风电机组在线智能故障诊断技术发展趋势

杜胜磊， 高庆水， 潘巧波， 邓小文， 张 楚， 冯永新

(广东电网有限责任公司电力科学研究院，广州 510080)

风电机组在线智能故障诊断技术发展趋势

杜胜磊， 高庆水， 潘巧波， 邓小文， 张 楚， 冯永新

(广东电网有限责任公司电力科学研究院，广州 510080)

总结了风电机组及风电场常见的故障类型以及故障分析理论，并针对风电机组故障诊断系统的分散性，提出风电机组故障诊断技术今后的发展方向，即对现有单一风场分散的监控与管理系统进行整合，通过异构数据的采集、存储及管理技术，建立统一完整的实时和历史数据库。基于完整的风电场统管数据库，开发风电机组各个重要子系统的在线监测系统，进而整合优化，实现基于数据融合方法的具有自学习能力的风电场智能专家故障预测。

风力发电；齿轮箱；故障预测；故障诊断；智能化

随着环境问题、能源危机的日益突出，以风电、光伏等为代表的可再生清洁能源的装机容量占电力系统的比重不断增加。全球风能理事会发布的统计数据表明，全球风电新增装机容量63.0 GW，其中中国新增30.5 GW，总规模达到432.4 GW。另外，随着风电机组单机容量的不断增长以及风电场规模的日益扩大，风电系统的结构变得越来越复杂，不同组件间耦合更加紧密，一个微小的缺陷可能引发灾难性的大故障，造成机组停机，甚至导致机组部件的损坏，给企业带来巨大的经济损失[1]。相对于传统火电机组，风电机组单机容量较小，风电场一般由数十甚至数百台机组构成，且分布比较分散，一般分布在环境条件恶劣的内陆荒漠、沿海滩涂，这一系列的特点给运行、检修及故障分析都带来较大的困难。

传统的风电场检修维护方式，常出现故障时间与计划检修时间不同步问题。检修前出现故障，不得不采用故障停机，给风场发电量带来较大的影响。另外，达到检修周期时，系统依然运行良好，如仍按计划停机维护，会造成了人力、物力的极大浪费，即“维修过度”问题[2]。因此，对风电场实施状态监测并智能化地对机组所出现的异常状况在线分析及故障诊断，将会使风电场的运行维护更加高效、经济。

基于此，本文从国内的风电场运维、故障诊断的现状出发，总结现行风电系统主要发生的故障类型，以风电场智能化运维需求为导向，提出符合风电场未来运维要求的在线智能故障诊断技术的发展方向，旨在缩短风电机组的故障维修时间，提高风电场的可用率，为风电运营商提供风电场的运行优化与智能化管理、少人或无人值守管理、设备与运维人员的集约化管理，帮助运营商实现智能、高效、低成本运营。

1 风电机组的主要故障类型

目前国内外已投产的风电机组多为齿轮箱升速型，主要由风力机、齿轮箱、变桨系统、发电机、偏航系统、变频系统、主控系统、液压系统等几部分子系统组成。每个子系统由若干的零部件构成，其中故障主要集中在齿轮箱、发电机、变频装置以及风轮叶片等关键部件。

1.1 齿轮箱故障

齿轮箱是风电系统中故障率最高的部件，且造成停机时间较长，包含齿轮、滚动轴承和轴等部件，其常见的故障主要为齿轮和滚动轴承的故障[3]。近年来，新投产风电机组普遍都配备了振动监测系统。当齿轮或滚动轴承存在局部缺陷时，其振动信号中含有丰富的信息。通过有效提取信号的特征，一般可以较为准确地诊断出缺陷种类及所处的部位。常用的时频分析方法有傅里叶变换、小波变换[4]、Hilbert-Huang变换[5]等，将其与基于神经网络方法、人工智能技术以及专家系统的学习与分类能力相结合，可实现对齿轮箱故障的快速准确的智能化诊断[6-7]。

1.2 发电机故障

目前风电系统采用的发电机型主要有双馈异步电发机、笼型异步发电机和永磁同步电发机。由于承载发电机的机舱处于几十米的高空，发电机长期运行于交变工况和恶劣的电磁环境中，极易发生故障。常见的故障有轴承故障、短路故障、转子偏心故障等[8-10]。当发电机由正常状态衍化到故障状态时，会引发某些电量和非电量的变化。其中电量信号主要有电流、电压、输出有功功率、电磁力矩等[11]，而非电量主要为振动信号。发电机的故障诊断正是以这些反映电机运行状态的物理量信号的变化为依据，通过相应监测设备获取电量或非电量信号，采用先进有效的信号处理技术，最终提取出反映发电机故障种类以及故障严重程度的特征信息。

1.3 电力电子装置故障

并网风电机组一般通过变频器接入电网，从而实现在环境风速变化的情况下，也可以向电网输送高质量电能。所不同的是：永磁直驱式风力发电机是定子侧通过变频器接入电网的；双馈式风力发电机是转子侧通过变频器接入电网的，定子侧直接与电网相连。变速恒频式风力发电机，尤其是双馈式风力发电机在电网发生故障时容易导致风力发电机机端电压跌落，造成发电机定子电流增加进而导致转子电流的增加，极易导致风电机组变频装置的功率元器件损坏。功率元件的故障信息主要通过开路故障反映，常用小波分析的方法提取变频装置故障状态下电路响应中所包含的有效故障特征信息，并结合神经网络方法对故障进行分类和严重程度的判断[12-13]。此外故障树、专家系统等基于人工智能和专家系统等先进故障诊断方法在变频器功率元件的故障诊断上也有初步的应用。

1.4 叶片故障

叶片是风电机组最基础和最关键的部分，长期承受风带来的交变冲击载荷作用，是受力最复杂的部件之一，运行过程中各种激振力通过叶片传递出去。实际中常用有限元分析法建立风电机组的动力学模型，通过计算与模态分析获得其固有频率和振型等信息，并通过观测固有频率变化反映叶片的裂纹等故障特征，依此达到对风机叶片故障的检测与诊断识别的目的[14]。

2 风电机组故障分析的理论基础

故障诊断技术是以运行状态监测和故障诊断为基础的设备状态维修，使得设备由预防性维修向预知性维修，由“到期必修”向“该修就修”模式发展，很大程度上提高了设备运行效率和可靠性。经过几十年的发展，故障诊断技术历经三个主要阶段，从依靠检修人员的个人经验和简易测量工具，到融合传感器技术及数字信号处理等方法，进而发展到智能化故障诊断。目前，大型风电机组故障分析方法主要有布尔理论、马尔科夫理论、故障树分析法(Fault Tree Analysis，FTA)、故障模式及后果分析法(Failure Mode and Effect Analysis，FMEA)、故障模式后果与严重度分析法(Failure Mode Effects and Criticality Analysis，FMECA)等，其中FTA、FMEA和FMECA在工程中应有着较为广泛的应用[15]。

故障树分析法最早在1961年由美国贝尔实验室提出并应用于导弹发射系统的质量控制。经过长期发展，FTA在机械系统可靠性、安全性分析和风险评估等方面得到了广泛应用。FTA是一种将系统故障形成的原因，由总体至部分按树枝状逐级细化的图形演绎方法。通过对可能造成系统故障的各种因素(包括软硬件、环境、人为因素等)进行分析，绘制出故障树，再对系统发生的故障事件，由总体至部分按树枝状逐级细化，判明系统故障原因，确定故障发生的概率，评价引发系统故障的各种因素的相关程度。王斌[16-17]等分别运用FTA对风电机组齿轮箱和风机叶片的故障诊断进行了较为深入的探索。但目前故障树分析法主要作为定性分析，由于缺乏基础数据的积累，该方法还难以实现定量诊断。

故障模式及后果分析，也称为失效分析，是工程上常用的可靠性分析方法。它是在产品设计和加工过程中，以产品的元件、零件或系统为分析对象，通过工作人员的逻辑思维分析，预测结构元件或零件生产装配中可能发生的问题及潜在的故障，研究故障的原因以及对产品质量造成的影响程度，提出可以采取的预防控制措施，以提高产品质量和可靠性。FMEA主要包括故障模式分析、故障原因分析、故障影响分析、故障检测方法分析与补偿措施分析等步骤。孟繁超[18]利用FMEA方法对大型风力发电机组的各主要组成部分进行分析，并给出故障模式及后果分析报表，依此开发了风电机组齿轮箱温度监测及管理系统。

故障模式、后果和严重度分析是在FMEA分析工作的基础上增加了严重度分析，即FMECA=FMEA+CA。由于FMECA和FMEA的方法、步骤较为类似，严重度分析是对FMEA的补充和扩展，其目的是按每一故障模式的严重度类别及故障模式的发生概率所产生的影响对其划等分类，以便全面地评价各种可能出现的故障模式产生的影响。故障的严重度是CA的主要技术指标，其概念为产品工作期间内某一故障模式的发生次数与期间内发生所有故障次数的比值。FMECA方法一般将故障的严重度等级划分为五级：经常发生、有时发生、偶然发生、很少发生、极少发生。此外，故障的严重度也可分为四级：灾难性的、严重的、一般的和次要的。孙惢[19]利用FMECA对风电机组传动系统进行分析，找出传动系统的失效模式、失效原因，并根据风险优先数法进行危害性分析，得到对系统影响较大的失效模式。

也有专家学者采用其他方法对风电机组的某些特定的故障点进行分析与判断，并实现了故障诊断系统的开发。李锋[20]采用流形学习维数化简理论开展了风电机组传动系统智能故障诊断方法研究，孙自强[21]采用混沌分形理论对大型风电机械故障尤其是传动故障进行了诊断研究。通过上述故障分析理论所开发的各类型、各子系统的故障分析系统或软件主要针对风电机组某一具体部件或类型。SKF公司针对风电机组的状态监测系统WindCon目前也只具备简易的信号分析及故障预警、报警功能，缺乏精准的故障诊断技术。由于风电场的复杂性导致其故障类型多变，单一、分散的故障诊断系统缺乏对风电场运行与维护的全面指导，且各个子系统所采集的数据类型和时间维度也往往是异构的，这给综合分析风电机组及风电场的运行状态带来了很大的困难。因此，针对风电场故障的在线智能化诊断技术亟需进一步深入研究和开发。

3 在线智能故障分析的发展方向

本文基于风电场故障诊断技术的发展现状和存在的不足，结合现有先进技术以及风电场运行维护经验的不断完善和基础数据的不断增加，提出下一步风电场在线智能故障诊断技术的发展方向。完整和正确的数据采集是后续状态分析和故障诊断的基础。因此，在今后的集中监控技术研究中，应将风电机组SCADA系统、升压站综合自动化系统、风功率预测系统、AGC/AVC能量管理系统、生产管理系统等现有分散监控与管理系统进行整合。采取不同时间尺度的异构数据采集技术、防止数据丢失的数据队列技术以及不同时间尺度的异构数据的统一存储技术，建立以风电机组关键部件的振动在线监测数据、油液在线监测数据、叶片在线监测、离线点检数据、风电场的环境监测数据等为基础的统一实时和历史数据库，确保风电场实时数据的完整性和正确性。进而，基于各类异构数据的统一管理技术，将实时数据库和历史数据库与统一的风电设备健康状态数据库相结合，建立风电场统管数据库。基于风电场统管数据库，开发风电场场群的集中监控与管理技术，实现不同供应商的各类设备的集中监控与管理，实现风电场场群的状态监测、运维调度和生产运营的统一管理。具体的技术路线如图1所示。

在风电场场群的实时监测、运维管理和生产运营的统一管理基础上，下一步的工作即是开发重要子系统的在线监测系统，如齿轮箱磨损状态监控、叶片表面状态监控等。以齿轮箱磨损状态监控为例，通过对齿轮摩擦副的摩擦、磨损、润滑与润滑油劣化特征的研究，寻求对齿轮油运动粘度、油中水含量、介电常数、温度、磨损烈度指数等多参数的集成式实时在线检测方法，从而系统地建立风电机组齿轮箱润滑磨损在线监测体系，其技术路线如图2所示。

图1 风电设备的实时状态统一集中监控的技术路线

图2 润滑磨损在线监测技术路线

图3 风电场故障预测技术路线

风电场故障预警技术的实现，有利于运维人员工作职责的原子化、远程化和信息化，实现风电场维护的智能化和简易化，最终达到风电场的安全、稳定、高效运行，如图3所示。

4 结 语

本文总结了风电机组齿轮箱、发电机等重要零部件的常见故障类型以及常用的故障分析理论，并针对风电场风电机组故障诊断系统的分散性，提出了风电机组故障诊断的发展方向。对单风场现有分散的监控与管理系统进行整合，通过异构数据采集技术、数据队列技术以及异构数据存储技术，建立统一的实时数据库和历史数据库，确保风电场实时数据的完整性和正确性。基于完整的风电场统管数据库，开发各个重要子系统的在线监测系统，最终实现基于数据融合方法的具有自学习能力的风电场智能化专家故障预测，为风电场的安全稳定运行提供可靠保证。

[1] 沈艳霞，李帆．风力发电系统故障诊断方法综述[J]. 控制工程，2013，20(5): 789-795. SHEN Yanxia，LI Fan．A survey of diagnosis methods for wind power system[J]. Control Engineering of China，2013，20(5): 789-795.

[2] 杨明明．大型风电机组故障模式统计分析及故障诊断[D]. 北京: 华北电力大学，2009. YANG Mingming. Fault mode statistie & analysis and failure diagnosis of large-scale wind turbines[D]. Beijing: North China Electric Power University, 2009.

[3] 潘巧波，刘杨．双馈风电机组油温超限运行的控制策略[J]. 黑龙江电力，2015，37(4): 360-363. PAN Qiaobo, LIU Yang. Control strategy for doubly-fed wind turbine units operation under over-standard ooil temperature[J]. Heilongjiang Electric Power, 2015, 37(4): 360-363.

[4] 郜立焕，张利娜，朱建国, 等．基于小波分析的齿轮箱振动信号消噪处理[J]. 机械传动，2010，34(3): 50-52. GAO Lihuan，ZHANG Lina，ZHU Jianguo，et al. Gearbox vibration signal de-noising processing based on wavelet analysis[J]. Journal of Mechanical，2010，34(3): 50-52.

[5] HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition the Hilbert spectrum for non-liner non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A，1998，454(21): 903-995.

[6] 李永龙，邵忍平，薛腾．基于小波神经网络的齿轮系统故障诊断[J]. 航空动力学报，2010，25(1): 234-240. LI Yonglong，SHAO Renping，XUE Teng．Gear fault diagnosis based on wavelet and neural network[J]. Journal of Aerospace Power，2010，25(1): 234-240.

[7] 冷军发，荆双喜，吴中青．基于RBF神经网络的齿轮箱故障诊断[J]. 机械强度，2010，32(1): 12-20. LENG Junfa，JING Shuangxi，WU Zhongqing．Fault diagnosis for gearbox based on RBF neural network[J]. Journal of Mechanical Strength，2010，32(1): 12-20.

[8] 时维俊，马宏忠．双馈风力发电机轴承的早期诊断[J]. 电力系统及其自动化学报，2012，24(6): 27-30. SHI Weijun，MA Hongzhong．Incipient bearing fault detection in DFIG-based wind turbines[J]. Proceedings of the CSU-EPSA，2012，24(6): 27-30.

[9] 魏书荣，符杨，马宏忠．双馈风力发电机定子绕组匝间短路诊断与实验研究[J]. 电力系统保护与控制，2010，38(11): 25-28. WEI Shurong，FU Yang，MA Hongzhong．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.

[10] WATSON S, XIANG B, YANG W, et al. Condition monitoring of the power output of wind turbine generators using wavelets[J]. IEEE Transactions on Energy Conversion，2010，25(3): 715-721.

[11] MCINERNY S, DAI Y.Basic vibration signal processing for bearing fault detection[J]. IEEE Transactions on Education，2003， 46(1): 149-156.

[12] 张晓波，张新燕，王维庆．用小波分析来判定风力发电中电力电子的故障[J]. 电机技术，2008(5): 47-50. ZHANG Xiaobo，ZHANG Xinyan，WANG Weiqing．Fault analysis of power electronic devices in wind power system by means of wavelet analysis[J]. Electrical Machinery Technology，2008(5): 47-50.

[13] 张晓波，张新燕，王维庆．用神经网络对风力发电中电力电子故障分析[J]. 华东电力，2008，36(7): 16-18. ZHANG Xiaobo，ZHANG Xinyan，WANG Weiqing．Fault analysis for power electronic equipment of wind power systems by using neural networks[J]. East China Electric Power，2008，36(7): 16-18.

[14] 徐玉秀，张承东．风力机叶片应变响应分形特征及损伤识别研究[J]. 机械科学与技术，2009，28(1): 108-116. XU Yuxiu，ZHANG Chengdong．Strain response fractal characteristic and damage identification of a wind turbine blade[J]. Mechanical Science and Technology for Aerospace Engineering，2009，28(1): 108-116.

[15] 李凤婷，晁勤．风速变化的并网型风电场故障分析[J]. 北京交通大学学报，2007，31(5): 105-109. LI Fengting，CHAO Qin．Fault analysis of wind farm connected to powersystem in varied wind [J]. Journal of Beijing Jiaotong University，2007，31(5): 105-109.

[16] 王斌，董兴辉，刘浩, 等．基于故障树的专家系统在风电齿轮箱上的应用[J]. 装备制造技术，2011(10): 104-107. WANG Bin，DONG Xinghui，LIU Hao，et al．Application of expert system based on fault tree for wind gear box[J]. Equipment Manufacturing Technology，2011(10): 104-107.

[17] 周真，马德仲，于晓洋, 等．模糊灰关联分析方法在故障树分析中的应用[J]. 电机与控制学报，2012，16(3): 60-64. ZHOU Zhen，MA Dezhong，YU Xiaoyang，et al．Application of fuzzy grey relational analysis in fault tree analysis[J]. Electric Machines and Control，2012，16(3): 60-64.

[18] 孟繁超．大型风力发电机组故障分析及齿轮箱温度监测系统研究[D]. 北京: 华北电力大学, 2012. MENG Fanchao. Large scale wind turbine fault analysis and research of gear box temperature monitoring system[D]. Beijing: North China Electric Power University, 2012.

[19] 孙惢．风力发电机传动系统可靠性分析方法研究[D]. 沈阳: 东北大学, 2011. SUN Suo. The method research of the raliability analysis of the wind generator transmission[D]. Shenyang: Northeastern University, 2011.

[20] 李锋．基于流形学习的风电机组传动系统故障诊断方法研究[D]. 重庆: 重庆大学, 2011. LI Feng. Research on methods of fault diagnosis for wind turbine transmision system based on manifold learning[D]. Chongqing: Chongqing University, 2011.

[21] 孙自强．基于混沌分形理论的大型风电机械故障诊断研究[D]．沈阳: 沈阳工业大学, 2013. SUN Ziqiang. Study on mechanical fault diagnosis of large-scale wind turbines based on chaos and fractal theory[D]. Shenyang: Shenyang University of Technoloy, 2013.

(编辑 陈银娥)

Development trend of on-line intelligent fault diagnosis of wind turbines

DU Shenglei, GAO Qingshui, PAN Qiaobo，DENG Xiaowen, ZHANG Chu, FENG Yongxin

(Electric Power Research Institute of Guangdong Power Grid Co., Ltd., Guangzhou 510080，China)

The common fault types of wind turbines and wind farms and fault analysis theory are summed up, and in light of the dispersion of the wind turbines’ fault diagnosis system, the future development direction of wind turbines’ fault diagnosis technology was put forward. That is to integrate monitoring and management system in which the existing single wind farms distribute sparsely and establish a unified complete real-time and history database through heterogeneous data collection, storage and management technology. Based on the complete management database of wind farms, on-line monitoring system for wind turbines’ key subsystem is developed, and then integrated and optimized. It is to achieve fault prediction of wind farm intelligent expert with self-learning ability based on data fusion method.

wind power generation; gearbox; fault prediction; fault diagnosis; intelligence

2017-01-03。

国家科技支撑计划项目(2015BAA06B02)。

杜胜磊(1985—)，男，工学博士，工程师，从事汽轮机、风机等旋转机械的故障诊断研究工作。

TM614

B

2095-6843(2017)02-0173-05