风力发电机组故障诊断及预测技术

风力发电机组故障诊断及预测技术

匡维龙

中国电建集团贵阳勘测设计院贵州惠水龙山新能源有限公司 贵州 贵阳 550000

摘要：“风能”作为一种可再生能源，在能源危机全球化的背景下，其发展势头却异常迅猛，在此基础上，风力发电机组的装机容量也随之增加，然而，使用过程中由于风力发电机组经常会出现故障，进而使得风能的利用率下降。为了确保风力发电机组能够安全平稳运行，相关工作人员应重视风力发电机组故障诊断以及预测技术的研究。本文简要介绍了风力发电机组故障诊断的方法，并进一步重点阐述了目前我国风力发电机组的故障预测技术。

关键词：风力发电；机组；故障诊断；预测技术

1.风力发电机组故障诊断

风力发电机组通常大致被划分为两种，一种是水平轴，一种是垂直轴，现阶段，市场上的风力发电机组基本上都是水平轴，绝大多数研究也是针对于此机组进行的。在实际运行过程中，风力发电机组中的振动、电压、温度以及电气等参数均可作为故障诊断及预测故障的工具，下面将简要介绍相关的故障诊断方法。

1.1基于振动信号的诊断

这种诊断方法是实际应用中最常用的一种方法，它可以深入检查风力发电机组的每一个关键部位且有比较好的应用效果。近年来，技术人员已使用此方法搜索到了更有效和有用的新技术。例如，由HuangQ领导的一组技术专家使用这种方法开发了一种新技术，其被称之为“小波神经网络”，其可以深入诊断风力发电机组的齿轮箱；诸如GhoshalA等专家通过使用振动信号来诊断机组叶片中存在的故障，此诊断方法在使用过程中也取得了很好的效果。利用来自不同地方的振动信号，技术人员可以通过收集以及计算的数据来识别每一部件的故障，依靠诊断找出“原因”，然后再使用合理方法解决这些故障。

1.2基于电气信号的诊断

与上述振动信号相比，使用这种方法时电气信号较弱，并且经常被风力发电机组的运行声音所抑制，分析难度相对较大，因此，使用这种方法时，应使用更先进的设备来接收和分析信号，以准确识别相应的信号并找出有关故障的信息。基于此，应将自动机械模型与数据结合起来，以分析并归纳故障问题。该模型可以将电气信号与风力发电机组的扭矩波动相关联，并分析齿轮箱故障以及信号之间的实际关系，并模拟实际情况以查明故障的位置。同时，实际分析过程中，维纳滤波也可用于清除噪音并确定风力发电机组中的轴承故障。此外，也可以使用信号双谱分析方法、Hilbert模量频谱等方法诊断风力发电机组的故障部件，使用期间，相关技术人员可以根据实际情况科学选择故障诊断方法。该方法无需额外购买传感器，具有良好的经济优势且诊断结果也比较准确，使用效果较好。

1.3基于模式识别的诊断

这一诊断方法是基于风力发电机组的多样化信号并通过在时域和频域中设置模型来分析故障。下面以轴承故障诊断为例加以说明，使用这一诊断方法可以建立三维模型以检测故障并解除故障，具体方法如下：LaplacianEigenmaps算法可用于建立故障的可视模型，提供三维图形技术并显示故障特征，在此基础上，可以快速检测到故障所在位置；非线性流行学习可以在三维空间中分析动态轴承的故障；针对于轴承的粗糙程度的故障，可以使用线性判别方法来分析、诊断，确定故障部位并快速解决故障，上述方法均可有效诊断轴承故障，都有着很好的使用效果。在现阶段的研究环境中，该方法被划分为有监督以及无监督两种，然而不论是有监督还是无监督，所需算法的数量都相对较大，同时收集数据也需要花费大量时间，并且使用过程中所花费的成本也较大，如果在故障频率较高的部位使用这种方法，将会降低企业的经济效益，因此，应根据具体情况选择较为合适的诊断方法。

风力发电机组故障预测技术

2.1风力发电机组机械系统故障预测技术

检测风力发电机组早期存在的故障问题，同时预测机械系统的剩余使用时间，可以显着提高风力发电机组的运行效率并降低维修费用。其故障预测以及故障诊断有很多相似之处，所以，在进行故障预测的过程中也可使用风力发电机组的振动数据，并依据风力发电机组的内部结构特征以及其具有的功能特性，使用振动数据可以用来预测机械传动和支撑部件的故障，例如发电机轴和轴承、齿轮箱轴和轴承以及塔架的故障。首先，必须连续记录风力发电机组运行过程中的振动，进而进一步分析相关数据的特征，以提取时域信号或频域信号，特别需要注意的是，由于频域信号的特征值对故障较为敏感，依据统计学规律设置的预警阈值以及告警阈值，最终都将通过特征值的发展方向进行预测。监测齿轮箱的油位、发电机的电气量以及叶片应变、传动链的扭矩、噪音等时，其可提前预测相应部件存在的故障。通常，可使用逻辑回归模型来分析降低设备性能的演变过程，并按照当下的监测信号预估设备的健康情况，另外，若要预测设备的剩余使用时间，则可使用自回归滑动平均模型，具体的使用方法如下：首先，可使用HMM及隐半Msrkov模型，分析了动态组件的工作状态，确定轴承的功能情况，以确定其使用寿命。在实际使用中，该方法具有很好的使用效果，并且使用其预测的成果也较多。例如，一些科学家使用离散的观察序列来提取隐半Msrkov链，基于此，转台传输矩阵可用于预测故障。Dong使用HMM可准确预测水泵的使用寿命；Bechhoefer使用前人理论，并利用经过改造的HMM来预测转轴故障；曾庆虎使用离散HSMM建立了轴承退化模型，所有的研究结果均表明了此理论和模型的可预测性。其次，在分析设备运行数据时，也可使用Gamma过程，其可以根据数据密度来确定设备寿命的概率分布并确定其特定的使用寿命。第三，相对均方根值可用于计算设备的性能和使用状态，在监测设备噪音状况的过程中，通常可使用麦克风多测点监测法，基于此，可通过小波分析提取有关设备故障的数据以诊断故障，由此可以看出，在预测机械系统的故障时，有必要依靠各种计算模型来分析设备数据，并在模型和数据分布中寻找降低其使用性能以及缩减其使用时间的信息点，以达到故障预测的目的。

2.2风力发电机组电子系统故障预测技术

最近几年，风力发电备受社会各界的关注，针对故障的诊断和预测也变得更为深入。电子系统故障作为风力发电机组检修期间最为关键的预测环节，尽管其不会导致较大区域的停工，同时维修费用也相对较为便宜，但是如果故障次数不断增多，这必然会增加维修难度，与此同时，由于此系统通常发生故障的时间都比较短，在机组运行期间若出现故障，则很可能致使系统瘫痪，这无疑会增加检测故障的难度。在进行实际预测的过程中，可从以下方面来入手：（1）系统植入。在系统构建初期或者投入使用初期，应该对其进行优化，并在电子系统中植入自主检修系统，以便它可以自主检测、验证、隔离和解决故障，以降低预测负担。（2）创建保护功能。与植入一样，必须在所建设的系统内添加功能保护模块，当检测到故障时，应开启保护模式，相关技术人员也可以启用此功能。（3）实时监测数据。为了能够实时监测电子系统的相关数据，可以相应地添加预警功能，当遭遇较大故障时其可向相关技术人员自动发出警告，技术人员则可以通过分析相关数据来判断故障位置，并及时解决故障。（4）创建应力或疲劳模型，可使用该模型来预测故障程度。

结束语

综上所述，不论是现阶段还是将来，对风力发电机组故障诊断及预测技术的需求都是非常大的，当前，由于全球可利用的能源越来越少，风能作为一种可再能源，其可促进我国风力发电事业的健康发展，因而，政府针对于风力发电事业的发展应投入大量的资金，以进一步推动风力发电机组故障诊断及预测技术的研究与开发，以此来推动我国风力发电事业的快速发展。

参考文献：

[1]朱振海.风机故障诊断与预测研究综述[J].工程建设与设计,2018(18)：63-64.

[2]纪世强.风力机状态监测与故障诊断技术综述[J].湖北农机化,2018(05)：48-49.

[3]张伟.风力发电机振动故障诊断的论证系统[J].机械设备,2018(02)：13-16+21.