風力發電機電動變槳系統故障診斷研究進展

李洪川，王旭東，王東明，陳乃超，潘衛國

（1.甘肅中電投新能源發電有限責任公司，甘肅蘭州 7 300601；2.上海電力大學能源與機械工程學院，上海 200090）

0 引言

為達到碳達峰與碳中和目標，在我國的“十四五”規劃中，風電技術成為實現碳中和國家戰略的重要手段，提出年均新增裝機5000萬千瓦以上。2025年后，風電年均新增裝機容量不低于6000萬千瓦，2030年至少達到8億千瓦，2060年至少達到30億千瓦。2020年，全國風電新增并網裝機7167萬千瓦，其中陸上風電新增裝機6861萬千瓦、海上風電新增裝機306萬千瓦。截至2020年底，全國風電累計裝機2.81億千瓦，其中陸上風電累計裝機2.71億千瓦、海上風電累計裝機約900萬千瓦[1]。我國風電規模日益擴大，新機組不斷投運，由于風力發電影響因素較多，導致風力發電機組設備結構和運行較為復雜；載荷多變、負載較大、功率較高等特點，并且子系統數量多、機械和電氣結構較多，風力發電機組在運行中容易產生故障、機組故障率較高，嚴重影響風電場運行效率。另外，電動變槳系統因結構緊湊、可靠等特點成為主流[2]。

電動變槳系統作為風力發電機組的關鍵控制部件，其故障已成為機組停機的主要原因之一。降低風力發電機組電動變槳系統故障率和故障停機時間，減少運維成本，提高發電率和經濟效益，已成為風力發電投資、建設、運營維護需要解決的問題。因此，研究和掌握風電機組電動變槳的故障分析和診斷技術具有重要意義。

本文將針對風力發電機電動變槳系統故障及其故障診斷方法進行詳細描述，分析風力發電機電動變槳系統故障診斷在模型分析、數據處理、故障樹以及人工智能等方法的研究。

1 電動變槳系統基本結構及常見故障類型

1.1 電動變槳系統基本結構

現代大型風力發電機組一般采用三葉片方式，每個葉片分別配備獨立的電動變槳距系統，一般由3套相同機構組成，包括變槳距伺服電機、伺服驅動器、減速器、葉片變槳距軸承、獨立的軸控制箱和輪轂主控系統、蓄電池、傳感器部分等。其中，傳感器部分包括槳葉角位置傳感器（葉片編碼器和電機編碼器）和兩個限位開關；伺服電機連接減速器，通過主動齒輪與變槳距軸承內齒圈相嚙合，帶動槳葉進行轉動，實現對葉片槳距角的控制。

1.2 電動變槳系統常見故障及發生原因

據統計變槳系統是風力發電機組故障發生率較高的部件[3]。變槳系統作為風力發電機的核心部件，其故障率甚至高于齒輪箱和軸承這些機械子系統。變槳系統的損壞不僅增加了運行維護成本，還嚴重影響了風電場運行效率[4]。因此，及時準確診斷出變槳系統故障，并采取相應舉措，對于機組穩定安全運行至關重要。目前，實際運行過程中，變槳系統常見故障主要表現為[5-6]：

（1）變頻器（變槳驅動器）故障。故障主要原因有變頻器通信中斷、絕緣柵雙極型晶體管損壞、控制板件和動力回路接線損壞等。

（2）蓄電池故障。高低溫都會對鉛蓄電池產生極大影響，高溫會引起腐蝕、析氣，長期低溫導致放電能力下降，壽命縮短。

（3）變槳電機故障。除了電機線圈斷線，碳刷磨損這些電機自身原因，變頻器損壞、限位開關和編碼器故障長時間不解決會導致電機過載損壞。

（4）角度編碼器故障。螺絲松動、接線不良均會發生故障。

（5）滑環故障?；h連接輪轂和機艙的電源和通信線路，當滑環故障時會引發相關的變頻器通信故障、蓄電池控制失效及變頻器損壞等一系列連鎖反應。

（6）變槳限位開關故障。限位開關接線回路松動、導線折斷導致的限位開關不返回、位置不精確，進而造成變槳電機和變頻器的損壞。

2 電動變槳系統故障診斷研究

故障診斷的難點之一在于對獲得數據的處理，傳統的診斷方法多是基于物理模型，利用測量獲得數據，進行參數辨識，建立參數與故障對應的關系，獲得故障類型和位置。隨著技術的發展，尤其大數據和人工智能的發展，故障診斷技術也發生了較大變化。因此，本文將針對電動變槳系統故障診斷，通過模型和數據分析兩類不同的方法進行論述。

2.1 基于分析模型的故障診斷

基于分析模型的故障檢測和診斷方法是通過系統實際行為與基于模型的預期行為的差異的分析與比較，檢測系統是否發生故障，并對故障發生部位、故障的大小及類型進行診斷。與基于信號的故障診斷方法相比，基于模型的故障診斷算法能夠提高針對錯誤決策的恢復能力。基于模型的變槳系統的故障診斷，目前國內外已有很多的研究。

研究發現，采用可擴展的卡爾曼濾波器可以針對變槳執行器卡死、傳感器偏差和失效等早期故障進行診斷[7]。同時，將H∞范數被引入作為閾值，利用線性矩陣不等式，求解最優H∞范數，系統模型的魯棒性更強[8]。為了提高檢測速度，及時響應外界變化，提出在時間域內快速檢測葉片變槳執行器和傳感器的故障，將故障發生前后進行比較，采用卡爾曼濾波器和基于H∞優化的閾值進行殘差評價[9]；在此基礎上，提出基于推理的故障隔離算法，能夠確定故障類型、位置、大小和時間，同時對再控制器模塊的容錯控制器控制，以避免外部負載的影響[10]。在進一步的研究中，引入到多維空間，將變槳系統模型轉變為可辨識的狀態空間模型，結合狀態觀測器實現系統狀態和參數的交互估計[11]。采用多新息隨機梯度辨識算法（MISG）對系統狀態和參數進行估計，將系統故障診斷問題轉化為系統辨識問題。針對執行機構和槳距角傳感器故障，提出了自適應解耦觀測器，可以有效解決狀態估計與故障估計相互耦合的問題，實現對白噪聲不敏感而對故障參數敏感的殘差信號，建立故障評價函數和決策方案[12]。此外，針對耦合問題，通過坐標變換將故障子系統與系統的其余部分解耦，通過降階未知輸入觀測器（RUIO）去除干擾和不確定性，利用降階滑動模式觀測器（RSMO）能有效估計執行器和傳感器故障[13]。針對變槳電機編碼器的故障，感應電機驅動中編碼器測量到的轉子轉速信號的均值和標準差被用來檢測編碼器故障。

這項工作表明，在比系統的機械時間常數短得多的周期內，平均轉子速度的劇烈變化將表明編碼器出現機械或電子故障；而編碼器脈沖的缺失導致了轉子速度的移動平均標準差的重大變化[14]。提出了兩種永磁同步電機編碼器故障檢測方法。設計了一種基于轉子位置與定子電流相關的方法，利用小波變換處理的定子電流信號的突變來檢測編碼器故障。另外一種方法是，根據校驗方程生成的轉子位置和轉速的殘差來檢測編碼器故障[15]。

風力機電動變槳故障的來源多種多樣，各類故障之間相互影響，如何能精確定位故障源是之后研究的方向。通過建立數學模型，與實際系統雙軌運行，通過殘差分析，可以實現故障檢測和診斷[16]。但該類方法針對不同風機類型、不同系統都需要重建模型，不具有通用性，導致建模的復雜性和難度大幅提高。

2.2 基于數據驅動的診斷技術

基于數據的故障診斷方法在學術界和工業界受到了更多的關注。數據驅動的價值歸結于通過數據來支持決策和驅動產品智能。即在一定數據基礎上建立算法模型，再將得到的數據結果反饋算法模型。模型本身就具有了學習能力，可以不斷迭代。

2.2.1 基于故障樹的故障診斷

針對故障樹結構，提出許多改進方法。結合風力發電機組的實際性能和專家經驗，引用模糊推理技術，建立變槳控制系統故障診斷模型。采用模糊理論可有效解決故障樹中不確定性推理問題，提高診斷精度和故障識別時間[17]。在分析數據上，可以將SCADA（Supervisory Control And Data Acquisition，數據采集與監視控制）系統收集的60多項參數進行分類，進行數據預處理，并將帶時間戳的狀態和故障數據與記錄的功率曲線比較，進行功率預測[18]。

可以看出，基于故障樹的故障診斷方法的邏輯性較強，可以較為直觀的獲取故障點，但是在處理數據和建立故障樹邏輯上仍然存在一定難度，厘清各故障之間的聯系和影響，精確定位故障源頭，這需要進行大量的工作。

2.2.2 基于圖像的故障診斷

圖像處理技術是人工智能發展的重要推動力量之一，也是故障診斷應用的重要技術。針對風力機電動變槳診斷，可以將測量的時域信號轉換為二維灰度圖像，可以根據統計學特征、小波分析、測量特征等開發出特征選擇和最優的分類工具，選出MRMR（Max-Relevance and Min-Redundancy，最大相關性的最小冗余）標準和分類工具。實踐表明，在5 MW海上型風力機組進行了模擬，能夠檢測和分類最常見的故障[19]。通過對相關指標數據繪制的雷達圖進行特征提取，使經驗風險和置信區間最小，有效地進行模式分類。首先將輸入圖像轉換為灰度圖像，提取圖像GLCM（Gray-level Co-occurrence Matrix，灰度共生矩陣）特征并歸一化，然后對灰度圖像進行二值化。提取圖像HOG（Histogram of Oriented Gradient，定向梯度直方圖）特征，將GLCM特征和HOG特征組合為圖像的特征向量，算法輸出為訓練集和測試集的特征和標簽。其次，利用獲得的圖像特征對SVM（Support Vector Machines，支持向量機）分類器進行訓練。然后利用測試圖像的特征向量對樣本標簽進行預測[20]。

2.2.3 基于統計分析的故障診斷

一般而言，SCADA系統并沒有綜合考慮各子系統以及風力發電機運行參數間存在的強耦合性，可能會出現無序的報警信息，提高了故障停機后的維修難度?？梢酝ㄟ^Fisher判別法，將數據進行識別分類，從而對故障源進行定位，實驗結果驗證了該方法具有良好的效果[21]。對單個SCADA數據的描述，采用期望值描述，而不是IEC（International Electrotechnical Commission，國際電工委員會）標準的平均值，以避免異常值引起的統計誤差，并發現相關SCADA數據之間的相關性。額定風速前，相關SCADA之間的關系相對簡單；當風速達到和超過額定風速時，變槳控制啟動，SCADA數據相關性更加復雜。這也說明額定風速前，沒有非線性控制效應抑制故障特征，能更容易發現故障[22]。

2.2.4 人工智能算法的應用

人工智能技術為解決問題帶來了新的方法，使得傳統無法解決的問題得到解決，并為故障診斷帶來了新的曙光。相對于故障分析及其辨識而言，數據的采集、處理顯得更為重要，過多的傳感器不僅增加成本，還增加故障檢測工作量，采用傳感器優選可以減少檢測和計算工作，結果表明該方法可以減少54%監測項目和95%檢測時間[23]。此外，大量的數據需要首先進行預處理，尤其特征性能的提取非常重要。PCA（Principal Component Analysis，主成分分析）方法將系統高維數據組成矩陣，進行一系列矩陣運算后確定若干正交向量，數據在這些向量上的投影反映數據變化最大的幾個方向，舍去數據變化較小的方向，由此可將高維數據進行降維，從而有效提高故障識別算法效率。在此基礎上，通過MPCA（Multilinear Principal Component Analysi，多路主成分分析）對環境及風資源進行分析得到健康風力機組基準數據模型，提高故障診斷準確率[24]。同時，將PCA和MPCA耦合，充分利用PCA具有降維和噪聲抑制的作用，MPCA模型可以反映各部件狀態可變性的統計特性，進一步優化故障分析模型[25]。同時，PCA方法對風力機非線性的數據集處理效果不明顯，需要采用非線性PCA技術，如核PCA（KPCA）也可結合神經網絡技術，更能捕捉數據變化。

應用一種改進的ANFIS（Adaptive-Network-based Fuzzy Inference Systems，自適應神經模糊系統），監測了4種SCADA信號（轉子速度、葉片角度、電機扭矩和功率輸出）隨風速的變化，結合已掌握的知識：風速為高，輸出功率為低；風速為低，功率輸出為高，這兩種情況可能檢測到故障。實現了變槳系統顯著故障的自動檢測[26]。然而，從停止到操作過程和從操作到停止過程之間不同的操作特性并未考慮。正是工作狀態切換時，表現出與故障相似的參數?；谙嗨菩栽恚梅蔷€性狀態評估方法，建立能夠涵蓋變槳系統全部正常運行狀態的健康模型，當變槳系統發生故障時，比較模型預測值與正常狀態的偏差，根據特征參數的偏差，來確定故障的原因[27]。深度神經網絡的出現給復雜問題分析帶來可能，針對風力發電機組變槳系統常見故障，提出基于DBN（Deep Boltzmann Machine，深度置信網絡）的故障診斷方法，首先設計基于DBN的變槳系統故障診斷模型，通過堆疊多層RBM（Restricted Boltzmann Machine，受限玻爾茲曼機），對比重構數據與原始輸入數據差異，獲取故障特征自提取能力，再將RBM提取的故障特征輸入到頂層分類器中進行訓練，得到故障診斷模型。實驗結果表明其有效性[28]。

風力機工況非常復雜，因此研究多未考慮風力機所處工況。但是，不同工況下，數據和數據之間的關系及耦合程度都不相同，給分析帶來困難。ENRS（Entropy-optimized Neighborhood Rough Set，基于熵優化的鄰域粗糙集）可以對不同工況下的特征參量進行約簡建模，設計了全工況變槳系統狀態特征參量挖掘策略。以其約簡數據集作為輸入樣本，提出小世界粒子群優化的熵加權學習矢量量化（Learning Vector Quantization，LVQ）為基礎模型的多模型狀態監測器，實現異常狀態的精準定位[29]。故障類型與所處工作狀態有密切聯系，將SCADA數據分類成4個工作狀態區間，分別進行15個初始參數的相關OIE（Overlap Information Entropy，重疊信息熵）分析，選取OIE值低于0.3的初始參數作為故障診斷的合適信號，并進行離散化特征提取，建立小世界神經網絡作為集成成員，并訓練、選擇、加權融合，最終得到分類結果[30]。

為了提高變槳系統故障預測的分類精度，針對多類分類問題，選用計算簡單的二進制分類，選擇徑向基函數作為SVM（Support Vector Machines，支持向量機）的內核函數，并通過計算粒子適應度值來調整個體和全局的極值，不斷迭代獲得最優參數[31]。針對變槳系統易出現的編碼器、電機故障和滑環斷裂問題，選取與變槳電機功率最密切相關的功率、葉片角度、變槳電機電流、輪轂轉速和風速等SCADA數據作為初始參數，并選取PLC狀態代碼處于發電狀態下的數據進行數據預處理，使用RVM（Relevance Vector Machine，相關向量機）回歸設計了一個正常行為模型，為提高模型精度，采用人工蜂群算法對核函數參數進行了優化[32]。選擇功率和發電機轉速、槳距角和發電機轉速這兩種性能曲線來建立正常行為模型（NBM），能更快地檢測出滑環污染和變槳控制器故障，并解釋和可視化故障條件下的風力機異常行為[33]。

此外，為了獲取最優算法，對不同算法間的效果進行了比較。通過將代碼映射到風速和功率輸出預測狀態代碼、故障的嚴重性和特定代碼，發現神經網絡、標準分類、回歸樹和提升樹算法可以較好地提取所需的信息，能提前60 min實現故障預測[34]。針對變槳執行器突變的和遲鈍的動態變化的故障表現，集成了隨機森林（Random Forest）和極端梯度提升（XGBoost）學習模型提高故障分類器的性能（魯棒性和精度），并針對陸上和海上風力機組進行了數值模擬，與SVM相比具有較強的抗過擬合能力，且對多維信號有很好的效果[35]。然而不同的故障模式可能導致相似的故障特征，給故障診斷帶來困難。不確定卡爾曼濾波器模型證明了，不同故障模式的故障識別的有效性[36]。

針對本課題所研究得出的協同育人機制，將在廈門理工學院新絲路時尚學院學院進行試行實踐，因為“實踐是檢驗真理的唯一標準”，我們將在實踐的檢驗中研究和探索出一套實際效果好、可操作性強且具有可推廣性的一套協同育人機制。

遞歸神經網絡因為包含循環，所以它們可以在處理新輸入的同時存儲信息。這種記憶使它們非常適合處理時間序列數據，而風電場SCADA數據正是以時間為序列的數據。同時，故障分析也朝著多目標方向進行研究，提出遞歸神經網絡多故障診斷預測方法，可以實現10種不同類型故障輸出，形成了多故障診斷預測系統[37]。同時，將變槳系統關鍵故障對應的指標數據生成雷達圖，通過ResNet50等卷積神經網絡，利用雷達圖訓練故障模型，進行故障檢測[38]。

可以看出，人工智能的故障診斷方法不需要知道對象的精確模型，避免了構建非線性、系統復雜的風力機模型。但是，需要大量數據作為基礎，多數情況下，存在數據缺失等問題，并且需要合適的算法，也增加了使用人工智能算法的困難。

3 電動變槳故障診斷面臨的挑戰

根據上述風力發電電動變槳系統故障診斷技術的闡述，可以看出，采用模型分析和數據分析方法可以實現復雜電動變槳系統故障的診斷，能夠有效避免故障出現，提高維護效率，減少風電機組運行成本。同時，無論是模型分析還是數據分析，在故障診斷方面還有待于進一步的研究和技術水平提升?，F有的故障診斷理論和方法遇到了新的挑戰，具體表現在以下3個方面。

（1）簡單的風力機變槳系統模型已不能滿足精確故障診斷的要求，數學模型難以完整表達變工況、強干擾運行下變槳系統各部件之間的關系，模型關系表達不完整，有遺漏，將會影響故障精確診斷，甚至誤報、漏報故障。

（2）風力機故障有耦合性和并發性特點，現有診斷方法多為單類故障識別，忽視了各故障之間的聯系，由一個零件失效導致所在機構故障，進而影響其他機構的正常運行。而如何厘清零件與零件、零件與機構和機構與機構之間故障影響關系是電動變槳系統故障診斷面臨的一大挑戰。

（3）現有的智能算法雖然在實現識別上具有突出優勢，可以識別、決策風力機的故障，但較難給出故障的本質、演化過程和壽命預測。因此，需要對故障深層次聯系、機理進行研究，對故障的預防提供理論支持。

（4）由于風電場測量數據量龐大繁雜，數據采樣策略不同，各類數據采樣時間不統一，測量數據誤差和錯誤等都會使得數據質量下降，而從這樣低質量的數據中找到故障特征猶如大海撈針。

4 潛在方向與發展趨勢

針對電動變槳系統診斷的特點與挑戰，認為應該從以下4個方面深入開展電動變槳系統故障診斷的研究工作，為風電機組的診斷與維護提供可靠的理論依據和有效的技術手段。

（1）風力機變槳系統各類故障的靜態、動態聯系以及故障之間的反饋和相互作用可能是需要研究的重點。可以將變槳系統模型拆分成多個精確子模型，厘清之間的數學關系，提高故障診斷的準確率。

（2）雖然提出了很多故障診斷方案，但還有進一步提升空間?；谖锢砟Ｐ偷姆椒ㄖ饕M行故障機理分析，基于數據驅動的研究主要進行狀態監測、故障診斷和預測。將基于物理模型的故障診斷方法與基于數據驅動的故障診斷方法相融合，集在線監測、診斷、預測、機理分析于一體的變槳系統故障診斷技術將是未來的研究方向之一。

（3）如何對大量數據進行有效特征值的提取、相關性分析以及最終的數據處理，是未來的研究重點和難點。可通過數據清洗、特征指標提取、專家系統等技術對其進行處理，提高其對數據的利用效率。

（4）目前，變槳系統的故障診斷多針對變槳電機、驅動器這些機械、機構故障，關于變槳系統的電氣故障診斷研究偏少，電氣故障的產生原因是復雜的，排除故障的方法及方式只能根據故障的具體情況而定，也沒有什么嚴格的模式及方法，對部分維修人員來說會感到困難。所以，將是電動變槳系統故障診斷發展的又一目標。

5 結論

（1）闡述了風力機變槳系統結構及基本故障類型，分析電動變槳系統故障診斷難點，并通過綜述其國內外的研究進展，揭示現有電動變槳系統故障診斷理論與方法的問題與挑戰。

（2）給出電動變槳系統故障診斷的潛在方向與發展趨勢，認為應該從模型精確度、方法融合、數據利用等方面展開深入研究，將電動變槳系統故障診斷應用于工程實踐。