浅析风力发电机组轴承故障诊断方法及解决措施

北京京能国际控股有限公司华南分公司 张光奎 北京能源国际控股有限公司 童 正

京能胜科（海南）国际能源有限公司 朱志国 新疆信友新能源发电有限公司 张 勃

近年来，风力发电作为一种清洁、可再生的能源形式，得到了广泛的应用和推广。然而，风力发电机组的可靠性，以及稳定性问题一直是业界关注的焦点。其中，轴承是风力发电机组的重要组成部分，轴承用于支撑转子的重量并使其对风偏航。轴承故障在风力发电机组中常见，轴承故障一般会导致长时间停机，并且增加维修成本。此外，轴承问题还会导致风机性能下降、发电量降低和维护需求增加。因此，了解风力发电机组轴承问题的原因，并使用有效的诊断方法及时发现和解决问题至关重要。

1 轴承故障原因研究

1.1 润滑问题

润滑问题是风力发电机组轴承问题的重要原因。风力发电机组中的轴承承受复杂的运行条件，包括高负载、变速和低温。因此，有效的润滑对于减少摩擦和防止轴承表面磨损至关重要。由于润滑不足或污染，可能会出现轴承润滑问题，从而导致轴承过早损坏。风力发电机组轴承故障的最常见原因是润滑不足。大约45%的风力发电机组轴承故障是由润滑不足引起的。轴承润滑不足原因包括油位低、润滑剂选择不当和润滑剂使用不当等。尤其是使用不正确的润滑剂，会导致风力发电机组轴承严重损坏。

污染是另一个可能导致轴承损坏的原因。风力发电机组通常位于恶劣的环境中，例如海上、沙漠等。风电机组运行在盐水、沙子和灰尘中。润滑剂便会被外部因素（例如灰尘和碎屑）或内部因素（例如磨损颗粒和腐蚀）而污染。

1.2 联轴器错位

联轴器错位是风力发电机组轴承故障的另一个重要原因。当联轴器未正确对齐时，导致承受力过大和过早磨损。联轴器不对中可能由多种因素引起，包括安装不当、轴承或其他部件的磨损以及热膨胀。研究表明，联轴器错位是风力发电机组轴承问题的重要原因。研究发现，联轴器不对中，会导致机组振动，降低发电系统的可靠性。此外，未对准故障会导致齿轮和轴承损坏。

1.3 安装和维护不当

轴承故障的另一个潜在原因是轴承安装和维护不当。安装不当会使轴承错位或润滑不足，从而导致过早磨损和故障。此外，不规律的换油和未能更换损坏的密封件等维护不当也会导致轴承故障。研究发现，维护不当和安装不当占轴承故障原因的5%。研究还发现，一些维护人员缺乏正确维护和安装轴承所需的培训和知识。此外，温度和湿度等环境因素也会导致轴承失效。极端温度会导致润滑失效，导致金属与金属接触并增加磨损。高湿度水平还会导致轴承材料腐蚀和损坏。总体而言，风力发电机组中的轴承故障可能由多种因素引起，包括安装和维护不当、环境因素和设计缺陷。因此，在诊断和排除风力发电机组中的轴承问题时，考虑所有上文所述问题较为关键。

2 轴承故障诊断方法

由于设备的复杂性和远程性，诊断风力发电机组中的轴承问题过程较为复杂。然而以下几种方法可用于识别和诊断轴承问题，包括振动分析、声发射分析、温度监测和目视检查。

2.1 振动分析

振动分析是诊断风力发电机组轴承问题的常用方法。该方法将使用专用设备（如加速度计或接近探头）测量风机部件的振动。通过分析振动信号，可识别表明轴承磨损或损坏的特定频率和模式。并且可使用各种算法（例如，快速傅里叶变换）分析数据。除了检测轴承问题，振动分析还可以提供有关风力发电机组其他部件的信息，例如齿轮箱和发电机。研究证明了振动分析在检测风力发电机组轴承故障方面的有效性，并总结了在不同的故障情况下，风力发电机组轴承的振动信号的特征。

2.2 声发射信号分析

声发射信号分析是一种重要的轴承故障诊断技术，可以通过监测轴承在运行期间产生的声发射来提供有关轴承状况的信息。与其他技术相比，声发射信号分析具有较多优点，例如能够检测到微小的轴承故障、提供更精确的故障位置和严重程度信息、不需要停机检测等。因此，声发射信号分析在轴承故障诊断中得到了广泛的应用。声发射信号分析通常使用小波分析算法来处理声发射信号数据。小波分析算法具有良好的时间和频率局部性，可更好地描述信号的时频特性，并提高信号的处理效率。此外，小波分析算法还可以对信号进行降噪处理，提高信号的信噪比，从而提高故障诊断的准确性。

2.3 温度监测

温度监测通过监测运行期间轴承的温度，可识别可能表明轴承磨损或损坏的异常温度升高。使用风力发电机组的SCADA（监控和数据采集）系统，实时监控轴承温度，并在与正常工作温度有任何偏差时发出警报。这种方法已广泛用于以前的研究，以检测风力发电机组中的轴承问题。

为了进一步分析从温度监测中获得的数据，目前已经开发了以下的公式和模型，比如EPF-BP算法，首选使用局部离群因子（LOF）算法进行SCADA数据进行清洗和过滤，作为轴承温度异常的输入值。其次选取主轴承温度智能检测方法中BP神经网络，并拟用增强后的粒子滤波算法加以改进，设计EPF-BP算法的风电机组主轴承温度异常的故障诊断模型。针对特定机型进行数据仿真。结果表明，该诊断方案可更为有效、准确地识别风电机组核心部件轴承故障，以提高轴承运行的可靠性。

其他温度监测方法涉及的一般步骤包括：步骤1安装温度传感器：温度传感器安装在风力发电机组的轴承上以监测温度；步骤2设置监控系统：设置监控系统以记录和存储来自传感器的温度数据；步骤3分析数据：分析温度数据以检测可能指示问题的任何异常或温度变化；步骤4采取措施：如果检测到任何异常，则采取措施解决问题，例如更换轴承或调整风力发电机组的运行条件。

2.4 定型分析诊断

文献[1]归纳了通过定性分析方法诊断轴承故障，定型分析是场站运行人员根据轴承故障发生的属性和特点，对其故障原因、故障机理等进行分析和评估的过程，不需要数学方法和算法模型。风电机组轴承故障定型诊断方法主要有专家系统（ES），故障模式与影响分析（FMEA），故障树分析（FTA）。以上故障诊断方法首先通过不全面的先验知识来进行系统结构功能的描述，然后再利用建立的定性模型完成故障诊断。

3 未来研究方向

风电机组轴承故障诊断是风能领域的一个重要研究领域。随着风能技术的快速发展，对高效、可靠的风电机组的需求越来越大。因此，准确及时地诊断轴承故障，对于确保风电机组安全高效运行至关重要。近年来，研究人员在风电机组轴承故障诊断领域取得了重大进展，但仍有一些挑战和机遇需要应对。

3.1 先进信号处理技术的发展

信号处理技术在轴承故障诊断中起着至关重要的作用。目前，已经开发出了相关信号处理技术并将其应用于风电机组轴承故障的诊断。然而，这些方法具有一些局限性，例如精度低和计算复杂度高。因此，未来的研究应侧重于开发先进的信号处理技术，以提高轴承故障诊断的准确性和效率。例如，深度学习技术在轴承故障诊断方面显示出巨大潜力。深度学习算法可自动从振动信号中提取特征，提高故障诊断的准确性。文献[2]提出了一种基于深度学习的轴承故障诊断新方法，准确率达到99.6%。

3.2 多传感器数据集成

目前，大多数风电机组都配备了用于轴承故障诊断的振动传感器。但是在实际操作中，振动信号的应用也存在着一些限制。例如，某些类型的轴承故障可能不会导致明显的振动信号，因此只依靠振动信号进行轴承故障诊断可能不够准确。为了提高轴承故障诊断的准确性和可靠性，需要整合多个传感器数据，如温度、油液、声学和图像等。

已经有很多学者尝试使用多个传感器数据集成，来解决风力发电机组轴承故障诊断问题。例如，使用振动、声学、温度和电流信号进行数据融合，以提高轴承故障诊断的准确性。使用了振动、油液、温度和电流信号进行数据融合，以实现对轴承故障的快速检测。在实际应用中，多传感器数据集成的方法可以提高轴承故障诊断的准确性，从而减少不必要的维护成本和停机时间。

未来关于多传感器数据集成主要研究方向为联合分析、互补分析、分级分析：联合分析是指将多个传感器的信号数据组合起来，形成一个统一的特征向量。然后，使用机器学习算法来对特征向量进行分类和诊断。联合分析可以利用各种传感器的优点，从而提高轴承故障的检测准确性；互补分析是指利用多个传感器数据的互补性，以提高轴承故障的诊断准确性。例如，振动传感器可以检测到轴承的高频振动信号，而油液传感器可检测到轴承油液中的金属颗粒，从而对轴承故障进行更准确的诊断；分级分析是指将多个传感器数据分为多个级别进行分析和诊断。例如，使用振动传感器对轴承进行初步诊断，然后使用其他传感器进行更深入的分析和诊断。

3.3 状态监测和预测

状态监测和预测对于确保风电机组安全高效运行至关重要。目前，大多数轴承故障诊断方法都是基于检测故障的存在。然而，预测轴承的剩余使用寿命（RUL）以避免意外故障也很重要。因此，未来的研究应侧重于开发风电机组轴承的状态监测和预测技术。文献[3]研究了由多层次聚类系统进行故障类型的判别，改进了小波包方法，提高了对信号频率的分析能力，并且使用多场算法，建立了混合模型，结合机器学习和基于物理学的模型，以实现更准确的RUL预测[3]。此外，先进的预知技术的发展也可以帮助优化维护计划，降低维护成本。文献[4]提出了一个用于风机维护调度的多目标优化模型，其可以考虑维护成本和风机可用性之间的权衡。

数字孪生和人工智能的整合数字双胞胎技术可以提供风机的虚拟表现，可用于模拟、监测和优化目的。将数字孪生技术与人工智能（AI）技术相结合，可以提高风力发电机组轴承故障诊断的准确性和效率。文献[5]提出了一个基于数字双胞胎的人工智能框架，用于风电机组的故障诊断和预测。该框架包括一个数字双胞胎模型、一个机器学习模型和一个决策支持系统，可对风机轴承故障进行准确、及时的诊断和预判。

风电场水平监测和诊断的整合风电场通常由多个风力发电机组组成，一个发电机组的故障会影响整个风电场的性能和安全。因此，未来的研究应该集中在开发风电场层面的监测和诊断技术，以便在风电场层面检测和诊断轴承故障。

结风机轴承故障诊断是风能领域的一个关键研究领域。先进的信号处理技术的发展、多种传感器数据的整合、对状态监测和预后的关注、数字孪生技术和人工智能的整合，以及风场层面的监测和诊断的整合，是风机轴承故障诊断的未来研究方向。这些研究方向的推进可以提高风力发电机组的可靠性和效率，从而促进风能的可持续发展。

总之，风电机组轴承故障诊断是风能领域的一个重要研究领域。准确及时地诊断轴承故障对于确保风电机组安全高效运行至关重要。随着风能技术的快速发展，对更高效、更可靠的风电机组的需求越来越大。因此，未来的研究应侧重于开发先进的信号处理技术，集成多个传感器数据，以及开发风电机组轴承的状态监测和预测技术。为了有效地诊断风电机组轴承故障，必须使用先进的信号处理技术，例如深度学习算法，并集成多个传感器数据，例如声发射和振动信号。此外，用于预测轴承剩余使用寿命的预测技术对于避免意外故障和确保风电机组安全高效运行至关重要。