李洪川，王旭東，王東明，陳乃超，潘衛(wèi)國(guó)

（1.甘肅中電投新能源發(fā)電有限責(zé)任公司，甘肅蘭州 7 300601；2.上海電力大學(xué)能源與機(jī)械工程學(xué)院，上海 200090）

0 引言

為達(dá)到碳達(dá)峰與碳中和目標(biāo)，在我國(guó)的“十四五”規(guī)劃中，風(fēng)電技術(shù)成為實(shí)現(xiàn)碳中和國(guó)家戰(zhàn)略的重要手段，提出年均新增裝機(jī)5000萬(wàn)千瓦以上。2025年后，風(fēng)電年均新增裝機(jī)容量不低于6000萬(wàn)千瓦，2030年至少達(dá)到8億千瓦，2060年至少達(dá)到30億千瓦。2020年，全國(guó)風(fēng)電新增并網(wǎng)裝機(jī)7167萬(wàn)千瓦，其中陸上風(fēng)電新增裝機(jī)6861萬(wàn)千瓦、海上風(fēng)電新增裝機(jī)306萬(wàn)千瓦。截至2020年底，全國(guó)風(fēng)電累計(jì)裝機(jī)2.81億千瓦，其中陸上風(fēng)電累計(jì)裝機(jī)2.71億千瓦、海上風(fēng)電累計(jì)裝機(jī)約900萬(wàn)千瓦[1]。我國(guó)風(fēng)電規(guī)模日益擴(kuò)大，新機(jī)組不斷投運(yùn)，由于風(fēng)力發(fā)電影響因素較多，導(dǎo)致風(fēng)力發(fā)電機(jī)組設(shè)備結(jié)構(gòu)和運(yùn)行較為復(fù)雜；載荷多變、負(fù)載較大、功率較高等特點(diǎn)，并且子系統(tǒng)數(shù)量多、機(jī)械和電氣結(jié)構(gòu)較多，風(fēng)力發(fā)電機(jī)組在運(yùn)行中容易產(chǎn)生故障、機(jī)組故障率較高，嚴(yán)重影響風(fēng)電場(chǎng)運(yùn)行效率。另外，電動(dòng)變槳系統(tǒng)因結(jié)構(gòu)緊湊、可靠等特點(diǎn)成為主流[2]。

電動(dòng)變槳系統(tǒng)作為風(fēng)力發(fā)電機(jī)組的關(guān)鍵控制部件，其故障已成為機(jī)組停機(jī)的主要原因之一。降低風(fēng)力發(fā)電機(jī)組電動(dòng)變槳系統(tǒng)故障率和故障停機(jī)時(shí)間，減少運(yùn)維成本，提高發(fā)電率和經(jīng)濟(jì)效益，已成為風(fēng)力發(fā)電投資、建設(shè)、運(yùn)營(yíng)維護(hù)需要解決的問(wèn)題。因此，研究和掌握風(fēng)電機(jī)組電動(dòng)變槳的故障分析和診斷技術(shù)具有重要意義。

本文將針對(duì)風(fēng)力發(fā)電機(jī)電動(dòng)變槳系統(tǒng)故障及其故障診斷方法進(jìn)行詳細(xì)描述，分析風(fēng)力發(fā)電機(jī)電動(dòng)變槳系統(tǒng)故障診斷在模型分析、數(shù)據(jù)處理、故障樹(shù)以及人工智能等方法的研究。

1 電動(dòng)變槳系統(tǒng)基本結(jié)構(gòu)及常見(jiàn)故障類(lèi)型

1.1 電動(dòng)變槳系統(tǒng)基本結(jié)構(gòu)

現(xiàn)代大型風(fēng)力發(fā)電機(jī)組一般采用三葉片方式，每個(gè)葉片分別配備獨(dú)立的電動(dòng)變槳距系統(tǒng)，一般由3套相同機(jī)構(gòu)組成，包括變槳距伺服電機(jī)、伺服驅(qū)動(dòng)器、減速器、葉片變槳距軸承、獨(dú)立的軸控制箱和輪轂主控系統(tǒng)、蓄電池、傳感器部分等。其中，傳感器部分包括槳葉角位置傳感器（葉片編碼器和電機(jī)編碼器）和兩個(gè)限位開(kāi)關(guān)；伺服電機(jī)連接減速器，通過(guò)主動(dòng)齒輪與變槳距軸承內(nèi)齒圈相嚙合，帶動(dòng)槳葉進(jìn)行轉(zhuǎn)動(dòng)，實(shí)現(xiàn)對(duì)葉片槳距角的控制。

1.2 電動(dòng)變槳系統(tǒng)常見(jiàn)故障及發(fā)生原因

據(jù)統(tǒng)計(jì)變槳系統(tǒng)是風(fēng)力發(fā)電機(jī)組故障發(fā)生率較高的部件[3]。變槳系統(tǒng)作為風(fēng)力發(fā)電機(jī)的核心部件，其故障率甚至高于齒輪箱和軸承這些機(jī)械子系統(tǒng)。變槳系統(tǒng)的損壞不僅增加了運(yùn)行維護(hù)成本，還嚴(yán)重影響了風(fēng)電場(chǎng)運(yùn)行效率[4]。因此，及時(shí)準(zhǔn)確診斷出變槳系統(tǒng)故障，并采取相應(yīng)舉措，對(duì)于機(jī)組穩(wěn)定安全運(yùn)行至關(guān)重要。目前，實(shí)際運(yùn)行過(guò)程中，變槳系統(tǒng)常見(jiàn)故障主要表現(xiàn)為[5-6]：

（1）變頻器（變槳驅(qū)動(dòng)器）故障。故障主要原因有變頻器通信中斷、絕緣柵雙極型晶體管損壞、控制板件和動(dòng)力回路接線(xiàn)損壞等。

（2）蓄電池故障。高低溫都會(huì)對(duì)鉛蓄電池產(chǎn)生極大影響，高溫會(huì)引起腐蝕、析氣，長(zhǎng)期低溫導(dǎo)致放電能力下降，壽命縮短。

（3）變槳電機(jī)故障。除了電機(jī)線(xiàn)圈斷線(xiàn)，碳刷磨損這些電機(jī)自身原因，變頻器損壞、限位開(kāi)關(guān)和編碼器故障長(zhǎng)時(shí)間不解決會(huì)導(dǎo)致電機(jī)過(guò)載損壞。

（4）角度編碼器故障。螺絲松動(dòng)、接線(xiàn)不良均會(huì)發(fā)生故障。

（5）滑環(huán)故障?；h(huán)連接輪轂和機(jī)艙的電源和通信線(xiàn)路，當(dāng)滑環(huán)故障時(shí)會(huì)引發(fā)相關(guān)的變頻器通信故障、蓄電池控制失效及變頻器損壞等一系列連鎖反應(yīng)。

（6）變槳限位開(kāi)關(guān)故障。限位開(kāi)關(guān)接線(xiàn)回路松動(dòng)、導(dǎo)線(xiàn)折斷導(dǎo)致的限位開(kāi)關(guān)不返回、位置不精確，進(jìn)而造成變槳電機(jī)和變頻器的損壞。

2 電動(dòng)變槳系統(tǒng)故障診斷研究

故障診斷的難點(diǎn)之一在于對(duì)獲得數(shù)據(jù)的處理，傳統(tǒng)的診斷方法多是基于物理模型，利用測(cè)量獲得數(shù)據(jù)，進(jìn)行參數(shù)辨識(shí)，建立參數(shù)與故障對(duì)應(yīng)的關(guān)系，獲得故障類(lèi)型和位置。隨著技術(shù)的發(fā)展，尤其大數(shù)據(jù)和人工智能的發(fā)展，故障診斷技術(shù)也發(fā)生了較大變化。因此，本文將針對(duì)電動(dòng)變槳系統(tǒng)故障診斷，通過(guò)模型和數(shù)據(jù)分析兩類(lèi)不同的方法進(jìn)行論述。

2.1 基于分析模型的故障診斷

基于分析模型的故障檢測(cè)和診斷方法是通過(guò)系統(tǒng)實(shí)際行為與基于模型的預(yù)期行為的差異的分析與比較，檢測(cè)系統(tǒng)是否發(fā)生故障，并對(duì)故障發(fā)生部位、故障的大小及類(lèi)型進(jìn)行診斷。與基于信號(hào)的故障診斷方法相比，基于模型的故障診斷算法能夠提高針對(duì)錯(cuò)誤決策的恢復(fù)能力?；谀Ｐ偷淖儤到y(tǒng)的故障診斷，目前國(guó)內(nèi)外已有很多的研究。

研究發(fā)現(xiàn)，采用可擴(kuò)展的卡爾曼濾波器可以針對(duì)變槳執(zhí)行器卡死、傳感器偏差和失效等早期故障進(jìn)行診斷[7]。同時(shí)，將H∞范數(shù)被引入作為閾值，利用線(xiàn)性矩陣不等式，求解最優(yōu)H∞范數(shù)，系統(tǒng)模型的魯棒性更強(qiáng)[8]。為了提高檢測(cè)速度，及時(shí)響應(yīng)外界變化，提出在時(shí)間域內(nèi)快速檢測(cè)葉片變槳執(zhí)行器和傳感器的故障，將故障發(fā)生前后進(jìn)行比較，采用卡爾曼濾波器和基于H∞優(yōu)化的閾值進(jìn)行殘差評(píng)價(jià)[9]；在此基礎(chǔ)上，提出基于推理的故障隔離算法，能夠確定故障類(lèi)型、位置、大小和時(shí)間，同時(shí)對(duì)再控制器模塊的容錯(cuò)控制器控制，以避免外部負(fù)載的影響[10]。在進(jìn)一步的研究中，引入到多維空間，將變槳系統(tǒng)模型轉(zhuǎn)變?yōu)榭杀孀R(shí)的狀態(tài)空間模型，結(jié)合狀態(tài)觀測(cè)器實(shí)現(xiàn)系統(tǒng)狀態(tài)和參數(shù)的交互估計(jì)[11]。采用多新息隨機(jī)梯度辨識(shí)算法（MISG）對(duì)系統(tǒng)狀態(tài)和參數(shù)進(jìn)行估計(jì)，將系統(tǒng)故障診斷問(wèn)題轉(zhuǎn)化為系統(tǒng)辨識(shí)問(wèn)題。針對(duì)執(zhí)行機(jī)構(gòu)和槳距角傳感器故障，提出了自適應(yīng)解耦觀測(cè)器，可以有效解決狀態(tài)估計(jì)與故障估計(jì)相互耦合的問(wèn)題，實(shí)現(xiàn)對(duì)白噪聲不敏感而對(duì)故障參數(shù)敏感的殘差信號(hào)，建立故障評(píng)價(jià)函數(shù)和決策方案[12]。此外，針對(duì)耦合問(wèn)題，通過(guò)坐標(biāo)變換將故障子系統(tǒng)與系統(tǒng)的其余部分解耦，通過(guò)降階未知輸入觀測(cè)器（RUIO）去除干擾和不確定性，利用降階滑動(dòng)模式觀測(cè)器（RSMO）能有效估計(jì)執(zhí)行器和傳感器故障[13]。針對(duì)變槳電機(jī)編碼器的故障，感應(yīng)電機(jī)驅(qū)動(dòng)中編碼器測(cè)量到的轉(zhuǎn)子轉(zhuǎn)速信號(hào)的均值和標(biāo)準(zhǔn)差被用來(lái)檢測(cè)編碼器故障。

這項(xiàng)工作表明，在比系統(tǒng)的機(jī)械時(shí)間常數(shù)短得多的周期內(nèi)，平均轉(zhuǎn)子速度的劇烈變化將表明編碼器出現(xiàn)機(jī)械或電子故障；而編碼器脈沖的缺失導(dǎo)致了轉(zhuǎn)子速度的移動(dòng)平均標(biāo)準(zhǔn)差的重大變化[14]。提出了兩種永磁同步電機(jī)編碼器故障檢測(cè)方法。設(shè)計(jì)了一種基于轉(zhuǎn)子位置與定子電流相關(guān)的方法，利用小波變換處理的定子電流信號(hào)的突變來(lái)檢測(cè)編碼器故障。另外一種方法是，根據(jù)校驗(yàn)方程生成的轉(zhuǎn)子位置和轉(zhuǎn)速的殘差來(lái)檢測(cè)編碼器故障[15]。

風(fēng)力機(jī)電動(dòng)變槳故障的來(lái)源多種多樣，各類(lèi)故障之間相互影響，如何能精確定位故障源是之后研究的方向。通過(guò)建立數(shù)學(xué)模型，與實(shí)際系統(tǒng)雙軌運(yùn)行，通過(guò)殘差分析，可以實(shí)現(xiàn)故障檢測(cè)和診斷[16]。但該類(lèi)方法針對(duì)不同風(fēng)機(jī)類(lèi)型、不同系統(tǒng)都需要重建模型，不具有通用性，導(dǎo)致建模的復(fù)雜性和難度大幅提高。

2.2 基于數(shù)據(jù)驅(qū)動(dòng)的診斷技術(shù)

基于數(shù)據(jù)的故障診斷方法在學(xué)術(shù)界和工業(yè)界受到了更多的關(guān)注。數(shù)據(jù)驅(qū)動(dòng)的價(jià)值歸結(jié)于通過(guò)數(shù)據(jù)來(lái)支持決策和驅(qū)動(dòng)產(chǎn)品智能。即在一定數(shù)據(jù)基礎(chǔ)上建立算法模型，再將得到的數(shù)據(jù)結(jié)果反饋算法模型。模型本身就具有了學(xué)習(xí)能力，可以不斷迭代。

2.2.1 基于故障樹(shù)的故障診斷

針對(duì)故障樹(shù)結(jié)構(gòu)，提出許多改進(jìn)方法。結(jié)合風(fēng)力發(fā)電機(jī)組的實(shí)際性能和專(zhuān)家經(jīng)驗(yàn)，引用模糊推理技術(shù)，建立變槳控制系統(tǒng)故障診斷模型。采用模糊理論可有效解決故障樹(shù)中不確定性推理問(wèn)題，提高診斷精度和故障識(shí)別時(shí)間[17]。在分析數(shù)據(jù)上，可以將SCADA（Supervisory Control And Data Acquisition，數(shù)據(jù)采集與監(jiān)視控制）系統(tǒng)收集的60多項(xiàng)參數(shù)進(jìn)行分類(lèi)，進(jìn)行數(shù)據(jù)預(yù)處理，并將帶時(shí)間戳的狀態(tài)和故障數(shù)據(jù)與記錄的功率曲線(xiàn)比較，進(jìn)行功率預(yù)測(cè)[18]。

可以看出，基于故障樹(shù)的故障診斷方法的邏輯性較強(qiáng)，可以較為直觀的獲取故障點(diǎn)，但是在處理數(shù)據(jù)和建立故障樹(shù)邏輯上仍然存在一定難度，厘清各故障之間的聯(lián)系和影響，精確定位故障源頭，這需要進(jìn)行大量的工作。

2.2.2 基于圖像的故障診斷

圖像處理技術(shù)是人工智能發(fā)展的重要推動(dòng)力量之一，也是故障診斷應(yīng)用的重要技術(shù)。針對(duì)風(fēng)力機(jī)電動(dòng)變槳診斷，可以將測(cè)量的時(shí)域信號(hào)轉(zhuǎn)換為二維灰度圖像，可以根據(jù)統(tǒng)計(jì)學(xué)特征、小波分析、測(cè)量特征等開(kāi)發(fā)出特征選擇和最優(yōu)的分類(lèi)工具，選出MRMR（Max-Relevance and Min-Redundancy，最大相關(guān)性的最小冗余）標(biāo)準(zhǔn)和分類(lèi)工具。實(shí)踐表明，在5 MW海上型風(fēng)力機(jī)組進(jìn)行了模擬，能夠檢測(cè)和分類(lèi)最常見(jiàn)的故障[19]。通過(guò)對(duì)相關(guān)指標(biāo)數(shù)據(jù)繪制的雷達(dá)圖進(jìn)行特征提取，使經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信區(qū)間最小，有效地進(jìn)行模式分類(lèi)。首先將輸入圖像轉(zhuǎn)換為灰度圖像，提取圖像GLCM（Gray-level Co-occurrence Matrix，灰度共生矩陣）特征并歸一化，然后對(duì)灰度圖像進(jìn)行二值化。提取圖像HOG（Histogram of Oriented Gradient，定向梯度直方圖）特征，將GLCM特征和HOG特征組合為圖像的特征向量，算法輸出為訓(xùn)練集和測(cè)試集的特征和標(biāo)簽。其次，利用獲得的圖像特征對(duì)SVM（Support Vector Machines，支持向量機(jī)）分類(lèi)器進(jìn)行訓(xùn)練。然后利用測(cè)試圖像的特征向量對(duì)樣本標(biāo)簽進(jìn)行預(yù)測(cè)[20]。

2.2.3 基于統(tǒng)計(jì)分析的故障診斷

一般而言，SCADA系統(tǒng)并沒(méi)有綜合考慮各子系統(tǒng)以及風(fēng)力發(fā)電機(jī)運(yùn)行參數(shù)間存在的強(qiáng)耦合性，可能會(huì)出現(xiàn)無(wú)序的報(bào)警信息，提高了故障停機(jī)后的維修難度?？梢酝ㄟ^(guò)Fisher判別法，將數(shù)據(jù)進(jìn)行識(shí)別分類(lèi)，從而對(duì)故障源進(jìn)行定位，實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法具有良好的效果[21]。對(duì)單個(gè)SCADA數(shù)據(jù)的描述，采用期望值描述，而不是IEC（International Electrotechnical Commission，國(guó)際電工委員會(huì)）標(biāo)準(zhǔn)的平均值，以避免異常值引起的統(tǒng)計(jì)誤差，并發(fā)現(xiàn)相關(guān)SCADA數(shù)據(jù)之間的相關(guān)性。額定風(fēng)速前，相關(guān)SCADA之間的關(guān)系相對(duì)簡(jiǎn)單；當(dāng)風(fēng)速達(dá)到和超過(guò)額定風(fēng)速時(shí)，變槳控制啟動(dòng)，SCADA數(shù)據(jù)相關(guān)性更加復(fù)雜。這也說(shuō)明額定風(fēng)速前，沒(méi)有非線(xiàn)性控制效應(yīng)抑制故障特征，能更容易發(fā)現(xiàn)故障[22]。

2.2.4 人工智能算法的應(yīng)用

人工智能技術(shù)為解決問(wèn)題帶來(lái)了新的方法，使得傳統(tǒng)無(wú)法解決的問(wèn)題得到解決，并為故障診斷帶來(lái)了新的曙光。相對(duì)于故障分析及其辨識(shí)而言，數(shù)據(jù)的采集、處理顯得更為重要，過(guò)多的傳感器不僅增加成本，還增加故障檢測(cè)工作量，采用傳感器優(yōu)選可以減少檢測(cè)和計(jì)算工作，結(jié)果表明該方法可以減少54%監(jiān)測(cè)項(xiàng)目和95%檢測(cè)時(shí)間[23]。此外，大量的數(shù)據(jù)需要首先進(jìn)行預(yù)處理，尤其特征性能的提取非常重要。PCA（Principal Component Analysis，主成分分析）方法將系統(tǒng)高維數(shù)據(jù)組成矩陣，進(jìn)行一系列矩陣運(yùn)算后確定若干正交向量，數(shù)據(jù)在這些向量上的投影反映數(shù)據(jù)變化最大的幾個(gè)方向，舍去數(shù)據(jù)變化較小的方向，由此可將高維數(shù)據(jù)進(jìn)行降維，從而有效提高故障識(shí)別算法效率。在此基礎(chǔ)上，通過(guò)MPCA（Multilinear Principal Component Analysi，多路主成分分析）對(duì)環(huán)境及風(fēng)資源進(jìn)行分析得到健康風(fēng)力機(jī)組基準(zhǔn)數(shù)據(jù)模型，提高故障診斷準(zhǔn)確率[24]。同時(shí)，將PCA和MPCA耦合，充分利用PCA具有降維和噪聲抑制的作用，MPCA模型可以反映各部件狀態(tài)可變性的統(tǒng)計(jì)特性，進(jìn)一步優(yōu)化故障分析模型[25]。同時(shí)，PCA方法對(duì)風(fēng)力機(jī)非線(xiàn)性的數(shù)據(jù)集處理效果不明顯，需要采用非線(xiàn)性PCA技術(shù)，如核PCA（KPCA）也可結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)，更能捕捉數(shù)據(jù)變化。

應(yīng)用一種改進(jìn)的ANFIS（Adaptive-Network-based Fuzzy Inference Systems，自適應(yīng)神經(jīng)模糊系統(tǒng)），監(jiān)測(cè)了4種SCADA信號(hào)（轉(zhuǎn)子速度、葉片角度、電機(jī)扭矩和功率輸出）隨風(fēng)速的變化，結(jié)合已掌握的知識(shí)：風(fēng)速為高，輸出功率為低；風(fēng)速為低，功率輸出為高，這兩種情況可能檢測(cè)到故障。實(shí)現(xiàn)了變槳系統(tǒng)顯著故障的自動(dòng)檢測(cè)[26]。然而，從停止到操作過(guò)程和從操作到停止過(guò)程之間不同的操作特性并未考慮。正是工作狀態(tài)切換時(shí)，表現(xiàn)出與故障相似的參數(shù)?；谙嗨菩栽恚梅蔷€(xiàn)性狀態(tài)評(píng)估方法，建立能夠涵蓋變槳系統(tǒng)全部正常運(yùn)行狀態(tài)的健康模型，當(dāng)變槳系統(tǒng)發(fā)生故障時(shí)，比較模型預(yù)測(cè)值與正常狀態(tài)的偏差，根據(jù)特征參數(shù)的偏差，來(lái)確定故障的原因[27]。深度神經(jīng)網(wǎng)絡(luò)的出現(xiàn)給復(fù)雜問(wèn)題分析帶來(lái)可能，針對(duì)風(fēng)力發(fā)電機(jī)組變槳系統(tǒng)常見(jiàn)故障，提出基于DBN（Deep Boltzmann Machine，深度置信網(wǎng)絡(luò)）的故障診斷方法，首先設(shè)計(jì)基于DBN的變槳系統(tǒng)故障診斷模型，通過(guò)堆疊多層RBM（Restricted Boltzmann Machine，受限玻爾茲曼機(jī)），對(duì)比重構(gòu)數(shù)據(jù)與原始輸入數(shù)據(jù)差異，獲取故障特征自提取能力，再將RBM提取的故障特征輸入到頂層分類(lèi)器中進(jìn)行訓(xùn)練，得到故障診斷模型。實(shí)驗(yàn)結(jié)果表明其有效性[28]。

風(fēng)力機(jī)工況非常復(fù)雜，因此研究多未考慮風(fēng)力機(jī)所處工況。但是，不同工況下，數(shù)據(jù)和數(shù)據(jù)之間的關(guān)系及耦合程度都不相同，給分析帶來(lái)困難。ENRS（Entropy-optimized Neighborhood Rough Set，基于熵優(yōu)化的鄰域粗糙集）可以對(duì)不同工況下的特征參量進(jìn)行約簡(jiǎn)建模，設(shè)計(jì)了全工況變槳系統(tǒng)狀態(tài)特征參量挖掘策略。以其約簡(jiǎn)數(shù)據(jù)集作為輸入樣本，提出小世界粒子群優(yōu)化的熵加權(quán)學(xué)習(xí)矢量量化（Learning Vector Quantization，LVQ）為基礎(chǔ)模型的多模型狀態(tài)監(jiān)測(cè)器，實(shí)現(xiàn)異常狀態(tài)的精準(zhǔn)定位[29]。故障類(lèi)型與所處工作狀態(tài)有密切聯(lián)系，將SCADA數(shù)據(jù)分類(lèi)成4個(gè)工作狀態(tài)區(qū)間，分別進(jìn)行15個(gè)初始參數(shù)的相關(guān)OIE（Overlap Information Entropy，重疊信息熵）分析，選取OIE值低于0.3的初始參數(shù)作為故障診斷的合適信號(hào)，并進(jìn)行離散化特征提取，建立小世界神經(jīng)網(wǎng)絡(luò)作為集成成員，并訓(xùn)練、選擇、加權(quán)融合，最終得到分類(lèi)結(jié)果[30]。

為了提高變槳系統(tǒng)故障預(yù)測(cè)的分類(lèi)精度，針對(duì)多類(lèi)分類(lèi)問(wèn)題，選用計(jì)算簡(jiǎn)單的二進(jìn)制分類(lèi)，選擇徑向基函數(shù)作為SVM（Support Vector Machines，支持向量機(jī)）的內(nèi)核函數(shù)，并通過(guò)計(jì)算粒子適應(yīng)度值來(lái)調(diào)整個(gè)體和全局的極值，不斷迭代獲得最優(yōu)參數(shù)[31]。針對(duì)變槳系統(tǒng)易出現(xiàn)的編碼器、電機(jī)故障和滑環(huán)斷裂問(wèn)題，選取與變槳電機(jī)功率最密切相關(guān)的功率、葉片角度、變槳電機(jī)電流、輪轂轉(zhuǎn)速和風(fēng)速等SCADA數(shù)據(jù)作為初始參數(shù)，并選取PLC狀態(tài)代碼處于發(fā)電狀態(tài)下的數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，使用RVM（Relevance Vector Machine，相關(guān)向量機(jī)）回歸設(shè)計(jì)了一個(gè)正常行為模型，為提高模型精度，采用人工蜂群算法對(duì)核函數(shù)參數(shù)進(jìn)行了優(yōu)化[32]。選擇功率和發(fā)電機(jī)轉(zhuǎn)速、槳距角和發(fā)電機(jī)轉(zhuǎn)速這兩種性能曲線(xiàn)來(lái)建立正常行為模型（NBM），能更快地檢測(cè)出滑環(huán)污染和變槳控制器故障，并解釋和可視化故障條件下的風(fēng)力機(jī)異常行為[33]。

此外，為了獲取最優(yōu)算法，對(duì)不同算法間的效果進(jìn)行了比較。通過(guò)將代碼映射到風(fēng)速和功率輸出預(yù)測(cè)狀態(tài)代碼、故障的嚴(yán)重性和特定代碼，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)、標(biāo)準(zhǔn)分類(lèi)、回歸樹(shù)和提升樹(shù)算法可以較好地提取所需的信息，能提前60 min實(shí)現(xiàn)故障預(yù)測(cè)[34]。針對(duì)變槳執(zhí)行器突變的和遲鈍的動(dòng)態(tài)變化的故障表現(xiàn)，集成了隨機(jī)森林（Random Forest）和極端梯度提升（XGBoost）學(xué)習(xí)模型提高故障分類(lèi)器的性能（魯棒性和精度），并針對(duì)陸上和海上風(fēng)力機(jī)組進(jìn)行了數(shù)值模擬，與SVM相比具有較強(qiáng)的抗過(guò)擬合能力，且對(duì)多維信號(hào)有很好的效果[35]。然而不同的故障模式可能導(dǎo)致相似的故障特征，給故障診斷帶來(lái)困難。不確定卡爾曼濾波器模型證明了，不同故障模式的故障識(shí)別的有效性[36]。

針對(duì)本課題所研究得出的協(xié)同育人機(jī)制，將在廈門(mén)理工學(xué)院新絲路時(shí)尚學(xué)院學(xué)院進(jìn)行試行實(shí)踐，因?yàn)椤皩?shí)踐是檢驗(yàn)真理的唯一標(biāo)準(zhǔn)”，我們將在實(shí)踐的檢驗(yàn)中研究和探索出一套實(shí)際效果好、可操作性強(qiáng)且具有可推廣性的一套協(xié)同育人機(jī)制。

遞歸神經(jīng)網(wǎng)絡(luò)因?yàn)榘h(huán)，所以它們可以在處理新輸入的同時(shí)存儲(chǔ)信息。這種記憶使它們非常適合處理時(shí)間序列數(shù)據(jù)，而風(fēng)電場(chǎng)SCADA數(shù)據(jù)正是以時(shí)間為序列的數(shù)據(jù)。同時(shí)，故障分析也朝著多目標(biāo)方向進(jìn)行研究，提出遞歸神經(jīng)網(wǎng)絡(luò)多故障診斷預(yù)測(cè)方法，可以實(shí)現(xiàn)10種不同類(lèi)型故障輸出，形成了多故障診斷預(yù)測(cè)系統(tǒng)[37]。同時(shí)，將變槳系統(tǒng)關(guān)鍵故障對(duì)應(yīng)的指標(biāo)數(shù)據(jù)生成雷達(dá)圖，通過(guò)ResNet50等卷積神經(jīng)網(wǎng)絡(luò)，利用雷達(dá)圖訓(xùn)練故障模型，進(jìn)行故障檢測(cè)[38]。

可以看出，人工智能的故障診斷方法不需要知道對(duì)象的精確模型，避免了構(gòu)建非線(xiàn)性、系統(tǒng)復(fù)雜的風(fēng)力機(jī)模型。但是，需要大量數(shù)據(jù)作為基礎(chǔ)，多數(shù)情況下，存在數(shù)據(jù)缺失等問(wèn)題，并且需要合適的算法，也增加了使用人工智能算法的困難。

3 電動(dòng)變槳故障診斷面臨的挑戰(zhàn)

根據(jù)上述風(fēng)力發(fā)電電動(dòng)變槳系統(tǒng)故障診斷技術(shù)的闡述，可以看出，采用模型分析和數(shù)據(jù)分析方法可以實(shí)現(xiàn)復(fù)雜電動(dòng)變槳系統(tǒng)故障的診斷，能夠有效避免故障出現(xiàn)，提高維護(hù)效率，減少風(fēng)電機(jī)組運(yùn)行成本。同時(shí)，無(wú)論是模型分析還是數(shù)據(jù)分析，在故障診斷方面還有待于進(jìn)一步的研究和技術(shù)水平提升?，F(xiàn)有的故障診斷理論和方法遇到了新的挑戰(zhàn)，具體表現(xiàn)在以下3個(gè)方面。

（1）簡(jiǎn)單的風(fēng)力機(jī)變槳系統(tǒng)模型已不能滿(mǎn)足精確故障診斷的要求，數(shù)學(xué)模型難以完整表達(dá)變工況、強(qiáng)干擾運(yùn)行下變槳系統(tǒng)各部件之間的關(guān)系，模型關(guān)系表達(dá)不完整，有遺漏，將會(huì)影響故障精確診斷，甚至誤報(bào)、漏報(bào)故障。

（2）風(fēng)力機(jī)故障有耦合性和并發(fā)性特點(diǎn)，現(xiàn)有診斷方法多為單類(lèi)故障識(shí)別，忽視了各故障之間的聯(lián)系，由一個(gè)零件失效導(dǎo)致所在機(jī)構(gòu)故障，進(jìn)而影響其他機(jī)構(gòu)的正常運(yùn)行。而如何厘清零件與零件、零件與機(jī)構(gòu)和機(jī)構(gòu)與機(jī)構(gòu)之間故障影響關(guān)系是電動(dòng)變槳系統(tǒng)故障診斷面臨的一大挑戰(zhàn)。

（3）現(xiàn)有的智能算法雖然在實(shí)現(xiàn)識(shí)別上具有突出優(yōu)勢(shì)，可以識(shí)別、決策風(fēng)力機(jī)的故障，但較難給出故障的本質(zhì)、演化過(guò)程和壽命預(yù)測(cè)。因此，需要對(duì)故障深層次聯(lián)系、機(jī)理進(jìn)行研究，對(duì)故障的預(yù)防提供理論支持。

（4）由于風(fēng)電場(chǎng)測(cè)量數(shù)據(jù)量龐大繁雜，數(shù)據(jù)采樣策略不同，各類(lèi)數(shù)據(jù)采樣時(shí)間不統(tǒng)一，測(cè)量數(shù)據(jù)誤差和錯(cuò)誤等都會(huì)使得數(shù)據(jù)質(zhì)量下降，而從這樣低質(zhì)量的數(shù)據(jù)中找到故障特征猶如大海撈針。

4 潛在方向與發(fā)展趨勢(shì)

針對(duì)電動(dòng)變槳系統(tǒng)診斷的特點(diǎn)與挑戰(zhàn)，認(rèn)為應(yīng)該從以下4個(gè)方面深入開(kāi)展電動(dòng)變槳系統(tǒng)故障診斷的研究工作，為風(fēng)電機(jī)組的診斷與維護(hù)提供可靠的理論依據(jù)和有效的技術(shù)手段。

（1）風(fēng)力機(jī)變槳系統(tǒng)各類(lèi)故障的靜態(tài)、動(dòng)態(tài)聯(lián)系以及故障之間的反饋和相互作用可能是需要研究的重點(diǎn)。可以將變槳系統(tǒng)模型拆分成多個(gè)精確子模型，厘清之間的數(shù)學(xué)關(guān)系，提高故障診斷的準(zhǔn)確率。

（2）雖然提出了很多故障診斷方案，但還有進(jìn)一步提升空間。基于物理模型的方法主要進(jìn)行故障機(jī)理分析，基于數(shù)據(jù)驅(qū)動(dòng)的研究主要進(jìn)行狀態(tài)監(jiān)測(cè)、故障診斷和預(yù)測(cè)。將基于物理模型的故障診斷方法與基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法相融合，集在線(xiàn)監(jiān)測(cè)、診斷、預(yù)測(cè)、機(jī)理分析于一體的變槳系統(tǒng)故障診斷技術(shù)將是未來(lái)的研究方向之一。

（3）如何對(duì)大量數(shù)據(jù)進(jìn)行有效特征值的提取、相關(guān)性分析以及最終的數(shù)據(jù)處理，是未來(lái)的研究重點(diǎn)和難點(diǎn)?？赏ㄟ^(guò)數(shù)據(jù)清洗、特征指標(biāo)提取、專(zhuān)家系統(tǒng)等技術(shù)對(duì)其進(jìn)行處理，提高其對(duì)數(shù)據(jù)的利用效率。

（4）目前，變槳系統(tǒng)的故障診斷多針對(duì)變槳電機(jī)、驅(qū)動(dòng)器這些機(jī)械、機(jī)構(gòu)故障，關(guān)于變槳系統(tǒng)的電氣故障診斷研究偏少，電氣故障的產(chǎn)生原因是復(fù)雜的，排除故障的方法及方式只能根據(jù)故障的具體情況而定，也沒(méi)有什么嚴(yán)格的模式及方法，對(duì)部分維修人員來(lái)說(shuō)會(huì)感到困難。所以，將是電動(dòng)變槳系統(tǒng)故障診斷發(fā)展的又一目標(biāo)。

5 結(jié)論

（1）闡述了風(fēng)力機(jī)變槳系統(tǒng)結(jié)構(gòu)及基本故障類(lèi)型，分析電動(dòng)變槳系統(tǒng)故障診斷難點(diǎn)，并通過(guò)綜述其國(guó)內(nèi)外的研究進(jìn)展，揭示現(xiàn)有電動(dòng)變槳系統(tǒng)故障診斷理論與方法的問(wèn)題與挑戰(zhàn)。

（2）給出電動(dòng)變槳系統(tǒng)故障診斷的潛在方向與發(fā)展趨勢(shì)，認(rèn)為應(yīng)該從模型精確度、方法融合、數(shù)據(jù)利用等方面展開(kāi)深入研究，將電動(dòng)變槳系統(tǒng)故障診斷應(yīng)用于工程實(shí)踐。