张元
中国大唐集团内蒙古分公司蒙东事业部 内蒙古通辽市 028000
摘要：随着风力发电产业的快速发展，风力发电机组装机组数量急剧增加，但由于恶劣的工作环境，风力发电设备出故障的概率较高，通过故障诊断技术迅速发现设备中存在的故障，发电机安全，确保可靠的运行是降低事故的有效方法，提出风力发电设备早期故障诊断方法，实时监测风力发电设备运行状态，预测趋势，及时监测运行过程中存在的故障危险发现了。
关键词：风力发电机组；状态检测；故障诊断技术；
导言：风力发电可缓解国内能源供应问题并改善能源供应结构，随着国内风能产业的迅速发展风力发电机故障已成为一个问题，不可忽视的。实时监测风动发电机运行状态可以及时发现运行过程中隐藏的缺陷。附件同时查明机组故障原因，制定有效措施，通过对机组故障信息的检索和分析消除机组故障。提高风力发电的可靠性和促进风力发电的健康发展。
一、风力发电机组状态监测技术
1.特征分析。一种通常在风力发电机中使用的状态监测方法是从风力发电机组的参数开始确定和确定；他们是否有任何异常，观察其运行参数的变化。风力发电机的运行参数类型不同，主要分为两大类：可调节的测量和计算参数。除其他外，计算参数是指必须用一个给定的算法计算和计算可测参数，根据机组的实际情况，选择适当的测量装置或算法是检查风力发电机状态的重要先决条件。如果仪器不符合标准无法精确测量的能量状态或相应的能量参数的大小；如果一个算法是使用错误或拼写错误，这将导致一个无效的计算参数。这将影响到机组的正常工作状态。然而，不同的类型，不同的测量仪器厂和算法有各自的优点和缺点，选择应根据设备的实际需要来确定。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。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。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。
2.数异常监测。在监测风发电机的可测参数时，必须有一定的方法和原则。风力发电机的参数一般包括电压、电流、频率、液压压力、温度等，分析确定了可测参数的下限和下限；选择不同范围的测量仪器。分析以确定可测量参数和条件的正常/异常值范围动作。计算参数要求选择适当的监测和控制方法，并在实际操作中注意以下几点：1）一个合适的算法来确定计算参数。风力发电机有不同的类型，每一种类型的风力发电机，需要使用不同的算法，在不同的时间。同时，每种类型的算法都有不同的策略。为此，你必须选择适当的算法，考虑到实际情况和风力发电机组的需要，由于不同的算法直接影响计算的最终结果，选择合适的算法可以大大提高计算监测参数的精度和效率。2）选择一个合适的设备的算法。所谓的适当的设备是指稳定算法，长期运行需要自己的硬件支持；风力发电厂必须安装可靠和稳定的数据传输和测量设备，以提供工作原理和输出通道。
3.设备监测。风力发电机的测量设备本身可能有故障，因此通常需要适当的监测机制，通过部分测量仪器伴随着控制和测量接触，在正常条件下，这些接触是正常开放/关闭的，在特殊情况下，正常关闭/正常打开。设备的状态可以根据接触状态的变化来确定。在主要控制系统中的测量仪器接收到一套单独的信号，而主要控制系统中的算法则预先存储。相关测量设备的输入值和输出值经常进行计算和比较如果输出和输入值不符，则应评价控制设备中的异常情况。
二、故障诊断技术研究
1.在发生故障之前，风力发电机通常会出现一些早期故障信号，这些信号可能在振动、温度、温度等方面出现。如果在早期发现故障，这将大大提高风力发电机运行可靠性和使用寿命。早期故障信号具有典型的不稳定特性，当机械设备发生故障时，振动信号往往是相应的过渡脉冲的第一次出现。当机械设备隐藏了某个部件或部件的早期故障时，其故障在早期阶段是弱的。故障发生阶段，可以很容易地由振动信号的其他运动部分和大量随机噪声引起，以及故障源和信号接收器之间的距离，这导致振动信号衰减。机械设备/部件故障可能导致信号能量在特定频率范围内的再分配。在选定的频率范围内提取能量作为故障特性信息，从而更好地描述故障类型。
2.第一次设备故障的特点是信号非常弱，往往被强烈噪声淹没，信号噪声低，这对准确获取信息有很大影响。关于早期故障的性能。实时监测风力发电机的状态和使用BP神经网络预测趋势。在复杂的机械设备故障的非线性预测。BP神经元网络是一个教学算法，提供最小的目标函数值，根据给定的目标，二次和目标值的实际输出和最终值之间的差异。该网络由一个输入层、隐层和输出层组成，在这一层中，每个神经元从外部世界获取输入信息，并传递到中等水平，每个神经元从另一个来源接收信息。BP神经元网络是一个过程，学习一个反向传播算法，这是一个由两个过程的信息，无论是直接的，或相反的。进入误差反向传播阶段，误差经过输出层，根据误差梯度，偏差梯度改变每一层的值，在隐源层、输入层的反向传播、循环传播和反向传播是一个过程，这是一个不断变化的每个层的值，以及神经网络的学习过程。当网络输出误差小于给定值，设置网络连接的固定值和节点的阈值，网络学习完成。一个特定区域或某些类型的风力发电机组，一个重要的统计数据的基础上的综合，利用这些统计因素，进一步确定可能的故障类型和可能的紧急情况在风力发电厂。建立适当的区域或适当类型的风力发电机，故障模式，并制定基于故障模式的预处理策略。
3.基于早期故障诊断总体经验模式分解有很强的去噪能力，特别是对白噪声，非常适合风力发电设备早期故障诊断。是一种自适应的信号处理方法，适合于处理非平稳非线性信号。从本质上讲是一个有限次的滤波过程，它将信号中不同频率的波动或趋势逐级分解，产生一系列具有不同频率尺度的数据序列。使得其具有特性。极值点数目与跨零点数目相等或最多相差一个。由局部极大值点构成的上包络与由局部极小值点构成的下包络的均值为零，即信号关于时间轴局部对称。满足上述两个特征条件的信号就称为本征模态函数。信号经过最终得到本征模态函数和一个残余信号，其频率从大到小排列，每个体现了蕴含在原信号中不同频率尺度的振荡特性，每一个所包含的频率成分随信号本身变化而变化，因此是自适应的信号处理方法，非常适于非平稳过程，具有很高的信噪比。核心是分解得到隐含故障特征的分量，找到故障隐患。然而分解得到的分量只有一部分是与故障紧密相关的，其余则是与故障无关或者噪声干扰成分。分量是对信号的一种近似正交的表达，有效的分量与原始信号具有很好的相关性，因此利用相关性分析来保留与故障密切相关的 敏感分量，忽略不相关的分量，并消除端点振荡引发的伪。相关系数的取值范围是相关系数的绝对值越大，则两个信号的相关性越强，因此把分解后各与原始信号的相关系数的大小作为评定各是否为伪分量的指标。
结论：总的来说由于使用条件和结构的限制，风力发电机比传统发电机，有更高的故障概率和故障原因多种多样利用时间、全面和系统地以及各种分析性诊断方法能够及时查明和处理机组故障，避免重大经济损失。
参考文献：
[1]龙晓航，孙毅，单继宏．风力发电机组故障诊断与预测技术研究综述．仪器仪表学报，2017，38(5)：1041—1053．
[2]刘晓东，许宝杰，吴国新，等.风力发电机组早期故障诊断[J].现代制造工程，2018（3）：126-131.
[3]王伟.风电机组传动系统维护与故障诊断[J].硅谷，2018（5）：104.