吴 娜，孙丽玲，杨 普

(华北电力大学电气与电子工程学院，河北保定 071003)

风力机状态监测与故障诊断技术研究

吴 娜，孙丽玲，杨 普

(华北电力大学电气与电子工程学院，河北保定 071003)

风力发电机在恶劣的自然环境下工作，极易出现故障.利用状态监测与故障诊断系统可以对其运行状态进行实时监控，并对可能出现的故障进行诊断.回顾了状态监测与故障诊断技术的历史与现状，介绍了状态监测与故障诊断系统的基本结构.对风力机常用状态监测技术及主要测量参数进行了分析研究，并分析了风力机部件的常见故障，研究了部件的故障机理.最后，分析研究了适合于风力机的多种故障诊断方法.

状态监测;故障诊断;风电机组;振动;油液;温度;应变

中国风能资源丰富，可开发利用的风资源14亿kW，其中陆上6亿kW、海上8亿kW.2008年中国累计装机容量达到1 221万kW(12.2 GW)，其中并网发电的有894万kW.预计到2020年我国风电装机将达到1.5亿kW［1］.根据世界风能委员会的预测，到2020年全世界的电力消耗将有12%来自风力发电［2］.风力发电技术已经成为世界各国的研究热点，其研究重点在于如何降低风力发电的成本和如何提供可靠的、高质量的电能.

在日常的运行中，由于风力发电机工作在野外，工作环境非常恶劣，风力发电机组发生故障的位置比较复杂，同时发生故障的几率也比较大，一旦风力发电机因故障而导致停机，就将带来巨大的经济损失［3］.所以有必要对风力发电机的各个部位及周围的环境进行实时监测，避免不必要的损失.目前风电场的维护多采用计划维修与事后维修方式.计划维修，即一般风力机运行2 500 h或5 000 h后进行例行维护，这种维修方式无法全面、及时地了解设备运行状况;而事后维修是当系统处于故障后才进行检修，危险性较大，且由于事先的准备不够充分，往往造成维修工作的耗时太长、损失严重［4］.对风电机组进行实时状态监测和故障诊断，有效地避免了上述缺陷，达到在不停机状态下对运行设备的监控.使用在线监测系统以后，能增加风电场的正常运行时间、优化设备运行工况、降低风力发电设备的维修费用、提高风力发电机组的运行安全性.

1 状态监测与故障诊断研究的历史与现状

最初的状态监测与故障诊断技术主要是依靠现场获取设备运行时的感观状态，凭借经验或多位专家进行分析研究，确定可能存在的故障或故障隐患.随着测量技术及测量仪器的发展，状态监测逐步发展为依靠仪器测量设备的某些关键部位，根据获取的参数(如频率、振幅、速度、加速度及温度等参数)，并与固有参数进行对比，确定故障点或故障隐患点.受到当时科技水平的限制，早期的“系统”规模小、测点数少、自动化程度低、数据处理速度慢、存储容量小［5］.

近几年，随着电子技术、测试技术、计算机技术、信号分析与数据处理技术等的迅速发展，状态监测与故障诊断技术与计算机技术结合起来，将监测数据传输给计算机和Internet网络，计算机对这些数据做出综合分析，显示出相关的图谱，如倍频谱图、倒频谱图、时域频谱图和幅值图等，并可通过计算机上的专家系统对所测的数据进行综合评价，从而实现在线监测和网络远程监测［6］.现代监测与诊断系统也越来越复杂，系统的功能和性能都有了全面提高;单纯的监测与诊断向着监测、诊断、控制、管理、调度的集成化过渡;监测的对象从单一的机组发展成为多个区域多台机组的监测网络;应用领域已经迅速扩展到石油、化工、电力、冶金、能源、航空、核工业等国民经济的主要行业［7－8］.

2 状态监测与故障诊断系统的基本结构

风力发电机在线监测与诊断系统是集合了信号采集、在线监测以及信号分析于一体的多功能在线监测诊断分析系统，对风力发电机的振动、温度、压力和电气参数等进行在线的监测，将监测结果与事先设定的值进行比较，在线监测和诊断系统，能够及时地发现运行异常并报警，可对采集到的数据进行各种分析处理，从而可以准确地确定设备故障［9］.风力机状态监测与故障诊断系统的主要组成包括:信号采集、信号处理、状态辨识、监测与诊断决策、诊断结果［10］.信号采集由安装在设备上或设备附近的传感器完成，信号处理、状态辨识和监测与诊断决策一般由计算机系统或由专用仪器设备完成［11］.

3 风力机状态监测技术

风力发电机是将风能转换成电能的发电设备，风能先后通过叶轮、主轴、齿轮箱和发电机后转换成电能.风力发电机结构长期受到随机风载荷的作用，同时由于风轮和发电机转子的偏心等，在旋转时都会产生不平衡的惯性力.这些原因会激起风机结构的振动，影响结构的安全性和可靠性.要对风机进行故障预测诊断，就必须监测风机的运行参数，从参数中提取故障特征.一般地，监测参数包括很多种信号，如风机电量参数、风机非电量参数、机械振动信号、负荷参数信号和特定的其他信号等.实践证明，分析测量得到的所有信号不仅不现实，而且也没有必要［12］.

为了解风力发电机组的运行状态，理想情况下，至少需要测量以下参数:风速、风向、桨距角、叶根摆振和挥舞振动弯矩、转子轴扭矩和弯矩、转子频率和相位、偏航位置、机舱加速度、主轴承振动、齿轮箱振动、塔架扭矩和弯矩、发电机电流(三相)和电功率输出以及运行噪音等［13］.

风力机状态的监测技术主要分为以下5类.

3.1 振动监测

振动信号是机械故障特征的载体，不同频率对应不同故障.振动信号的变化都可能表明机械状态的变化［14］.振动分析是对于旋转机械状态监测中使用最广泛的方法.采用振动分析法，可以对大部分机械设备进行准确的设备检验和故障诊断，如转子不平衡、转轴弯曲、轴承松动、轴系不对中、动静件摩擦、油膜振荡、旋转失速及喘振、转轴的横向裂纹、结构共振等［15］.文献［16］中介绍的斯凯孚公司(SKF)在线振动监测系统，可以监测动平衡，对中情况，轴承、齿轮啮合，轴弯曲，机械松动，塔筒振动，叶片振动，电气故障，共振等风机故障.

用于振动监测的传感器可以由其监测的机械频率来分类:对于低频区域为位置传感器、对于中频区域为速度传感器、对于高频区域为加速度传感器、对于甚高频区域为能量频谱传感器［17］.

在风电机组中，振动监测法主要用于监测齿轮箱的齿轮和轴承、发电机的轴承、主轴承以及机舱的振动，也有少数用来监测叶片.

利用风力发电机的振动信号分析，故障诊断的方法可分为简易诊断法和精密诊断法2种［18］.当用简易诊断检测出风力发电机中部件出现故障后，若希望把故障定位到元件级，可以借助频谱分析技术和元件的特征频率计算，定位故障.

风力发电机故障的精密诊断大多采用频谱分析.频谱分析一般是根据部件的频谱结构分频带进行，再根据其特征频率和故障特征信息进行分析.但由于风力发电机中的滚动轴承和齿轮箱的频谱结构复杂，还会用到其他的分析方法，如倒谱分析、希尔伯特包络分析、小波分析、细化谱分析等.

文献［19］采用小波理论对沈阳工业大学自主研发的SUT21000型MW级风电机组的振动数据进行分析，得到直观的包络谱线，进而判断风力发电机组的实际工作状态.文献［20］采用对兆瓦级风力机主轴和齿轮箱振动信号进行频谱分析的方法.若采集到的频谱信号超过设定的报警限，则对实时处理信号与数据库存储信号进行比较，通过LabVIEW图形化编程语言，将采集的信号进行小波变换和频谱分析，获得信号频谱图，从而判断出风力发电机产生的故障及位置.在故障诊断中，确定风力机故障的指标非常困难，通常都是根据经验来确定标准限.而文献［20］采取的是“归一化”法.

3.2 油液监测

油液监测技术是通过对被监测设备润滑油和液压油本身性能的检测，检测油内磨屑微粒的情况，从而掌握设备运行中的润滑和零部件的磨损信息.油液分析技术可实现机械零部件从磨合阶段、正常磨损阶段、直到严重磨损阶段的全过程监测［21］.

油液监测包括油液品质检查、铁屑检查，有时候也包括油滤压降检查以及油温检查.

油液分析的手段可分为油液理化指标及污染度检测、油液铁谱分析及油液光谱分析［22］.

在风电机组状态监测中，油液分析有2个目的:监测润滑油的质量和监测被润滑的工件质量.

风电机组的油液分析多数情况下采用取样后离线分析的方法.但目前也已经有了商业化的在线油液监测系统，这些系统可以实时监测油液中的水分和微粒.除此之外，风力发电机组对液压系统过滤器的状态监测已经被广泛采用，这在某种程度上也可视为是对液压油质量的监测［17］.

3.3 应变监测

应力传感器可以用来监测风力发电机组的结构载荷和低速轴转矩，对于风力发电机组的设计验证和寿命预期有很重要的意义.目前被认为最适合风力发电机组进行应力测试的是光纤应力传感器，它具有耐环境性能优越、抗电磁干扰、体积小、灵敏度高的优点.

3.4 温度监测

温度监测通常用于电子和电气元件的故障诊断.在设备劣化或过负荷的情况下，温度值可以很直观地反映设备运行故障.对于风力发电机组，在发电机、变流器和齿轮箱等设备内都安装有很多温度传感器.

3.5 电参数监测

在发电机组中，电参数是其重要的性能指标.风力发电机组与电网连接点的各项电参数表征了风力发电机组的发电性能和对电网的适应能力，而变流、变桨等子系统的电参数监测则是为了实时了解其运行状态.

4 风力机故障诊断技术

风力机故障主要分为电气故障和机械故障两大类.电气故障包括传感器故障、低压器件故障、通信故障、变流器故障、变桨故障、电网故障等;机械故障包括齿轮箱故障、回转支撑故障、轴承故障、叶片故障、机械刹车故障、液压故障、对中故障等［23］.风电机组最常发生的故障是电气系统故障，主要的停机时间是由齿轮故障造成的［24］.风力机尺寸越大，故障的频率越高.对于海上风力机，由于其工作环境更恶劣，比陆上风力机更难以进行维护操作.以下分析风力机主要部件的故障诊断方法.

4.1 齿轮箱的故障诊断

按照不同的驱动方式，风力发电机可以分为齿轮驱动、直接驱动和混合驱动，当前世界上大约70%的风力发电采用的是齿轮驱动技术.在风力发电机组中，齿轮箱是一个重要的变速传动部件，通过齿轮副完成整个风力发电机组能量的传递.齿轮箱和主轴的寿命往往决定着风力发电机组的寿命，因此齿轮箱的状态监测和故障诊断技术就显得非常重要.从齿轮故障诊断的角度出发，凡是使齿廓偏离理想形状和位置的变化，都属于齿轮故障［25］.齿轮箱常见故障模式有齿轮磨损、齿轮断齿、齿轮偏心、轴承损坏、润滑不良、油温过高等［26］.

文献［26］中介绍了一套风力机齿轮的故障诊断软件.该软件利用Visual C++和MATLAB混合编程，可对采集的故障齿轮的振动信号进行时频、解调和倒谱分析，并对齿轮状态作出诊断.用试验平台测试了这套软件系统的可行性.

文献［27］针对风力发电机齿轮箱的故障特征，运用在线编程技术，开发了基于B/S的风电机组在线监测系统.该系统由固定在风电齿轮箱上的传感器采集齿轮箱的振动信号、噪声信号和温度信号，将采集到的数字信号上传到Web服务器中，Web服务器可以将实时的数据通过局域网发送到客户端，实现在线监测，也可以将历史数据通过Internet发送到远程诊断中心进行远程诊断.该系统将网络技术与状态监测相结合，大大提高了在线监测系统的效率和准确性.

文献［28］建立了圆柱齿轮的有限元模型.对ANSYS中设计的直齿圆柱齿轮在一定载荷(频率)作用下的状态进行有限元仿真分析，通过计算齿轮频率和变形，求解出其正常工作和故障频率情况下的形状、位移和等效应力的变化，得出振型图，直观地分析圆柱齿轮的故障动态特性.文献［29］对齿轮箱进行油温故障分析.以ANSYS为主要分析工具，建立模型，进行稳、瞬态热分析及热应力分析;通过分析其温度场分布、变形、应力等，找出油温故障原因、阈值、易出故障部位.

4.2 发电机的故障诊断

发电机内存在多个相关的工作系统(如电路系统、磁路系统、机械系统、绝缘系统、通风散热系统等)，故障起因和故障征兆表现出多样性.风力系统中发电机的常见故障包括定子绕组故障(占12.89%)、轴承故障(41.77%)、转子导条和端环故障(7.64%)、转轴或连轴器故障(4.3%)以及其他各种故障.发电机的故障通常产生以下一种或者多种征兆:气隙电压和电流的不平衡，转矩脉动的加强，平均转矩的减小，效率的降低，电流、电压、磁通波形的扰动等［30］.

发电机的振动分析可与低速轴、齿轮箱的振动监测结合起来.但振动传感器存在价格昂贵、安装不便以及可靠性较差的缺点.定子电流信号是另一种常用的分析信号，相对振动信号，它具有安装简单、价格便宜、非侵入式以及与电机控制系统共享电流信号的特点，已成为感应电机故障诊断信号分析的热点.

文献［30］提出将离散小波变换、统计分析、能量谱结合在一起，分析定子电流信号，从而判断双馈风力发电机组的故障.文献［31］通过监测风力发电机组中的同步发电机的电信号、发电机转轴的转矩和转速来诊断发电机绕组故障和转子不平衡故障.文献［32］对永磁风力发电机的温度场及电磁场进行耦合计算，得出基本仿真的数据;使用现场实际测量的以及部分仿真的数据，结合电流、电磁场、温度场和振动等多种信号;利用多种智能诊断技术和方法(BP网络、Elman网络、概率神经网络)，对发电机的多种故障数据融合处理，分类判断，分析故障原因和严重程度，得出诊断结论.

4.3 人工智能故障诊断

人工智能在可再生能源技术上的应用越来越广泛［33］.人工智能诊断方法包括人工神经网络、数据挖掘、模糊逻辑、专家系统等.为了提高诊断准确率，更好地适应工程需要，近年来还出现了多种诊断技术相结合的诊断方法，如小波神经网络、模糊自组织神经网络、基于模糊集的故障树、基于粗糙集的人工神经网络、基于模糊推理的专家系统等.

文献［34］提出了一种基于小波包变换的优化LDB算法结合SOM－BP混合神经网络进行故障诊断的新方法.文献［32］利用多种智能诊断技术和方法(BP网络、Elman网络、概率神经网络)对发电机的多种故障数据融合处理，分类判断，分析故障原因和严重程度，得出诊断结论.文献［35］利用滚动轴承振动信号，设计应用于风电机组故障诊断的神经网络模型.该模型的输入样本由振动信号的部分时域特征值，经过归一化处理和一致性检验后组成;输出样本由各种故障现象组成.神经网络技术其效果的好坏关键取决于样本训练的结果.神经网络系统的性能在很大程度上受到所选择的训练数据集的限制，训练数据的正交性和完备性如果不好，就会使系统性能恶化.此外，样本质量的好坏直接影响训练质量继而严重影响应用结果.因此，针对系统比较复杂的应用环境，应当进一步考虑加强对模糊融合等算法实现问题的研究，进一步提高故障诊断系统解决不确定性问题的能力.

5 结语

状态监测与故障诊断技术是一门融合电子、测试、计算机、信号分析与数据处理、人工智能等多学科交叉的技术.随着信号处理技术、计算机技术以及人工智能的发展，许多先进的技术都被引入到风力发电机组故障诊断中.但许多先进技术和理论并没完全成熟;如何进一步提高这些方法的有效性尚待进一步研究;如何融合先进方法，充分发挥各自优点，是故障诊断技术发展的方向之一;如何从多传感器中提取综合信号并处理，以提高故障诊断的精确性;如何研究多类型故障的诊断是未来发展的热点问题.未来状态监测与故障诊断技术的发展将是各种先进诊断方法的融合以及发展远程的状态监测和故障诊断等.

［1］王志新，张华强.风力发电及其控制技术新进展［J］.低压电器，2009，19:1 －7.

［2］World Wind Energy Association.World wind energy report 2008［R/OL］.［2009 － 08 － 29］.http://www.wwindea.org/home/images/stories/worldwindenergyreport2008_s.pdf.

［3］Yang Wenxian，Jiang Jiesheng，Tavner P J，et al.Monitoring wind turbine condition by the approach of empirical mode decomposition［C］//2008 International Conference on Electrical Machines and Systems.Wuhan，China:IEEE，2008:736－740.

［4］赵振宙，郑源，陈星莺.海上风电机组主要机械故障机理研究［J］.水利水电技术，2009，40(9):32 －45.

［5］李建华.在线设备状态监测与故障诊断技术的应用［J］.石油化工设备，2010，39(3):73 －75.

［6］戴东华.设备监测与诊断技术的特点及发展应用［J］.企业技术开发，1999(6):4－6.

［7］李晓虎.旋转机械状态监测与信号分析系统的复用研究［D］.南京:东南大学，2004.

［8］卢学军.汽轮发电机组故障诊断系统中几个关键技术的研究［D］.杭州:浙江大学，2001.

［9］王瑞闯，林富洪.风力发电机在线监测与诊断系统研究［J］.华东电力，2009，37(1):190 －193.

［10］龙泉，刘永前，杨勇平.状态监测与故障诊断在风电机组上的应用［J］.现代电力，2008，25(6):55 －59.

［11］张雨，徐小林，张建华.设备状态监测与故障诊断的理论和实践［M］.北京:国防科技大学出版社，2000.

［12］王小鹏.基于小波变换和数据挖掘的风电机在线故障诊断［D］.兰州:兰州理工大学，2010.

［13］Caselitz P，Giebhardt J，Mevenkamp M.On-line fault detection and prediction in wind energy converters［C］//EWEC’94，Thessaloniki，1994:623 －627.

［14］丁康，李巍华，朱小勇.齿轮及齿轮箱故障诊断实用技术［M］.北京:机械工业出版社，2005.

［15］操炼.振动信号在船舶设备检验中的应用探讨［D］.上海:上海海事大学，2005.

［16］任玉亭.振动监测技术在风力发电机组中应用［J］.内蒙古电力技术，2010，28(2):8 －12.

［17］叶杭治.风力发电机组监测与控制［M］.北京:机械工业出版社，2011.

［18］吴佳梁，王广良，魏振山.风力机可靠性工程［M］.北京:化学工业出版社，2010.

［19］金嘉琦，关新，单光坤.小波理论在风力发电机振动监测中的应用［J］.沈阳工业大学学报，2008，30(5):520－524.

［20］陈长征，梁树民.兆瓦级风力发电机故障诊断［J］.沈阳工业大学学报，2009，31(3):277 －280.

［21］王小斌.油液分析技术在机械设备状态监测中的应用分析［J］.煤炭技术，2001，20(9):52 －53.

［22］许斌，余学军.油液分析技术在设备维修中的应用与研究［J］.润滑油，2006，21(4):61 － 64.

［23］吴佳梁，胡杰，陈修强.风力机安装、维护与故障诊断［M］.北京:化学工业出版社，2011.

［24］Ribrant J.Reliability performance and maintenance-a survey of failures in wind power systems［D］.Sweden:KTH School of Electrical Engineering，2006.

［25］绳晓玲，万书亭.基于VC与Matlab的风力发电机组齿轮故障诊断系统［J］.机械传动，2011，35(6):72 －75.

［26］张积坚，王奉涛.风力发电机组齿轮箱在线监测系统的开发［J］.工业控制计算，2009，22(12):49 －50.

［27］周培毅，张新燕.风力发电机组圆柱齿轮的故障振动分析［J］.华东电力，2008，36(6):70 －72.

［28］张新燕，何山，张晓波，等.风力发电机组主要部件故障诊断研究［J］.新疆大学学报，2009，26(2):140 －144.

［29］Al-Ahmar E，Benbouzid M E H，Amirat Y，et al.DFIG-based wind turbine fault diagnosis using a specific discrete wavelet transform［C］//2008 International Conference on Electrical Machines，2008:1 －6.

［30］Yang Wenxian，Tavner P J，Michael Wilkinson.Wind turbine condition monitoring and fault diagnosis using both mechanical and electrical signatures［C］//International Conference on Advanced Intelligent Mechatronics，2008，Xi＇an，China，2008:1296 －1301.

［31］何山，王维庆，张新燕，等.基于类神经网络的MW永磁风力发电机短路故障智能诊断［J］.电机与控制应用，2011，38(9):24 －29.

［32］Soteris A Kalogirou.Artificial neural networks in renewable energy systems applications a review［J］.Renewable and Sustainable Energy Reviews，2001(5):373 － 401.

［33］庄哲民，殷国华，李芬兰，等.基于小波神经网络的风力发电机故障诊断［J］.电工技术学报，2009，24(4):224－228.

［34］吴元修.神经网络在风电机组机械传动系统故障诊断中的应用研究［J］.制造业自动化，2010，32(10):130－132.

Research on Wind Turbine Condition Monitoring and Fault Diagnosis

WU Na，SUN Li-ling，YANG Pu
(School of Electrical and Electronic Engineering，North China Electric Power University，Baoding 071003，China)

Wind turbines are subject to fault because of bad working conditions in the natural environment.A condition monitoring and fault diagnosis system can be used to monitor its operating condition and diagnose the possible fault in real time.The historical and present researches of wind turbine condition monitoring and fault diagnosis techniques are reviewed in the paper，and its basic structure is illustrated.The frequently-used condition monitoring technique and its main measurement parameters are analyzed here to put forward the common faults，and the failure mechanism.At the end，the paper discusses several fault diagnosis methods fit for the wind turbine.

condition monitoring;fault diagnosis;wind turbine;vibration;oil;temperature;strain

1002－5634(2012)02－0086－05

2011－12－25

中央高校基本科研业务费专项资金项目.

吴 娜(1986—)，女，湖北咸宁人，硕士研究生，主要从事风力发电机故障诊断方面的研究.

(责任编辑:杜明侠)