摘要：风能作为一种清洁无污染的新能源，已受到各个国家的广泛关注，在世界范围内得到了大力发展。风力发电不仅在世界能源格局变更的进程中的起到重大推动作用，更是解决当前环境污染愈发恶化的重要手段之一。
关键词：风力发电机组；故障诊断；预测技术
1故障诊断与故障预测分析与分类
故障诊断和预测的目的是要及时隔离导致系统故障的组件或子组件，使系统免于故障的产生。故障诊断的一般顺序为故障信息生成、故障假设生成、故障假设鉴别。故障预测与故障诊断的最主要区别在于故障发生的先后顺序不同，此外，两者的方法和技术是相通的，可将可能发生的潜在故障视为故障来进行诊断分析。当前基于数据驱动的故障预测技术可分为两类：基于历史数据的故障辨识模型和基于实时数据的故障判别模型。以基于数据采集与监视控制系统的数据为例，可根据其历史故障运行数据对已发生故障的信息进行挖掘，以此建立辨识模型；也可根据其历史正常运行数据估计该时刻正常运行数据，通过估计值与实际测量的监测值进行残差分析，根据阈值建立判别模型。故障诊断技术主要应用于故障已经发生的情况，需采用故障数据进行诊断，确定故障类型与故障原因。随着故障诊断领域的更新迭代，对故障诊断方法的分类也越来越多。将故障诊断方法分为３大类，即基于定量模型的方法、基于定性模型的方法和基于过程历史数据的方法。将故障诊断方法进一步归纳为基于解析模型的方法、基于信号分析的方法和基于知识的方法，并指出，对于风力发电机的故障诊断，主要采用传统诊断、数学诊断、智能诊断等方法。
2风力发电机组的故障诊断技术
2.1基于振动信号的故障诊断方法
基于振动信号的分析是目前技术最为成熟、讨论最为广泛的一种故障诊断方法，已经成功地被应用于风力发电机组中齿轮箱、轴承、叶片等关键部件的健康监测和故障诊断。近年来，较多科研人员利用振动信号对风电机组的故障诊断进行了研究。根据风电机组的故障特点，提出了一种小波神经网络的方法，研究探讨了对风电机组齿轮箱的故障诊断;针对风电机组微弱故障信号的非平稳、瞬态等特点，提出了一种集平稳子空间分析的信号分析和连续小波变化的方法，有效地提取了风电机组齿轮箱故障的特征;利用对冲击信号敏感的特征-谱峭度，成功地诊断了行星齿轮箱的故障;提出了基于经验模式分解的频率解调方法，对行星齿轮箱的故障情况进行了成功的识别;针对风电机组振动信号非线性强噪声的特点，提出了降噪方法，并基于降噪后的信息构建有效特征，利用流行学习算法实现了对风电机组早期微弱故障的诊断;通过对压电陶瓷传感器监测到的振动信号分析，实现了对风电机组叶片故障的诊断。当前大多数风电机组故障诊断方法是通过离线分析稳态情况下的振动信号实现的，然而现实中风电机组工作条件是动态多变的，因此还有待进一步讨论变工况下振动信号的特点，并开发出相应的在线风电机组健康监测系统。
期刊文章分类查询,尽在期刊图书馆
2.2基于模式识别方法的故障诊断方法
该类故障诊断方法的研究思路为分析风电机组的一类或多类信号，在时域、频域、时频域上构建一组高维的统计特征，用机器学习的方法进行特征的融合、降维、分类和可视化分析，进而实现对装备的故障诊断。对重构的高维流行拓扑结构通过无监督分类分析，成功地提取出了轴承的故障特征;提出了一种基于拉普拉斯特征映射算法的故障诊断方法，该方法提取出了数据内在的流形特征，极大地保留了故障信号中内含的整体几何结构信息，并成功应用于装备的故障诊断;在局部切空间优化和学习的基础上，提出了一种基于非线性流形学习的故障诊断方法，实现了滚动轴承的故障诊断;在特征选取和特征加权分析的基础上，提出了一个新的聚类算法应用于轴承的故障诊断;利用线性判别分析方法分别对电机轴承的粗糙度故障和点故障进行了成功的诊断。现有的故障诊断方法主要采用了无监督和监督的模式识别方法，但是模式识别方法包含了太多的算法，因此有必要继续加强利用无监督和监督的模式识别算法对风电机组进行故障诊断的研究。另外考虑到现实中获取风电机组各种状态下的完整数据（包括健康工作（稳态和动态的工况）、或发生故障（单一故障、多类故障混合）时的数据）耗时较长且成本昂贵;因此，也迫切希望利用现有的有限风电机组健康和故障时的数据对模型进行有效训练和学习，并基于此开展对风电机组的已知故障和未知故障的诊断研究，即开展基于半监督模式识别技术的风电机组故障诊断的研究。
3风电机组中电子系统的故障预测方法
一般来说，机械结构系统的失效往往是由于负载过大、疲劳磨损、润滑不良等原因导致的，而电子系统故障通常是由于电压过高、电流过大、散热不好、老化等原因引起的。另外电子系统从早期故障的发生到失效所经历的时间通常也比较短，其性能衰退过程不像机械结构系统那么明显，且失效模式多样，因而进行电子系统的故障预测往往比较困难。针对电子系统的故障预测，有关学者提出了以下4种方法：1）在产品设计时植入相关的硬件电路和软件功能用于提供自我检测功能，包括发现故障、隔离故障、修复软件故障等的自我测试系统;2）内建类似于保险丝的保护功能模块;3）监测关键的参数表征电子器件或系统内部状态的变化;4）构建不同环境下（温度、振动、辐射等）的应力或疲劳模型，估计故障的程度。近些年来，一些学者对风电机组中的关键电子零部件进行了故障预测的研究：通过对场效晶体管（MOSFET）的加速寿命实验研究，识别出可用于表征该功率器件不同健康状况且可被用于开发故障预测算法的关键参量;分析绝缘栅双极型晶体管（IGBT）在热应力实验数据，提出了一个用于表征其性能退化的，且可被用于剩余寿命预测的健康指数;搭建了一个集成的故障诊断与预测的实验平台用于采集电解电容的寿命数据，基于实验数据的分析发现，随着电容性能的衰退，电容的等效串联电阻阻值不断增大并且电容容量逐渐减小。对比于机械结构系统，电子系统的故障预测研究工作历时较短、文献也较少，因此有必要加强对电子系统及其关键元器件的故障预测的研究工作，特别是针对风力发电机组中特有的工作条件、环境下电子系统的故障预测研究。
结论
虽然我国的风电机组装机容量位居世界前列，但是风电机组技术是落后于欧美等发达国家的，特别是在大容量的风电机组和海上风电机组上，我国还处于开发的初期阶段。通过学习和借鉴国外风电机组设计和运行上的经验和教训，可帮助我国提高风电机组工作的可靠性。
参考文献：
[1]刘敬智,宋鹏,白恺,姚万业,杨伟新.风力发电机组故障预测技术研究[J].华北电力技术,2016（12）：49-54.
[2]刘敬智.大型风力发电机组故障预测技术研究[D].华北电力大学,2016.
论文作者:刘会军
论文发表刊物:《电力设备》2018年第2期
论文发表时间:2018/6/1
标签：故障论文; 故障诊断论文; 机组论文; 方法论文; 风电论文; 齿轮箱论文; 提出了论文; 《电力设备》2018年第2期论文;