广东水电二局股份有限公司 511340
摘要：风能作为现今重要的新型清洁能源，在我国得到了大力开发，但是在大型风电设备的故障诊断和动态监测中逐渐暴露出来许多问题。对于风力发电机组的大型化，干扰强，特征信号微弱，湍流、流固耦合等作用的影响，使得传统的检测方法受到限制，不足以完成对风力发电机组的故障监测。本文针对以声信号为故障特征的风力发电机组故障诊断方法展开综述。分析了风力发电机组故障诊断的实际意义和价值以及风力发电机组故障诊断方法的研究现状，重点阐述了基于声信号的风力发电机组故障诊断的基本流程，并对故障诊断流程的每个部分做了切实可行的论述。
关键词：风力发电机组；故障诊断；声信号
引言
伴随着社会的发展，人们的需要越来越多，能源日益匮乏、环境污染严重等问题的出现，人类急需一种清洁、绿色的新能源，因此风能逐渐成为全世界关注的重点，风力发电由此得到大力发展。我国中长期规划明确支持重点研究开发大型风力发电设备，风力发电装备由此得到了迅猛发展。在风力发电行业快速发展之际，风力发电机组巨大的运行维护资金迫使整个风场经济效益下降，阻碍了整个行业的快速发展。对于新兴的风力发电设备还没有一个有效的在线故障监测和诊断方法，对于这一故障诊断领域还需要不断地发展和研究。本文提出的应用传声器阵列实现远程、非接触检测和诊断技术是该领域研究的前沿课题，相关技术的研究成果对解决目前我国风力发电机组故障诊断的瓶颈问题有积极的意义和实际价值。
1 风力发电机组故障诊断方法研究现状故障诊断是指根据系统运行状态，判断系统是否发生了故障，并进一步确定故障种类、部位、程度以及发生时间的一种技术方法。经过近几十年的不断研究发展，设备故障诊断已成为一门比较完整的学科，涵盖了检测、分析、预测等多方面的技术。大型风力发电机组故障诊断技术也是设备故障诊断技术的一个重要分支。风力发电机组常见的故障部位主要有：齿轮箱、发电机、主轴、叶片和电气系统等，国内外学者对这些方面进行了大量研究，并提出了切实可行的方法。
2 基于声信号的风力发电机组故障诊断的基本流程
声学故障诊断一般包括采集故障声信号、提取故障声信号特征、分析诊断故障、决策是否停机维修。基于声信号的风电机组故障诊断基本流程如图1所示，下面将对每一个主要部分展开介绍。
2.1 声信号采集
本文提出的是通过在地面布置传声器阵列实时对待检测风电机组进行声信号的采集，获得声信号的频谱图。传声器阵列是指将一定数量的同款传声器按某种几何结构排布而成的一种新型传声器，这种新型传声器具有很强的空间选择性，可以有效地去除周围环境的噪声干扰，得到更多有用的声源信息。由于传声器阵列在有干扰噪声的影响下还能保证很强的信号采集能力，因此在声信号采集领域得到了广泛的应用。故本文使用传声器阵列作为采集设备的前端，进行故障声源信号的采集。传声器阵列所具备的良好特性离不开传声器的几何布局。因此，在传声器阵列的阵型设计上，我们不仅要保证采集到的声信号不失真，还有考虑到整个系统的响应速度。所以对于传声器阵型的选择上，还是以规则阵列为主，再根据实验进行微调，就可以完成阵列结构的设计。
2.2 小波包能量特征提取
小波分析是一种时频分析的方法，对非平稳瞬态信号具有宽频响应的特点，具有良好的时频域定位特性，在低频处有较高的频率分辨率，在高频处有较高的时间分辨率。这种分析方法的缺点是仅仅对信号的低频部分做了详细分解，而对信号的高频部分不做任何处理，导致对高频部分信号的分辨率较差。在风力发电机故障检测的过程中，往往需要对信号的高频部分做详细的分析处理。而小波包分析算法很好地解决了这个问题。小波包分析是在小波分析的基础上进行改进的一种分析方法。这种方法的优点在于，不仅对低频部分的信号做了详细分解，也对高频部分的信号做了详细分解，这样可以大大提高信号分辨率，增强信号分析能力。利用小波包分析法将采集的声信号的频谱图进行小波包分解，得到各个频段的信号成分，然后对其重构，得到重构信号，再对各频带信号进行能量特征提取，再做归一化处理，构造特征向量。因为每一种故障对应着一种特征向量，故特征向量可以作为故障识别的依据。小波包能量特征提取的一般过程如图2所示。
2.3 SVM模式识别支持
向量机是由Vapnik等在1995年研究出来的一种新型的机器学习理论，它以统计学为基础，以结构风险最小化为原则，可以在有限样本的条件下达到最优分类结果。而以往的机器学习方法是以经验风险最小化原则为基础而建立的，与之相比，支持向量机理论能够解决很多如非线性、维数灾难、模型选择和过学习等困扰机器学习的多种问题，并且支持向量机具有了很强的推广能力。在开始故障诊断前，首先要利用已有的数据样本训练支持向量机（SVM）模型，然后再把新得到的特征向量数据样本送到已经训练好的SVM模型中，进行故障分类识别，判断属于哪一类故障，再决策是否需要停机维修。
3 结束语
综上所述，基于声学信号的设备故障诊断方法被越来越多的科研人员所关注，鉴于这种故障诊断方法的优点，必定会成为未来故障诊断的发展方向。本文首次将这种故障诊断方法应用到风力发电机组故障诊断中，对于解决目前我国风力发电机组故障诊断问题具有重要意义和实际价值。
参考文献：
［1］ 李伟.风电机组状态监测与故障诊断系统的设计与实现［D］.广州：华南理工大学，2014.
［2］ 王洪.旋转机械故障诊断新方法的应用研究与振动监测诊断系统的开发［D］.北京：华北电力大学，2003.
［3］ 徐晶，刘德坤，刘彦慧，等.基于小波包能量谱及SVM算法的轴承故障检测［J］.黑龙江科技大学学报，2015（1）：110-114.
［4］ 杨伟，贾石峰.基于RBF神经网络的风力发电机组故障诊断研究［J］.电气传动自动化，2009，31（2）：18-20.
［5］ 周培毅，张新燕，张华中.基于遗传算法与BP神经网的风力发电机齿轮箱故障诊断研究［J］.华北电力技术，2010（7）：6-11.
［6］ 齐卫雪.基于HHT和SVM的风力发电机组故障诊断研究［D］.保定：华北电力大学，2014.
［7］ 肖国有，屠庆平.声信号处理及其应用［M］.西安：西北工业大学出版社，1994.
［8］ 罗一新，窦一兵.超越离合器故障的小波包变换诊断方法研究［J］.振动与冲击，2002，21（4）：112-115.
论文作者:宋昌军
论文发表刊物:《基层建设》2018年第9期
论文发表时间:2018/6/4
标签：故障诊断论文; 信号论文; 传声器论文; 故障论文; 风力发电机组论文; 向量论文; 方法论文; 《基层建设》2018年第9期论文;