李 輝，胡姚剛 ，李 洋，楊 東 ，梁媛媛，歐陽海黎 ，蘭涌森

（1.重慶大學(xué) 輸配電裝備及系統(tǒng)安全與新技術(shù)國家重點實驗室，重慶 400044；2.重慶科凱前衛(wèi)風(fēng)電設(shè)備有限責(zé)任公司，重慶 401121；3.中船重工（重慶）海裝風(fēng)電設(shè)備有限公司，重慶 401122）

0 引言

近年來，風(fēng)能在世界能源結(jié)構(gòu)中地位越來越突出，風(fēng)電將逐步成為火電、水電之后的第三大常規(guī)能源。隨著我國大型海上風(fēng)電建設(shè)規(guī)劃相繼啟動和現(xiàn)運行的大部分風(fēng)電機組質(zhì)保期逐漸超出或鄰近超出，高故障發(fā)生率和高運維成本的現(xiàn)狀越來越引起風(fēng)電運營商、制造商和第三方運維公司等機構(gòu)的關(guān)注。相比陸地風(fēng)電機組，海上風(fēng)電機組將面臨更惡劣的運行環(huán)境和更高的運行維護(hù)成本。據(jù)統(tǒng)計，海上風(fēng)電機組的維護(hù)成本至少為陸上風(fēng)電機組的2倍，運維成本高達(dá)經(jīng)濟收入的30%～35%，其中約25%～35%為定期維護(hù)費用，65%～75%為事后維修費用［1］。隨著單機容量不斷增加，大功率風(fēng)電機組的復(fù)雜性程度增加，將會面臨更高的故障率和運維費用。為了降低故障率和減少維修費用，開展風(fēng)電機組的狀態(tài)監(jiān)測和故障診斷研究，對及時掌握風(fēng)電機組運行狀態(tài)，及早發(fā)現(xiàn)潛在故障征兆，降低故障率，減少運維成本，從而保證風(fēng)電機組安全高效發(fā)電運行有著重要學(xué)術(shù)研究意義和工程應(yīng)用價值［2］。

鑒于風(fēng)電機組對狀態(tài)監(jiān)測和故障診斷的急迫需求，國內(nèi)外相繼出臺了標(biāo)準(zhǔn)規(guī)范，如2009年歐盟推出了關(guān)于《風(fēng)力機及其部件的機械振動測試與評估標(biāo)準(zhǔn)VDI3834》；2011年國家能源總局提出《風(fēng)力發(fā)電機組振動狀態(tài)監(jiān)測導(dǎo)則》。上述標(biāo)準(zhǔn)主要是針對風(fēng)電機組關(guān)鍵部件的振動特征量制定的規(guī)范要求，對于實現(xiàn)全面的風(fēng)電機組狀態(tài)監(jiān)測和故障診斷的要求還遠(yuǎn)遠(yuǎn)不夠。與傳統(tǒng)火電、水電機組相比，風(fēng)電機組在高空運行，是多部件協(xié)同工作的復(fù)雜系統(tǒng)，監(jiān)測特征量類型多、數(shù)量大，受風(fēng)速大小和風(fēng)向的不確定性以及變速恒頻發(fā)電控制的約束，運行狀態(tài)通常在不同工況之間隨機頻繁切換，各類特征量隨機波動范圍較寬，利用單一或幾個特征量采用傳統(tǒng)狀態(tài)監(jiān)測和故障診斷方法，難以得到風(fēng)電機組真實的運行狀態(tài)和實現(xiàn)準(zhǔn)確故障定位?；谏鲜鲲L(fēng)電機組特殊性，有必要了解風(fēng)電機組狀態(tài)監(jiān)測和故障診斷領(lǐng)域研究現(xiàn)狀，綜述該領(lǐng)域的研究方法和成果，進(jìn)一步促進(jìn)該領(lǐng)域研究的開展。

目前，風(fēng)電機組狀態(tài)監(jiān)測和故障診斷領(lǐng)域的研究處于起步階段，已有的研究成果中，對于整機的研究側(cè)重于狀態(tài)評估和故障預(yù)測，對于機組的關(guān)鍵部件研究側(cè)重于故障診斷。本文首先介紹風(fēng)電機組的運行環(huán)境及其故障統(tǒng)計情況；其次，對整機狀態(tài)評估和故障預(yù)測研究現(xiàn)狀，從統(tǒng)計分析、多參數(shù)融合和故障預(yù)測角度進(jìn)行綜述；再次，重點介紹和評述風(fēng)電機組關(guān)鍵部件故障診斷方法的研究現(xiàn)狀；最后，結(jié)合當(dāng)前研究現(xiàn)狀和存在的問題，指出風(fēng)電機組狀態(tài)監(jiān)測與故障診斷技術(shù)的發(fā)展趨勢。

1 風(fēng)電機組故障統(tǒng)計與分析

風(fēng)電機組長期工作在惡劣的自然環(huán)境中，受到正常和極限極端溫度、太陽輻射、降雨、積雪、鹽霧、沙塵、地形輪廓等因素影響，各部件的絕緣強度、疲勞強度和運行性能等必將不可避免地隨運行環(huán)境和運行時間的變化而逐漸下降，導(dǎo)致故障發(fā)生。文獻(xiàn)［3］分析指出，易發(fā)生故障的齒輪箱、發(fā)電機、低速軸、高速軸、槳葉、電氣系統(tǒng)、偏航系統(tǒng)、控制系統(tǒng)等關(guān)鍵部件，約占風(fēng)電機組總成本的80%～90%。國外某機構(gòu)的各部件故障率與平均故障排除時間統(tǒng)計情況，如圖1所示［4］，可見電氣系統(tǒng)的故障率相對較高，齒輪箱、發(fā)電機和傳動鏈的平均故障排除時間相對較長，約在5～8 d。另外，我國的2012年《全國風(fēng)電場設(shè)備運行質(zhì)量狀況調(diào)查報告》故障統(tǒng)計情況，變流器的每年故障發(fā)生頻次最高為0.20次/臺；齒輪箱相對較低，約為0.09次/臺。各部件的故障詳細(xì)情況如表1所示，可見葉片的平均排除故障耗時最長，達(dá)到229.54 h，其次是齒輪箱和發(fā)電機，分別是 158.01 h和105.93 h。上述為國內(nèi)外陸地風(fēng)電機組的故障統(tǒng)計情況，統(tǒng)計結(jié)論基本相似：平均故障排除時間少的部件對應(yīng)故障率較高，相反，故障率較低的部件對應(yīng)的平均故障排除時間長。但值得注意的是，上述的統(tǒng)計分析結(jié)果僅來自于陸地風(fēng)電場的情況，隨著海上風(fēng)電機組安裝與并網(wǎng)運行，故障率高的關(guān)鍵部件，如變流器、變槳系統(tǒng)等電氣控制系統(tǒng)，由于海上復(fù)雜運行環(huán)境和高難度的維修狀況也必將花費較長的檢修時間或更多的故障排除時間。因此，對于大功率風(fēng)電機組的狀態(tài)監(jiān)測而言，不僅需要關(guān)注機械系統(tǒng)的關(guān)鍵部件，故障率高的電氣系統(tǒng)同樣也要引起高度重視。

圖1 風(fēng)電機組關(guān)鍵部件故障率與平均故障排除時間Fig.1 Fault rate and average fault removal time for key wind turbine unit components

表1 風(fēng)電機組關(guān)鍵部件故障詳細(xì)情況Table1 Detailed fault information of key wind turbine unit components

2 風(fēng)電機組整機綜合狀態(tài)評估與故障預(yù)測

風(fēng)電機組一般要求服役20 a，風(fēng)電運營商或者電網(wǎng)調(diào)度部門更多關(guān)心的是整機安全性、運行可靠性、發(fā)電能力、運行狀態(tài)變化趨勢及服役剩余時間等指標(biāo)，因此，有必要開展整機的綜合狀態(tài)監(jiān)測方法研究。目前，關(guān)于整機的狀態(tài)方法研究大多是在風(fēng)電機組數(shù)據(jù)采集與監(jiān)視控制（SCADA）系統(tǒng)的運行數(shù)據(jù)基礎(chǔ)上開展，本文對現(xiàn)有研究情況分類，從基于統(tǒng)計分析和多參數(shù)融合整機狀態(tài)評估，及其故障預(yù)測3個方向分別進(jìn)行綜述。

2.1 基于統(tǒng)計分析的風(fēng)電機組綜合狀態(tài)監(jiān)測與評估

圖2 利用Bin方法得到的功率曲線及其標(biāo)準(zhǔn)差Fig.2 Power curve and standard deviation obtained by Bin method

利用統(tǒng)計分析方法，通過分析大量的風(fēng)電機組狀態(tài)監(jiān)測的各類特征量（功率、風(fēng)速、轉(zhuǎn)速、溫度、振動等）離線運行數(shù)據(jù)，提取某些有規(guī)律的指標(biāo)，與出廠設(shè)計標(biāo)準(zhǔn)值進(jìn)行對比，或通過多個機組之間的比較，達(dá)到對風(fēng)電機組整機狀態(tài)監(jiān)測的目的。目前，對功率運行數(shù)據(jù)進(jìn)行統(tǒng)計分析研究較多，文獻(xiàn)［5］中2臺1.5 MW風(fēng)電機組功率曲線如圖2所示，它是通過獲取反映機組運行性能的實測風(fēng)速、功率等數(shù)據(jù)，采用Bin方法對數(shù)據(jù)進(jìn)行統(tǒng)計處理后獲得2臺機組的功率曲線。通過2臺機組的功率曲線、風(fēng)能利用曲線及其標(biāo)準(zhǔn)差值，對機組的運行性能進(jìn)行了對比分析和評估。圖2（b）所示機組2的實際功率曲線在低于額定風(fēng)速以下區(qū)間內(nèi)要比圖2（a）機組1的低一些，而且在高于額定風(fēng)速時，有部分Bin區(qū)間內(nèi)功率的標(biāo)準(zhǔn)差偏大，運行狀態(tài)不太穩(wěn)定。據(jù)此可以判斷圖2（a）對應(yīng)機組1的性能優(yōu)于圖2（b）對應(yīng)的機組2的性能。另外，文獻(xiàn)［6］基于Copula函數(shù)建立了風(fēng)電機組功率曲線的概率模型，利用SCADA系統(tǒng)運行數(shù)據(jù)，實例結(jié)果表明，可對風(fēng)電機組的葉片退化、偏航和變槳系統(tǒng)的早期故障征兆進(jìn)行有效監(jiān)測。文獻(xiàn)［7］采用霍特林T2統(tǒng)計方法，對機組的有功功率運行數(shù)據(jù)進(jìn)行分析，來識別整機的運行狀態(tài)。上述研究是通過對功率信息進(jìn)行統(tǒng)計分析來實現(xiàn)整機的狀態(tài)監(jiān)測，能否采用其他特征量的統(tǒng)計結(jié)果來更好地表征整個風(fēng)電機組的運行狀態(tài)，值得深入探索研究。

2.2 基于多參數(shù)融合的風(fēng)電機組綜合狀態(tài)監(jiān)測與評估

在該研究方向，大多數(shù)研究是在風(fēng)電SCADA系統(tǒng)運行數(shù)據(jù)基礎(chǔ)上進(jìn)行開展的。風(fēng)電機組SCADA系統(tǒng)中包括的物理特征量有：角度、壓力、溫度、速度、機艙振動、電氣等，通過分析這些運行數(shù)據(jù)，可以反映整機的運行狀態(tài)［8］。目前，關(guān)于風(fēng)電機組多參數(shù)融合的狀態(tài)監(jiān)測和評估方法，包括人工神經(jīng)網(wǎng)絡(luò)［9-10］、高斯混合模型參數(shù)估計［1］、物元分析［11］、模糊綜合評判［12-15］等。其中，由于模糊綜合評判方法不需要過多依賴試驗數(shù)據(jù)的分析，文獻(xiàn)［14］利用模糊數(shù)學(xué)理論從技術(shù)經(jīng)濟指標(biāo)、功能設(shè)置、可靠性和維修性這4個指標(biāo)綜合評判了風(fēng)電機組的設(shè)計性能，但難以有效地反映機組實時運行狀態(tài)。文獻(xiàn)［14-15］在應(yīng)用模糊綜合評判時指出各評判指標(biāo)賦予權(quán)重是建模的關(guān)鍵，而傳統(tǒng)的變權(quán)理論在2項或多項指標(biāo)發(fā)生嚴(yán)重偏離時，不能較好地實現(xiàn)對各評判指標(biāo)的權(quán)重進(jìn)行賦值。文獻(xiàn)［15］雖然采用了層次分析法對評判指標(biāo)賦予常權(quán)值，但是常權(quán)值的選取不能準(zhǔn)確有效地反映機組運行狀態(tài)。文獻(xiàn)［12］針對子項目層中存在多項評判指標(biāo)同時發(fā)生嚴(yán)重偏離的情況，引入劣化度指標(biāo)，建立模糊綜合評判的流程圖，如圖3所示。按照圖3的評估流程，通過劣化度對監(jiān)測數(shù)據(jù)進(jìn)行量化，結(jié)合層次分析法確定權(quán)重，采用模糊綜合評判方法，構(gòu)建風(fēng)電機組在線狀態(tài)評估方法，并基于某850 kW風(fēng)電機組在線監(jiān)測數(shù)據(jù)，驗證了所建的風(fēng)電機組運行狀態(tài)評估方法是有效的。文獻(xiàn)［13］在文獻(xiàn)［12］的基礎(chǔ)上，考慮了影響評估指標(biāo)的劣化度g的因素，提出了風(fēng)電機組運行狀態(tài)評估的改進(jìn)模型。模糊綜合評判方法是根據(jù)評估指標(biāo)對評估對象本身存在的性態(tài)或類屬上的亦此亦彼性，從數(shù)量上對其所屬程度給予刻畫和描述。物元分析理論不僅能從數(shù)量上反映被評估對象存在狀態(tài)的所屬程度，而且能從數(shù)量上刻劃何時為此性態(tài)與彼性態(tài)的分界［16］。文獻(xiàn)［11］提出應(yīng)用物元分析理論的關(guān)聯(lián)函數(shù)來計算各評估指標(biāo)潛在的優(yōu)劣程度，結(jié)合可拓集合中的關(guān)聯(lián)函數(shù)，建立了風(fēng)電機組運行狀態(tài)的物元評估模型。

圖3 模糊綜合評判的流程圖Fig.3 Flowchart of fuzzy synthetic evaluation

2.3 風(fēng)電機組的故障預(yù)測方法

故障預(yù)測是指根據(jù)系統(tǒng)現(xiàn)在或歷史性能狀態(tài)預(yù)測性地診斷部件或系統(tǒng)完成其功能的狀態(tài)（未來的健康狀態(tài)），包括確定部件或者系統(tǒng)的剩余壽命或正常工作時間。故障預(yù)測的3種方法為：基于模型的方法、基于統(tǒng)計可靠性的方法和基于數(shù)據(jù)驅(qū)動的方法［17］。目前，基于模型的風(fēng)電機組故障預(yù)測研究方向比較鮮見，而另外2個研究方向已出現(xiàn)在相關(guān)文獻(xiàn)中。

a.基于統(tǒng)計可靠性的風(fēng)電機組故障預(yù)測研究。目前，關(guān)于已出質(zhì)保期或服役了較長時間的風(fēng)電機組，其運行性能下降和各部件劣化度增加，導(dǎo)致可靠度不斷降低和平均故障間隔時間MTBF（Mean Time Between Failures）逐漸縮短，對于上述方面的故障預(yù)測研究比較少見。而對試運行期間風(fēng)電機組MTBF的預(yù)測已有少量文獻(xiàn)報道，一般是在假設(shè)風(fēng)電機組可靠性服從某種分布（如Weibull、非齊次泊松等分布）的基礎(chǔ)上開展研究，如文獻(xiàn)［18-19］對試運行期間風(fēng)電機組MTBF進(jìn)行預(yù)測。其中，文獻(xiàn)［18］提出了一種利用多臺機組運行信息的MTBF估計方法，其基本思路是：根據(jù)風(fēng)電機組安裝及其故障數(shù)據(jù)的特點，構(gòu)造具有相同配置的多臺故障停機的隨機截尾數(shù)據(jù)，對機組的可靠度進(jìn)行Kaplan-Meier非參數(shù)估計；基于這種初步估計結(jié)果，再進(jìn)行二參數(shù)Weibull分布擬合，并根據(jù)Weibull分布的性質(zhì)計算得到機組的MTBF，通過實例驗證表明，試運行期間機組的MTBF不斷增長。文獻(xiàn)［19］提出了基于廣義伽瑪分布的系統(tǒng)可靠性增長預(yù)測方法。根據(jù)隨機過程和可靠性增長預(yù)測理論，闡明風(fēng)電機組試運行過程中伴隨維修的故障次數(shù)遵從非齊次泊松過程的規(guī)律，分析了機組未來故障時間分布，預(yù)測機組未來故障時間及故障時刻MTBF的點估計及區(qū)間估計。并以表2中的4臺風(fēng)電機組40 次運行故障數(shù)據(jù)為例，其中，tij（i=1，2，3，4）為第 i臺機組第j次被觀測到的故障時間。按照上述預(yù)測方法，在給定置信度為0.8時，預(yù)測的第41次故障時間預(yù)測的點估計為1704.44 h，與事后觀測到故障時間1733 h相比，相對誤差為1.6%。上述研究在縮短機組試運行時間、保證交付用戶時機組滿足可靠性指標(biāo)等方面起到重要的作用。

表2 風(fēng)電機組試運行故障數(shù)據(jù)Table 2 Fault data of trial operation of wind turbine unit

b.基于數(shù)據(jù)驅(qū)動的風(fēng)電機組故障預(yù)測研究。在該部分的研究多集中利用SCADA數(shù)據(jù)對風(fēng)電機組關(guān)鍵部件（如齒輪箱［20-23］、發(fā)電機［24］、主軸［25］等）開展故障預(yù)測研究，現(xiàn)有的故障預(yù)測方法有支持向量機［20］、ARMA 方法［23-24］、多元線性回歸方法［25］、人工神經(jīng)網(wǎng)絡(luò)［21，26］等方法。大多數(shù)研究的基本思路是通過殘差趨勢分布來實現(xiàn)故障預(yù)測，如圖4所示的故障預(yù)測框架，將SCADA的監(jiān)測數(shù)據(jù)作為預(yù)測模型的輸入，通過所建立如人工神經(jīng)網(wǎng)絡(luò)或支持向量機的預(yù)測模型獲得預(yù)測值，進(jìn)而將實際監(jiān)測值與預(yù)測值結(jié)合求取殘差，結(jié)合利用事先通過專家經(jīng)驗或正態(tài)分布等方法確定的殘差閾值，通過檢測是否超過閾值或通過殘差趨勢分析實現(xiàn)對故障預(yù)測。另外，現(xiàn)有對整機故障預(yù)測方面多是基于SCADA監(jiān)測數(shù)據(jù)信息開展研究，如文獻(xiàn)［27］充分考慮風(fēng)電機組各部件或子系統(tǒng)之間的相互作用和耦合關(guān)系，利用SCADA歷史運行數(shù)據(jù)中的連續(xù)量監(jiān)測數(shù)據(jù)，建立了風(fēng)電機組有功功率的支持向量回歸模型。該模型與SCADA報警系統(tǒng)相配合，組成了魯棒性更強的風(fēng)電機組整體的評估方法。該方法通過觀察有功功率預(yù)測值與實際值的殘差的變化趨勢監(jiān)測風(fēng)電機組的運行狀況。通過實例分析，如圖5所示，對比了故障前有功功率的預(yù)測值與實際值，發(fā)現(xiàn)在故障發(fā)生前25 min殘差嚴(yán)重超過閾值進(jìn)而給出“風(fēng)電機組已發(fā)生故障”的報警信號。文獻(xiàn)［1］還采用工況辨識實現(xiàn)運行工況空間的劃分。建立基于高斯混合模型（GMM）多狀態(tài)特征融合的健康狀態(tài)評價模型。采用健康衰退指數(shù)（HDI）作為表征整機健康狀態(tài)的評價指標(biāo)。圖6所示為采用某1.5 MW風(fēng)電機組運行數(shù)據(jù)驗證得傳動系統(tǒng)故障前整機的健康狀態(tài)漸進(jìn)變化情況，從圖6（b）的采用基于工況辨識的GMM可知：與圖6（a）相比，故障前HDI有較明顯的增大趨勢，可以用于實現(xiàn)故障的早期預(yù)報。

圖4 基于數(shù)據(jù)驅(qū)動的風(fēng)電機組部件故障預(yù)測框架Fig.4 Framework of data-driven fault forecasting for wind turbine unit components

圖5 故障前40 min的樣本預(yù)測值與實際值對比Fig.5 Comparison between predicted and actual samples for 40 minutes before fault

圖6 多狀態(tài)特征參數(shù)建模的健康狀態(tài)評價結(jié)果Fig.6 Results of health condition evaluation by multi-status characteristic parameter modeling

3 風(fēng)電機組關(guān)鍵部件的在線故障診斷

風(fēng)電機組是由多個部件組成，開展對其關(guān)鍵部件在線狀態(tài)監(jiān)測和故障診斷的研究，可及時識別故障征兆、實時掌握故障漸變發(fā)展程度和節(jié)省故障排查時間，為優(yōu)化運維檢修策略進(jìn)而提高整機的運行可靠性具有重要的學(xué)術(shù)意義和工程實用價值。本節(jié)對風(fēng)電機組的葉輪、齒輪箱、發(fā)電機、變流器和變槳系統(tǒng)5個關(guān)鍵部件的在線故障診斷研究現(xiàn)狀進(jìn)行綜述。

3.1 葉輪

葉輪是捕捉風(fēng)能關(guān)鍵部件，包括葉片和輪轂。目前，對葉片老化和損壞、葉輪不平衡故障的研究較多，現(xiàn)有的在線狀態(tài)監(jiān)測和故障診斷方法現(xiàn)多處在實驗室模擬仿真階段，在實際應(yīng)用中比較鮮見。

a.葉片老化和損壞。葉片運行環(huán)境惡劣，酸雨、冰凍等侵蝕以及葉片旋轉(zhuǎn)時變化的沖擊力破壞，引起葉片裂紋甚至破裂。關(guān)于葉片動態(tài)無損在線監(jiān)測技術(shù)有聲發(fā)射、超聲波、光纖光柵和振動分析等技術(shù)。相比超聲波和光纖光柵技術(shù)，聲發(fā)射可獲得葉片上較為全面的缺陷信息，具有相對較高的靈敏度和分辨率，能夠準(zhǔn)確監(jiān)測到薄弱區(qū)位置［28］。 文獻(xiàn)［29］針對葉片初始裂紋特征難以提取的問題，提出了一種逐步提取并消減噪聲源信號從而獲得微弱裂紋故障特征的盲提取方法。該方法可提取初始萌生裂紋的聲發(fā)射信號特征，但不適用于裂紋再擴展信號特征的提取。文獻(xiàn)［30］通過對葉片的裂紋萌生和裂紋再擴展這2種裂紋進(jìn)行實驗研究。針對因聲發(fā)射信號中存在裂紋故障特征與噪聲特征相混疊，造成這2種裂紋很難區(qū)分的問題，應(yīng)用所提出的優(yōu)化小波重分配尺度譜分析方法，用于識別和區(qū)分裂紋再擴展和裂紋萌生信號特征。

b.葉輪不平衡故障。隨著單機容量不斷增大，葉輪直徑越來越長，風(fēng)力機的柔性也越強，尤其在北方冬季，葉片結(jié)冰使得葉輪不平衡造成整體結(jié)構(gòu)振動進(jìn)一步加大，將在傳動鏈部件產(chǎn)生疲勞應(yīng)力，嚴(yán)重影響機組壽命。現(xiàn)有大多數(shù)研究是從發(fā)電機的電氣信號中提取故障特征，文獻(xiàn)［31-32］利用發(fā)電機的功率來檢測葉輪不平衡故障。文獻(xiàn)［32］理論上推導(dǎo)葉輪不平衡故障對功率的影響，建立了包含葉輪、傳動鏈與發(fā)電機的風(fēng)力機仿真模型，仿真得到有功功率及其頻譜分析結(jié)果如圖7所示，葉輪旋轉(zhuǎn)的一倍頻分量即為故障特征頻率，隨著不平衡質(zhì)量的增大而幅值增大。上述為現(xiàn)有葉輪狀態(tài)監(jiān)測和故障診斷的初步研究進(jìn)展情況，考慮到風(fēng)電機組葉輪體積龐大，且在高空變速運行，面臨著惡劣運行環(huán)境和各種不確定干擾因素，應(yīng)重點深入開展準(zhǔn)確有效的葉輪異常特征提取方法研究。

圖7 3種狀態(tài)下電功率頻譜Fig.7 Frequency spectrum of active power for three conditions

3.2 齒輪箱

關(guān)于齒輪箱在線監(jiān)測和故障診斷的研究較多，除離線檢測的油液分析方法外，在線的分析方法主要包括：振動分析、溫度分析和電氣分析。

a.振動分析。通常從振動特征量的時域和頻域中提取齒輪箱的故障特征。文獻(xiàn)［33］采用時域信號統(tǒng)計指標(biāo)對齒輪箱的振動特征量信息進(jìn)行初步處理，并采用FFT和功率譜分析方法實現(xiàn)對故障類型定位。文獻(xiàn)［34］應(yīng)用小波變換理論，對齒輪箱的聯(lián)軸器以及高、中、低速軸的振動信號進(jìn)行分析，得到比傳統(tǒng)時域和頻域分析方法更好的監(jiān)測結(jié)果。文獻(xiàn)［35］通過對齒輪箱振動測試和分析，從時域和頻域角度出發(fā)分析齒輪箱損壞時呈現(xiàn)的特性。文獻(xiàn)［36］提出了利用譜峭度診斷行星齒輪箱故障的方法，利用譜峭度可有效分析出信號中的沖擊成分。文獻(xiàn)［37］將小波神經(jīng)網(wǎng)絡(luò)應(yīng)用到齒輪箱的故障診斷。目前，現(xiàn)有的風(fēng)電機組狀態(tài)監(jiān)測系統(tǒng)產(chǎn)品也大多以振動特征量分析為主，采用數(shù)據(jù)離線分析和專家輔助分析方式，獲取得到齒輪箱軸承和齒輪的狀態(tài)監(jiān)測和故障診斷結(jié)果。但是，振動分析對于低頻信號具有一定的局限性，且在齒輪箱本體上安裝傳感器獲取振動信號需增加投資和維護(hù)費用。

b.溫度分析。溫度特征量在一定程度上反映齒輪箱的運行狀態(tài)［38］。 文獻(xiàn)［39-40］建立齒輪箱正常工作狀態(tài)下的溫度模型并用其進(jìn)行溫度預(yù)測，應(yīng)用滑動窗口方法實時計算殘差的統(tǒng)計分布特性，當(dāng)殘差的均值或標(biāo)準(zhǔn)差的置信區(qū)間超出預(yù)先設(shè)定的閾值時，發(fā)出報警信息。其中，文獻(xiàn)［40］采用溫度趨勢分析方法對齒輪箱的運行狀態(tài)進(jìn)行監(jiān)測。利用非線性狀態(tài)估計方法建立齒輪箱正常工作狀態(tài)下的溫度模型并用其進(jìn)行溫度預(yù)測。通過模擬齒輪箱的故障情況，在SCADA監(jiān)測數(shù)據(jù)中加入溫度偏移來模擬故障，分析結(jié)果如圖8所示，均值曲線的95%置信區(qū)間的上限在第451個滑動窗口超出了預(yù)先設(shè)定的均值閾值，在第551點處，監(jiān)測出齒輪箱溫度的異常變化情況。然而，由于溫度具有熱慣性特性，變化緩慢，易受到外界環(huán)境因素影響，采用固定閾值時，當(dāng)發(fā)出預(yù)警信號時，部件已經(jīng)嚴(yán)重劣化，故障可能即將發(fā)生，難以起到早期故障診斷的作用。因此，有必要研究多種工況下的溫度特征量動態(tài)閾值確定方法。

c.電氣分析。從發(fā)電機中電氣信號的時域和頻域中提取故障特征信息來實現(xiàn)齒輪箱的故障診斷。文獻(xiàn)［41］搭建了同步風(fēng)電機組傳動鏈的狀態(tài)監(jiān)測和故障診斷試驗平臺，通過設(shè)置各類故障，應(yīng)用小波變換方法，將提取的電氣、機械監(jiān)測信息中的信號特征進(jìn)行對比分析，結(jié)果表明，可利用解調(diào)的電流或功率信號特征監(jiān)測和診斷齒輪斷齒故障。文獻(xiàn)［42］針對多級齒輪箱，通過解調(diào)異步發(fā)電機的電流信號來診斷齒輪箱故障。通過搭建實驗室的風(fēng)電機組模型，模擬輸出端在斷齒故障情況，觀察功率信號的頻譜變化情況，圖9為實驗用齒輪箱詳細(xì)的頻率分布，可見齒輪箱輸出端的轉(zhuǎn)頻f3為21 Hz。采用離散小波變換，輸出端斷齒前后的定子電流頻譜分析，如圖10所示，可見相比齒輪箱斷齒前f3的幅值附近，斷齒后f3的幅值附近陡峭度比較大。相比其他信號，電氣特征量的采集不需要另行加裝傳感器，不會影響到機組的完整性。但是風(fēng)電機組運行環(huán)境復(fù)雜，干擾源較多，還可能存在多部件異常特征交叉重疊發(fā)生，需考慮實際運行環(huán)境，深入研究基于電氣特征量的齒輪箱狀態(tài)特征提取算法。

圖8 溫度偏移后的殘差滑動窗口統(tǒng)計特性Fig.8 Moving window statistics of residual error after temperature drift

d.油液分析。齒輪嚙合在非正常的磨損狀態(tài)出現(xiàn)，會瞬間產(chǎn)生巨大磨損顆粒，或磨損率上升導(dǎo)致磨損顆粒數(shù)量顯著增加。油液分析被認(rèn)為是實現(xiàn)齒輪箱狀態(tài)監(jiān)測和故障診斷最有效的技術(shù)之一［43］，包括紅外光譜技術(shù)、鐵譜技術(shù)、顆粒分析技術(shù)、氣相色譜技術(shù)等，通過提取油液中各項監(jiān)測指標(biāo)，包括運動粘度、PQ鐵譜、酸值、水分等，監(jiān)測和分析油液中各類監(jiān)測指標(biāo)變化情況，實現(xiàn)齒輪箱異常檢測。目前，我國許多機構(gòu)先后建立了油液監(jiān)測實驗室，但是因受限于監(jiān)測硬件（傳感器）設(shè)計和制造技術(shù)，存在測量誤差較大、精度低因素，還沒有在實際中實現(xiàn)在線油液監(jiān)測。

圖9 齒輪箱詳細(xì)的頻率分布Fig.9 Detailed frequency distribution of gearbox

圖10 電流信號的振幅解調(diào)頻譜Fig.10 Spectra of amplitude-demodulated current signal

3.3 發(fā)電機

關(guān)于發(fā)電機的故障診斷研究，大多是通過在線監(jiān)測定子電流、轉(zhuǎn)子電流、有功功率變化情況，對匝間短路、單相或多相短路、軸承損壞、轉(zhuǎn)子偏心等進(jìn)行故障診斷。文獻(xiàn)［44］從轉(zhuǎn)子電流和電壓中提取出諧波成分來監(jiān)測匝間短路情況。但當(dāng)匝間短路程度較為微弱時，難以提取其諧波成分。文獻(xiàn)［45］提出當(dāng)定子繞組發(fā)生輕微匝間短路時，三相定子電流的時域波形變化比較微小，而三相電流Park矢量軌跡隨著故障變化，可以得到正常及匝間故障情況下的Park矢量軌跡，如圖11所示，與正常情況相比，在3匝短路情況下，Park矢量軌跡的橢圓環(huán)寬度和傾斜角度相對較大，可以以此故障特征來確定是否短路并估計匝間短路的嚴(yán)重程度。文獻(xiàn)［46］利用發(fā)電機的電流、磁密、溫度及振動特征量運行數(shù)據(jù)，分別采用BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)（PNN）對短路故障進(jìn)行故障診斷，采用PNN的診斷模型見圖12，結(jié)果表明：PNN對于故障診斷有較強的容錯能力，可進(jìn)行結(jié)構(gòu)自適應(yīng)調(diào)整，能夠根據(jù)信號來綜合判斷短路故障究竟屬于單一還是復(fù)合型故障。另外，關(guān)于軸承損壞和轉(zhuǎn)子偏心監(jiān)測，文獻(xiàn)［47］認(rèn)為發(fā)電機軸承損壞或變形，將引起轉(zhuǎn)子偏心和振動，進(jìn)而引起氣隙改變，在定子繞組內(nèi)感生出相應(yīng)的諧波電流，可通過對定子電流或功率信號分析處理來監(jiān)測軸承狀態(tài)。文獻(xiàn)［48］應(yīng)用連續(xù)小波變換提取發(fā)電機有功功率信息特征，用于轉(zhuǎn)子偏心或軸承狀態(tài)監(jiān)測和故障診斷。上述研究是基于電氣特征量分析來開展研究，能否進(jìn)一步考慮從發(fā)電機之外的機械信號中提取發(fā)電機的故障特征，通過冗余校驗等方法提高故障診斷的準(zhǔn)確性，值得探索研究。

圖11 實驗測得雙饋電機的Park矢量軌跡Fig.11 Park vector trajectories of doubly-fed machine measured by experiment

圖12 基于PNN的發(fā)電機診斷模型Fig.12 Generator diagnosis model based on PNN

3.4 變流器和變槳系統(tǒng)

a.變流器。變流器作為電能回饋至電網(wǎng)的關(guān)鍵控制通道，是影響風(fēng)電機組及入網(wǎng)安全穩(wěn)定運行的重要環(huán)節(jié)［49］?，F(xiàn)有文獻(xiàn)中多采用基于樣本訓(xùn)練的在線變流器的智能故障診斷方法，如文獻(xiàn)［50-51］對雙饋型風(fēng)電機組變頻器的故障進(jìn)行了分類，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，但計算復(fù)雜較難實現(xiàn)。文獻(xiàn)［52］選擇風(fēng)電變流器故障電流，處理后作為小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本和檢測樣本，改進(jìn)算法的小波神經(jīng)網(wǎng)絡(luò)可以克服傳統(tǒng)故障檢測方法在發(fā)電機同步運行時出現(xiàn)故障后誤報的問題，且提高了在亞同步和超同步時發(fā)生故障時的診斷精度。上述研究主要側(cè)重于風(fēng)電變流器的故障診斷，然而，由于風(fēng)速的不確定性，風(fēng)電變流器運行的可靠性受機側(cè)變流器低頻運行和風(fēng)速隨機波動影響較為嚴(yán)重，變流器輸出功率變化很大，使得功率器件運行在不同載荷水平下，可能導(dǎo)致器件結(jié)溫的變化，功率器件會承受長期、頻繁的不均衡電熱應(yīng)力，造成疲勞累積，導(dǎo)致焊料開裂、焊線脫落等故障現(xiàn)象發(fā)生。圖13所示為11 m/s的湍流風(fēng)速及雙饋風(fēng)電機組的機側(cè)變流器IGBT結(jié)溫變化情況［53］，可見IGBT功率器件在整個變流器壽命周期內(nèi)需要承受頻繁波動且幅值為20°C的結(jié)溫?zé)嵫h(huán)，不可避免地將加快器件老化和失效速度，因此，基于疲勞、失效機理的風(fēng)電變流器的器件的在線狀態(tài)監(jiān)測應(yīng)該引起關(guān)注。目前關(guān)于功率器件的該領(lǐng)域研究比較少見，文獻(xiàn)［54］研究了IGBT功率循環(huán)前后其柵極閥電壓、跨導(dǎo)及通態(tài)壓降隨溫度變化的特性，實驗表明：柵極閥電壓、跨導(dǎo)、導(dǎo)通壓降這3個電參數(shù)可作為IGBT模塊的狀態(tài)監(jiān)測特征參量。然而，由于其端部信號變化微弱以及可能的其他因素（如溫度）導(dǎo)致其變化，再加上測量工具固有的誤差，實際應(yīng)用中存在困難。

圖13 11 m/s的湍流風(fēng)速及機側(cè)變流器IGBT結(jié)溫Fig.13 Temperature of rotor-side IGBT junction at 11 m/s turbulent wind speed

b.變槳系統(tǒng)。關(guān)于變槳系統(tǒng)的故障診斷研究較少，變槳系統(tǒng)轉(zhuǎn)速極低，運行不連續(xù)，負(fù)載隨機，對其在線狀態(tài)監(jiān)測可采用振動分析或發(fā)電機的電流信號進(jìn)行分析［55］。另外，考慮基于單一參量的絕對閾值評估方法，可能導(dǎo)致現(xiàn)有變槳系統(tǒng)狀態(tài)監(jiān)測方法不能及時準(zhǔn)確地在線判斷其異常狀態(tài)的問題，文獻(xiàn)［56］利用Relief方法挖掘出表征變槳系統(tǒng)狀態(tài)的主要特征量，并提出基于多參量距離的變槳系統(tǒng)狀態(tài)異常識別方法，異常識別流程如圖14所示。首先，通過機組SCADA系統(tǒng)的歷史監(jiān)測數(shù)據(jù)，基于Relief方法挖掘變槳系統(tǒng)特征參量向量F；然后，按照挖掘出的特征參量向量F選擇SCADA系統(tǒng)的實時監(jiān)測數(shù)據(jù)作為F的測量值向量（記為AF），并實時計算出AF與相應(yīng)特征參量回歸模型輸出的觀測值向量（記為A′F）的距離（記為δ），從而根據(jù)此特征參量的距離是否超出其閾值（距離閾值記為τ）來識別變槳系統(tǒng)的異常狀態(tài)。其中，AF-1和A′F-1分別為歸一化處理后的特征參數(shù)向量的測量值向量和觀測值向量。最后，通過實例驗證，在選取合適的距離閾值條件下，比單參數(shù)絕對閾值的評估方法更能準(zhǔn)確地識別其異常狀態(tài)，可在線識別出變槳系統(tǒng)的狀態(tài)異常情況。

圖14 基于多參量距離的變槳系統(tǒng)異常識別流程圖Fig.14 Flowchart of abnormality identification based on multiple parameter distances for electric pitch system

4 結(jié)語與展望

隨著大功率風(fēng)電機組安裝與并網(wǎng)運行，對其運行可靠性將提出更高的要求，必將促進(jìn)風(fēng)電機組狀態(tài)監(jiān)測與故障診斷技術(shù)進(jìn)一步發(fā)展。本文對風(fēng)電機組整機狀態(tài)評估和故障預(yù)測方法以及其關(guān)鍵部件故障診斷的研究現(xiàn)狀進(jìn)行綜述，綜合分析了現(xiàn)有的風(fēng)電機組狀態(tài)監(jiān)測與故障診斷技術(shù)研究現(xiàn)狀和存在的不足，提出以下研究要點及趨勢。

（1）對于地處偏遠(yuǎn)、交通不便的陸地風(fēng)電機組和受復(fù)雜運行環(huán)境約束的海上風(fēng)電機組往往存在故障診斷難、維修時間長等問題。通過對風(fēng)電機組故障統(tǒng)計情況分析可知，除了對導(dǎo)致停機時間長的機械系統(tǒng)等部件關(guān)注的同時，還應(yīng)對故障頻率高的電氣部件引起高度重視，如變流器、變槳系統(tǒng)等，對電氣系統(tǒng)的在線監(jiān)測和故障診斷技術(shù)研究可能是今后的發(fā)展趨勢之一。

（2）受隨機風(fēng)速大小和風(fēng)向隨機變化影響，風(fēng)電機組SCADA等監(jiān)測信息呈現(xiàn)出頻繁的波動性和不確定性，基于數(shù)據(jù)挖掘的整機綜合狀態(tài)評估和故障預(yù)測可能是今后的研究趨勢。如，應(yīng)用數(shù)據(jù)挖掘技術(shù)，考慮原始運行數(shù)據(jù)波動性和間歇性，探索基于監(jiān)測數(shù)據(jù)的風(fēng)電機組整機運行狀態(tài)漸變規(guī)律的新方法，制定出整機長期和短期狀態(tài)趨勢變化的定量指標(biāo)。另外，還可以考慮監(jiān)測數(shù)據(jù)不同時間尺度固有特點，研究基于數(shù)據(jù)驅(qū)動方法的整機故障預(yù)測方法，獲取整機的在線運行狀態(tài)和剩余運行時間。

（3）從風(fēng)電機組關(guān)鍵部件的故障診斷研究現(xiàn)狀分析情況可知，現(xiàn)有的方法各有優(yōu)缺點和局限性，如何準(zhǔn)確地從監(jiān)測數(shù)據(jù)中提取故障特征以提高故障診斷的精確度，研究多類故障診斷技術(shù)將可能是今后的研究熱點。近期可能的研究趨勢如下。

①基于電氣特征量的關(guān)鍵部件狀態(tài)監(jiān)測和故障診斷研究。風(fēng)電機組是一個機電耦合較強系統(tǒng)，任何機械和電氣故障勢必會在電氣特征量中有所反映，如當(dāng)齒輪箱齒輪、各部件的軸承損壞，發(fā)電機定子和轉(zhuǎn)子的匝間短路和相間短路等故障發(fā)生時，會不同程度地引起發(fā)電機轉(zhuǎn)軸振動，進(jìn)一步改變氣隙分布情況，進(jìn)而將故障特征信息疊加在定子和轉(zhuǎn)子的電氣特征量上。如何基于電氣特征量，尋求各類故障的機理和演化規(guī)律，特別是揭示異常的根源，實現(xiàn)有效故障診斷需進(jìn)一步深入研究。

②多參數(shù)信息融合的關(guān)鍵部件狀態(tài)監(jiān)測和故障診斷研究。目前，單一參數(shù)信息含量有限或者故障特征提取較難，很難準(zhǔn)確反映關(guān)鍵部件的異常狀態(tài)，特別是早期的潛在故障?？煽紤]充分利用多類型參數(shù)信息，依據(jù)某種方法實現(xiàn)時空冗余和互補信息融合，獲取更為準(zhǔn)確關(guān)鍵部件狀態(tài)監(jiān)測和故障診斷結(jié)果，如行星輪的通過效應(yīng)或行星架和太陽輪的旋轉(zhuǎn)對嚙合振動產(chǎn)生額外的調(diào)幅作用，導(dǎo)致橫向振動信號的頻譜結(jié)構(gòu)非常復(fù)雜，需借助于復(fù)雜的故障特征提取方法實現(xiàn)對故障頻率的提取，而扭轉(zhuǎn)振動信號不受這些額外的調(diào)幅效應(yīng)影響，使得頻譜結(jié)構(gòu)更加簡單，但是扭振振動信號還可能受測量誤差和噪聲干擾等影響，提取的故障特征準(zhǔn)確性會受到影響。然而，對這2類特征量的監(jiān)測信息，采用基于信息融合的故障特征提取方法，可能會獲得更準(zhǔn)確的故障診斷結(jié)果。

③基于老化失效過程的關(guān)鍵部件狀態(tài)評估和故障預(yù)測研究。受隨機風(fēng)速大小和風(fēng)向隨機變化影響，電氣系統(tǒng)老化失效過程存在不確定性和難預(yù)測性，有必要開展基于老化失效過程的電氣部件狀態(tài)評估和故障預(yù)測研究，如探索關(guān)鍵部件在運行過程的不同階段的磨損、老化和失效過程的一般規(guī)律，研究關(guān)鍵部件狀態(tài)評估和故障預(yù)測方法，如變流器功率器件作為整個系統(tǒng)中故障發(fā)生率高且較為脆弱的部件之一，在掌握其不同運行階段的磨損、老化和失效過程的一般規(guī)律基礎(chǔ)上，考慮變流器功率器件的應(yīng)力分布、疲勞積累，以及在非平穩(wěn)工況導(dǎo)致的功率器件結(jié)溫大幅度波動等因素，從狀態(tài)監(jiān)測角度研究出適合功率器件在線狀態(tài)評估、運行可靠性以及故障預(yù)測建模的新方法。

［1］董玉亮，李亞瓊，曹海斌，等.基于運行工況辨識的風(fēng)電機組健康狀態(tài)實時評價方法［J］. 中國電機工程學(xué)報，2013，33（11）：88-95.DONG Yuliang，LI Yaqiong，CAO Haibin，et al.Real-time health condition evaluation on wind turbinesbased on operational condition recognition［J］.Proceedings of the CSEE，2013，33（11）：88-95.

［2］TCHAKOUAP，WAMKEUER，OUHROUCHEM，etal.Wind turbinecondition monitoring：state-of-the-artreview，new trends and future challenges［J］.Energies，2014，7（4）：2595-2630.

［3］CHEN Z，GUERRERO J M，BLAABJERG F，et al.A review of the state of the art of power electronics for wind turbines［J］.IEEE Trans on Power Electronics，2009，24（8）：1859-1875.

［4］HAHN B，DURSTEWITZ M，ROHRIG K.Reliability of wind turbines［M］.Berlin，Germany：Springer，2007：329-332.

［5］劉昊，柳亦兵，辛衛(wèi)東，等.基于運行數(shù)據(jù)的風(fēng)力發(fā)電機組功率特性分析［J］. 電網(wǎng)與清潔能源，2009，25（7）：53-56.LIU Hao，LIU Yibing，XIN Weidong，et al.Wind turbine power performance based on the operation data［J］.Power System and Clean Energy，2009，25（7）：53-56.

［6］GILL S，STEPHEN B，GALLOWAY S.Wind turbine condition assessment through power curve Copula modeling［J］.IEEE Trans on Sustainable Energy，2012，3（1）：94-101.

［7］KUSIAK A，ANDRE W，ANOOP V.Monitoring wind farms with performance curves［J］.IEEE Transactions on Sustainable Energy，2013，4（1）：192-199.

［8］YANG W，COURT R，JIANG J.Wind turbine condition monitoring by the approach of SCADA data analysis［J］.Renewable Energy，2013，53：365-376.

［9］ZAHER A，MCARTHUR S D J，INFIELD D G.Online wind turbine fault detection through automated SCADA data analysis［J］.Wind Energy，2009，12（6）：574-593.

［10］LI Jian，LEI Xiao，LI Hui，et al.Normal behavior models for the condition assessment of wind turbine generator systems［J］.Electric Power Components and Systems，2014，42（11）：1201-1212.

［11］李輝，胡姚剛，楊超，等.并網(wǎng)風(fēng)電機組運行狀態(tài)的物元評估方法［J］.電力系統(tǒng)自動化，2011，35（6）：81-85.LIHui，HU Yaogang，YANG Chao，etal.A matter-element assessment method of a grid-connected wind turbine driven generator system under on-line operating conditions［J］.Automation of Electric Power Systems，2011，35（6）：81-85.

［12］李輝，胡姚剛，唐顯虎，等.并網(wǎng)風(fēng)電機組在線運行狀態(tài)評估方法［J］. 中國電機工程學(xué)報，2010，30（33）：103-109.LI Hui，HU Yaogang，TANG Xianhu，et al.Method for on-line operating conditions assessmentfora grid-connected wind turbine generator system［J］.Proceedings of the CSEE，2010，30（33）：103-109.

［13］肖運啟，王昆朋，賀貫舉，等.基于趨勢預(yù)測的大型風(fēng)電機組運行狀態(tài)模糊綜合評價［J］. 中國電機工程學(xué)報，2014，34（13）：103-109.XIAO Yunqi，WANG Kunpeng，HE Guanju，et al.Fuzzy comprehensive evaluation foroperating condition oflarge-scale wind turbines based on trend predication［J］.Proceedings of the CSEE，2014，34（13）：103-109.

［14］王志國，馬一太，楊昭，等.風(fēng)力發(fā)電機組性能分析的模糊綜合評判方法［J］.太陽能學(xué)報，2004，25（2）：177-181.WANG Zhiguo，MA Yitai，YANG Zhao，et al.Fuzzy comprehensive evaluation method of wind power generation unit［J］.Acta Energiae Solaris Sinica，2004，25（2）：177-181.

［15］郭建斌，聞源長.基于AHP方法的在役風(fēng)電機組安全檢測技術(shù)研究［J］.能源研究與利用，2008，4（4）：36-39.GUO Jianbin，WEN Yuanchang.The safety detect technique research of using wind set based on AHP method［J］.Energy Research and Utilization，2008，4（4）：36-39.

［16］熊浩，孫才新，杜鵬，等.基于物元理論的電力變壓器狀態(tài)綜合評估［J］.重慶大學(xué)學(xué)報，2006，29（10）：24-28.XIONG Hao，SUN Caixin，DU Peng，et al.Synthetic assessment of power transformer condition based on matter-element theory［J］.Journal of Chongqing University，2006，29（10）：24-28.

［17］彭宇，劉大同，彭喜元.故障預(yù)測與健康管理技術(shù)綜述［J］.電子測量與儀器學(xué)報，2010，24（1）：1-9.PENG Yu，LIU Datong，PENG Xiyuan.A review：prognostics and health management［J］.Journal of Electronic Measurement and Instrument，2010，24（1）：1-9.

［18］芮曉明，張穆勇，霍娟.試運行期間風(fēng)電機組平均故障間隔時間的估計［J］. 中國電機工程學(xué)報，2014，34（21）：3475-3480.RUI Xiaoming，ZHANG Muyong，HUO Juan.An estimation method of wind turbines’mean time between failures during the trial operation period［J］.Proceedings of the CSEE，2014，34（21）：3475-3480.

［19］孫永全，郭建英，陳洪科，等.兆瓦級直驅(qū)風(fēng)力發(fā)電機組可靠性增長預(yù)測［J］. 中國電機工程學(xué)報，2010，30（18）：67-71.SUN Yongquan，GUO Jianying，CHEN Hongke，et al.MW level direct-driven wind turbine reliability growth prediction［J］.Proceedings of the CSEE，2010，30（18）：67-71.

［20］趙洪山，胡慶春，李志為.基于統(tǒng)計過程控制的風(fēng)機齒輪箱故障預(yù)測［J］. 電力系統(tǒng)保護(hù)與控制，2012，40（13）：67-73.ZHAO Hongshan，HU Qingchun，LI Zhiwei.Failure prediction of wind turbine gearbox based on statistical process control［J］.Power System Protection and Control，2012，40（13）：67-73.

［21］馬玉峰.風(fēng)電機組齒輪箱故障趨勢預(yù)測方法研究［D］.保定：華北電力大學(xué)，2013.MA Yufeng.Research on fault trend prediction method wind turbine gearbox［D］.Baoding：North China Electric Power University，2013.

［22］馬濤.基于振動信號的大型風(fēng)力發(fā)電機齒輪箱健康狀態(tài)預(yù)測研究［D］. 沈陽：沈陽工業(yè)大學(xué)，2013.MA Tao.Research on megawatt wind generator gearbox health state prediction based on vibration signal［D］.Shenyang：Shenyang University of Technology，2013.

［23］王斐斐.基于狀態(tài)監(jiān)測信息的風(fēng)電機組齒輪箱故障預(yù)測研究［D］. 保定：華北電力大學(xué)，2012.WANG Feifei.Research on wind turbine fault prediction based on monitoring information［D］.Baoding：North China Electric Power University，2012.

［24］吳建軍，楊俊華，楊夢麗，等.風(fēng)力發(fā)電機狀態(tài)預(yù)測與故障診斷的研究［J］. 華東電力，2013，41（12）：2561-2566.WU Jianjun，YANG Junhua，YANG Mengli，et al.State prediction and fault diagnosis of wind turbines［J］.East China Electric Power，2013，41（12）：2561-2566.

［25］張小田，鄢盛騰，周雪青，等.基于狀態(tài)監(jiān)測的風(fēng)電機組主軸承早期故障預(yù)測方法［J］. 廣東電力，2012，25（11）：6-9，50.ZHANG Xiaotian，YAN Shengteng，ZHOU Xueqing，et al.Early stage failure forecast method for main bearing of wind turbine based on state monitoring［J］.Guangdong Electric Power，2012，25（11）：6-9，50.

［26］BANGALORE P，TJERNBERG L B.An approach for self-evolving neural network based algorithm for fault prognosis in wind turbine［C］∥2013 IEEE PowerTech（POWERTECH）.Grenoble，F(xiàn)rance：［s.n.］，2013：1-6.

［27］梁穎，方瑞明.基于SCADA和支持向量回歸的風(fēng)電機組狀態(tài)在線評估方法［J］. 電力系統(tǒng)自動化，2013，37（14）：7-12.LIANG Ying，F(xiàn)ANG Ruiming.An online wind turbine condition assessment method based on SCADA and support vector regression［J］.Automation of Electric Power Systems，2013，37（14）：7-12.

［28］BEATTIE A G.Acoustic emission principals and instrumentation［J］.Journal of Acoustic Emission，1983（2）：95-128.

［29］周勃，陳長征，趙新光，等.風(fēng)力機葉片蒙皮初始裂紋的盲信號提?。跩］. 儀器儀表學(xué)報，2012，33（7）：1483-1489.ZHOU Bo，CHEN Changzheng，ZHAO Xinguang，etal.Blind signal extraction for initial crack on blade skin of wind turbine［J］.Chinese Journal of Scientific Instrument，2012，33（7）：1483-1489.

［30］陳長征，趙新光，周勃，等.風(fēng)電機組葉片裂紋故障特征提取方法［J］. 中國電機工程學(xué)報，2013，33（2）：112-117.CHEN Changzheng，ZHAO Xinguang，ZHOU Bo，et al.Study on extracting crack fault feature of wind turbine blades［J］.Proceedings of the CSEE，2013，33（2）：112-117.

［31］CASELITZ P，GIEBHARDT J.Rotor condition monitoring for improved operational safety of offshore wind energy converters［J］.Journal of Solar Energy Engineering，2005，127（2）：253-261.

［32］楊濤，任永，劉霞，等.風(fēng)力機葉輪質(zhì)量不平衡故障建模及仿真研究［J］.機械工程學(xué)報，2012，48（6）：130-135.YANG Tao，REN Yong，LIU Xia，et al.Research on the modeling and simulation of wind turbine rotor imbalance fault［J］.Journal of Mechanical Engineering，2012，48（6）：130-135.

［33］唐新安，謝志明，王哲，等.風(fēng)力發(fā)電機組齒輪箱振動測試與分析［J］.電氣制造，2010（11）：72-74.TANG Xin’an，XIE Zhiming，WANG Zhe，et al.Wind turbine gearbox vibration test and analysis［J］.Electric Manufacture，2010（11）：72-74.

［34］張照煌，丁顯，劉曼，等.基于小波變換的風(fēng)電機組傳動系統(tǒng)故障診斷與分析［J］.應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報，2011，19（增刊）：210-218.ZHANG Zhaohuang，DING Xian，LIU Man，etal.Based on wavelettransform offaultdiagnosisand analysisofwind generator transmission system［J］.Journal of Basic Science and Engineering，2011，19（Supplement）：210-218.

［35］唐新安，謝志明，王哲，等.風(fēng)力機齒輪箱故障診斷［J］.噪聲與振動控制，2007，27（1）：120-124.TANG Xin’an，XIE Zhiming，WANG Zhe，et al.Fault diagnosis of gearbox for wind turbine［J］.Noise and Vibration Control，2007，27（1）：120-124.

［36］BARSZCZ T，RANDALL R B.Application of spectral kurtosis for detection of a tooth crack in the planetary gear of a wind turbine［J］.Mechanical Systems and Signal Processing，2009，23（4）：1352-1365.

［37］姜香菊，劉二林.小波神經(jīng)網(wǎng)絡(luò)對風(fēng)力發(fā)電機齒輪箱的故障診斷［J］. 自動化儀表，2012，33（4）：9-12.JIANG Xiangju，LIU Erlin.Fault diagnosis based on wavelet neural network for gearbox in wind generator［J］.Process Automation Instrumentation，2012，33（4）：9-12.

［38］胡姚剛.并網(wǎng)風(fēng)力發(fā)電機組的運行狀態(tài)評估［D］.重慶：重慶大學(xué)，2011.HU Yaogang.Operating conditions assessment for a grid-connected wind turbine generator system［D］.Chongqing：Chongqing University，2011.

［39］郭鵬，李淋淋，馬登昌.基于IPSO-BP的風(fēng)電機組齒輪箱狀態(tài)監(jiān)測研究［J］. 太陽能學(xué)報，2012，33（3）：439-445.GUO Peng，LI Linlin，MA Dengchang.Wind turbine gearbox condition monitoring with IPSO-BP［J］.Acta Energiae Solaris Sinica，2012，33（3）：439-445.

［40］郭鵬，INFIELD D，楊錫運.風(fēng)電機組齒輪箱溫度趨勢狀態(tài)監(jiān)測及分析方法［J］. 中國電機工程學(xué)報，2011，31（32）：129-136.GUO Peng，INFIELD D，YANG Xiyun.Wind turbine gearbox condition monitoring using temperature trend analysis［J］.Proceedings of the CSEE，2011，31（32）：129-136.

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

［42］MOHANTY A R，CHINMAYA K.Fault detection in a multistage gearbox by demodulation of motor current waveform ［J］.IEEE Transactions on Industrial Electronics，2006，53（4）：1285-1297.

［43］孫玉彬，金聲超，梁培沛，等.油液監(jiān)測技術(shù)在風(fēng)電機組中的應(yīng)用分析［J］. 風(fēng)能，2014（2）：76-79.SUN Yubin，JIN Shengchao，LIANG Peipei，et al.Analysis on application of oil monitoring technology in wind turbine ［J］.Wind Energy，2014（2）：76-79.

［44］SHAH D，NANDI S，NETI P.Stator-interturn-fault detection of doubly fed induction generators using rotor-current and searchcoil-voltage signature analysis［J］.IEEE Transactions on Industry Applications，2009，45（5）：1831-1842.

［45］魏書榮，符楊，馬宏忠，等.雙饋風(fēng)力發(fā)電機定子繞組匝間短路診斷與實驗研究［J］. 電力系統(tǒng)保護(hù)與控制，2010，38（11）：25-28.WEI Shurong，F(xiàn)U Yang，MA Hongzhong，et al.Stator winding inter-turn short-circuit diagnosis and experimental research on doubly-fed wind generator［J］.Power System Protection and Control，2010，38（11）：25-28.

［46］何山，王維慶，張新燕，等.基于類神經(jīng)網(wǎng)絡(luò)的MW永磁風(fēng)力發(fā)電機短路故障智能診斷［J］. 電機與控制應(yīng)用，2011，38（9）：24-29.HE Shan，WANG Weiqing，ZHANG Xinyan，et al.Short circuit fault intelligent diagnosis of MW permanent magnet wind power generator based on artificial neural network［J］.Electric Machines＆ Control Application，2011，38（9）：24-29.

［47］錢雅云，馬宏忠.雙饋異步電機故障診斷方法綜述［J］.大電機技術(shù)，2011（5）：5-8.QIAN Yayun，MA Hongzhong.A survey of fault diagnosis method for doubly-fed induction motor［J］.Large Electric Machine and Hydraulic Turbine，2011（5）：5-8.

［48］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 Oil Energy Conversion，2010，25（3）：715-721.

［49］李輝，季海婷，秦星，等.考慮運行功率變化影響的風(fēng)電變流器可靠性評估［J］.電力自動化設(shè)備，2015，35（5）：1-8.LI Hui，JI Haiting，QIN Xing，et al.Reliability evaluation considering operational active power variation of wind power converter［J］.Electric Power Automation Equipment，2015，35（5）：1-8.

［50］于輝，鄧英.變速風(fēng)力發(fā)電機變流器故障診斷方法［J］.可再生能源，2010，28（3）：89-92.YU Hui，DENG Ying.The diagnosis method for converter fault of the variable speed wind turbine［J］.Renewable Energy Resources，2010，28（3）：89-92.

［51］王占霞，張曉波.基于SOM網(wǎng)的風(fēng)電變流器故障診斷［J］.電網(wǎng)與清潔能源，2011，27（4）：35-38.WANG Zhanxia，ZHANG Xiaobo.Fault diagnosis of wind turbine’s converter based on SOM neural net［J］.Power System and Clean Energy，2011，27（4）：35-38.

［52］段其昌，張亮，袁景明，等.改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)算法對變流器的故障診斷方法［J］. 計算機應(yīng)用，2011，31（8）：2143-2145.DUAN Qichang，ZHANG Liang，YUAN Jingming，etal.Fault diagnostic method for power converter based on wavelet neural network with improved algorithm［J］.Journal of Computer Applications，2011，31（8）：2143-2145.

［53］李輝，秦星，劉盛權(quán)，等.雙饋風(fēng)電變流器IGBT模塊功率循環(huán)能力評估［J］. 電力自動化設(shè)備，2015，35（1）：6-12.LI Hui，QIN Xing，LIU Shengquan，et al.Assessment of power cycling capability for converter IGBT module of DFIG system［J］.Electric Power Automation Equipment，2015，35（1）：6-12.

［54］PATIL N，DAS D，GOEBEL K，et al.Identification of failure precursorparametersforInsulated Gate BipolarTransistors（IGBTs）［C］∥2008 IEEE International Conference on Prognostics and Health Management，Marriott Tech Center.Denver，CO，USA：［s.n.］，2008：1-5.

［55］陳雪峰，李繼猛，程航，等.風(fēng)力發(fā)電機狀態(tài)監(jiān)測和故障診斷技術(shù)的研究與進(jìn)展［J］. 機械工程學(xué)報，2011，47（9）：45-52.CHEN Xuefeng，LI Jimeng，CHENG Hang，et al.Research and application of condition monitoring and fault diagnosis technology in wind turbines［J］.Journal of Mechanical Engineering，2011，47（9）：45-52.

［56］李輝，楊超，李學(xué)偉，等.風(fēng)機電動變槳系統(tǒng)狀態(tài)特征參量挖掘及異常識別［J］. 中國電機工程學(xué)報，2014，34（12）：1922-1930.LI Hui，YANG Chao，LI Xuewei，et al.Conditions characteristic parameters mining and outlier identification for electric pitch system of wind turbine［J］.Proceedings of the CSEE，2014，34（12）：1922-1930.