风电机组故障智能诊断技术及系统研究

风电机组故障智能诊断技术及系统研究

摘要：风电机组的状态监测和故障诊断是保证机组长期稳定运行和安全发电的关键。基于风电机组的基本结构，介绍了机组的故障类型和机理，论述了实际应用中机组的状态监测和故障诊断技术;基于BP神经网络的原理和优点，深入讨论了如何应用人工神经网络构建风电机组智能诊断系统，并给出了可行的系统设计方案和软件实现流程图。

关键词：风电机组;状态监测;故障诊断;神经网络

风力发电是世界上公认的最接近商业化的可再生能源技术之一[1]。在当今强调保护环境、可持续发展的背景下，不消耗化石燃料、无环境污染的风力发电被认为是最清洁的能源利用形式。在过去的10年里，由于年平均增长率接近28%，风力发电已成为世界上增长最快的可再生能源[2]。随着风能的快速发展和大规模风电机组的投入运行，且由于大部分机组安装在偏远地区，负荷不稳定等因素，我国不少风电机组都出现了运行故障，直接影响了风力发电的安全性和经济性。为保持风电的长期稳定发展，增强它与传统能源的竞争力，必须不断降低风力发电的成本(包括制造安装成本和运行维护成本)。服役超过20年的风电机组，其运行维护费用估计占能源成本的10%～20%[3];海上风电机组由于运行环境更恶劣、维护操作更困难，这个比例更是高达30%～35%[4]。2004年丹麦Horns Rev海上风电场的多台机组出现了电机失效等技术故障，更换风机并运至陆上维修，直接导致设备供应商年度亏损近4 000万欧元。

因此，风电机组的状态检测和故障诊断显得尤为重要，是保证机组长期稳定运行和安全发电的关键。风电机组故障诊断利于降低故障率、减少维修时间、增加年发电量和提高风电场的经济效益;利于发现早期故障，不仅能为机组维护人员安排备用器件和物资提供必要的时间，而且也能为设计人员提供指导和意见。随着人工智能技术的发展，特别是知识

工程、专家系统、人工神经网络等在诊断领域的进一步应用，故障智能诊断已逐渐成为现实。

本文将在介绍风电机组结构、常见故障和状态监测技术的基础上，深入讨论如何应用人工神经网络构建智能诊断系统，并给出可行的系统设计方案和软件实现流程图。

1 风电机组结构

风电机组通过叶轮捕获风能，传动系统将风能传递到发电机，发电机在电气控制系统的调节下发高质量的电能，并网型发电机通过变流器和变压器接入电网，向电网馈电。风电机组从整体结构上分直驱型和齿轮箱升速型，实际应用中较多采用后者。常见的升速型水平轴风电机结构如图1所示[5]，主要由风轮、变桨机构、传动系统、偏航系统、发电机、控制系统、机舱和塔架等构成

2 常见故障和机理分析

风电机组多安装在高山、荒野、海滩、海岛等风口处，常年经受无规律的变向变负荷的风力作用以及强阵风的冲击和酷暑严寒极端温差的影响，从而导致其故障频发。风电机组常见的故障类型有很多。对于不同风电场，其地理位置、风况、风机类型和运行情况都有所不同，从而导致机组的故障类型不同。图2是瑞典风电场2000—2004年间故障数据的统计图。可见，电气系统是机组中最常发生故障的部件，其次是传感器和叶片/变桨装置;齿轮箱故障是引起停机时间的最主要原因，其次是控制系统故障和电气故障[6]。据统计，我国的风场齿轮箱损坏率高达40%~50%，是机组中故障率最高的部件。以下仅分析几种常见的主要故障。

2.1 齿轮箱故障

齿轮箱是升速型风电机的重要组成部件，其作用是将风轮在风力作用下所产生的动力传递给发电机并使其得到相应的转速。根据风轮和发电机的特点，机组的质量、刚度以及传动轴的耦合、润滑等情况，齿轮箱在使用过程中将承受静态和动态载荷，从而可能产生各种类型的故障。由于制造安装、操作维护、润滑、承载大小等方面的条件不同，故障发生的时间和程度有很大差异。统计表明[7]，齿轮箱中各类零件损坏的比例为：齿轮60%、轴承19%、轴10%、箱体7%、紧固体3%、油封1%。通常齿轮投入使用后，由于齿轮制造不良或操作维护不善，会产生各种形式的失效，各部件常见的失效形式见

2.2 电气系统故障

风电机组的电气系统通过变频器等电气设备与电网连接，向电网输送电能，同时控制电能参数。现代设计通过变频器等电气设备来控制功率和频率，实现风电机组的软并网。在大功率并网型风力发电系统中，双馈型电机转子侧变频调速恒频发电系统性价比较高，近年来被广泛应用。虽然电气系统的投资仅占风电机组全部投资的1%，但是其故障率却高达17.5%[8]。电气系统部件较多，故障种类也较多，主要有短路、过电流、过载、过电压、欠电压、过温、接地、无法启动变频器等故障。

2.3 发电机故障

发电机的作用将旋转的机械能转化为电能，其型式较多，目前国内外采用最多的是双馈式异步发电机。风机中最容易发生故障的部件是轴承、定子和转子;对典型的异步发电机而言，三者的故障率分别为40%、38%和10%[9]。定子和转子故障主要包括匝间绕组开路、单个或多个绕组短路、定子绕组连接异常、转子导条和端环断裂(笼型转子)、静态或

动态气隙偏心等。异步电机出现故障时可能出现以下现象：内部电气不对称，气隙磁通和相电流谐波分量增加，转矩波动增强、均值下降，电机损耗增加、效率降低，绕组过热等。此外，油温过高、振动过大、轴承过热、有不正常杂声和绝缘损坏也是发电机的常见故障。

3 风电机组状态监测和故障诊断

3.1 状态监测技术

早期，风电场多采用事后维修方式，即部件失效后才进行维修。随着装机容量的快速增加，风电场更多采用预防性维修(PM)。多数经营者采取定期检查测量结合历史经验分析的方式对机组状态进行评估。上述监测方式有2个缺点：一是检查费用昂贵，需要停机和进入机组内部;二是只能定期评估，很难及时全面地了解设备运行状况。近年来，由于状态监测和故障诊断技术的发展，预测性维修(PDM)和基于状态的维修(CBM)得到了更多的应用。风力发电机组的状态监测技术主要分为以下几种：振动分析、油液监测、热成像技术、过程参数监视、性能参数检查。其他还包括材料的物理状态检查、应变测量、声学监测、电学效应、目视检查、传感器自我诊断等技术。其中，应变测量、声发射和振动监测可用于检测叶片故障趋势;基于参数估计的方法可用于变桨系统的状态监测;基于不同传感器的振动分析主要用于齿轮箱的状态监测，最常用的传感器有加速度传感器和位移传感器，后者的作用是检查主轴在低速运行时的情况;声发射技术还可用于检测由摩擦引起的部件表面应力的突变，尤其能提早发现齿轮出现点蚀、裂缝等潜在故障;温度监测可用于检查发电机定子和转子绕组的运行情况，转矩测量可用于传动系统的故障检测。齿轮箱是风电机故障频率最高的部件，表2总结了齿轮箱状态监测的典型技术，并分析了它们的优缺点[8]。

3.2 故障诊断技术

风电机的故障诊断方法有很多种，主要包括传统诊断方法、数学诊断方法和智能故障诊断方法。传统诊断方法大多是基于状态监测技术的数据分析，现多采用与其他方法相结合的方式对故障进行诊断。数学诊断方法主要包括模式识别、基于概率统计的时序模型诊断、基于距离判据的故障诊断、模糊诊断、灰色系统诊断、故障树分析、小波分析以及混沌分析与分形几何。智能诊断方法主要包括模糊逻辑、专家系统、神经网络、遗传算法等。根据Frank P M[10]的观点，故障诊断方法可根据图3进行分类。

风力机故障诊断属于旋转机械故障诊断的范畴，其内容主要包括主传动链上主轴、齿轮箱、发电机的故障诊断。文献[11]中介绍了风电机组故障检测技术，基于频谱分析法讨论了轮毂移动和发电机振动的影响。文献[12]基于多层电路理论，建立了双馈型异步发电机(DFIG)定子绕组短路模型，并详细分析了故障电流的变化，提出电流相角差可作为故障诊断特征。文献[13] 分析了永磁同步发电机(PMSG)多相突然对称性短路的情况，文献[14]结合负序分析和神经网络方法，研究了永磁同步发电机单相绕组短路的故障诊断方法。文献[15]研究了一种特殊的离散小波变换法在DFIG电气和机械故障中的应用，实验测试表明此方法在瞬态工况的条件下能对故障进行明确的诊断。文献[16]利用自组织模糊神经网络模型，提出了基于长期预测的非线性系统降阶模型的故障检测方法。文献[17]研究了人工神经网络技术在风电机组变速箱故障智能诊断中的应用，认为BP神经网络是解决复杂状态识别问题的有效方法。文献[18]基于齿轮箱的故障分类，利用小波神经网络分析了齿轮箱的振动频谱;相比于早期的快速傅里叶分析(FFT)和包络分析工具，小波分析更有利于提取故障特征。