風(fēng)電機(jī)組在線智能故障診斷技術(shù)發(fā)展趨勢

杜勝磊， 高慶水， 潘巧波， 鄧小文， 張 楚， 馮永新

(廣東電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，廣州 510080)

風(fēng)電機(jī)組在線智能故障診斷技術(shù)發(fā)展趨勢

杜勝磊， 高慶水， 潘巧波， 鄧小文， 張 楚， 馮永新

(廣東電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，廣州 510080)

總結(jié)了風(fēng)電機(jī)組及風(fēng)電場常見的故障類型以及故障分析理論，并針對風(fēng)電機(jī)組故障診斷系統(tǒng)的分散性，提出風(fēng)電機(jī)組故障診斷技術(shù)今后的發(fā)展方向，即對現(xiàn)有單一風(fēng)場分散的監(jiān)控與管理系統(tǒng)進(jìn)行整合，通過異構(gòu)數(shù)據(jù)的采集、存儲及管理技術(shù)，建立統(tǒng)一完整的實時和歷史數(shù)據(jù)庫。基于完整的風(fēng)電場統(tǒng)管數(shù)據(jù)庫，開發(fā)風(fēng)電機(jī)組各個重要子系統(tǒng)的在線監(jiān)測系統(tǒng)，進(jìn)而整合優(yōu)化，實現(xiàn)基于數(shù)據(jù)融合方法的具有自學(xué)習(xí)能力的風(fēng)電場智能專家故障預(yù)測。

風(fēng)力發(fā)電；齒輪箱；故障預(yù)測；故障診斷；智能化

隨著環(huán)境問題、能源危機(jī)的日益突出，以風(fēng)電、光伏等為代表的可再生清潔能源的裝機(jī)容量占電力系統(tǒng)的比重不斷增加。全球風(fēng)能理事會發(fā)布的統(tǒng)計數(shù)據(jù)表明，全球風(fēng)電新增裝機(jī)容量63.0 GW，其中中國新增30.5 GW，總規(guī)模達(dá)到432.4 GW。另外，隨著風(fēng)電機(jī)組單機(jī)容量的不斷增長以及風(fēng)電場規(guī)模的日益擴(kuò)大，風(fēng)電系統(tǒng)的結(jié)構(gòu)變得越來越復(fù)雜，不同組件間耦合更加緊密，一個微小的缺陷可能引發(fā)災(zāi)難性的大故障，造成機(jī)組停機(jī)，甚至導(dǎo)致機(jī)組部件的損壞，給企業(yè)帶來巨大的經(jīng)濟(jì)損失[1]。相對于傳統(tǒng)火電機(jī)組，風(fēng)電機(jī)組單機(jī)容量較小，風(fēng)電場一般由數(shù)十甚至數(shù)百臺機(jī)組構(gòu)成，且分布比較分散，一般分布在環(huán)境條件惡劣的內(nèi)陸荒漠、沿海灘涂，這一系列的特點給運行、檢修及故障分析都帶來較大的困難。

傳統(tǒng)的風(fēng)電場檢修維護(hù)方式，常出現(xiàn)故障時間與計劃檢修時間不同步問題。檢修前出現(xiàn)故障，不得不采用故障停機(jī)，給風(fēng)場發(fā)電量帶來較大的影響。另外，達(dá)到檢修周期時，系統(tǒng)依然運行良好，如仍按計劃停機(jī)維護(hù)，會造成了人力、物力的極大浪費，即“維修過度”問題[2]。因此，對風(fēng)電場實施狀態(tài)監(jiān)測并智能化地對機(jī)組所出現(xiàn)的異常狀況在線分析及故障診斷，將會使風(fēng)電場的運行維護(hù)更加高效、經(jīng)濟(jì)。

基于此，本文從國內(nèi)的風(fēng)電場運維、故障診斷的現(xiàn)狀出發(fā)，總結(jié)現(xiàn)行風(fēng)電系統(tǒng)主要發(fā)生的故障類型，以風(fēng)電場智能化運維需求為導(dǎo)向，提出符合風(fēng)電場未來運維要求的在線智能故障診斷技術(shù)的發(fā)展方向，旨在縮短風(fēng)電機(jī)組的故障維修時間，提高風(fēng)電場的可用率，為風(fēng)電運營商提供風(fēng)電場的運行優(yōu)化與智能化管理、少人或無人值守管理、設(shè)備與運維人員的集約化管理，幫助運營商實現(xiàn)智能、高效、低成本運營。

1 風(fēng)電機(jī)組的主要故障類型

目前國內(nèi)外已投產(chǎn)的風(fēng)電機(jī)組多為齒輪箱升速型，主要由風(fēng)力機(jī)、齒輪箱、變槳系統(tǒng)、發(fā)電機(jī)、偏航系統(tǒng)、變頻系統(tǒng)、主控系統(tǒng)、液壓系統(tǒng)等幾部分子系統(tǒng)組成。每個子系統(tǒng)由若干的零部件構(gòu)成，其中故障主要集中在齒輪箱、發(fā)電機(jī)、變頻裝置以及風(fēng)輪葉片等關(guān)鍵部件。

1.1 齒輪箱故障

齒輪箱是風(fēng)電系統(tǒng)中故障率最高的部件，且造成停機(jī)時間較長，包含齒輪、滾動軸承和軸等部件，其常見的故障主要為齒輪和滾動軸承的故障[3]。近年來，新投產(chǎn)風(fēng)電機(jī)組普遍都配備了振動監(jiān)測系統(tǒng)。當(dāng)齒輪或滾動軸承存在局部缺陷時，其振動信號中含有豐富的信息。通過有效提取信號的特征，一般可以較為準(zhǔn)確地診斷出缺陷種類及所處的部位。常用的時頻分析方法有傅里葉變換、小波變換[4]、Hilbert-Huang變換[5]等，將其與基于神經(jīng)網(wǎng)絡(luò)方法、人工智能技術(shù)以及專家系統(tǒng)的學(xué)習(xí)與分類能力相結(jié)合，可實現(xiàn)對齒輪箱故障的快速準(zhǔn)確的智能化診斷[6-7]。

1.2 發(fā)電機(jī)故障

目前風(fēng)電系統(tǒng)采用的發(fā)電機(jī)型主要有雙饋異步電發(fā)機(jī)、籠型異步發(fā)電機(jī)和永磁同步電發(fā)機(jī)。由于承載發(fā)電機(jī)的機(jī)艙處于幾十米的高空，發(fā)電機(jī)長期運行于交變工況和惡劣的電磁環(huán)境中，極易發(fā)生故障。常見的故障有軸承故障、短路故障、轉(zhuǎn)子偏心故障等[8-10]。當(dāng)發(fā)電機(jī)由正常狀態(tài)衍化到故障狀態(tài)時，會引發(fā)某些電量和非電量的變化。其中電量信號主要有電流、電壓、輸出有功功率、電磁力矩等[11]，而非電量主要為振動信號。發(fā)電機(jī)的故障診斷正是以這些反映電機(jī)運行狀態(tài)的物理量信號的變化為依據(jù)，通過相應(yīng)監(jiān)測設(shè)備獲取電量或非電量信號，采用先進(jìn)有效的信號處理技術(shù)，最終提取出反映發(fā)電機(jī)故障種類以及故障嚴(yán)重程度的特征信息。

1.3 電力電子裝置故障

并網(wǎng)風(fēng)電機(jī)組一般通過變頻器接入電網(wǎng)，從而實現(xiàn)在環(huán)境風(fēng)速變化的情況下，也可以向電網(wǎng)輸送高質(zhì)量電能。所不同的是：永磁直驅(qū)式風(fēng)力發(fā)電機(jī)是定子側(cè)通過變頻器接入電網(wǎng)的；雙饋式風(fēng)力發(fā)電機(jī)是轉(zhuǎn)子側(cè)通過變頻器接入電網(wǎng)的，定子側(cè)直接與電網(wǎng)相連。變速恒頻式風(fēng)力發(fā)電機(jī)，尤其是雙饋式風(fēng)力發(fā)電機(jī)在電網(wǎng)發(fā)生故障時容易導(dǎo)致風(fēng)力發(fā)電機(jī)機(jī)端電壓跌落，造成發(fā)電機(jī)定子電流增加進(jìn)而導(dǎo)致轉(zhuǎn)子電流的增加，極易導(dǎo)致風(fēng)電機(jī)組變頻裝置的功率元器件損壞。功率元件的故障信息主要通過開路故障反映，常用小波分析的方法提取變頻裝置故障狀態(tài)下電路響應(yīng)中所包含的有效故障特征信息，并結(jié)合神經(jīng)網(wǎng)絡(luò)方法對故障進(jìn)行分類和嚴(yán)重程度的判斷[12-13]。此外故障樹、專家系統(tǒng)等基于人工智能和專家系統(tǒng)等先進(jìn)故障診斷方法在變頻器功率元件的故障診斷上也有初步的應(yīng)用。

1.4 葉片故障

葉片是風(fēng)電機(jī)組最基礎(chǔ)和最關(guān)鍵的部分，長期承受風(fēng)帶來的交變沖擊載荷作用，是受力最復(fù)雜的部件之一，運行過程中各種激振力通過葉片傳遞出去。實際中常用有限元分析法建立風(fēng)電機(jī)組的動力學(xué)模型，通過計算與模態(tài)分析獲得其固有頻率和振型等信息，并通過觀測固有頻率變化反映葉片的裂紋等故障特征，依此達(dá)到對風(fēng)機(jī)葉片故障的檢測與診斷識別的目的[14]。

2 風(fēng)電機(jī)組故障分析的理論基礎(chǔ)

故障診斷技術(shù)是以運行狀態(tài)監(jiān)測和故障診斷為基礎(chǔ)的設(shè)備狀態(tài)維修，使得設(shè)備由預(yù)防性維修向預(yù)知性維修，由“到期必修”向“該修就修”模式發(fā)展，很大程度上提高了設(shè)備運行效率和可靠性。經(jīng)過幾十年的發(fā)展，故障診斷技術(shù)歷經(jīng)三個主要階段，從依靠檢修人員的個人經(jīng)驗和簡易測量工具，到融合傳感器技術(shù)及數(shù)字信號處理等方法，進(jìn)而發(fā)展到智能化故障診斷。目前，大型風(fēng)電機(jī)組故障分析方法主要有布爾理論、馬爾科夫理論、故障樹分析法(Fault Tree Analysis，F(xiàn)TA)、故障模式及后果分析法(Failure Mode and Effect Analysis，F(xiàn)MEA)、故障模式后果與嚴(yán)重度分析法(Failure Mode Effects and Criticality Analysis，F(xiàn)MECA)等，其中FTA、FMEA和FMECA在工程中應(yīng)有著較為廣泛的應(yīng)用[15]。

故障樹分析法最早在1961年由美國貝爾實驗室提出并應(yīng)用于導(dǎo)彈發(fā)射系統(tǒng)的質(zhì)量控制。經(jīng)過長期發(fā)展，F(xiàn)TA在機(jī)械系統(tǒng)可靠性、安全性分析和風(fēng)險評估等方面得到了廣泛應(yīng)用。FTA是一種將系統(tǒng)故障形成的原因，由總體至部分按樹枝狀逐級細(xì)化的圖形演繹方法。通過對可能造成系統(tǒng)故障的各種因素(包括軟硬件、環(huán)境、人為因素等)進(jìn)行分析，繪制出故障樹，再對系統(tǒng)發(fā)生的故障事件，由總體至部分按樹枝狀逐級細(xì)化，判明系統(tǒng)故障原因，確定故障發(fā)生的概率，評價引發(fā)系統(tǒng)故障的各種因素的相關(guān)程度。王斌[16-17]等分別運用FTA對風(fēng)電機(jī)組齒輪箱和風(fēng)機(jī)葉片的故障診斷進(jìn)行了較為深入的探索。但目前故障樹分析法主要作為定性分析，由于缺乏基礎(chǔ)數(shù)據(jù)的積累，該方法還難以實現(xiàn)定量診斷。

故障模式及后果分析，也稱為失效分析，是工程上常用的可靠性分析方法。它是在產(chǎn)品設(shè)計和加工過程中，以產(chǎn)品的元件、零件或系統(tǒng)為分析對象，通過工作人員的邏輯思維分析，預(yù)測結(jié)構(gòu)元件或零件生產(chǎn)裝配中可能發(fā)生的問題及潛在的故障，研究故障的原因以及對產(chǎn)品質(zhì)量造成的影響程度，提出可以采取的預(yù)防控制措施，以提高產(chǎn)品質(zhì)量和可靠性。FMEA主要包括故障模式分析、故障原因分析、故障影響分析、故障檢測方法分析與補償措施分析等步驟。孟繁超[18]利用FMEA方法對大型風(fēng)力發(fā)電機(jī)組的各主要組成部分進(jìn)行分析，并給出故障模式及后果分析報表，依此開發(fā)了風(fēng)電機(jī)組齒輪箱溫度監(jiān)測及管理系統(tǒng)。

故障模式、后果和嚴(yán)重度分析是在FMEA分析工作的基礎(chǔ)上增加了嚴(yán)重度分析，即FMECA=FMEA+CA。由于FMECA和FMEA的方法、步驟較為類似，嚴(yán)重度分析是對FMEA的補充和擴(kuò)展，其目的是按每一故障模式的嚴(yán)重度類別及故障模式的發(fā)生概率所產(chǎn)生的影響對其劃等分類，以便全面地評價各種可能出現(xiàn)的故障模式產(chǎn)生的影響。故障的嚴(yán)重度是CA的主要技術(shù)指標(biāo)，其概念為產(chǎn)品工作期間內(nèi)某一故障模式的發(fā)生次數(shù)與期間內(nèi)發(fā)生所有故障次數(shù)的比值。FMECA方法一般將故障的嚴(yán)重度等級劃分為五級：經(jīng)常發(fā)生、有時發(fā)生、偶然發(fā)生、很少發(fā)生、極少發(fā)生。此外，故障的嚴(yán)重度也可分為四級：災(zāi)難性的、嚴(yán)重的、一般的和次要的。孫惢[19]利用FMECA對風(fēng)電機(jī)組傳動系統(tǒng)進(jìn)行分析，找出傳動系統(tǒng)的失效模式、失效原因，并根據(jù)風(fēng)險優(yōu)先數(shù)法進(jìn)行危害性分析，得到對系統(tǒng)影響較大的失效模式。

也有專家學(xué)者采用其他方法對風(fēng)電機(jī)組的某些特定的故障點進(jìn)行分析與判斷，并實現(xiàn)了故障診斷系統(tǒng)的開發(fā)。李鋒[20]采用流形學(xué)習(xí)維數(shù)化簡理論開展了風(fēng)電機(jī)組傳動系統(tǒng)智能故障診斷方法研究，孫自強(qiáng)[21]采用混沌分形理論對大型風(fēng)電機(jī)械故障尤其是傳動故障進(jìn)行了診斷研究。通過上述故障分析理論所開發(fā)的各類型、各子系統(tǒng)的故障分析系統(tǒng)或軟件主要針對風(fēng)電機(jī)組某一具體部件或類型。SKF公司針對風(fēng)電機(jī)組的狀態(tài)監(jiān)測系統(tǒng)WindCon目前也只具備簡易的信號分析及故障預(yù)警、報警功能，缺乏精準(zhǔn)的故障診斷技術(shù)。由于風(fēng)電場的復(fù)雜性導(dǎo)致其故障類型多變，單一、分散的故障診斷系統(tǒng)缺乏對風(fēng)電場運行與維護(hù)的全面指導(dǎo)，且各個子系統(tǒng)所采集的數(shù)據(jù)類型和時間維度也往往是異構(gòu)的，這給綜合分析風(fēng)電機(jī)組及風(fēng)電場的運行狀態(tài)帶來了很大的困難。因此，針對風(fēng)電場故障的在線智能化診斷技術(shù)亟需進(jìn)一步深入研究和開發(fā)。

3 在線智能故障分析的發(fā)展方向

本文基于風(fēng)電場故障診斷技術(shù)的發(fā)展現(xiàn)狀和存在的不足，結(jié)合現(xiàn)有先進(jìn)技術(shù)以及風(fēng)電場運行維護(hù)經(jīng)驗的不斷完善和基礎(chǔ)數(shù)據(jù)的不斷增加，提出下一步風(fēng)電場在線智能故障診斷技術(shù)的發(fā)展方向。完整和正確的數(shù)據(jù)采集是后續(xù)狀態(tài)分析和故障診斷的基礎(chǔ)。因此，在今后的集中監(jiān)控技術(shù)研究中，應(yīng)將風(fēng)電機(jī)組SCADA系統(tǒng)、升壓站綜合自動化系統(tǒng)、風(fēng)功率預(yù)測系統(tǒng)、AGC/AVC能量管理系統(tǒng)、生產(chǎn)管理系統(tǒng)等現(xiàn)有分散監(jiān)控與管理系統(tǒng)進(jìn)行整合。采取不同時間尺度的異構(gòu)數(shù)據(jù)采集技術(shù)、防止數(shù)據(jù)丟失的數(shù)據(jù)隊列技術(shù)以及不同時間尺度的異構(gòu)數(shù)據(jù)的統(tǒng)一存儲技術(shù)，建立以風(fēng)電機(jī)組關(guān)鍵部件的振動在線監(jiān)測數(shù)據(jù)、油液在線監(jiān)測數(shù)據(jù)、葉片在線監(jiān)測、離線點檢數(shù)據(jù)、風(fēng)電場的環(huán)境監(jiān)測數(shù)據(jù)等為基礎(chǔ)的統(tǒng)一實時和歷史數(shù)據(jù)庫，確保風(fēng)電場實時數(shù)據(jù)的完整性和正確性。進(jìn)而，基于各類異構(gòu)數(shù)據(jù)的統(tǒng)一管理技術(shù)，將實時數(shù)據(jù)庫和歷史數(shù)據(jù)庫與統(tǒng)一的風(fēng)電設(shè)備健康狀態(tài)數(shù)據(jù)庫相結(jié)合，建立風(fēng)電場統(tǒng)管數(shù)據(jù)庫?；陲L(fēng)電場統(tǒng)管數(shù)據(jù)庫，開發(fā)風(fēng)電場場群的集中監(jiān)控與管理技術(shù)，實現(xiàn)不同供應(yīng)商的各類設(shè)備的集中監(jiān)控與管理，實現(xiàn)風(fēng)電場場群的狀態(tài)監(jiān)測、運維調(diào)度和生產(chǎn)運營的統(tǒng)一管理。具體的技術(shù)路線如圖1所示。

在風(fēng)電場場群的實時監(jiān)測、運維管理和生產(chǎn)運營的統(tǒng)一管理基礎(chǔ)上，下一步的工作即是開發(fā)重要子系統(tǒng)的在線監(jiān)測系統(tǒng)，如齒輪箱磨損狀態(tài)監(jiān)控、葉片表面狀態(tài)監(jiān)控等。以齒輪箱磨損狀態(tài)監(jiān)控為例，通過對齒輪摩擦副的摩擦、磨損、潤滑與潤滑油劣化特征的研究，尋求對齒輪油運動粘度、油中水含量、介電常數(shù)、溫度、磨損烈度指數(shù)等多參數(shù)的集成式實時在線檢測方法，從而系統(tǒng)地建立風(fēng)電機(jī)組齒輪箱潤滑磨損在線監(jiān)測體系，其技術(shù)路線如圖2所示。

圖1 風(fēng)電設(shè)備的實時狀態(tài)統(tǒng)一集中監(jiān)控的技術(shù)路線

圖2 潤滑磨損在線監(jiān)測技術(shù)路線

圖3 風(fēng)電場故障預(yù)測技術(shù)路線

風(fēng)電場故障預(yù)警技術(shù)的實現(xiàn)，有利于運維人員工作職責(zé)的原子化、遠(yuǎn)程化和信息化，實現(xiàn)風(fēng)電場維護(hù)的智能化和簡易化，最終達(dá)到風(fēng)電場的安全、穩(wěn)定、高效運行，如圖3所示。

4 結(jié) 語

本文總結(jié)了風(fēng)電機(jī)組齒輪箱、發(fā)電機(jī)等重要零部件的常見故障類型以及常用的故障分析理論，并針對風(fēng)電場風(fēng)電機(jī)組故障診斷系統(tǒng)的分散性，提出了風(fēng)電機(jī)組故障診斷的發(fā)展方向。對單風(fēng)場現(xiàn)有分散的監(jiān)控與管理系統(tǒng)進(jìn)行整合，通過異構(gòu)數(shù)據(jù)采集技術(shù)、數(shù)據(jù)隊列技術(shù)以及異構(gòu)數(shù)據(jù)存儲技術(shù)，建立統(tǒng)一的實時數(shù)據(jù)庫和歷史數(shù)據(jù)庫，確保風(fēng)電場實時數(shù)據(jù)的完整性和正確性。基于完整的風(fēng)電場統(tǒng)管數(shù)據(jù)庫，開發(fā)各個重要子系統(tǒng)的在線監(jiān)測系統(tǒng)，最終實現(xiàn)基于數(shù)據(jù)融合方法的具有自學(xué)習(xí)能力的風(fēng)電場智能化專家故障預(yù)測，為風(fēng)電場的安全穩(wěn)定運行提供可靠保證。

[1] 沈艷霞，李帆．風(fēng)力發(fā)電系統(tǒng)故障診斷方法綜述[J]. 控制工程，2013，20(5): 789-795. SHEN Yanxia，LI Fan．A survey of diagnosis methods for wind power system[J]. Control Engineering of China，2013，20(5): 789-795.

[2] 楊明明．大型風(fēng)電機(jī)組故障模式統(tǒng)計分析及故障診斷[D]. 北京: 華北電力大學(xué)，2009. YANG Mingming. Fault mode statistie & analysis and failure diagnosis of large-scale wind turbines[D]. Beijing: North China Electric Power University, 2009.

[3] 潘巧波，劉楊．雙饋風(fēng)電機(jī)組油溫超限運行的控制策略[J]. 黑龍江電力，2015，37(4): 360-363. PAN Qiaobo, LIU Yang. Control strategy for doubly-fed wind turbine units operation under over-standard ooil temperature[J]. Heilongjiang Electric Power, 2015, 37(4): 360-363.

[4] 郜立煥，張利娜，朱建國, 等．基于小波分析的齒輪箱振動信號消噪處理[J]. 機(jī)械傳動，2010，34(3): 50-52. GAO Lihuan，ZHANG Lina，ZHU Jianguo，et al. Gearbox vibration signal de-noising processing based on wavelet analysis[J]. Journal of Mechanical，2010，34(3): 50-52.

[5] HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition the Hilbert spectrum for non-liner non-stationary time series analysis[J]. Proceedings of the Royal Society of London Series A，1998，454(21): 903-995.

[6] 李永龍，邵忍平，薛騰．基于小波神經(jīng)網(wǎng)絡(luò)的齒輪系統(tǒng)故障診斷[J]. 航空動力學(xué)報，2010，25(1): 234-240. LI Yonglong，SHAO Renping，XUE Teng．Gear fault diagnosis based on wavelet and neural network[J]. Journal of Aerospace Power，2010，25(1): 234-240.

[7] 冷軍發(fā)，荊雙喜，吳中青．基于RBF神經(jīng)網(wǎng)絡(luò)的齒輪箱故障診斷[J]. 機(jī)械強(qiáng)度，2010，32(1): 12-20. LENG Junfa，JING Shuangxi，WU Zhongqing．Fault diagnosis for gearbox based on RBF neural network[J]. Journal of Mechanical Strength，2010，32(1): 12-20.

[8] 時維俊，馬宏忠．雙饋風(fēng)力發(fā)電機(jī)軸承的早期診斷[J]. 電力系統(tǒng)及其自動化學(xué)報，2012，24(6): 27-30. SHI Weijun，MA Hongzhong．Incipient bearing fault detection in DFIG-based wind turbines[J]. Proceedings of the CSU-EPSA，2012，24(6): 27-30.

[9] 魏書榮，符楊，馬宏忠．雙饋風(fēng)力發(fā)電機(jī)定子繞組匝間短路診斷與實驗研究[J]. 電力系統(tǒng)保護(hù)與控制，2010，38(11): 25-28. WEI Shurong，F(xiàn)U Yang，MA Hongzhong．Stator winding inter-turn short-circuit diagnosis and experimental research on doubly-fed wind generator[J]. Power System Protection and Control，2010，38(11): 25-28.

[10] WATSON S, XIANG B, YANG W, et al. Condition monitoring of the power output of wind turbine generators using wavelets[J]. IEEE Transactions on Energy Conversion，2010，25(3): 715-721.

[11] MCINERNY S, DAI Y.Basic vibration signal processing for bearing fault detection[J]. IEEE Transactions on Education，2003， 46(1): 149-156.

[12] 張曉波，張新燕，王維慶．用小波分析來判定風(fēng)力發(fā)電中電力電子的故障[J]. 電機(jī)技術(shù)，2008(5): 47-50. ZHANG Xiaobo，ZHANG Xinyan，WANG Weiqing．Fault analysis of power electronic devices in wind power system by means of wavelet analysis[J]. Electrical Machinery Technology，2008(5): 47-50.

[13] 張曉波，張新燕，王維慶．用神經(jīng)網(wǎng)絡(luò)對風(fēng)力發(fā)電中電力電子故障分析[J]. 華東電力，2008，36(7): 16-18. ZHANG Xiaobo，ZHANG Xinyan，WANG Weiqing．Fault analysis for power electronic equipment of wind power systems by using neural networks[J]. East China Electric Power，2008，36(7): 16-18.

[14] 徐玉秀，張承東．風(fēng)力機(jī)葉片應(yīng)變響應(yīng)分形特征及損傷識別研究[J]. 機(jī)械科學(xué)與技術(shù)，2009，28(1): 108-116. XU Yuxiu，ZHANG Chengdong．Strain response fractal characteristic and damage identification of a wind turbine blade[J]. Mechanical Science and Technology for Aerospace Engineering，2009，28(1): 108-116.

[15] 李鳳婷，晁勤．風(fēng)速變化的并網(wǎng)型風(fēng)電場故障分析[J]. 北京交通大學(xué)學(xué)報，2007，31(5): 105-109. LI Fengting，CHAO Qin．Fault analysis of wind farm connected to powersystem in varied wind [J]. Journal of Beijing Jiaotong University，2007，31(5): 105-109.

[16] 王斌，董興輝，劉浩, 等．基于故障樹的專家系統(tǒng)在風(fēng)電齒輪箱上的應(yīng)用[J]. 裝備制造技術(shù)，2011(10): 104-107. WANG Bin，DONG Xinghui，LIU Hao，et al．Application of expert system based on fault tree for wind gear box[J]. Equipment Manufacturing Technology，2011(10): 104-107.

[17] 周真，馬德仲，于曉洋, 等．模糊灰關(guān)聯(lián)分析方法在故障樹分析中的應(yīng)用[J]. 電機(jī)與控制學(xué)報，2012，16(3): 60-64. ZHOU Zhen，MA Dezhong，YU Xiaoyang，et al．Application of fuzzy grey relational analysis in fault tree analysis[J]. Electric Machines and Control，2012，16(3): 60-64.

[18] 孟繁超．大型風(fēng)力發(fā)電機(jī)組故障分析及齒輪箱溫度監(jiān)測系統(tǒng)研究[D]. 北京: 華北電力大學(xué), 2012. MENG Fanchao. Large scale wind turbine fault analysis and research of gear box temperature monitoring system[D]. Beijing: North China Electric Power University, 2012.

[19] 孫惢．風(fēng)力發(fā)電機(jī)傳動系統(tǒng)可靠性分析方法研究[D]. 沈陽: 東北大學(xué), 2011. SUN Suo. The method research of the raliability analysis of the wind generator transmission[D]. Shenyang: Northeastern University, 2011.

[20] 李鋒．基于流形學(xué)習(xí)的風(fēng)電機(jī)組傳動系統(tǒng)故障診斷方法研究[D]. 重慶: 重慶大學(xué), 2011. LI Feng. Research on methods of fault diagnosis for wind turbine transmision system based on manifold learning[D]. Chongqing: Chongqing University, 2011.

[21] 孫自強(qiáng)．基于混沌分形理論的大型風(fēng)電機(jī)械故障診斷研究[D]．沈陽: 沈陽工業(yè)大學(xué), 2013. SUN Ziqiang. Study on mechanical fault diagnosis of large-scale wind turbines based on chaos and fractal theory[D]. Shenyang: Shenyang University of Technoloy, 2013.

(編輯 陳銀娥)

Development trend of on-line intelligent fault diagnosis of wind turbines

DU Shenglei, GAO Qingshui, PAN Qiaobo，DENG Xiaowen, ZHANG Chu, FENG Yongxin

(Electric Power Research Institute of Guangdong Power Grid Co., Ltd., Guangzhou 510080，China)

The common fault types of wind turbines and wind farms and fault analysis theory are summed up, and in light of the dispersion of the wind turbines’ fault diagnosis system, the future development direction of wind turbines’ fault diagnosis technology was put forward. That is to integrate monitoring and management system in which the existing single wind farms distribute sparsely and establish a unified complete real-time and history database through heterogeneous data collection, storage and management technology. Based on the complete management database of wind farms, on-line monitoring system for wind turbines’ key subsystem is developed, and then integrated and optimized. It is to achieve fault prediction of wind farm intelligent expert with self-learning ability based on data fusion method.

wind power generation; gearbox; fault prediction; fault diagnosis; intelligence

2017-01-03。

國家科技支撐計劃項目(2015BAA06B02)。

杜勝磊(1985—)，男，工學(xué)博士，工程師，從事汽輪機(jī)、風(fēng)機(jī)等旋轉(zhuǎn)機(jī)械的故障診斷研究工作。

TM614

B

2095-6843(2017)02-0173-05