風電機組故障診斷研究

張艷云

摘 要：近幾年，風力發電及其技術發展迅速，由于工作環境惡劣，風電機組故障發生率提高，故障診斷成為一個重要的研究課題，該文結合風電機組典型故障分析，提出了一種嘗試方法。

關鍵詞：風電 故障診斷 信息融合

中圖分類號：TM315 文獻標識碼：A 文章編號：1674-098X（2014）11（c）-0041-01

風力發電是一種安全、清潔、技術成熟、成本適宜的新型能源，近幾年來其發展速度非常迅猛。但是由于風電機組經常工作在低溫、沙塵、風暴、冰雪等惡劣壞境條件下，導致風電機組故障甚至損壞，影響機組的安全可靠性。同時，風電機組超常疲勞運行和各種不確定因素影響，風電機組故障出現頻率增大、種類多樣的局面，因此風力發電機的故障診斷是一個不可回避的問題，它既涉及機械故障診斷又涉及電氣系統故障診斷。通過檢測監視、故障分析、性能評估等方法，及時、正確、有效地對風電機組各種異常狀態和故障狀態作出診斷，提出對機組的運行維護的必要指導，制定合理的檢測維修制度，保證機組工作時發揮最大的設計能力和潛力，延長設備的服役期限和使用壽命，最大限度提高系統可靠性。

1 風電機組故障的分類

根據實踐運行結論和分型統計，風電機組的故障類型大致可概括為電氣故障和機械故障兩大類。其中，電氣故障包括傳感器故障、低壓器件故障、通信故障、變流器故障、變槳故障等，機械故障包括齒輪箱故障、回轉支撐故障、軸承故障、葉片故障、機械剎車故障、液壓故障、對中故障等。

許多國內外的風電機組運行專家通過十幾年來風電機組故障方面的研究，從大量數據的統計和分析中發現風電機組的故障情況雖然存在一些不確定性因素，但基典型風機組件故障的發生率本上保持著一些基本的規律趨勢。發生率按照由高到低依次約為：液壓系統（20%）、傳感器（11%）、轉子（10%）、電力模塊（9%）、變槳執行模塊（7%）、發電機（7%）、齒輪箱（6%）、剎車系統（5%）和電子模塊（5%）。

可見，液壓系統、傳感器、轉子電力模塊和變槳執行模塊部分是占突出地位的故障發生組件，也是故障監控系統及運行維護尤其予以重視的部分。綜合對多年來各種風力發電機組的故障類型和數據統計分析，得出典型故障及其嚴重程度如表1所示。

針對上述典型故障，一般采取了根據設備的實際運行狀態來安排維修和按照計劃進行維修的基本措施。在正確排解上述故障的同時，監測和數據采集系統將對核心故障數據特征將進行存儲、判別類型并發出報警，最終形成故障報告，根據故障輕重程度指導系統維修維護或容錯運行。

2 風電機組故障診斷方法

由于風電是一個方興未艾的新事物，其故障診斷技術也隨之引起了國內外學者的高度重視，先后出現了傳統故障診斷方法、基于模糊理論和可能性理論的方法、專家系統的方法、神經網絡的方法、基于粗糙集理論的方法。但是由于用于描述風電機組故障特征與故障類型之間的對應關系是較復雜的，一種故障類型可能對應多種特征信息，而一種特征信息也可能對應多種故障類型，另外故障特征常常呈現出多種不確定性特征，所以單靠一種理論或某種方法在復雜環境下無法實現準確、及時、有效地對風力發電機組進行故障診斷。目前基于信息融合的故障診斷方法以其獨特新穎、推理科學、診斷準確而成為一個重要的研究方面，但是當前故障診斷中信息融合依然是基礎性研究，所以在這方面需要更加深入和廣泛的研究。

將證據推理模式、神經網絡與信息融合理論相結合形成一個綜合故障診斷模式不失為一個研究方向。故障診斷信號源于各類傳感器，因此故障特征信號多數情況存在隨機、模糊、不確定等特性，分別對應于一種或多種故障類型，采取信息融合手段并根據故障特征和故障之間的關聯度，建立起可統一度量上述各不確定信息的測度；采取證據推理（如D-S證據推理），可以解決不確定性信息問題，將各種不確定性故障特征作為推理證據，合并融合后做出診斷決策；采用神經網絡方法可設計容錯控制器，結合信息融合故障診斷決策結果決定是否采用容錯控制。將模糊推理、信息融合（D-S證據推理）、神經網絡結在一起，各自發揮優勢，彌補了單一故障診斷方法的缺陷，提高了系統故障診斷和容錯控制效果。

3 結語

隨著風電機組的不斷發展，機組的故障診斷技術也在不斷發展，各種診斷技術的相互融合，優勢互補是保證故障診斷準確有效的方向，成熟良好的診斷技術應用在風電機組中，必將推動風電事業的進一步發展。

參考文獻

[1] 葉杭冶.風力發電機組監測與控制[M].機械工業出版社，2011.

[2] 姚興佳，宋俊.風力發電機組原理與應用[M].機械工業出版社，2011.

[3] 彭力.信息融合關鍵技術及其應用[M].冶金工業出版社，2010.

[4] 王仲生.智能故障診斷與容錯控制[M].西北工業大學出版社，2005.endprint

摘 要：近幾年，風力發電及其技術發展迅速，由于工作環境惡劣，風電機組故障發生率提高，故障診斷成為一個重要的研究課題，該文結合風電機組典型故障分析，提出了一種嘗試方法。

關鍵詞：風電 故障診斷 信息融合

中圖分類號：TM315 文獻標識碼：A 文章編號：1674-098X（2014）11（c）-0041-01

風力發電是一種安全、清潔、技術成熟、成本適宜的新型能源，近幾年來其發展速度非常迅猛。但是由于風電機組經常工作在低溫、沙塵、風暴、冰雪等惡劣壞境條件下，導致風電機組故障甚至損壞，影響機組的安全可靠性。同時，風電機組超常疲勞運行和各種不確定因素影響，風電機組故障出現頻率增大、種類多樣的局面，因此風力發電機的故障診斷是一個不可回避的問題，它既涉及機械故障診斷又涉及電氣系統故障診斷。通過檢測監視、故障分析、性能評估等方法，及時、正確、有效地對風電機組各種異常狀態和故障狀態作出診斷，提出對機組的運行維護的必要指導，制定合理的檢測維修制度，保證機組工作時發揮最大的設計能力和潛力，延長設備的服役期限和使用壽命，最大限度提高系統可靠性。

1 風電機組故障的分類

根據實踐運行結論和分型統計，風電機組的故障類型大致可概括為電氣故障和機械故障兩大類。其中，電氣故障包括傳感器故障、低壓器件故障、通信故障、變流器故障、變槳故障等，機械故障包括齒輪箱故障、回轉支撐故障、軸承故障、葉片故障、機械剎車故障、液壓故障、對中故障等。

許多國內外的風電機組運行專家通過十幾年來風電機組故障方面的研究，從大量數據的統計和分析中發現風電機組的故障情況雖然存在一些不確定性因素，但基典型風機組件故障的發生率本上保持著一些基本的規律趨勢。發生率按照由高到低依次約為：液壓系統（20%）、傳感器（11%）、轉子（10%）、電力模塊（9%）、變槳執行模塊（7%）、發電機（7%）、齒輪箱（6%）、剎車系統（5%）和電子模塊（5%）。

可見，液壓系統、傳感器、轉子電力模塊和變槳執行模塊部分是占突出地位的故障發生組件，也是故障監控系統及運行維護尤其予以重視的部分。綜合對多年來各種風力發電機組的故障類型和數據統計分析，得出典型故障及其嚴重程度如表1所示。

針對上述典型故障，一般采取了根據設備的實際運行狀態來安排維修和按照計劃進行維修的基本措施。在正確排解上述故障的同時，監測和數據采集系統將對核心故障數據特征將進行存儲、判別類型并發出報警，最終形成故障報告，根據故障輕重程度指導系統維修維護或容錯運行。

2 風電機組故障診斷方法

由于風電是一個方興未艾的新事物，其故障診斷技術也隨之引起了國內外學者的高度重視，先后出現了傳統故障診斷方法、基于模糊理論和可能性理論的方法、專家系統的方法、神經網絡的方法、基于粗糙集理論的方法。但是由于用于描述風電機組故障特征與故障類型之間的對應關系是較復雜的，一種故障類型可能對應多種特征信息，而一種特征信息也可能對應多種故障類型，另外故障特征常常呈現出多種不確定性特征，所以單靠一種理論或某種方法在復雜環境下無法實現準確、及時、有效地對風力發電機組進行故障診斷。目前基于信息融合的故障診斷方法以其獨特新穎、推理科學、診斷準確而成為一個重要的研究方面，但是當前故障診斷中信息融合依然是基礎性研究，所以在這方面需要更加深入和廣泛的研究。

將證據推理模式、神經網絡與信息融合理論相結合形成一個綜合故障診斷模式不失為一個研究方向。故障診斷信號源于各類傳感器，因此故障特征信號多數情況存在隨機、模糊、不確定等特性，分別對應于一種或多種故障類型，采取信息融合手段并根據故障特征和故障之間的關聯度，建立起可統一度量上述各不確定信息的測度；采取證據推理（如D-S證據推理），可以解決不確定性信息問題，將各種不確定性故障特征作為推理證據，合并融合后做出診斷決策；采用神經網絡方法可設計容錯控制器，結合信息融合故障診斷決策結果決定是否采用容錯控制。將模糊推理、信息融合（D-S證據推理）、神經網絡結在一起，各自發揮優勢，彌補了單一故障診斷方法的缺陷，提高了系統故障診斷和容錯控制效果。

3 結語

隨著風電機組的不斷發展，機組的故障診斷技術也在不斷發展，各種診斷技術的相互融合，優勢互補是保證故障診斷準確有效的方向，成熟良好的診斷技術應用在風電機組中，必將推動風電事業的進一步發展。

參考文獻

[1] 葉杭冶.風力發電機組監測與控制[M].機械工業出版社，2011.

[2] 姚興佳，宋俊.風力發電機組原理與應用[M].機械工業出版社，2011.

[3] 彭力.信息融合關鍵技術及其應用[M].冶金工業出版社，2010.

[4] 王仲生.智能故障診斷與容錯控制[M].西北工業大學出版社，2005.endprint

摘 要：近幾年，風力發電及其技術發展迅速，由于工作環境惡劣，風電機組故障發生率提高，故障診斷成為一個重要的研究課題，該文結合風電機組典型故障分析，提出了一種嘗試方法。

關鍵詞：風電 故障診斷 信息融合

中圖分類號：TM315 文獻標識碼：A 文章編號：1674-098X（2014）11（c）-0041-01

風力發電是一種安全、清潔、技術成熟、成本適宜的新型能源，近幾年來其發展速度非常迅猛。但是由于風電機組經常工作在低溫、沙塵、風暴、冰雪等惡劣壞境條件下，導致風電機組故障甚至損壞，影響機組的安全可靠性。同時，風電機組超常疲勞運行和各種不確定因素影響，風電機組故障出現頻率增大、種類多樣的局面，因此風力發電機的故障診斷是一個不可回避的問題，它既涉及機械故障診斷又涉及電氣系統故障診斷。通過檢測監視、故障分析、性能評估等方法，及時、正確、有效地對風電機組各種異常狀態和故障狀態作出診斷，提出對機組的運行維護的必要指導，制定合理的檢測維修制度，保證機組工作時發揮最大的設計能力和潛力，延長設備的服役期限和使用壽命，最大限度提高系統可靠性。

1 風電機組故障的分類

根據實踐運行結論和分型統計，風電機組的故障類型大致可概括為電氣故障和機械故障兩大類。其中，電氣故障包括傳感器故障、低壓器件故障、通信故障、變流器故障、變槳故障等，機械故障包括齒輪箱故障、回轉支撐故障、軸承故障、葉片故障、機械剎車故障、液壓故障、對中故障等。

許多國內外的風電機組運行專家通過十幾年來風電機組故障方面的研究，從大量數據的統計和分析中發現風電機組的故障情況雖然存在一些不確定性因素，但基典型風機組件故障的發生率本上保持著一些基本的規律趨勢。發生率按照由高到低依次約為：液壓系統（20%）、傳感器（11%）、轉子（10%）、電力模塊（9%）、變槳執行模塊（7%）、發電機（7%）、齒輪箱（6%）、剎車系統（5%）和電子模塊（5%）。

可見，液壓系統、傳感器、轉子電力模塊和變槳執行模塊部分是占突出地位的故障發生組件，也是故障監控系統及運行維護尤其予以重視的部分。綜合對多年來各種風力發電機組的故障類型和數據統計分析，得出典型故障及其嚴重程度如表1所示。

針對上述典型故障，一般采取了根據設備的實際運行狀態來安排維修和按照計劃進行維修的基本措施。在正確排解上述故障的同時，監測和數據采集系統將對核心故障數據特征將進行存儲、判別類型并發出報警，最終形成故障報告，根據故障輕重程度指導系統維修維護或容錯運行。

2 風電機組故障診斷方法

由于風電是一個方興未艾的新事物，其故障診斷技術也隨之引起了國內外學者的高度重視，先后出現了傳統故障診斷方法、基于模糊理論和可能性理論的方法、專家系統的方法、神經網絡的方法、基于粗糙集理論的方法。但是由于用于描述風電機組故障特征與故障類型之間的對應關系是較復雜的，一種故障類型可能對應多種特征信息，而一種特征信息也可能對應多種故障類型，另外故障特征常常呈現出多種不確定性特征，所以單靠一種理論或某種方法在復雜環境下無法實現準確、及時、有效地對風力發電機組進行故障診斷。目前基于信息融合的故障診斷方法以其獨特新穎、推理科學、診斷準確而成為一個重要的研究方面，但是當前故障診斷中信息融合依然是基礎性研究，所以在這方面需要更加深入和廣泛的研究。

將證據推理模式、神經網絡與信息融合理論相結合形成一個綜合故障診斷模式不失為一個研究方向。故障診斷信號源于各類傳感器，因此故障特征信號多數情況存在隨機、模糊、不確定等特性，分別對應于一種或多種故障類型，采取信息融合手段并根據故障特征和故障之間的關聯度，建立起可統一度量上述各不確定信息的測度；采取證據推理（如D-S證據推理），可以解決不確定性信息問題，將各種不確定性故障特征作為推理證據，合并融合后做出診斷決策；采用神經網絡方法可設計容錯控制器，結合信息融合故障診斷決策結果決定是否采用容錯控制。將模糊推理、信息融合（D-S證據推理）、神經網絡結在一起，各自發揮優勢，彌補了單一故障診斷方法的缺陷，提高了系統故障診斷和容錯控制效果。

3 結語

隨著風電機組的不斷發展，機組的故障診斷技術也在不斷發展，各種診斷技術的相互融合，優勢互補是保證故障診斷準確有效的方向，成熟良好的診斷技術應用在風電機組中，必將推動風電事業的進一步發展。

參考文獻

[1] 葉杭冶.風力發電機組監測與控制[M].機械工業出版社，2011.

[2] 姚興佳，宋俊.風力發電機組原理與應用[M].機械工業出版社，2011.

[3] 彭力.信息融合關鍵技術及其應用[M].冶金工業出版社，2010.

[4] 王仲生.智能故障診斷與容錯控制[M].西北工業大學出版社，2005.endprint