马清华
大唐向阳风电有限公司,吉林省长春市 130012
摘要：科学技术的发展迅速，我国的风力发电工程建设的发展也有了改善。风力发电机作为风力发电机组的“心脏”，其可靠性直接影响风力发电机组的可靠运行。国内早期投运的风力发电机，受制于早期设计及制造工艺水平，加之运行年限较长，导致故障频发。简单的维护维修无法从根本上解决故障隐患，而下塔维修改造成本较高，施工工期和停机时间较长。
关键词：风力发电机组；发电机前轴承故障预警；辨识
引言
由于对风力发电厂的设备和一些重要的关键部件了解不足，风力发电机组如果出现问题，就只能按照制定好的计划维修或者是在发现故障后进行维修。
1重要性
为应对气候变暖、环境污染等问题，全球能源消费正逐步迈入以清洁能源/可再生能源替代化石能源的“第三次工业革命”时代。风能是最重要的清洁能源之一，全球风能理事会在2020年3月25日发表的《全球风能报告》中指出，2019年全球新增装机容量60.4GW，累计装机容量达到650GW。据国家发展和改革委员会能源研究所预测，到2050年中国的风电装机容量将达到2400GW，占国内总装机容量的33.8%，大力发展风电等清洁能源是实现中国可持续发展战略的必然选择。发展风电、光伏等新能源的高效运维技术已成为当前电力系统面临的重要问题之一。
2风力发电机诊测时会出现的问题
为了解决问题，需要对机组的信息有更加全面的了解，例如每个部件的电压、电流、温度与振动情况等。通过风力发电机组状态监测和故障诊断系统，获取相关信息后，就可以根据检测结果，采取一些措施，便于实施维修计划。应用风力发电机组状态监测和故障诊系统，可以降低事故发生的概率，进而减少维修费，节约成本。机械故障和电气故障是在发电机运行过程中比较常见的故障。其中，机械故障的主要表现形式是转子质量不平衡故障、转子偏心故障、轴系不对中故障和发电机振动频率过高等。电气故障的主要表现形式是三相不平衡、绝缘损坏、线圈路短和气隙不均衡等。在风力发电机组中，风力发电机是很重要的一个部件，其运行状况会对整个风力发电机组造成影响。如果在工作中风力发电机产生故障就会影响整个工作的进度。所以，维护工作特别重要，可以防止故障的发生，从而节约成本。
1.1通过发电机振动、温度和转速等诊断机械故障
发电机输出的电流、电压和功率如果不一样，那就和发电机的机械故障有密切的关系。高频振动一般都是由轴承故障引起的。高频故障的转速很高，达到一千多，要想获得轴承故障特征信号，可以通过振动传感器来取得轴承振动信号，然后对这一信号进行处理，以此解决机械故障中的轴承故障。对轴承故障的诊断可以使用峰值能量法、包络解调法、小波分析法以及基于快速傅立叶变换的故障诊断法。振动频率较低是因为轴系不对准、转子质量不平衡、机座松动等，要想获得这些信息，需要对振动的信号进行滤波、放大处理，然后进行傅立叶交换。在运行过程中也会出现发电机转子偏心故障和发电机定子和转子之间气隙不均衡的现象，这两个故障是由磨损和温度升高等原因造成的。谐波成分很重要，通过对发电机定子输出电流、电压、功率等信号中的谐波成分监测，可以诊断电机转子的偏心故障。当发电机转子和轴承不能正常运转时，可以通过不断的小波变换给发电机的输出功率发出信号。一旦发生了不太严重的机械故障，气隙振动也会被发电机转轴的振动引发，然后发电机转子与定子间气隙磁通出现不平衡。定子的电流解析能够解决转轴的振动故障。
1.2电气故障发出信号的控制
首先对一些参量的信号开展测验，发出的信号有发电机定子的线圈温度、定子的电压、定子与转子的电流、发电机输出功率以及转子转速等，然后对其进行处理，最后进行识别。要想找到电气不运作的原因，可以使用定子电流检测方式、一小部分放电的监测方式、振动检测法等。
转子或定子线圈短路故障根据研究发现是发电机转子、定子线圈绝缘损坏引起的，包括匝间短路、相间短路、层间短路等问题，所以，短路故障监测和诊断是研究的重点。为了监测发电机的状态，可以对电压、电流和转子扭矩进行检测。要想对发电机状态实施更全面的监测，还可以对大气温度和大气压力等进行测量。在转子电流信号中会出现故障谐波分量，这是由于发电机定子出现了匝间短路，定子电流的对称性被打破，生成一个反向的旋转磁场。对于发电器每匝之间短路事件的检测包括负序的电流、电流的谐波成分、电流Park的矢量运行路距等。在短路匝数比较少时，定子电流变化量微小，这种情况很难检测出谐波成分。定子单相、双相、三相的短路这3种情况被称作相间的短路现象。要想更好地识别发电机的相间短路故障，可以采集发电机的电流、温度和振动等信息。采集和相间短路有很大联系，当发生相间短路时，采集就会产生变化。故障特征也是和短路的时间息息相关的，诊断发电机相间短路的主要方法是基于功率谱密度的故障诊断法、基于离散小波变换的故障诊断法、反向传播（BackPropagation，BP）神经网络法、Elman神经网络法以及概率神经网络（ProbabilisticNeuralNetwork，PNN）法。其中，速度比较快的是BP神经网络法；网络结构比较简单的是Elman神经网络；PNN的神经网络的优势为容错能力较强。
3传动轴系
DFIG的传动轴系不仅故障率高且故障造成的停机时间在所有故障中最长，因此对该部件进行故障诊断与状态预测的研究方法也较多，主要包括回归分析、时间序列模型、人工神经元网络、深度学习、支持向量机、灰色模型等。1）回归分析回归分析预测（regressionanalysisprediction，RAP）法本质上属于因果分析预测，是一种基于历史数据来确定变量之间定量关系的预测方法，便于直观分析多参数模型。例如，分析了与齿轮箱温度密切相关的风电机组参数，并分别利用多元线性回归分析模型建立了正常状态下齿轮箱温度的预测模型。但此方法可能会忽略交互效应和非线性的因果关系，因此在正态性假设不成立的前提条件下，需要考虑非参数回归分析法。2）时间序列分析时间序列是把历史数据按照时间进行排序的统计序列，根据统计序列中的规律外推来实现未来一段时间内的预测。基于时间序列模型（timeseriesmodel，TSM）的方法主要有4种：自回归（autoregressive，AR）模型、移动平均（movingaverage，MA）模型、自回归移动平均（autoregressivemovingaverage，ARMA）模型和整合移动平均自回归移动平均（autoregressiveintegratedmovingaverage，ARIMA）模型。例如，利用AR模型提取运行在非线性状态下的机组齿轮箱的特征，用于故障诊断和状态预测。时间序列分析突出了时间因素在预测中的作用，但未充分考虑外界不确定因素变化造成的影响，存在预测误差。3）人工神经元网络人工神经元网络（artificialneuralnetwork，ANN）中的一些模型具有良好的泛化能力，广泛应用于故障诊断和预测领域。将故障预测划分为3个层次：预测有无故障（faultandno-faultprediction）、故障类型（faultcategory）、具体故障（thespecificfaultprediction），并指出均可运用ANN来处理。例如，通过收集多源实时信息，提出一种基于ANN中的多层前馈神经元网络的风力涡轮机变速箱健康状况监测方法。此外，鉴于粒子群优化（particleswarmoptimization，PSO）技术具有全局搜索特性，而LM（LevenbergMarquardt）方法具有快速收敛特性，利用这两者的优势可以改善前馈神经元网络的学习算法，减小其陷入局部极小的概率并加快其收敛。针对前馈神经元网络学习以及记忆的不稳定性，ElmanANN应运而生，该神经网络模型由多个神经元按照一定的规则连接构成，通过加入内部反馈网络实现了动态建模。这些特性使得ElmanANN具有较高的学习效率和稳定性，较适用于故障诊断与状态预测。考虑小波包对时间序列的分解特性，提出了一种基于长短时记忆神经网络的故障诊断方法，最后通过实验验证了该方法能够得到较为准确的预测结果。但该方法需要大量的原始数据进行学习和训练，不适用于处理小数据。
结语
风力发电机的状态会直接影响人们的生活质量，希望未来风力发电机状态监测和故障诊断技术能够得到普及。
参考文献
[1]黄树红，李建兰.发电设备状态检修与诊断方法[M].北京：中国电力出版社，2008.
[2]沈艳霞，李帆.风力发电系统故障诊断方法综述[J].控制工程，2017（20）：789-795.