摘 要：与煤炭、石油等传统燃料能源相比，风能作为一种可再生的清洁能源，具有无环境污染、成本低、可再生等优点。目前，其技术研发和应用越来越受到各国的青睐。风能利用的重要途径是风力发电。然而，由于风速的随机性、不可控性和可变性等不利因素，要充分利用风能转化为电能，核心设备就是风力发电机组。本文综述了风力发电机组的故障诊断技术，阐述了现有的风力发电机组故障预测技术。
关键词：风力发电机组；现状；故障诊断；预测技术
一、风力发电及发电机组发展现状
从全球资源上来看，世界总风能为2.74×109MW，能够转换为可利用性质的有2×107MW，相较于水能具有10倍的优越性。从我国来看，我国国土面积幅员辽阔，具备较高的风能开发条件。据统计，在10m范围内，我国陆地风能可开发的能源有2.53亿KW，海上有7.5亿KW，若按照50m范围计算总风能能达到20亿，仅次于俄罗斯和美国，具备较广阔的开发空间。风能具备很好的开采价值，其储量丰富且具有清洁性质，是新能源企业研究的主要方向之一。当前我国风力发电的技术正在不断进步，发电机的装机容量也在不断扩充，在未来，此种技术的应用成本会更低，普及率也会更高。
据统计，在2017年，我国（除港澳台地区）共新增风力发电装机容量19.66GW，累计装机容量188GW。从世界范围来讲该年我国的新增装机容量在全球中占比37.40%，位居世界第一，较排名第二的美国高12.643GW（美国为7.017GW）；总装机容量占比34.88%，超出排名第二美国2.11倍。并将争取在2020年要达到200GW、2030年400GW、2050年1000GW。由此可见我国对于风力发电事业的关注度及落实状况。在我国，新疆是风力资源较为丰富的地区之一，年均风力储量为9127亿KW，仅次于内蒙古地区。并且在该地区有着我国最大的风能发电基地，总装机容量达到了12.5万千瓦，单机1500千瓦。当前，新疆地区正逐渐加大对风力资源的利用，风力发电将成为本地区未来发展的重要替代性能源。
二、风力发电机组故障诊断
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技术
相较于上文中到的振动信号，此方法中应用到的电气信号更加微弱，甚至常常被电机等设备的运作声音淹没，分析难度较大。所以，在应用此方法时，应使用较为先进的信号接收及分析设备，对相关信号进行准确识别，并从中找出故障信息。在此基础上，将转自动力学模型与数据相结合，对故障问题进行分析和总结。此模型能将电气信号与电机扭矩波动联系起来，分析出机组齿轮箱故障与信号间的实际关系，并将实际情况仿真模拟出来，准确找到故障位置。与此同时，在实际的分析中，还可以应用维纳滤波对噪音进行清理，进而判断出机组中轴承的故障。另外，通过信号双谱分析法、Hilbert模量频谱等方法也能够对部件进行故障诊断，在实际应用中，有关技术人员可以依据实际情况进行选择，科学诊断故障。这种方法不需要额外购置传感器，具备很好的经济效益，而且诊断结果相对准确，应用前景较好。
2.3基于模式识别的故障诊断技术
此诊断方法是立足于机组的多元化信号研究出来的，通过在时域及频域中建立模型的方式分析故障。以轴承的故障诊断为例，应用此诊断方法可以从构建出立体模型，进而找出故障并予以解决。具体方法如下：利用LaplacianEigenmaps算法能够构建出故障的可视化模型，为技术人员提供立体的图形，并呈现出故障的特征，基于此可以快捷找出故障所在；借助非线性流形学习，能在立体空间结构的基础上对动态轴承进行故障分析；对于轴承的粗糙程度故障可以利用线性判别法进行分析及诊断，锁定故障位置，加快解决速度，以上几种方法都能够有效诊断轴承故障，在实际应用中都具备一定的可行性。在当前研究环境中，此方法分为有、无监督两种，但是不论有无监督，其所需的算法数量都很大，且数据获取需要相当长一短的时间，应用中会耗费一定的成本，若将该方法应用于故障频发部位，也可能会加大企业的负担，应依据实际情况择优选择诊断方法。
三、风力发电机组故障预测技术研究
3.1对风电机组中机械结构系统的故障预测方法
探测风电机组的早期故障，预测机械结构的剩余寿命，可以大大提高风电机组运行的可靠性，降低维修费用。故障预测与故障诊断有相通之处，因此，风电机组的振动数据也可以应用到故障预测中。根据风电机组固有的结构特性和功能特征，应用振动数据可以对发电机轴与轴承、齿轮箱轴与轴承、塔筒等机械传动与支撑部件进行故障预测。首先要连续地录取运行中的风电机组的振动数据，然后对数据进行特征分析，提取时域信号或是频域信号，其中频域信号的特征值对故障更为敏感，再根据统计学规律设定预警以及告警阈值，最终以特征值的发展趋势作出预测。
3.2风电机组中电子系统的故障预测方法
近年来，各国对于风力发电的关注度持续上升，对于其故障诊断及预测也愈加深入。电子系统故障在机组检修中也是较为重要的预测环节，虽然不会形成较大面积的停工，维修成本也很低，但是故障次数的增多也会加重维修难度，并且该系统故障发生时间短，若发生故障还极有可能引发系统瘫痪，更是加重了故障检测的难度。在实际的预测工作中，可以通过以下几个方面进行：第一，系统植入。在系统建设及投入使用之初，应对系统进行优化，植入自主检修系统，使其能自主进行故障发现、检查、隔离及修复，减轻预测负担。第二，保护功能的建立。与植入类似，在系统的建设中还应添加保护功能模块，在发现故障后开启保护模式，相关技术人员也可以进行开启该功能。第三，数据实时监控。对电子系统进行监控，可以适当添加预警功能，在遇到重大故障时能对相关技术人员发出警告，通过数据呈现出问题位置，及时解决。第四，建立应力或疲劳模型。通过模型对故障状态及程度进行预测。
结 语：
综上所述，本文对风力发电机组故障诊断以及预测技术的研究现状进行总结，从风力发电机组研究资料中可以看出，风力发电是一种将风能转化为电能的过程，其所处工作环境较为恶劣，在长期的运行状态中容易出现故障，而人工维修难度较大。从风电机组诊断技术研究资料来看，当前关于风电机组故障诊断技术的研究主要集中在风电机组各部件故障特点，与不同部件较适合应用的诊断措施等方面，对风电机机组维修工作的开展提供了众多参考。
参考文献：
[1]孙重亮,谢兵红.基于风力发电系统状态监测和故障诊断技术探究[J].电子测试,2019(17):106-107.
[2]杨宝荣.浅析风力发电机组在线振动监测与分析系统的应用[J].电力设备管理,2019(07):69-70.
[3]张冬梅,王红艳,孙晓辉.风力发电机组故障诊断技术综述[J].内江科技,2019,40(07):45+26.
[4]牛峥,李丹丹,许旌玮,林舒杨,崔佳絮.风力发电系统状态监测和故障诊断技术的分析[J].电子测试,2019(14):109-110+137.