摘要：风力发电机组建设规模不断增加，而这些发电机实际应用过程中常出现各种故障问题，其对于发电机运行稳定及工作效率均具有一定影响，因此有必要加强风力发电机组的整机故障诊断与处理相关研究。本文首先阐述风力发电机组组成和工作原理，然后解析智能风力发电机组整机故障诊断技术类型，最后提出风力发电机组整机故障诊断优化措施，进而确保整机故障诊断及处理效果。
关键词：风力发电机组；整机故障诊断；工作原理；SDG模型
引言：
风电是一种环保的节能技术，随着我国环保理念的逐渐深入，各行各业都逐渐开展节能减排，以实现绿色中国、绿色发展。风力发电是世界上公认的清洁可再生能源技术，近年来，得到了快速的发展。风力发电不仅能够节省燃料，减少环境污染问题，还能够加快推进我国环保型社会的建设。现阶段，大多数风力发电机组安装在较为偏远的地区，自然条件恶劣，在机组的检修和维护上缺乏实时性，导致了风电机组故障频发，并且在维修上有明显的滞后性，极大的降低了风电的利用率，并影响其安全性和经济性。所以，加强风力发电机组整机故障诊断技术具有十分重要的现实意义，能够有效的从源头上减少和消除风电机组整机故障，并遏制安全事故的发生，提高供电质量及其稳定性，促进风力发电行业健康发展。
一、风力发电机组组成和工作原理
通常风力发电机组是可将风能有效转化为电能的装置设备，其具体包括安全链、叶轮、风速风向仪、发电机、塔架、传动装置、刹车系统、偏航系统、以及控制系统等诸多组成单元。风力发电机组实际工作过程中，叶轮基于风力作用，将风动能转化为叶轮轴的机械能，然后由叶轮轴带动发电机进行发电，整体作业流程较为简单，其基本利用空气动力学原理，风通过叶轮使得叶片正反形成一定的压力差，进而产生升力作用，使得叶轮保持连续性旋转进而形成连续性横切风流，最后获得机械能。
二、风力发电机的整机故障诊断技术的意义
目前，全球的风能资源总量约有 2.7×109 MW，其中能够被利用的风能大约有 2×109 MW，而中国的风能资源占据了全球第三的位置。一般情况下，风能资源的利用方式大多为风力发电，其在世界经济进步、科学技术发展的时代背景下已经跃然成为了增速最快的发电技术了，相应的风电整机容量也在不断得扩大。据近几年的相关数据统计，2010 年时，世界的风力发电量占全球的电力消费的 2.5%左右，2012年时，全球的新增装机容量已经达到了 44 711 MW，总装机容量如预期般地超过了 2.83×10 9 MW，据专家预测，到了 2020 年时，风力发电大约能够提供增速为 7.7%~8.3%的风力。整机的故障诊断技术在风力发电机中的运用具有积极的意义，不仅能够对风力发电机的运行、作业状况进行实时监测、准确记忆相关数据，还能减少发电机的运行维护成本，提高发电机的经济效能、运行效率、可靠性和安全效能。例如，据已经采用了整机故障诊断系统的国家（如德国、芬兰、日本等）公布的数据来看，在采用了整机的故障诊断技术后，风力发电机因故障而停机的时间减少了 75%左右，这就减少了每年对发电机进行维修、检护的费用，其比例高达 25%~50%。因此，在风力发电技术越来越纯熟的背景下，风力发电机采用整机的故障诊断技术是势在必行的，但是就目前的诊断技术研究和发展现状来看，还处在初级阶段，技术还不成熟，且不能按照工业自动化的要求进行自动诊断，这就造成了诊断技术与风力发电机技术相矛盾的局面，不利于整个发电行业的技术向绿色环保的方向发展。
三、智能风力发电机组整机故障诊断技术类型
当前整机故障诊断大体包括传统故障诊断、数学诊断以及智能故障诊断等类型，其中数学诊断技术具体包括距离判据方法、故障树分析、模式识别以及模糊诊断等，而传统诊断方法主要基于相关监测信号的前提下使用逻辑数据分析，具体包括噪声检测技术、油液分析技术、振动检测技术以及红外线测温技术等。智能故障诊断技术主要依据人工智能理论作为技术核心基础，其具体包括专家系统、人工神经网络、模糊理论及SDG（符号有向图）模型。
3.1专家系统
专家系统是一种能利用存储的专家知识来解决现实问题的计算机系统，由存储专家知识的知识库。运用专家知识进行推理的推理机、存放数据的数据库、以及实现用户与系统交流的人机接口四个基本部分组成。其中知识库用于存放专家知识，从专家处获取知识后，按规定的格式输入知识库。推理机主要任务是在问题求解过程中适时的决定知识的选择和运用，确定推理控制策略和推理方式，编写推理规则，输入计算机系统。人机接口主要是将用户的输入信息翻译为专家系统可接受和识别的内部形式，把系统向用户籍出的信息转换成便于人类理解的外部形式，方便用户的使用。
3.2人工神经网络
人工神经网络就是用物理上可以实现的器件系统或现有的计算机来模拟人脑的结构和功能的人工系统。它由大量简单神经元经广泛互联构成一种计算结构，在某种程度可以模拟人脑生物神经系统的工作过程。它以神经无为信息处理的基本单元，以神经元间的连接弧为信息传递通道，多个神经元联接而成的网络结构。人工神经网络的拓扑结构可分成层状结构和网状结构。层状结构一般包括输入层、隐含层及输出层，每一层均包含一定数量的神经单元，确保临近神经元实施单向，但同层内部神经元之间并不具备连接关系，而不同层神经元数量应依据具体情况确定，输入层主要用于相关信息采集，而隐含层、输出层作用在于计算功能。
期刊文章分类查询,尽在期刊图书馆网状结构则指神经元之间具有明确的双向连接关系，各个神经元均可设置为输入节点以及输出节点，但由于神经元数量增多，网状结构复杂程度随之增加，这在一定程度增大网络计算量。
3.3模糊理论
模糊理论是建立在模糊逻辑基础之上，描述和处理人类语言所特有的模糊信息的理论。它的概念包括模糊集合及其隶属函数，模糊算子和模糊逻辑。模糊集合采用隶属度的概念来定量描述元素与集合之间的隶属关系。它是一个从0到1之间的实数，由隶属函数求得。模糊算子及模糊集之间的运算算子，通常采用最大最小算子。人类感官对客观世界的反映常常是不精确的、模糊的，适合用语言来进行描述。为了精确地描述信息。人类发明了数字，并在此基础上建立了现代科学。模糊理论在人类智能和现代科学之间建立起了联系。它将大脑中的以模糊信息形式存储的经验和知识，转化成计算机可以接受的形式，使得计算机得以模拟大脑处理模糊信息进行分析和判断。己经有理论证明。只要适当地选择隶属函数、模糊化和反模糊化算法、以及模糊推理算法，模糊逻辑系统得以在任意精度上逼近某个给定的非线性函数。模糊逻辑系统基于模糊概念和模糊逻辑而建立，能够处理模糊信息的系统。输入信号x通过模糊化单元变换成论域U模糊集合，模糊推理机利用模糊规则库中的规则进行推理后得到论域Vt的模糊集合。再经过反模糊化单元变换得到输出信号Y。
3.4SDG（符号有向图）模型
当前系统的先验知识不完备或定性信息不能转换为定量信息，无法建立精确的定量系统模型，于是采用定性故障诊断方法，描述系统的结构和功能，建立系统的定性模型，推理和预测系统的定性行为，与专家知识或经验知识进行比较，检测当前系统是否发生故障，并给出故障原因。目前，复杂的大型系统对自身的故障诊断系统，提出了实时性高、诊断精准和完备性好等更高的要求。但是现实生活中大型复杂系统又存在运行故障样本难获取、诊断历史经验不足等问题。为解决知识获取的瓶颈问题和满足诊断实时性要求，国外一般都采用基于定性模型的诊断推理方法。该方法是利用图论、定性推理、故障树等因果模型来克服上述问题。在国外图论方法用于故障诊断取得了许多研究成果：为辨识候选故障集合，在故障传播有向图中加入故障传播概率和时间，通过建立系统图论模型提出了一种多故障诊断算法，利用多信号模型进行系统测试和故障诊断。符号有向图（SDG）是图论中的一种定性模型，它能揭发系统内变量的因果影响关系，并利用反响推理搜索相容通路，寻找出故障源或推测出可能的不利后果，为研究故障的传播规律和及时地发现故障源提供依据，是一种描述大规模复杂系统的有效方式。该模型主要基于缺少详细过程知识的基础上，依据相关经验或基本定律可在较低时间内有效实施故障检测与定位。
四、风力发电机组整机故障诊断优化措施
整机故障诊断技术在风力发电机组中的运用范围越来越广，但是其所采用的诊断技术大多是独立地依据信号监测到的数据、模糊的逻辑等诊断方式，采用的是建立SDG模型及风力发电机组机组之间的自相关、互相关等形式来分析，而没有将各个零散的方式、模型统一设计进一个完整的系统中，这样就可以将风力发电机组的运行状况、故障情况、SDG模型验证等内容通过诊断系统来设计为流程化、自动化的一条龙服务，从而提高故障诊断、维护的效率。例如整个诊断系统中，首先要对风力发电机组的出风力相关性进行分析，依据监测所得的数据来判断风力发电机组的自相关性和互相关性是否与一般的规律相同，并把发电机的转速、油箱温度等内容的实测值与额定值进行对比，从而发现发电机是否有故障隐患。其次是运用模糊逻辑诊断的方法诊断出发电机整机的故障类型、诱发因素等问题，并及时采用措施进行维修检护。最后通过建立SDG模型来验证风机检修后的运行状态，并把检修后的运行数据和检修前的运行数据进行对比，分析维护措施的有效性，以便于能够从实践中得出经验，进而促进整个整机诊断系统的完善。
五、风力发电机具体故障的解决方式
在发电机作业的过程中，由于风力的不稳定性、轴承润滑不良、异物侵入、油温过高造成粘度降低而影响齿面的润滑、齿面承受的接触剪应力过大、变桨驱动耦合不良、塔架振动等因素引起的主轴、齿轮箱齿轮疲劳损伤、齿轮箱齿面胶、偏航系统的电机振幅过大、变桨系统轴承磨损、塔架疲劳破坏等现象。在这些现象出现或即将出现的时候，整机的诊断系统将会依据数据的输入而发出警报，然后通过计算机软件系统的设计，智能化地进行润滑系统、密封装置、油位传感器、润滑油散热装置、螺栓连接等零部件的调整，若智能不能解决问题还在报警，就需要人工地检查、改善齿轮的设计、润滑条件，做好塔架之间的隔板减震等等维护工作。
六、结语
国内外风力发电技术快速发展，风电机组容量不断增加，传统的风力发电机组诊断技术已经无法满足新时期的要求。当前风力发电机组的整机故障问题较多，其对于发电机工作稳定性及工作效率均产生一定影响，因此要求相关工作人员选择适当的整机故障诊断技术，认真处理各个细节问题，这样才能从根本上确保风力发电机组运行质量，提高风力发电的经济效益和社会效益。
参考文献：
[1]杨明洙. 风力发电机组状态监测和故障诊断技术的研究与进展[J]. 中小企业管理与科技，2015（11）.
[2]吴建军，杨俊华，杨梦丽，等. 风力发电机组状态预测与故障诊断的研究[J]. 华东电力，2013，41（12）.
[3]赵勇，韩斌，房刚利. 风力发电机组状态监测与故障诊断技术综述[J]. 热力发电，2016，45（10）.
[4]吴洪兵.基于免疫算法的风电系统故障诊断技术研究[D]. 南京航空航天大学 2014
[5]刘文艺.风电机组振动监测与故障诊断研究[D]. 重庆大学 2010
论文作者:庞烁亮
论文发表刊物:《电力设备》2018年第2期
论文发表时间:2018/6/5
标签：故障诊断论文; 模糊论文; 整机论文; 系统论文; 故障论文; 技术论文; 风力发电机组论文; 《电力设备》2018年第2期论文;