摘要：随着全球能源危机的加剧，可再生能源“风能”得到了迅猛的发展。就我国发展而言，风力发电机组的装机容量增长迅速，却因为故障的频发降低了风能的利用率。为了确保风电机组的可靠运行，风电机组的故障诊断与预测技术就引起来人们的广泛关注。本文对风力发电机组故障诊断与预测技术做了具体阐述说明。
关键词：风力发电机组；故障诊断与预测；技术研究
1故障诊断与故障预测分析与分类
故障诊断和预测的目的是要及时隔离导致系统故障的组件或子组件，使系统免于故障的产生。故障诊断的一般顺序为故障信息生成、故障假设生成、故障假设鉴别。
故障预测与故障诊断的最主要区别在于故障发生的先后顺序不同，此外，两者的方法和技术是相通的，可将可能发生的潜在故障视为故障来进行诊断分析。当前基于数据驱动的故障预测技术可分为两类：基于历史数据的故障辨识模型和基于实时数据的故障判别模型。以基于数据采集与监视控制系统的数据为例，可根据其历史故障运行数据对已发生故障的信息进行挖掘，以此建立辨识模型；也可根据其历史正常运行数据估计该时刻正常运行数据，通过估计值与实际测量的监测值进行残差分析，根据阈值建立判别模型。故障诊断技术主要应用于故障已经发生的情况，需采用故障数据进行诊断，确定故障类型与故障原因。
2风力发电机组的故障诊断技术分析
2.1基于振动信号的故障诊断技术
基于振动信号的针对风力发电机组中叶片、齿轮箱、轴承等关键部件的监测与故障诊断方法在我国已经非常成熟。科研人员根据风电机组的故障特点，利用小波神经网络方法对风电机组齿轮箱进行故障诊断，主要是针对风电机组的微弱故障信号，根据集平稳子空间分析的信号分析以及连续的小波变化，总结出风电机组齿轮箱的故障特征。利用谱峭度可以诊断行星齿轮箱的故障，基于频率解调方法识别行星齿轮箱的故障情况，再对风电机组振动信号进行降噪，运用流行学习算法对风电机组的早期微弱故障进行诊断。另外，对叶片故障的诊断，是通过分析对压电陶瓷传感器监测到的振动信号完成的。
2.2基于电气信号的故障诊断方法
相对于振动信号，电气信号中与故障相关的内容往往比较弱，还时常被电机固有的电气信号等噪声掩盖。因此，要运用先进的技术，在电气信号中找出与故障相关的部分，再结合电机、转子动力学等模型，总结出风电机组的故障。电机的动力学模型可以展示出电流信号与电机系统的扭矩波动之间的关系，利用模型可以仿真分析齿轮箱故障与电流信号的关联，从而找出齿轮箱的电机传动系统的故障所在。然后，利用维纳滤波滤去除电流信号的噪声，通过分析统计过程控制图可以对电机轴承故障做到早期诊断。根据轴承故障的特点，明确地判断轴承的不同故障。
直流无刷电机的转子故障，可以利用加窗Fourier变换以及Wigner-Ville分布，通过分析动态的电流信号进行诊断。专家们利用同步采样方法，从电流信号中分析出故障特征，利用关联维数分析，可以完成风电机组不同故障的定量分析。
电机的定子匝间短路故障的诊断，是通过选取隐马尔可夫模型的阶次，建立HMM故障诊断模型完成的。
齿轮的故障诊断，可以应用调制信号双谱分析法完成。
对转子断条电机和偏心故障的诊断要求的精度相当高，利用Hilbert模量频谱分析，进行仿真实验可以实现。另外，以谱峭度法为依据，再结合利用Hilbert分析方法，可以有效地识别单一的、混合式的电机故障。
期刊文章分类查询,尽在期刊图书馆
2.3基于模式识别法的故障诊断技术
基于模式识别法的故障诊断，即分析风电机组的多元化信号，在时域、频域或时频域上构建一套高维模型，进行特征的融合、降维和分类，继而进行可视化分析，得出故障特征。轴承的故障特征，可以通过对重构的高维结构进行分类分析提取，故障诊断包括以下方法：（1）基于拉普拉斯特征的映射算法，可以保留故障信号的整体几何结构，提取出内在的流形特征，用于装备的故障诊断；（2）基于非线性流形学习方法，在局部空间优化的基础上可以实现滚动轴承的故障诊断，还可以应用新的聚类算法；（3）采取线性判别分析方法，可以对电机轴承的粗糙度故障以及点故障进行诊断。
3风力发电机组轴承振动检测
风力发电机组轴承的振动检测包括现场数据的采集以及振动信号的预处理，采集的数据必须通过传感器以固定的格式进行存储，并且通过计算机手段对信息进行处理以及分析，这样可以判断出故障所在。通常我们在采集数据时受外界的干扰因素很多，因此传感器的选取是重中之重。本节主要对振动传感器的构成及市场上两种常见的传感器做详细介绍。
振动传感器的主要任务是采集振动信号并存储任务，一般由电源、滤波器、模/数转换器、CPU组成，通过传感器的震动，可以将这些震动信息转换成电信号，经过滤波然后通过模/数转换器将电信号转换成数字信号，这些信号将传输给计算机进行处理，这样我们就可以得到自己想要的结果了。
电源：是为整个系统提供恒定的4mA能源，为整个传感器系统提供动力。
滤波器：滤波器的主要作用是去掉偏置电压，调制输入信号，将信号源振幅控制在-5V~+5V范围内，频率变为0~90kHz。
CPU：它是由MCU和DPS共同组成，他们之间通过双口RAM来实现信息的交换。MCU是数据的采集工以及系统的协调工，DSP则对终端数据进行处理与运算。
目前，市场上常见的压电式传感器主要有IEPE传感器和ICP传感器两种，现作以下详细介绍。
3.1 IEPE振动传感器
IEPE振动传感器实际是一种加速度传感器，它可以对电量进行放大。加速度传感器一般产生的电量较弱，当有其他因素对其干扰时很难扑捉到，所以我们要将其电量进行放大，从而得到质量较好的信号源。IEPE振动传感器就是集成了电信号放大器，具有较强的抗干扰能力，同时IEPE还带有一个恒流源，可以为加速度传感器提供恒定的电流，市场上生产的一般为额定电流4mA。传感器内部电路相当于一个电阻，我们知道电阻的大小和传感器的加速度之间是成正比例关系的，所以我们看到的传感器返回的信号电压和加速度也就成正比。放大器的输入范围可以根据实际需要自行设定。
3.2 ICP加速度传感器
将压电传感器和电荷放大器两者进行集成，这样就组成了ICP加速度传感器，同时具有较高的精度与可靠性。内部采用的隔离剪切技术可以对各个部分进行隔离，且ICP传感器的输出是简单的两线制，电流激励线加地线，因此具有更优的抗干扰能力，而且设计简便，使用可靠。
结论：综上所述，目前以及日后对风电机组的故障诊断技术与预测技术的需求颇大，为了风电事业的健康发展，政府部门需要加大投资力度，进一步地研究与开发风电发电机组的故障诊断与预测技术，推进一系列科学的在线监测系统。
参考文献：
[1]梁颖，方瑞明.基于SCADA和支持向量回归的风电机组状态在线评估方法[J].电力系统自动化，2013，37（14）：7-12+31.
[2]刘敬智，宋鹏，白恺，等.风力发电机组故障预测技术研究[J].华北电力技术，2016（12）：49-54.
[3]梁颖，方瑞明.基于SCADA和支持向量回归的风电机组状态在线评估方法[J].电力系统自动化，2013，37（14）：7-12，31.
[4]时培明，梁凯，赵娜，等.基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J].中国机械工程，2017，28（9）：1056-1061，1068.
论文作者:敖雪
论文发表刊物:《电力设备》2018年第18期
论文发表时间:2018/10/18
标签：故障论文; 传感器论文; 故障诊断论文; 信号论文; 齿轮箱论文; 机组论文; 风电论文; 《电力设备》2018年第18期论文;