風電裝備故障診斷與健康監測研究綜述

王洪亮 劉倩

1.南京中核能源工程有限公司 江蘇南京 210046

2.中石化南京工程公司 江蘇南京 210046

由于全球對清潔和可再生能源的巨大需求以及風力渦輪機生產技術的長期進步，全球風能的裝機容量穩步增長。根據全球風能協會（GWEC）的統計，截至2018年底，全球風能裝機容量達到597吉瓦，其中中國是第一個超過200吉瓦的國家，總裝機容量超過200吉瓦，仍然保持著世界領先的風能行業地位，是真正的風能國家。

1 時頻分析

風電傳動系統作為重要的傳動裝置，能在低速和重負荷等復雜條件下長期工作，其振動信號大多具有暫態特性。盡管傳統的時域信號處理方法和頻域信號處理方法在故障診斷中均取了一些成果，但兩者都只是從時域或頻域描述了信號的內部特性，而沒有考慮時間，并且頻率之間的關系使得難以獲得有關局部函數的信息，隨著時間的變化。時頻分析結合了兩者的優勢，可以同時從時間和頻率范圍描述信號的內部特性。主要思想是使用各種核心功能在“時間”級別投射不穩定信號。然后，將不同的功能模式投影到不同的本地頻率-時間范圍內，以改善信號的內部特性。

2 風電裝備

2.1 稀疏分解算法的改進

長期以來，風力渦輪機一直在復雜的條件下工作，例如負載變化和外部沖擊所引起的沖擊。可以表征其故障特征的臨時沖擊組件通常充斥著強烈的背景噪聲和干擾。當用于提取具有高背景噪聲的振動信號中的周期性瞬態沖擊特性時，稀疏表示的理論仍然不足。例如，OMP算法選擇了錯誤的原子，而弱電擊會導致不存在弱電擊，難以進行有效提取。因此，改進稀疏分解算法以有效地提取風電傳輸系統的暫態故障特性至關重要[1]。

2.2 傳輸系統的關鍵組件存在問題

例如，齒輪和滾子軸承可能會在復雜的工作條件和不斷變化的負載下失效。如果滾動軸承或齒輪有局部故障，則有缺陷的零件在其他組件表面上的撞擊通常會通過單側阻尼產生暫時的沖擊特性。當軸旋轉時，此過渡特性會定期發生。另外，由于受滾動軸承或齒輪的影響，齒輪本身和其他旋轉部件的影響，振動信號包含變頻分量及其倍頻作為諧波分量。同時，由于其他運動部件的影響以及傳感器測量點與誤差源之間的距離，振動信號包含很多干擾和噪聲。因此，風電傳輸系統的原始振動信號由周期性的瞬態沖擊分量，諧波干擾分量和噪聲組成。在搜索風輪機故障的診斷時，診斷和健康監控可以分為兩種策略，先驗控制的組合過濾和基于數據的智能學習。

3 策略

3.1 稀疏模型

信號的分散結構在識別特征，減少噪聲和壓縮中起關鍵作用。20世紀末阿拉特（Allat）和多諾霍（Donoho）首次成為了散射信號表示理論的開拓者信號的分散結構用字典表示。稀疏信號代表字典的結構主要包括三個方面：分析字典、參數字典和學習字典。分析字典和參數化字典都必須對信號進行數學建模，數學模型用于創建具有解析范例的字典。但是，基于先前對信號源屬性進行的物理優化，參數化字典中的基本原子可以確定字典原子的參數。分析字典可以更好地匹配有關信號源屬性的信息[2]。

3.2 智能數據驅動的學習

智能診斷技術是近年來發展起來的一門新學科。其優勢在于，它整合了多個領域的專家經驗，提高了診斷準確性，并在某種程度上消除了對人為因素的診斷決策和狀態檢測，并且對故障機制的過度依賴可能導致無法實現傳統基于功能的診斷方法無法完成的項目。近年來，人工智能診斷技術蓬勃發展，其中支持向量機和深度學習是最具代表性的技術。支持矢量機技術。支持向量機基于最小化結構風險的原理，解決了優化二次約束以構建最優分類超平面的問題，有效解決了樣本量小，非線性，高維和局部極小等常規問題。當前，載體機器被廣泛用于監視機器的狀態和診斷故障。沉等。提出使用矢量機直接支持推力，對傳動誤差進行智能診斷，有效解決訓練模式不足或測試模式過多的問題。有人使用蟻群算法優化了對誤差敏感的函數集，并支持矢量機模型的參數，從而提高了機車軸承的診斷準確，他們使用貝葉斯統計推斷來優化支持向量機模型的參數，并使用它對工業調查數據進行智能分類。有人使用混合智能診斷技術，結合了第二代小波包變換，對主要核心組件和矢量機的分析，并具有雙重支持，可實現對旋轉機故障的多重診斷。他們使用多尺度復合模糊熵構造了一組失效特性的矢量特性，并將其插入改進的支持向量機中，以實現軸承失效的高精度識別[3]。

3.3 深度學習

在機械健康監控領域，深度學習的研究和應用正在蓬勃發展。有人使用深度神經網絡技術研究了軸承和傳動性能的自適應識別和退化，并取得了杰出的技術應用價值。在分析了當前軸承特性檢測技術的內在缺陷之后，有人將其作為參考。他們利用卷積神經網絡高級功能的自適應學習能力，提出了一種針對檢測信號的學習特征的區分性組裝技術，并發現深度學習技術要優于前一種，識別技術具有最顯著的優勢。同時有人使用一維神經折疊網絡分析結構損傷檢測問題，提出了一種基于振動的實時學習檢測算法，在仿真實驗中取得了令人滿意的結果。他們使用一維神經折疊網絡來識別發動機故障特征，在深度學習中使用了堆棧的自編碼技術來檢查對旋轉機器狀況的評估。他們使用深度折疊網絡解決了該問題，對幾種類型的發動機故障進行高度可靠的分類和診斷。為了解決診斷行星齒輪故障時多傳感器信息自動融合的問題，有人提出了一種基于深度卷積神經網絡的集成改進技術，該技術可以實現自適應數據融合和更高的識別精度。

4 結語

早期風電裝備的迅速發展意味著風電裝備已進入故障高發的階段。對風能監測和診斷系統的巨大需求激發了許多研究人員在故障診斷和測試領域的熱情，這為研究人員提供了一個廣闊的舞臺和研究室。國內外的研究人員針對風力渦輪機的不同對象提出了不同的方法和策略，但是這一研究領域仍在發展中，仍然存在許多需要解決的科學技術問題。