风力发电系统故障诊断技术浅析

张健

摘要：针对风力发电系统中的主要部件，发电机、叶片、轴承、变流器及齿轮箱等故障，对现有故障诊断方法进行了介绍，为提高对风力发电系统的可靠性、降低成本，促进其工程化进程提供了有效的参考。

关键词：风力发电；叶片；轴承；故障诊断

近年来，随着大规模风电场的投入运行，出现了很多运行故障，因而需要高额的运行维护成本，大大影响了风电场的经济效益。风电场一般处于偏远地区，工作环境复杂恶劣，风力发电机组发生故障的几率比较大，如果机组的关键零部件发生故障，将会使设备损坏，甚至导致机组停机，造成巨大的经济损失。为降低风电机组运行的风险，维护机组安全经济运行，都应该发展风电机组状态监测和故障诊断技术。

状态监测和故障诊断可以有效监测出传动系统、发电机系统等的内部故障，优化维修策略、减少非计划停机次数和降低机组的运行维护费用等。风力发电机组的状态监测和故障诊断系统集合了信号采集、在线监测以及信号分析等功能；能对系统的各种机械参数和电气参数等进行监测，并将采集到的数据进行分析处理，从而正确定位各系统的故障。

1 状态监测技术分类

状态监测技术可帮助发现机组机械和电气的初始故障，遏制重要事故的发生。风电机组状态监测系统可在机组运行过程中实时监控各个部件的运行状态，及时判断部件存在的问题和隐患，及时采取处理措施，提高了机组运行可靠性。对于风力发电机组，状态监测技术主要可以分为以下几类：

（1）油液监测。油液监测技术检测的是设备润滑油和液压油的性能，掌握设备运行中的润滑和零部件的磨损信息。油液监测包括油液品质检查、铁屑检查等。

（2）振动监测。振动信号能够反映机械故障特征，机械状态的变化可以通过振动信号体现出来。可对机械设备进行准确的检验和故障诊断，比如转子不平衡、油膜振荡、转轴弯曲等。

（3）温度监测。在设备劣化的情况下，温度的高低可以直观地反应设备的运行情况，因此温度监测通常用于电子和电气元件的故障诊断。

（4）应变力监测。对风电机组中的叶片寿命预测和疲劳状况监测，应变力测量是一种高效方法，主要通过在关键部位安装应变力传感器测量。

2 故障诊断

2.1发电机故障

发电机是风电机组的核心部件，负责将旋转的机械能转化为电能，并为电气系统供电。随着风力机容量的增大，发电机的规模也在逐渐增加，使得对发电机的密封保护受到制约。发电机长期运行于变工况和电磁环境中，容易发生故障。常见的故障模式有发电机振动过大、发电机过热、轴承过热、转子/定子线圈短路、转子断条以及绝缘损坏等。据统计，在发电机的所有故障中，轴承的故障率为40%，定子的故障率为38%，转子的故障率为10%，其他故障占12%。

根据发电机的故障特点，采用的诊断方法主要是基于转子/定子电流信号、电压信号以及输出功率信号等状态检测手段。POPA等借助定子电流和转子电流信号的时域分析得到其幅值信息，再通过FFT得到电流信号的谐波分量，最后通过判断谐波分量的变化实现对发电机3种模拟故障的识别。借助连续小波变换，对输出功率信号进行分析，能够识别出发电机转子偏心故障和轴承故障。

2.2叶片故障

风力发电机组安装在野外比较恶劣的环境，经常处于无人值守的状态，对其运行状态的监测尤其重要。由于环境因素，机体各部件故障率较高，叶片作为风力发电机组的主要部件之一，对其故障监测十分必要，一旦出现故障，要是不及时处理，叶片就会很快的断裂。轻则造成停机，重则烧坏机组，影响正常供电，造成不可挽回的损失.

风机叶片故障类型可分为裂纹、凹痕和破损等，叶片的振动形式主要包括摆振、挥舞振动、扭转振动和复合振动，叶片的故障信息通常依靠现场监测的震动信号进行反应。在风力发电机组故障中，突变信号和非平稳信号往往会伴随故障存在。理论上讲，当叶片出现裂纹时，振动信号中会伴随有较强的高频冲击波，并且这些离散的故障信号是可能存在任意频段内的。

2.3轴承故障检测

风电机组主要零部件的可靠性研究表明，在风电机组的故障中电气和控制系统故障率最高，传动系统如齿轮箱、主轴承等故障率相对较低。但进一步的研究表明电气和控制系统的故障容易排除，停机时间短，并且也不需要吊车等辅助工具。从机组故障引发的停机时间、维护费用和是否容易造成的继发故障等角度分析，与电气和控制系统相比，机械传动系统的状态监测与预警维护更为重要。

风力发电机用轴承大致可以分为四类：变桨轴承、偏航轴承、传动系统轴承和发电机轴承。目前的实际应用的风电轴承运行状态监测与故障识别的方法主要有基于数据采集与监视控制系统（SCADA）的方法，基于振动分析、润滑油检测的方法，基于声音、红外图像的方法以及多种方法相结合等方法。

2.4变流器故障诊断

在双馈风力发电系统中，变流器是故障频率相对较高的环节之一，其故障类型中最为常见的是功率开关的短、开路故障。诊断这一方面的主要研究方向可以分为全局短路故障诊断和局部短路故障诊断，全局短路故障诊断的内容是在变流器直流侧安装传感器获得直流链的变化值，通过对电流值进行分析来判断故障的类型。从容错的角度来讲，局部故障诊断有助于我们判断出故障的具体位置，便于系统的重构。功率期间一旦发生短路故障，最有效的手段就是对故障开关进行隔离。

可以将开路故障诊断方法分为两种类型，即模型法和非模型法。模型法首先是要建立整个发电系统的数学模型，在设定的正常状态和故障状态下，比较分析数学模型在各种变量的差异。而非模型法相比较而言则省去了建立繁杂的模型的过程，只需要故障状态下各种变量的相关信息，特别是当系统要建立复杂的、非线性的模型时，这种方法可以大大减轻人们的工作量。随着智能方法的发展，先进的智能方法在开路故障诊断中的应用会更加广泛。

2.5齿轮箱故障诊断

齿轮箱是风力发电机组的核心传动部件，工作状况将影响整个风力发电机组的性能。据统计，在风力发电机的故障中，46%是齿轮箱故障。长期以来采用的是计划维修与事后维修的方式，严重地影响了日常发电工作，造成重大损失。因此，对风电系统的齿轮箱进行状态检测与故障诊断，是保障风力发电机组运行的可靠性、降低风电成本的重要手段。

齿轮箱发生故障时，齿轮箱故障的振动信号为复杂的非线性、非平稳信号。小波变换是时频分析中最常用的方法，具有多分辨特性，在高频率部分能够放大尺度，具有很好的频率分辨性，在低频率部分能够缩小尺度，具有很好的时间分辨性。采用小波变换对风电系统齿轮箱故障信号降噪预处理以提高EMD分解的精度，再用Hilbert变换对包含主要故障信息的IMF进行包络谱分析。实现风电机组齿轮箱故障特征频率的有效提取。

神经网络是在生物神经学研究成果基础上提出的人工智能概念。随着人工神经网技术的发展，神经网络大量应用于分类和模式识别，而故障检测与诊断本质上也是一个模式识别问题。齿轮箱作为机械传动的主要部件，其中的齿轮、滚动轴承和轴系的工作情况较复杂，各种典型故障一般并不以单一形式出现，往往多个故障同时发生且相互影响。因此，基于神经网络的人工智能技术能够在齿轮箱故障诊断中得到很好的应用。

3 结论

本文对风力发电系统中易故障部位，包括发电机、叶片、轴承、变流器及齿轮箱的故障诊断方法进行了介绍。研究基于数据的故障诊断系统，实时监测风力发电系统的状态，进行风力发电系统的故障检测与识别，对于进一步提高风力发电系统的可靠性，推进风电系统的工程化和市场化进程有着重大的现实意义。