大型风机发电机组故障诊断

大型风机发电机组故障诊断

付建伟

（国华（赤城）风电有限公司河北省张家口市076750）

摘要：在风力发电系统的运行过程中，往往会出现一些故障问题，给风力发电系统的运行造成了不利的影响，甚至会引起供电的中断，给国家和人民带来了不可估量的经济损失，因此了解并选择合适的故障诊断技术，尽快恢复电力供应是十分必要的。本文将对大型风机发电机组的故障原因及常用的诊断技术加以探讨和分析，希望能够对大型风机发电机组的维修工作提供有力的依据，促使风力发电系统保持稳定可靠的运行。

关键词：大型风机；发电机组；主要故障；故障诊断

引言：随着可持续发展战略的提出，在电力行业中传统的不可再生能源正逐渐被新型绿色环保清洁能源所取代，不仅为人们的生产和生活提供了持续优质的电力服务，而且减少了对生态环境的污染和破坏，极大的推动了电力行业的可持续发展进程。然而在风力发电系统的运行阶段难免会有故障问题发生，如不能及时找出故障点，将极易引起故障的扩大和蔓延，造成无法想象的严重后果，而当前的故障诊断技术种类较为多样化，每种技术的优势和缺陷都较为明显，需要结合实际情况予以分析和选择，才能保证故障诊断工作保质保量的顺利开展，从而为风力发电系统的良好运行提供有力的保障。

一、风力发电机组故障原因分析

一般来说，风力发电机组处于户外环境下，受到气候、温度、风力等环境因素的影响较大，受力也较为复杂，一旦外界环境发生变化，风力发电机组的受力也会随之改变，容易导致发电机组部件的损坏。同时，环境对风力发电机组的影响还体现在另外一个方面，即雷电、雨雪等恶劣气候会击穿发电机组或者腐蚀机组部件，破坏机组结构，缩短发电机组的使用寿命。除此之外，由于风力发电机组的部件较多，各个部件之间是相互联动、协同作业的，任何一个部件出现故障都会影响到整个风力发电机组的运行，这也在一定程度上给风力发电机组的故障诊断和维修工作增加了难度。

二、大型风力发电机组主要故障分析

在大型风力发电组运行当中，故障问题较多，主要可以分为两类，分别是机械故障与电气故障。而电气故障问题产生频率要高于机械故障，但其针对维修处理相对比较简单，故障问题所引起的停机时间相对来说比较短。机械故障问题因风机结构复杂程度较高，因此故障诊断与分类难度较大，同时故障问题产生时所导致的停机时间比较长，维修处理成本较高，所带来的经济损失较多。综合分析各类故障问题的数据信息发现，经常出现故障的部位为叶片、齿轮箱、主传动链及发电机等关键部位。

1、大型风力发电机组的机械故障

大型风力发电机组中的机械故障主要集中在风轮系统、主传动链系统、机械制动系统。

（1）风轮系统故障

风轮部分包括轮毂和叶片，是将风能转换成机械能，并传送到转子轴心。叶片故障包括疲劳、刚性降低、裂缝、表面粗糙程度增加、雷击、覆冰及风叶变形等。这方面故障问题出现的主要原因是因为磨损严重等情况而引起的机械故障问题。

（1）主传动链系统故障

主传动链系统包括齿轮箱、齿轮、主轴、轴承等组件，用于连接主轴和发电机，属于风机当中关键的组成部分，而齿轮箱则是其中的重要部件。当前2MW以下的DFIG齿轮箱通常由一级行星和两级平行轴齿轮传动构成，而3MW及以上的DFIG齿轮箱通常由两级行星和一级平行轴齿轮传动构成，由于其自身内部结构与受力十分复杂，所以当处于变工况、变荷载的条件下运行过程中，容易发生故障情况。其故障主要包括齿轮故障与轴承故障。许多的齿轮箱故障都是由轴承方面引起的，轴承是齿轮箱中的重要部件，当其发生失效情况后会导致齿轮箱受到严重影响。轴承故障主要包括疲劳剥落、磨损、断裂、胶合、保持架损坏等。其中疲劳剥落和磨损是滚动轴承最常见的两种故障形式。齿轮故障也可以是独立于轴承故障，虽然这并不常见。最常见的齿轮故障包括齿轮磨损、表面疲劳、轮齿破裂、破损和折断等。

（3）偏航系统、变桨系统、发电机系统中的故障

风机中偏航系统和变桨系统的机械故障主要是由于缺少润滑油和粒子磨损所引起的磨损及其他偏航齿轮和偏航轴承故障。发电机系统的机械故障主要包括转子故障和轴承故障。转子故障主要包括转子不平衡、转子破裂、和胶套松动等，轴承故障包括疲劳、轴承内圈故障、轴承外圈故障等。

2、大型风力发电机组的电气故障

大型风力发电机组中的电气故障主要包括发电机电气部分故障、控制系统故障、电力电子变换器故障、其他驱动电路电气故障。

（1）发电机电气故障

发电机电气故障主要分为转子绕组故障和定子绕组故障。定子绕组故障主要包括同支路的匝间短路故障、同相不同支路的匝间短路故障等。转子绕组故障的表现形式主要为匝间短路故障和接地故障。定子故障通常是由绕组的绝缘损坏所引起的，其中绝缘损坏是造成大型风力发电机故障停机的主要电气故障。

（2）电力电子变换器故障

电力电子变换器故障主要包括半导体器件故障、PCB板故障、电容器故障等。造成电力电子变换器故障的主要原因是温度、振动和湿度。由电力电子变换器故障所造成的停机可占到总停机时间的14%左右。大型风力发电机组电气故障排查方法相对简单，检修起来十分快速，且不需要投入过多成本，对于这方面故障问题的研究并不多。但在海上风电方面，因开展检修所需出动多项设备，在产生故障时需要用到吊装船、直升机等，另外维修过程中还应当考虑天气环境等客观因素。所以，针对海上风电故障问题，应当采用更为准确的故障诊断技术。在海上风电的发展进步下，应当强化对海上风电电气故障的重视，进而研究出更为精确的故障诊断技术，为海上风电发电机组运行提供有效支持。当前，业内部分专业人士已经投入到了对这方面故障的研究工作中。

三、大型风机发电机组的故障诊断技术

1、LabVIEW

LabVIEW是1986年美国国家仪器公司开发的一种图形化计算机语言编程环境，并通过以计算机为主体的硬件开发平台，实现图形化信号采集、输入、分析和输出等功能，因此，软件环节的开发是其关键部分。LabVIEW是一个最终面向用户的编译工具，通常被看作是一个数据采集和控制分析的软件，可以针对用户需求来增强用户构建自己工程系统的能力，因其具有编程简单，开发周期短，开放性高等优点，在工业界、学术界等领域被广泛接受和应用。

为了方便后续的研发和升级，LabVIEW在风力发电机组故障监测中的软件设计一般采用模块管理结构，其功能模块主要有数据采集模块、信号处理模块、特征值提取模块、故障类型分析模块以及数据库管理模块等。其中，数据采集模块能够实时采集发电机组的运行数据，信号处理模块将对数据进行初步处理，特征值提取模块能够将处理后的数据的特征向量进行提取，由故障类型分析模块将当前机组运行数据的特征向量和数据库管理模块中储存的标准值加以对比，如果发现故障问题，则立即发出报警信号。

2、专家系统

基于专家系统（ES）风电机组故障诊断方法的基本思想是：运用专家在风力发电领域内积累的有效经验和专门知识建立知识库，并通过计算机模拟专家思维过程，对信息知识进行推理和决策以得到诊断结果。

风力发电机组属于典型复杂系统，难以建立准确的数学模型，为解决这一问题，以SQLServer2008数据库和ASP.NET平台开发为基础，结合主观贝叶斯和产生式规则方法实现机制推理过程，建立了风力发电故障在线诊断专家系统，将模糊故障诊断和模糊数学理论引入到专家系统，能准确、快速地判断故障原因并及时制定检修计划。以FTA技术为基础，结合VC++语言和Access2003建立了基于故障征兆—故障原因模式的风电机组故障诊断专家系统，改善了界面不友好和单一推理方法等缺点，但知识库不够全面制约着诊断系统的准确性。

基于ES的风电机组故障诊断不需要精准的数学模型，诊断过程和结果便于理解，但该方法需要大量专家领域知识积累，受限于ES方法无自主学习能力以及风电机组故障样本先验知识严重缺乏等问题，造成了较低的故障诊断精确度。因此，目前大部分研究侧重于从知识处理角度出发，建立基于人工智能（神经网络、贝叶斯网络等）的专家系统。

3、支持向量机

支持向量机（SVM），是建立在VC维理论和结构风险最小原理的基础上，能够较好解决高维数、局部极值等小样本空间模式分类问题，具有出色的样本学习性能和推广性能，在信号处理、回归分析、模式识别等领域得到成功应用。在初始的训练阶段，需输入多组特征样本对支持向量机进行学习训练，以确定输入训练样本的支持向量，并产生一个分类函数来区分样本的种类和类型，构造出一个最优分类平面，以此作为后面故障类型分析判断的依据，其步骤为：

（1）根据已知的风力发电机组正常状态和故障状态下的特征数据样本，归一化处理后建立训练样本集{xi，yi}，将训练样本集输入系统；

（2）根据特点选择合适的核函数K（xi，xj）及核参数，并对样本进行规范化；

（3）在约束条件下，求取Lagrange函数极小值系数ai；

（4）根据训练样本特征找出支持向量（supportvector，SV），计算阈值b；

（5）结束训练，建立训练数据样本的最优分类超平面。

在故障类型分析过程中，载入最优分类平面，包含了极小系数ai和阈值b等，并利用决策函数计算待测数据样本的指示函数决策输出值，做出故障分类。需要指出的是，SVM对不确定数据的建模能力较差，在反映风电机组振动故障诊断中的故障征兆与振动信号源的复杂映射关系时会有一定的偏差，因而亟待针对风力发电机组振动故障的特点，强化并设计出能够反映机组故障与振源信号之间复杂映射关系及故障模式中的不确定信息的诊断方法。

1、信息熵

信息熵反映的是系统的不确定程度，可作为信号处理方法通过多测点得到的信息熵矩阵来描述振动过程的变化规律，对风力发电机组振动状态进行定量分析。然而在信息熵中引入信息融合的思想对风力发电机组进行定量的振动故障诊断还没有引起重视。对于振动的频域信号，需要进行特征熵提取，进而求出功率谱熵，而功率谱熵则表征了单个通道振动信号的谱型结构，其振动能量在整个频率成分上分布得越均匀，信号就越复杂，故障的不确定性程度也就越大。功率谱熵差矩阵方法在转子振动故障诊断领域能够解决转子不平衡、不对中、碰磨等问题，然而在风力发电机组的振动故障诊断方面，同现有的神经网络、遗传算法等诊断方法一样，信息熵面临着缺少完善的定量指标的问题，也是该方法在风力发电机组振动故障诊断领域能否得到应用和发展的关键。

结语：综上所述，本文列举了大型风机发电机组比较常见的几种故障诊断方法，如LabVIEW、专家系统、支持向量机、信息熵，通过对这几种故障诊断技术的工作原理和特点进行分析，我们知道了其与众不同的优势以及亟待改进的地方。风力发电是一种清洁能源，对于我国经济可持续发展具有十分重要的作用。因此，需要相关工作人员能够不断加强对大型风机发电机组故障诊断技术的研究和创新，在实际工作中总结故障发生的问题，并做好相应的处理方案，同时将状态诊断和故障诊断结合到一起，以最大限度的减少和避免风力发电系统故障的发生，确保电力系统供电的稳定性和安全性，促进我国风力发电事业健康快速发展。

参考文献：

[1]李辉，胡姚钢，李洋，等．大功率并网风电机组状态监测与故障诊断研究综述[J]．电力自动化设备，2016，36（1）

[2]肖运启，王昆朋，贺贯举，等．基于趋势预测的大型风电机组运行状态模糊综合评价[J]．中国电机工程学报，2014，34（13）

[3]安学利，蒋东翔，李少华．基于决策融合的直驱风力发电机组轴承故障诊断[J]．电网技术，2011，35（7）

[4]赵文.风力发电技术的发展及发电机组齿轮箱的研究[J].中国高新技术企业.2014（20）