风力发电机组故障诊断与预测技术探究

郭明龙

国投云南新能源有限公司 云南 昆明 650000

“双碳”战略目标背景下，我国对于可再生清洁能源的使用愈发重视，风力发电逐渐成为主流供电方式。与火力发电、核发电相比，风力发电更加清洁、健康，在为社会提供优质电能的同时，能够维护环境健康，促进生态的可持续发展。但由于风力发电机组结构十分复杂，再加上叶片长时间受外力作用，因此很容易出现各种故障，降低了风力发电的安全性和稳定性。因此，如何对风力发电机组的故障进行有效诊断并精准预测，是当前风力发电行业需要研究的重点问题。

1 风力发电与风力发电机组发展现状

近年来，各国对新能源产业的呼声越来越大，并着力发展太阳能、风能等。截止到2021年，全球资源中风能约为2.74×109MW，其中约为73%为可利用风能，其利用率相比水能具有超过十倍的优越性。我国地域广阔，具有极为良好的风能开发条件，据初步统计，我国陆地可开发风能超过2.53千瓦，海上可开发风能为7.5亿千瓦，按照五十米范围推算，总风能可达到20亿千瓦，可利用风能可达到14.6亿千瓦，风能可开发总量仅次于俄罗斯与美国。风能作为新能源的一种，不仅具有良好的开发机制，还兼备宝贵的清洁属性，与太阳能同属于新能源的核心种类[1]。随着我国科学技术水平的持续提升，风力发电设备装机容量持续加大，在技术水平的进一步提升下，风能开发成本将进一步压缩，并且将实现大规模普及。

据资料显示，我国近年风力发电设备装机容量持续扩大，已经超过19.66GW，并且仍在持续上涨中。从世界范围来看，我国新增风力发电装机容量超过全球新增风力发电装机容量的三分之一，位居世界首位，相比排名第二的美国高出12.64GW。我国总装机容量占比约为全球的35%[2]。从数据中可知，我国风力发电事业正处于高速发展阶段，并且还有大量等待开发的风力装机场所。新疆作为我国风力资源十分丰富的区域，每年风能储量超过九千亿，仅低于内蒙古区域。在新疆地区我国有着世界最大的风能发电基地，陆上风机单机容量达到6.25兆瓦。截止目前，新疆地区的风力资源储备仍在持续上涨，并且成为该区域的主要替代性清洁能源。

2 风力发电机组常见运行故障

2.1 叶片故障

风力发电机组中叶片是其主要构件之一。机组在工作过程中叶片将承受十分巨大的压力，由于机组全天候运作，因此叶片承受的压力会伴随在机组运行全程，是最容易出现故障的构件之一。比如，叶片运行时会和蒸汽和空气接触，在压力的影响下会加快叶片腐蚀，从而出现陀螺的问题。当叶片运作时间过长时，内部配件容易出现松动的问题，从而导致叶片连接不稳定，引发故障。如果叶片受外力影响产生裂纹及形变，将释放出高频瞬态的声发射信号，此信号是叶片损伤评估的主要途径之一[3]。当叶片出现故障后，将导致叶片的转子受力失衡，此种受力会通过主轴传送到机组内部，从而导致机舱出现震动，轻者导致局部故障，重者导致机组基础失衡。

2.2 齿轮箱故障

风力发电机组中齿轮箱的作用是连接机组主轴和发电机，可让主轴转速更快，一方面满足机组运行需求，另一方面提升经济效益。齿轮箱中包含行星齿轮和两级平行齿轮两部分，由于齿轮箱工况恶劣，且运行中受力情况复杂，当机组处于运行状态时很容易对齿轮箱施加冲击力与交变应力，促使齿轮箱出现磨损、滑动等问题。齿轮箱作为内部构件，大多数情况不暴露在空气中，因此发生故障的几率很小[4]。即便如此，齿轮箱仍然是故障诊断与异常排查的重要环节，这是因为齿轮箱故障后机组将无法运行，并且齿轮箱维修周期较长，且维修费用高昂，所以齿轮箱故障诊断是近年风电机组故障诊断的核心方向，是确保风电机组稳定运行的基础。

2.3 机组系统的故障

目前，偏航系统的功能包括风向跟踪和解除电缆缠绕两种。前者可引导风电机组对风向进行追踪，最大限度提高风能的接受比率；当机组对风向进行跟踪时，很容易出现电缆缠绕的问题，因此偏航系统会判断电缆缠绕的严重程度，当超过阈值后会自动解除缠绕。当偏航系统发生故障时，继续风向跟踪与电缆缠绕解除功能失效。

变桨系统的功能是当风速发生变化时，该系统可调整叶片角度让空气动力扭矩更大，从而提高机组运行规律。如果风速过快或机组出现故障，变桨系统可通过调整叶片状态的方式实现制动，将损失降到最低。由于叶片是风电机组的主要元件，而变桨系统主要对叶片角度与运行模式进行调整，因此需注重变桨系统的维护，可通过调整叶片和风速的匹配程度来判断变桨系统是否出现故障[5]。

3 风力发电机组故障诊断技术

常规情况下，风力发电机组（简称：机组）共分为垂直轴和水平轴两种，我国现阶段广泛应用的为水平轴，许多研究也是针对水平轴风力发电机组进行。机组在实际运行过程中一旦遇到故障可以通过振动、温度、应力、电气等相关参数来对其进行诊断和有效预测，以下为简要的诊断技术说明：

3.1 依据振动信号诊断

振动信号诊断法是目前机组故障检测中最常用的检测方式，这种方法能够对机组的不同关键部位进行有效的检查，并具有较为精准的应用成果。近几年许多技术专家在此基础上进行了一定的拓展，寻找操作性更强，更具价值性的使用技术。一些专家通过信号诊断法延伸出小波神经网络诊断技术，能够进一步诊断机组中的齿轮箱是否存在故障。一些专家将信号振动诊断应用在机组的叶片相关故障诊断当中，也获得了较高的应用率。通过不同位置传达出来的振动信号能够通过数据收集和计算来分析出具体的故障位置并进行有效定位，通过诊断来判断故障原因，进而采取有效的解决措施[6]。

3.2 依据电气信号诊断

对比振动信号诊断法，电气信号的诊断能力较弱，通常会被电机等相关设备的噪音所掩盖，无法进行有效的分析。因此电气信号的诊断通常需要结合先进的接收仪器和分析设备，对电气信号进行精准的识别，并判断故障的具体信息。以此为基础来通过数据和力学模型对故障的位置进行定位，后分析其发生原因和制定应对策略。通过模型分析的形式能够将电气信号连接电机扭矩波动，对机组齿轮中存在的故障和信号之间的关系进行分析，通过仿真的形式将实际故障情况进行模拟，精准定位故障的位置。同时，也可以采用维纳滤波来过滤分析过程中可能存在的噪音，对机组的轴承故障进行精准的判断。采用信号双谱分析法和模量频谱分析法也能够精准定位故障的部件。技术人员可以根据机组的实际情况来选择适合的诊断方法，对故障进行科学合理的诊断。这项诊断方法不需要借助额外的传感器，经济性更强，诊断结果更加准确，具有较大的应用空间[7]。

3.3 依据模式识别诊断

模式诊断法是基于机组的多元化信号而延伸出来可以在时域或者频域当中通过模型来对故障进行分析和确定的一种诊断方法。如轴承故障的诊断中，采用这种方法能够进行立体模型的构建，更加直观地对故障进行排查，确定故障发生原因和具体位置后能够进行及时的解决。通过Laplacian Eigenmaps算法来建立可视化的故障模型，技术人员可以通过立体的图形来对故障的特征进行确定，更加快捷简便地找出故障的具体位置，通过非线性的流形学习也能够在立体空间的结构上对轴承进行动态的故障分析。粗糙的轴承故障可以通过线性辨别法进行诊断和成因分析，对故障的位置进行定位，加快处理故障的速度。这些诊断方法都能够对轴承的故障进行有效的解决，在实际应用过程中具有较强的可行性。我国当前的研究环境当中，对方法分为有监督和无监督两种，但无论是哪一种形式都需要庞大数量的算法，在获取数据方面也需要较长的时间，这就造成了成本的耗损，如果采用这种诊断方法有可能会提升企业的运营成本，所以需要根据实际情况来选择最适合的诊断方法[8]。

3.4 基于大数据人工智能技术的故障诊断方法

信息时代的到来让大数据技术和人工智能技术渗透到各行各业当中，在机组的故障诊断当中采用机器深度学习技术和3D建模技术能够充分利用智能预警系统对风机设备的异常情况进行实时监控和定期扫描，在故障出现的初期进行识别并及时预警，有效降低了设备损坏和非停损坏的情况发生。以风机设备为核心的检测系统能够针对机组的核心设备、控制系统、传感器以及主要参数进行实时监控，通过机器深度学习来进行设备故障的识别，确保参数恶化、参数越限、启停状态异常、设备异常等故障和其他紧急情况能够进行及时的预警，进而减少非计划性的突发停机情况所造成的成本损失以及隐藏的发电性能不达标造成的损失，充分利用远程监测中心来构建资产风险预警中心（见图1）[9]。

图1 大数据预测告警+智能诊断分析

4 风力发电机组故障预测技术研究分析

4.1 风电机组机械结构系统故障预测

通过上文故障类型分析能够发现，风力发电机组运行过程中容易出现诸多故障问题，例如叶片故障、电机故障、齿轮箱故障等。相较于电气结构，风力发电机组的机械结构故障更为严重，不仅关系着风电机组运行的稳定性、安全性，并且一旦发生机械故障，还会产生高额的维修费用。因此，对于风电机组机械结构故障的预测显得至关重要。

与故障诊断不同，故障预测主要是通过日常监测发电机组的运行状态、运行数据从而对可能发生的故障进行分析，并采取相应措施防止故障或降低故障发生率。二者虽然存在本质上的区别，但也有一定的相似之处。例如，在预测风电机组机械结构故障的过程中，可以参考风电机组的振动数据。风电机组运行过程中，不同结构都有其独特的功能和特性，因此通过对振动数据的监控分析，能够全面预测发电机组的机械部位可能存在的功能问题。

首先，风电机组日常运行过程中，需要定期收集风电机组振动所产生的参数数据；其次，对收集到的数据进行深度分析，提取其中的频率信号、时域信号。通过分析信号的特征值，能够精准确定机组机械结构各部件的运行状态，发现可能存在的故障问题；最后，以统计学理论为基础，根据风电机组的运行规律制定报警数值，进而在保证不影响机组正常运行的状态下对可能发生的严重故障问题进行精准预测。

4.2 基于设备故障模型和大数据神经网络预测

随着状态监测和故障诊断技术的不断进步，上个世纪末逐渐发展起来一种新的维修方式——基于状态的维修(CBM)。该维修方式综合运用各种技术手段获取设备的运行状态信息,并运用数据分析与维修决策技术对设备状态进行实时或者周期性的评价，最终做出科学化的维修决策。实现了通过状态监测预测即将发生的故障，制订合理的维修决策。

本文将智能诊断技术进行有效融合，通过大数据神经网络、机组设备故障模型，构建了一套风电机组核心设备的数字化镜像模型，能够完全还原机组的真实运行状态，从理论上将具有与机组相同的状态结果。模型结构如图2所示。

图2 基于大数据神经网络预测模型

与传统的警报预测相比，基于大数据神经网络的机组故障模型预测进一步提高了对机组运行异常数据的捕捉能力，提升了异常记录以及警报的准确性。不仅如此，该模型除具有警报功能外，还能够对可能发生的故障进行定性、定位，预估可能造成的危害性，并根据风电机组的实际情况提供可行的检修方案，更加智能化、便捷化。该模型主要参考机组设备、系统的运行参数，并根据重要性对所收集到的参数进行类别划分，同时通过对过程报警的进一步整合，在很大程度上提高了报警的准确性，降低了误报警情况的发生。

另外，为进一步缩短故障处理时间，该模型还设置了越限报警功能、故障致因诊断功能，并还能提供故障零部件劣化趋势信息，在很大程度上保证了风电机组的稳定运行。该模型还存储了大量的机组运行数据，通过挖掘、分析这些数据，还能够根据不同工艺系统的特征进行建模。机组实际运行过程中，可以将运行参数带入带预警模型中，通过深度分析计算，能够精准获得各工艺段、设备的运行故障诊断和事故预报信息，这些信息都有助于机组运行状态的监测和预警，进而及时发现可能存在的故障关联点。

5 结束语

现阶段，为满足“双碳”战略发展目标，风力发电逐渐成为主流供电方式，为保证风电机组的稳定运行，亟需制定一套高效、精准度机组运行故障、预测方法。本文结合当前风力发电及发电机组的发展现状，简要分析了风电机组运行过程中的常见故障，并深入探讨了风电机组的故障诊断及预测技术，以期能够进一步提高风力机组运行的稳定性，促进风力发电行业的健康发展。