法首先基于峭度最大化原則，優(yōu)化Morlet小波函數(shù)的參數(shù)提取沖擊特征，然后利用一種平均自相關(guān)譜來(lái)突出有關(guān)裂齒故障的故障特征。

2.3.2 發(fā)電機(jī)的故障診斷

發(fā)電機(jī)是風(fēng)電機(jī)組的核心部件，主要功能是將機(jī)械能轉(zhuǎn)化為電能。由于發(fā)電機(jī)長(zhǎng)期處于變工況和電磁的環(huán)境中，定子繞組、軸承、轉(zhuǎn)子導(dǎo)條等容易產(chǎn)生故障。而定子繞組短路、轉(zhuǎn)子繞組故障是發(fā)電機(jī)的主要的故障形式[19]。根據(jù)發(fā)電機(jī)的故障特點(diǎn)，目前主流的診斷方法是基于發(fā)電機(jī)定、轉(zhuǎn)子電流信號(hào)、電壓信號(hào)及輸出功率信號(hào)。文獻(xiàn)[20]通過(guò)測(cè)量定子三相電流來(lái)監(jiān)測(cè)發(fā)電機(jī)容易出現(xiàn)的定子匝間短路問(wèn)題。WATSON[21]等在利用連續(xù)小波變換的條件下，對(duì)發(fā)電機(jī)輸出功率信號(hào)進(jìn)行分析，從而辨識(shí)出轉(zhuǎn)子軸承故障和偏心故障。文獻(xiàn)[22]分析了風(fēng)電機(jī)組的機(jī)械轉(zhuǎn)矩和電磁轉(zhuǎn)矩以及發(fā)電機(jī)端電流信號(hào)三者之間的聯(lián)系，利用離散小波變換方法，通過(guò)對(duì)電流、電壓以及功率等電參數(shù)信號(hào)的分析，得到齒輪箱軸承的偏心故障特征信號(hào)。文獻(xiàn)[23]分別利用小波分析和RBF神經(jīng)網(wǎng)絡(luò)方法對(duì)風(fēng)電機(jī)組的各種電參數(shù)信號(hào)進(jìn)行分析，從而得到一種診斷機(jī)組轉(zhuǎn)子繞組故障的方法。許允之[24]研究了發(fā)電機(jī)轉(zhuǎn)子斷條故障的診斷機(jī)理，選取小波包分析作為信號(hào)處理的前置手段，得到輸出神經(jīng)網(wǎng)絡(luò)的特征向量。神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)訓(xùn)練得到診斷結(jié)果，將小波的局部特性和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)特性結(jié)合起來(lái)，使診斷系統(tǒng)具有自適應(yīng)分辨性和良好的容錯(cuò)性。

針對(duì)發(fā)電機(jī)的特定故障類(lèi)型，如轉(zhuǎn)子角誤差、軸承故障及定子匝間短路等故障，Yang W等運(yùn)用小波分析和快速傅里葉變換分析功率信號(hào)來(lái)檢測(cè)發(fā)電機(jī)轉(zhuǎn)子角誤差和軸承故障，小波分析體現(xiàn)了不穩(wěn)定信號(hào)的時(shí)頻特性，快速傅里葉變換則準(zhǔn)確地確定了諧波元件的振幅，從而在給定的時(shí)間之內(nèi)找到峰值振幅譜的小波系數(shù)，作為發(fā)電機(jī)的故障特征提取出來(lái)。

2.3.3 葉片的故障診斷

風(fēng)電機(jī)組的葉片是整個(gè)機(jī)組最容易受到損壞的部件，由于長(zhǎng)期裸露在惡劣的環(huán)境下，易受到濕氣腐蝕、雷擊等因素的破壞，因此葉片的故障率在整機(jī)中占有較高的比重[25]。文獻(xiàn)[26]中為了測(cè)量因閃電造成的葉片破壞，提出建立光纖傳感網(wǎng)絡(luò)的方法，實(shí)現(xiàn)了對(duì)葉片故障的診斷。文獻(xiàn)[27]是間接地來(lái)監(jiān)測(cè)葉片的運(yùn)行狀態(tài)，通過(guò)測(cè)量發(fā)電機(jī)端的電壓和電流，計(jì)算出發(fā)電機(jī)輸出功率。ZHAO M H[28]等針對(duì)因結(jié)冰引起的葉片質(zhì)量不平衡，采用Fluent軟件分析結(jié)冰對(duì)風(fēng)機(jī)外形結(jié)構(gòu)的影響，并通過(guò)振動(dòng)信號(hào)的結(jié)構(gòu)特征進(jìn)行分析。文獻(xiàn)[29]在風(fēng)力機(jī)葉片中成功安裝了光纖光柵傳感器測(cè)量系統(tǒng)。根據(jù)葉片在旋轉(zhuǎn)過(guò)程中的載荷變化，利用光纖光柵傳感器捕捉信號(hào)來(lái)判斷葉片是否處于健康狀態(tài)。光纖光柵傳感器具有較好的抗電磁干擾、抗腐蝕等優(yōu)點(diǎn)，適合用于葉片結(jié)構(gòu)的狀態(tài)監(jiān)測(cè)，但由于沒(méi)有相對(duì)應(yīng)的葉片損傷準(zhǔn)則，傳感器獲得的信號(hào)并不能與葉片損傷模式對(duì)應(yīng)。針對(duì)此不足，文獻(xiàn)[30]對(duì)葉片材料損傷的失效容限進(jìn)行了一定的研究。文獻(xiàn)[31]則通過(guò)利用歸一化雙譜和雙相干技術(shù)得出發(fā)電機(jī)端的功率譜密度來(lái)分析葉片的缺陷。由于電擊這種情況僅僅通過(guò)發(fā)電機(jī)端的一些參數(shù)很難分析出葉片的故障，文獻(xiàn)[32]對(duì)葉片中遭受閃電破壞的位置進(jìn)行定位利用的是光纖電流傳感器。

2.3.4 變頻器的故障診斷

變頻器所處現(xiàn)場(chǎng)往往環(huán)境惡劣，高溫發(fā)熱、電磁干擾等易導(dǎo)致變頻器發(fā)生故障。變頻器的主要故障有誤動(dòng)作、過(guò)電壓、過(guò)電流、過(guò)熱、欠電壓等。過(guò)電壓主要指中間直流環(huán)節(jié)回路過(guò)電壓，這會(huì)影響到中間直流環(huán)節(jié)中濾波電容器的使用壽命。過(guò)電流產(chǎn)生的原因主要是負(fù)載突變、負(fù)荷分配不均和輸出短路等。當(dāng)輸入電壓缺相、整流回路發(fā)生故障時(shí)就會(huì)導(dǎo)致欠電壓故障。文獻(xiàn)[33]通過(guò)細(xì)化其變頻器仿真模型，在仿真環(huán)境下對(duì)變頻器故障原理和故障類(lèi)型等做了仿真分析研究，將經(jīng)過(guò)處理的仿真結(jié)果數(shù)據(jù)和作為訓(xùn)練的樣本數(shù)據(jù)對(duì)設(shè)計(jì)好的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試，以此使神經(jīng)網(wǎng)絡(luò)具有診斷和定位故障的能力。于輝[34]等則利用神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性映射特性，提出了采用基于波形直接分析的BP神經(jīng)網(wǎng)絡(luò)故障診斷方法，這種方法主要針對(duì)變速風(fēng)力發(fā)電機(jī)組中的變頻器電路模型非線(xiàn)性強(qiáng)的特點(diǎn)，能動(dòng)態(tài)監(jiān)視風(fēng)力發(fā)電機(jī)變頻器電路的工作狀態(tài)，實(shí)時(shí)在線(xiàn)進(jìn)行故障診斷和分析，確定變頻器故障的部位和性質(zhì)。文獻(xiàn)[35]提出了仿真分析診斷法，通過(guò)對(duì)變頻器進(jìn)行故障后的系統(tǒng)仿真，利用獲取的故障電流、電壓波形與正常電流、電壓波形的對(duì)比來(lái)診斷變頻器的故障。文獻(xiàn)[36]對(duì)風(fēng)電變頻器中的故障進(jìn)行設(shè)置，然后使用小波變換的多分辨率特性，提取變頻器的故障特征向量，最后應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障模式識(shí)別。仿真結(jié)果表明，此種風(fēng)電變頻器的故障診斷系統(tǒng)具有較強(qiáng)的穩(wěn)定性和準(zhǔn)確性。

2.4 系統(tǒng)級(jí)故障檢測(cè)和隔離

風(fēng)電機(jī)組及其子系統(tǒng)包含很多部件，因此對(duì)其進(jìn)行系統(tǒng)和子系統(tǒng)級(jí)的故障隔離較復(fù)雜。故障隔離也需要更多的系統(tǒng)分析，因此需要有效地建立部件級(jí)和系統(tǒng)級(jí)的故障診斷模型。離散事件系統(tǒng)DES的框架被認(rèn)為是一個(gè)合適的選擇，隨著復(fù)雜系統(tǒng)越來(lái)越多，佩特里網(wǎng)已經(jīng)被用在風(fēng)機(jī)故障診斷的系統(tǒng)級(jí)決策上。Rodriguez[37]等使用顏色化的佩特里網(wǎng)來(lái)診斷風(fēng)機(jī)的潤(rùn)滑系統(tǒng)和冷卻系統(tǒng)。Echavarria[38]等開(kāi)發(fā)了一種定性物理的方法用作對(duì)風(fēng)電機(jī)組的智能維護(hù)，在基于模型推理和功能冗余設(shè)計(jì)的基礎(chǔ)上開(kāi)發(fā)了故障診斷系統(tǒng)。基于模型的好處是只需要很少的信息且不要解復(fù)雜方程組，同時(shí)在故障預(yù)測(cè)中具有可重用性和魯棒性。Zaher和McArthur[39]提出了一個(gè)用于風(fēng)機(jī)故障檢測(cè)和識(shí)別的多智能斷層檢測(cè)系統(tǒng)的初步框架，描述了反常現(xiàn)象代理、功率曲線(xiàn)代理和停機(jī)時(shí)間分類(lèi)代理的開(kāi)發(fā)，由于系統(tǒng)開(kāi)發(fā)的可重構(gòu)性和可伸縮性，多代理系統(tǒng)需要更進(jìn)一步的研究。

2.5 風(fēng)力發(fā)電機(jī)組智能故障診斷方法

風(fēng)力發(fā)電機(jī)組故障原因復(fù)雜，故障原因和故障機(jī)理之間存在著極大的不確定性，因此通過(guò)人工智能的方法來(lái)診斷機(jī)組的故障。近些年來(lái)，人工智能方法在可再生能源技術(shù)上的應(yīng)用越來(lái)越廣泛。

關(guān)于人工智能方法，文獻(xiàn)[40]主要針對(duì)齒輪箱故障診斷，提出了一種基于故障診斷框架的神經(jīng)網(wǎng)絡(luò)故障診斷方法。文獻(xiàn)[41]利用多種智能診斷技術(shù)和方法，如Elman網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)等，對(duì)發(fā)電機(jī)的多種故障數(shù)據(jù)進(jìn)行處理，然后分析故障產(chǎn)生的原因，得出診斷結(jié)論。文獻(xiàn)[42]提出了數(shù)據(jù)庫(kù)的奇偶編號(hào)、推理機(jī)制的模糊推理判斷及學(xué)習(xí)機(jī)制的機(jī)械學(xué)習(xí)，增強(qiáng)了故障診斷專(zhuān)家系統(tǒng)的智能性。文獻(xiàn)[43]根據(jù)故障信號(hào)特征和小波變換多尺度分解性質(zhì)選取小波分解層次，得到反映風(fēng)機(jī)運(yùn)行狀態(tài)的特征向量，利用待檢狀態(tài)的特征向量與典型故障特征表，通過(guò)模糊模式識(shí)別方法進(jìn)行風(fēng)機(jī)故障診斷。文獻(xiàn)[44]在最小二乘支持向量機(jī)方法的基礎(chǔ)上，融合SA算法，提出黑洞粒子群模擬退火算法，并應(yīng)用到最小二乘支持向量機(jī)方法參數(shù)優(yōu)化中，利用參數(shù)優(yōu)化后的最小二乘支持向量機(jī)方法建立多分類(lèi)決策模型，對(duì)風(fēng)力發(fā)電機(jī)進(jìn)行故障診斷。文獻(xiàn)[45]在BP算法的基礎(chǔ)上提出了輸出模式矩陣的改進(jìn)方法，將常用的單位矩陣故障模式轉(zhuǎn)變?yōu)槎M(jìn)制結(jié)構(gòu)，運(yùn)用于轉(zhuǎn)子的故障診斷，使得樣本訓(xùn)練次數(shù)大大減小。Garcia MC[46]等利用人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)風(fēng)力機(jī)各部件和整機(jī)的健康狀況評(píng)估，提出了在線(xiàn)預(yù)測(cè)智能系統(tǒng)，使用模糊專(zhuān)家系統(tǒng)技術(shù)對(duì)故障進(jìn)行診斷。

3 結(jié) 語(yǔ)

狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)是一門(mén)融合電子、計(jì)算機(jī)、信號(hào)分析與數(shù)據(jù)處理、人工智能等多學(xué)科的技術(shù)。近年來(lái)隨著風(fēng)力發(fā)電行業(yè)的不斷發(fā)展，如何降低風(fēng)電機(jī)組故障率，提高風(fēng)電場(chǎng)的經(jīng)濟(jì)效益成為當(dāng)前的研究熱點(diǎn)。在這個(gè)背景下風(fēng)力發(fā)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)的研究顯得十分重要。本文主要介紹了現(xiàn)有的各種狀態(tài)監(jiān)測(cè)技術(shù)，然后針對(duì)風(fēng)電機(jī)組的主要部件，對(duì)國(guó)內(nèi)外相關(guān)故障診斷的研究進(jìn)展進(jìn)行了調(diào)研綜述。

綜合國(guó)內(nèi)外的研究現(xiàn)狀，未來(lái)狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)的發(fā)展趨勢(shì)是各種先進(jìn)診斷方法的融合以及發(fā)展遠(yuǎn)程的狀態(tài)監(jiān)測(cè)和故障診斷等。具體可有以下的發(fā)展方向。

(1) 把基于多傳感器的信息融合技術(shù)應(yīng)用于設(shè)備狀態(tài)監(jiān)測(cè)中，不僅可拓寬設(shè)備狀態(tài)信息的來(lái)源渠道，還可改善信息處理的質(zhì)量，對(duì)設(shè)備的運(yùn)行狀態(tài)做出準(zhǔn)確判斷，提高故障診斷的準(zhǔn)確性。

(2) 把虛擬儀器技術(shù)應(yīng)用到機(jī)組監(jiān)測(cè)和診斷系統(tǒng)中，使系統(tǒng)工作界面更形象，具有良好的可視性和交互性，準(zhǔn)確表現(xiàn)風(fēng)電機(jī)組的工作狀態(tài)。

(3) 通過(guò)網(wǎng)絡(luò)連接實(shí)現(xiàn)遠(yuǎn)程故障診斷系統(tǒng)間的通信，形成開(kāi)放式故障診斷系統(tǒng)，從而可以使整個(gè)診斷系統(tǒng)具有更大的靈活性和可擴(kuò)展性。

(4) 根據(jù)不同風(fēng)電機(jī)組類(lèi)型制定量化的故障診斷方法參照標(biāo)準(zhǔn)。

(5) 更多地發(fā)展基于模型的故障診斷方法，從子系統(tǒng)擴(kuò)展到整個(gè)系統(tǒng)。

【參考文獻(xiàn)】

[1] EWEA. World wind energy report 2009[M]. Bonn: World Wind Energy Association, 2010.

[2] YANG W X, JIANG J S, TAVNER P J, et al. Monito-ring wind turbine condition by the approach of empirical mode decomposition[C]∥2008 Interna-tional Conference on Electrical Machines and Syst-ems. Wuhan, China: IEEE, 2008: 736-740.

[3] LU B, LI Y Y, WU X, et al. A review of recent advances in wind turbine condition monitoring and fault diagnosis[J]. PEMWA 2009, IEEE, 2009(6): 1-7.

[4] RIBRANT J. Reliability performance and maintena-nce-a survey of failures in wind power systems[D]. Sweden: Royal Institute of Technology, 2006.

[5] RIBRANT J. Survey of failures in wind power systems with focus on Swedish wind power plant during 1997-2005[J]. IEEE Trans Energy Conversion, 2007(22): 167-173.

[6] TAVNER P J, XIANG J, SPINATO F. Reliability 10 Turbines[J]. Wind Energy, 2007(10): 1-18.

[7] TAVNER P J, EDWARDS C, BRINKMAN A, et al. Influence of wind speed on wind turbine reliability[J]. Wind Engineering, 2006, 30(1): 55-72,2006.

[8] 龍泉,劉永前,楊勇平.狀態(tài)監(jiān)測(cè)與故障診斷在風(fēng)電機(jī)組上的應(yīng)用[J].現(xiàn)代電力,2008,25(6): 54-59.

[9] 王小斌.油液分析技術(shù)在機(jī)械設(shè)備狀態(tài)監(jiān)測(cè)中的應(yīng)用分析[J].煤炭技術(shù),2001,20(9): 52-53.

[10] 操煉.振動(dòng)信號(hào)在船舶設(shè)備檢驗(yàn)中的應(yīng)用探討[D].上海: 上海海事大學(xué),2005.

[11] 陳云花.基于振動(dòng)測(cè)試的大型風(fēng)力發(fā)電機(jī)組運(yùn)行狀態(tài)監(jiān)測(cè)研究[D].內(nèi)蒙古: 內(nèi)蒙古科技大學(xué),2009.

[12] 傅質(zhì)馨,袁越.海上風(fēng)電機(jī)組狀態(tài)監(jiān)控技術(shù)研究現(xiàn)狀與展望[J].電力系統(tǒng)自動(dòng)化,2012(21): 121-129.

[13] AMIRAT Y, BENBOUZID M E H, BENSAKER B, et al. Condition monitoring and fault diagnosis in wind energy conversion system: a review[C]∥Electric Machines&Drives Conference, lEMDC’07, IEEE International, 2007: 1434-1439.

[14] MOHANTY A R. Fault detection in a multistage gearbox by demodulation of motor current waveform[J]. IEEE Tran&Industrial Electronics, 2006,53(4): 285-1297.

[15] 唐新安,謝志明,吳金強(qiáng),等.風(fēng)力機(jī)齒輪箱故障診斷[J].噪聲與振動(dòng)控制,2007(1): 120-124.

[16] ZHOU W J, SHEN Y X, WANG L. Fault diagnosis for wind turbine gearbox based on wavelet analysis[C]∥24th Chinese Control and Decision Conference (CCDC), 2012, China.

[17] YANG J M, FAN D G, ZHOU Y B, et al. Fault diagnosis of wind turbine gearbox based on fisher criterion[C]∥Proceedings of the 30th Chinese Control Conference July 22-24, 2011, Yantai, China.

[18] YAO X J, GUO C C, ZHONG M F, et al. Wind turbine gearbox fault diagnosis using adaptive morlet wavelet spectrum[C]∥Proc of the 2nd International Conferenceon Intelligent Computation Technology and Automation. Changsha, China: IEEE Computer Society, 2009: 580-583.

[19] YANG W X, TAVNER P J, MICHAEL W. Wind turbine condition monitoring and fault diagnosis using both mechanical and electrical signatures [C]∥International Conference on Advanced Intelligent Mechatronics,2008, Xi’an, China, 2008: 1296- 1301.

[20] WILLIAMSON S, DJUROVIC S. Origins of stator current spectra in DFIFs with winding faults and excitation asymmetries[C]∥2009 IEEE International Electric Machines and Drives Conference, Miami, FL: IEEE, 2009: 563-570.

[21] WATSON S J,XIANG B J, YANG W X, et al. Condition monitoring of the power output of wind turbine generators using wavelets[J]. IEEE Transactions on Energy Conversi on, 2010, 25(3): 715-721.

[22] YANG W, TAVNER P J, WILKINSON M R. Condition monitoring and fault diagnosis of a wind turbine synchronous generator drive train[J]. ET Renewable Power Generation, 2009, 3(1): 1-11.

[23] ZHAO Y J, LI Y G, HU J W. RBFNN for Fault diagnosis of rotor windings inter tum short circuit in turbine-generator[C]∥International Conference on Condition Monitoring and Diagnosis, 2008(4): 1331-1334.

[24] 許允之,韓麗,方永麗,等,基于神經(jīng)網(wǎng)絡(luò)算法的感應(yīng)電機(jī)故障診斷方法[J].大電機(jī)技術(shù),2013,1(1): 15-21.

[25] KUBUR,KAHRAMAN A, ZINI D M, et a1. Dynamic analysis of a multi-shaft helical gear transmission by finite elements: model and experi-ment[J]. Transactions of the ASME, 2004,126(7): 398- 406.

[26] KRAMER S G M, LEON F P, APPERT B. Fiber optic sensor network for lighting impact localization and classification in wind turbines[C]∥2006 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems. Heidelberg: IEEE,2006: 173-178.

[27] TSAI C S, HSIEH C T, HUANG S J. Enhancement of damage-detection of wind turbine blades via CWT-based approaches[J]. IEEE Transactions on Energy Conversion, 2006, 21(3): 776-781.

[28] ZHAO M H, JIANG D X, LI S H. Research on fault mechanism of icing of wind turbine blades[C]∥Proc of the 1st World Non-Grid-Connected Wind Power and Energy Conference, Nanjing, China: IEEE Computer Society, 2009: 1- 4.

[29] SCHROEDER K， ECKE W， APITZ J， et al. A fibreBragg grating sensor system monitors operational load ina wind turbine rotor blade[J]. Meas Sci Technol, 2006(17): 1167-1172.

[30] JEFFRIES W Q. Experience with bieoherenee of electrical power for condition monitoring of wind turbine blades[J]. lEE Proc Vision, Image and Signal Processing, 1998,145(3)141-148.

[31] YE J J, CHEN X F,ZHAI Z, et al. Predictingelastic and plastic response of fiber-reinforced metal matrix composites[J]. Mechanics of Composite Materials， 2010(4): 405- 416.

[32] TSAI C S. Enhancement of damage-detection of wind turbine blades via CWT-based approaches[J]. IEEE Trans. Energy Conversion, 2006, 21(3): 776-781.

[33] 胡立錦.直驅(qū)式風(fēng)力發(fā)電機(jī)變頻器故障診斷研究[D].新疆: 新疆大學(xué),2012.

[34] 于輝,鄧英.風(fēng)力發(fā)電機(jī)變流器故障診斷方法[J].可再生能源,2010,28(3): 89-92.

[35] YANG S, LI W, WANG C. The intelligent fault diagnosis of wind turbine gearbox basedon artificial neural network[C]∥Proc 2008 Int Conf on Condition Monitoring and Diagnosis, 2008: 1327-1330.

[36] WANG Z, GUO Q. The diagnosis method for conve-rter fault of the variable speed wind turbine based on the neural networks[C]∥in Proc 2ndInt Conf on Innovative Computing, Information and Control, 2008.

[37] RODRIGUEZ L, GARCIA E, MORANT F, et a1. Application of latent nestling method using colored petri nets for thefault diagnosis in the wind turbine subsets[C]∥in Proc 2008 IEEE Int. Conf. Emerging Technologies and Factory Automation, 2008: 767-773.

[38] ECHAVARRIA E, TOMIYAMA T, HUBERTS H W, et al. Fault diagnosis system for an offshore wind turbine using qualitative physics[C]∥in Proc EWEC 2008, Brussels, Belgium, 2008.

[39] ZAHER A S, MCARTHUR S D J. A multi-agent fault detectionsystem for wind turbine defect recogni-tion and diagnosis[C]∥in Proc 2007 IEEE Lausanne POWERTECH.

[40] WALLCAE A K, SPEE R. The simulation of brushless dc driver failures [C]∥PESC Record-IEEE Power Electronics Specialists Conference, 1988: 199-206.

[41] SOTERIS A K. Artificial neural networks in renew-able energy systems applications a review[J]. Renewable and Sustainable Energy Reviews, 2001(5): 373- 401.

[42] 郭洪澈.風(fēng)力發(fā)電系統(tǒng)的故障診斷專(zhuān)家系統(tǒng)設(shè)計(jì)[J].節(jié)能,2002(7): 36-38.

[43] 胡漢輝,楊洪,譚青,等.基于小波分析的風(fēng)機(jī)故障診斷[J].中南大學(xué)學(xué)報(bào),2007,38(6): 1169-1173.

[44] 焦斌,徐志翔.基于綜合優(yōu)化方法的風(fēng)力發(fā)電機(jī)故障診斷[J],控制工程,2012,19(4): 681-686.

[45] 王立鵬,劉貴立,李小彭.基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)轉(zhuǎn)子故障診斷[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào),2002,24(5): 428- 430.

[46] GARCIA M C, SANZ-BOBI M A, DEL PICO J. SIM A P: intelligent system for predictive maintenance application to the health condition monitoring of a wind turbine gearbox[J]. Computers in Industry, 2006, 57(6): 552-568.