风力发电机组故障诊断与预测技术研究综述孙永来

风力发电机组故障诊断与预测技术研究综述孙永来

孙永来

内容

关键词：风能发电；新能源；发电机组

引言：在我国的能源发展史中，煤炭石油等传统能源一直占据主导位置。但是近年来，煤炭石油等能源的弊端逐渐显现，诸如短期不可再生性、对于环境污染大等问题都是困扰着社会发挥在那的难题。对此，我国进入21世纪后将目光放向了其它新能源发电的开发上，风能就是其中之一。将风能转化为电能，主要通过一套风力发电机组来进行动能转换，但在发电机组的使用过程中，随着运行时间的延长，发电机组的损耗率以及出现故障的频率也越来越高，如何降低风力发电机组的损耗率，帮助发电机组更快更好的进行动能转换也是我国需要探讨的问题。

一、风力发电机组

在风能转化为动能的过程中，风力发电机组是主力军。它通常都安装在风势强劲的地区，所要承受的能量十分大，又因为要获取更多的风能进行转换，一般都被发电厂安装于空中，大风天气再加上高空作业的难度令维护人员对于风力发电机组的检修出现了巨大的困难。但随着我国科学技术水平以及移动互联网技术的不断发展，发电机组出现故障问题时的诊断和预测也越来越精准。研究人员在进行相关的研究时，通过对风力发电机组在日常使用中出现的问题进行归纳总结，再利用互联网技术对出现故障的原因进行分析，根据计算机系统上的相关算法，对于风力发电机组的信号分析和模式识别进行精准的预测，并利用理论与实践的结合以及风力发电机组在今后的发展方向和发展趋势，对于风力发电机组中出现的机械结构和相关的软件系统老化、更不上发电厂的需求等问题进行进一步的分析，并利用风力发电机组数据采集与监控系统对于发电机组的异常数值进行监控和跟踪，保证发电机组的安全性和可靠性。

从风力发电机组的工作性质上看，发电机组出现问题的一个主要原因就是其自身叶片零部件的变化：在风力发电机组的日常使用过程中，机组叶片部件随着自然风速的变化进行不同的角度变化，这个过程叶片十分容易产生受力不均，对于叶片而言是十分大的冲击，这些冲击通过叶片这一部件传递到风力发电机组的核心部件中，对于发电机、轴承等都有所损伤。

而之所以会产生叶片部件受力不均等问题，自然风速的变化只是其中的一部分原因，除此之外，施工人员在安装中的不细心和误差、发电机组叶片以及轴承自身的老化问题和腐蚀问题以及维护人员对于风力发电机组的检修不到位都十分容易产生发电机组的损耗。一旦发生发电机组的故障问题，维护人员少则24小时多则48小时，需要在极为恶劣的天气下对于发电机组进行维修管理，对于维护人员而言，安全保障也是十分重要的问题。

二、目前我国所应用的风力发电机组产生的故障诊断

即使在我国风力发电机组的科学技术与研发技术不断进步的背景下，风力发电机组在实际应用中依旧出现了许多实际操作的问题，特别是在风力发电机组内部的蒸汽轮机部件以及水轮机等部件，这些部件由于受到自然条件的冲击较大，再加之维护困难，出现故障的频次十分高。对于风力发电机组而言，其自身所要承载着的是风力发电的恶劣环境，以及高空作业所受到的重力、风速产生的载荷等多种危险，在发电部分虽然能够进行较为高效的风能转化，但发电厂也需要相对付出一笔较大的维护费用[1]。除此之外，在海上风力发电机组中，所遭受的危急情况更多，海水腐蚀侵蚀着发电机组的基座、海上风暴对于发电机组整体而言都是十分危险的故障原因，变幻莫测的海面为风力发电机组的发电增添了许多危险因素，不仅员工的人身安全无法得到保障，机组自身也无法得到有效的维护。

在风力发电机组中，一些容易更换的小部件虽然发生故障的频次高，但是维修操作简单、维修时间相对短，对于发电厂而言没有十分巨大的损失。但一旦风力发电机组的核心部件出现故障，维修人员光是排查就需要耗费大量的时间，长时间的排查与维修时间对于企业而言是一笔不小的经济损失。在具体的风力发电机组中，其出现的故障分为以下几种：

1、风力发电机组叶片部件的故障。和一些其他发电机组的零部件不同，没有叶片风力发电机组就无法捕捉到风能，因此叶片是保证风力发电机组正常工作的最重要的核心零件之一。但正是由于叶片零部件的重要性，其在风力发电机组搜集风能的过程中也承受着更多的负担，更容易发生故障[2]。叶片零部件发生故障的原因主要为以下几种：第一种就是恶劣的自然条件对于叶片零部件的自然损耗，风能在吹击叶片零部件时带来了巨大的载荷，这些载荷令叶片表面的保护涂层剥落，叶片表面涂层变得凹凸不平，结构自然也就没有最初时紧密，不紧密的叶片带来的是更大的松动，由此产生的恶性循环最终令风力发电机组的叶片零部件失衡，叶片开始脱落无法正常工作，无论是表面还是内部都出现了严重的断层。

2、风力发电机组中齿轮箱部件的故障。在风力发电机组中，想要将风能得到更好的利用，就必须要应用到机组的齿轮箱部件。这一个部件是风力发电机组的发电机与主轴进行连接的核心部件之一，它最主要的作用就是提高风力发电机主轴的转速，并令其满足整体发电机工作的需求。在齿轮箱零部件中，由于风力发电机组对于转速的要求较高，齿轮箱内部的转轴和齿轮十分容易产生损耗，这种损耗主要来自于以下几个方面：第一种就是风力发电机组在正常运行中的管齿轮损耗，齿轮是有使用寿命的，一旦润滑系统出现异常或者风力发电机组工作时所需要的转速过高，都会导致齿轮箱的工作异常，进而缩减齿轮箱的使用寿命。在第二种情况中，齿轮箱主要受到的是恶劣的自然环境所带来的问题。上文提及叶片零部件带来的载荷对于整个风力发电机组而言都是巨大的冲击，在发电机组中，齿轮箱所收到的冲击令齿轮发生表面磨损等故障，加剧了齿轮箱的损耗率，降低了齿轮箱的使用寿命[3]。但是和叶片零部件不同，齿轮箱部件虽然发生故障的频次没有直接面对风速的叶片零部件多，但其产生的冲击力依旧不小，并且齿轮箱一旦发生故障，维修人员想要排查就需要耗费大量的精力，更换和维修更不是一件容易的事情。在风力发电机组的科学技术不断发展的过程中，研究人员对于齿轮箱的损耗已经有了简单的分析方法：通过对于齿轮箱传递出来的震动信号以及转速进行捕捉和分析，再结合润滑油的温度等辅助信息共同在计算机上诊断正在工作中的齿轮箱是否发生故障。

三、如何对风力发电机组产生的故障进行预测

在目前我国的风力发电机组中，上文所述的故障仅仅占据了一小部分，无论是发电机组的发电机还是变压器等零部件都有可能造成风力发电机组的故障，这些故障同样会耗费维修人员大量的时间与精力进行维修排查，对于发电厂而言，维修排查过程中的经济损失也是一笔不小的数目。因此，如何对于风力发电机组存在的问题进行故障检测，并对其故障进行正确的预判就成为了发电厂和维修人员、研究学者需要共同解决的问题之一，对此本文也有如下研究：

1、正确捕捉风力发电机组的信号情况，对于出现的信号异常进行分析与跟踪。在风力发电机组工作时，振动、声发射以及应力等多种信号参数都能够被现在的检测仪器所捕捉到，因此对于这些发电机组信号，维修人员需要认真研究并进行分析和跟踪，将这些信号应用到风力发电机组的故障预测中来。目前我国已经投入使用并占据一定的市场份额的风力发电机组的健康监测系统就是以这些信号为基础进行研究以及分析跟踪的，这套风力发电机组的健康监测系统在风力发电机组安装之前就需要施工人员在能够释放信号的关键部分进行相关的检测仪器的安装，并通过相关的数据采集系统以及移动互联网技术进行信号采集。对于风力发电机组而言，其自身由于处在高空之中，无法正常、稳定的向地面传递信号，再加上这些信号采集装置是安装在齿轮箱等零部件周围的，齿轮箱的正常损耗也不可避免的会引发这些数据采集装置的损耗，导致数据的测量结果不准。不准的数据对于发电厂的维修人员而言，不仅没有实际应用价值，还会发生简单轻信数据导致的误判情况。因此，研发人员对于一种低成本、高信号强度、高材料密度以及抗腐蚀能力的风力发电机组健康监测系统势在必行，对于这些风力发电机组所传导的信号的具体检测与分析也是帮助维护人员节约时间与精力、帮助企业节约成本的解决方式之一。

2、对于风力发电机组的运行模式进行一定的分析与整理并在此基础上进行故障预测。在这类风力发电机组的故障检测中，监测系统主要是根据风力发电机组在运行过程中会传递出一组在时域、频域、时频域上构建一组高维的统计特征来分析风力发电机组是否在正常运行。这类监测系统不仅应用到了风力发电机组的各类信号传导，更应用到了目前最先进的人工智能AI分析技术。在这类检测系统中，对于风力发电机组的统计特征的分析主要由机器学习的方法来进行相关信息的融合以及分类和可视化，并进而通过人工智能AI系统对风力发电机组是否在正常运行进行研究分析与故障预测。在研究领域，对于这类的监测系统主要通过对于高维流行的拓扑结构的无监督分类分析来进行轴承故障特征的提取，并对于类似的故障进行分类，提取故障的相同点进行分析整理。

在这种风力发电机组的健康运行监测系统中，研究人员有不同的具体优化方法：部分研究人员认为以拉普拉斯特征为基础的算法能够有效地诊断风力发电机组的故障，并在最大程度的保留风力发电机组运行时传递过来的疑似故障信号，将信号的内容通过降维等方式进行破解和分析，对于风力发电机组是否出现问题、在哪个零部件出现问题进行具体的分析。另一部分研究人员则是通过局部切空间优化的方法对于风力发电机组的故障预测进行基于非线性流形学习的故障诊断。对于我国而言，目前发电厂所采取的风力发电机组的故障诊断及预测方法主要采用了两种不同的观念，由无监督和监督模式并行的方法来进行相关的故障检测，这类方法虽然能够全面的对风力发电机组出现的故障进行分析和监测，但是在具体的实践中该监测方法操作复杂，所包含的各种算法对于计算机软件系统以及硬件的要求较高，并非每个发电厂都能应用。因此，在风力发电机组的故障检测中，我国研究人员未来的发展方向就是以无监督与监督并存的故障分析为基础，在进行实地实践中不断地排查监测系统出现的问题，并对其算法进行相关的优化，尽可能的保留风力发电机组所传递过来的数据，并对于这些数据进行相关的分析备份，但在监测系统运行过程中，也应当尽可能的优化计算机系统的运行过程，保证其顺利进行风险预测。

四、结束语

我国的风能发电一直是清洁能源的重点内容之一，而如何做到保证风能发电的稳定性，则需要风力发电机组的正常运行。目前我国的风力发电机组虽然能够拥有较大的风能转化效率，但是在具体的实践中却经常遭到发电机组故障需要维护人员进行排查以及故障维修的状况。想要解决这些问题就必须建立起一套标准的、有体系的且适宜推广的风力发电机组的健康监测系统，通过该系统来对风力发电机组进行故障预测。

参考文献：

[1]模拟电路故障预测与健康管理的关键技术研究[D].合肥工业大学,2018.

[2]陈保家,刘浩涛,聂凯,等.基于EWT和SVD技术的齿轮故障诊断方法研究[J].三峡大学学报(自然科学版),2018,40(1):80-85.

[3]宿忠娥,祁建宏,效迎春.数据挖掘技术在风力发电机组故障诊断中的应用与研究[J].自动化与仪器仪表,2018(2):13-15.