顾海肖
华电福新能源有限公司内蒙古开发建设分公司 内蒙古 呼和浩特 010000
摘要：本文研究了风力发电机驱动链中三个主要部件的发展状况——复合叶片、变速箱和发电机故障诊断以及状态监控，并总结了该领域的研究现状和最重要的方法。本文总结了风机叶片，变速箱和复合发电机三个主要部件的主要故障特征，故障模块和诊断难点，并系统地介绍了现有故障的诊断和健康监测方法，并说明了该领域的发展方向。
关键词：风电装备；故障诊断；健康监测；研究；
1风电装备监测系统现状
风电装备结构类型众多，主要包括∶双馈异步式风力发电机（可变速变桨运行风轮）、直驱永磁式同步风力发电机以及半直驱式同步风力发电机等。与直驱型风力发电机相比，双馈异步式风力发电机含齿轮箱变速装备，其基本结构如图1所示，该类型风电装备占市场份额70%以上。因此，本文主要针对该类型风电装备的故障诊断与健康监测进行综述。风电装备长期在阵风等复杂交变载荷作用下全天候运行，恶劣服役环境严重影响了风电装备的运行安全和维护保障。交变载荷作用于风电叶片上，并通过传动链中的轴承、轴、齿轮、发电机等部件进行传递，使得传动链在服役过程中极易出现故障。目前，广泛配备在风电装备上的监测系统为SCADA系统，可对风电装备的运行状态实现电流、电压、并网情况等多种情况监测，并具有报警和报告等功能;但该系统监测的状态参量有限，以电流、电压、功率等信号为主，尚缺乏针对关键零部件的振动监测与故障诊断功能。
国内的振动监测技术虽起步较晚,但在国内巨大风电远程运维市场需求的推动下,国产监测系统的开发也进入到快速发展阶段。国内各风电装备主机厂对风电的后期运维也纷纷研发了健康管理系统,以提升风电机组的利用率和智能性。新疆金风科技股份有限公司开发了智能健康管理系统SPHM,实现了智能故障诊断,将常规故障、疑难故障、“疑难杂症”分级处理,形成标准故障工单、标准处理结果,从而达到智能运维调配的效果。针对风力发电机组故障诊断,国电联合动力技术有限公司研制的故障诊断系统能够快速确定风电机组发生故障的类型,迅速准确地从大量相关故障信息中提取出主要故障,进而提高机组故障排查效率,减少人工排故时间。风电装备的智能故障诊断及预警防护可实现风电运维的降本增效,已经获得了风电行业的一致共识。
2风电装备
2.1稀疏分解算法的改进
长期以来，风力涡轮机一直在复杂的条件下工作，例如负载变化和外部冲击所引起的冲击。可以表征其故障特征的临时冲击组件通常充斥着强烈的背景噪声和干扰。当用于提取具有高背景噪声的振动信号中的周期性瞬态冲击特性时，稀疏表示的理论仍然不足。例如.OMP算法选择了错误的原子。而弱电击会导致不存在弱申击难以进行有效提取。因此，改进稀疏分解算法以有效地提取风电传输系统的暂态故障特性至关重要。
2.2传输系统的关键组件存在问题
例如，齿轮和滚子轴承可能会在复杂的工作条件和不断变化的负载下失效。如果滚动轴承或齿轮有局部故障。则有缺陷的零件在其他组件表面上的撞击通常会通过单侧阻尼产生暂时的冲击特性。当轴旋转时，此过渡特性会定期发生。另外。由干受滚云动轴承或齿轮的影响，齿轮本身和其他旋转部件的影响，振动信号包含变频分量及其倍频作为谐波分量。同时，由于其他运动部件的影响以及传感器测量点与误差源之间的距离，振动信号包含很多干扰和噪声。因此，风电传输系统的原始振动信号由周期性的瞬态冲击分量，谐波干扰分量和噪声组成。在搜索风轮机故障的诊断时，诊断和健康监控可以分为两种策略，先验控制的组合过滤和基于数据的智能学习。
3策略
3.1稀疏模型
信号的分散结构在识别特征，减少噪声和压缩中起关键作用。20世纪末阿拉特（Allat）和多诺霍（Donoho）首次成为了散射信号表示理论的开拓者信号的分散结构用字典表示。稀疏信号代表字典的结构主要包括三个方面∶分析字典、参数字典和学习字典。分析字典和参数化字典都必须对信号进行数学建模，数学模型用于位建具有解析范例的字典。但是，基于先前对信号源属性进行的物理优化，参数化字典中的基本原子可以确定字典原子的参数。分析字典可以更好地匹配有关信号源属性的信息。
3.2智能数据驱动的学习
智能诊断技术是近年来发展起来的一门新学科。其优势在于，它整合了多个领域的专家经验。提高了诊断准确性。并在某种程度上消除了对人为因素的诊断决策和状态检测，并且对故障机制的过度依赖可能导致无法实现传统基干功能的诊断方法无法完成的项目。近年来，人工智能诊断技术蓬勃发展，其中支持向量机和深度学习是最具代表性的技术。支持矢量机技术。支持向量机基于最小化结构风险的原理，解决了优化二次约束以构建最优分类超平面的问题，有效解决了样本量小，非线性，高维和局部极小等常规问题。当前，载体机器被广泛用于监视机器的状态和诊断故障。沉等。提出使用矢量机直接支持推力，对传动误差进行智能诊断，有效解决训练模式不足或测试模式过多的问题。有人使用蚁群算法优化了对误差敏感的函数集，并支持矢量机模型的参数，从而提高了机车轴承的诊断准确，他们使用贝叶斯统计推断来优化支持向量机模型的参数，并使用它对工业调查数据进行智能分类。有人使用混合智能诊断技术，结合了第二代小波包变换，对主要核心组件和矢量机的分析，并具有双重支持，可实现对旋转机故障的多重诊断。他们使用多尺度复合模糊熵构造了—组失效特性的矢量特性。并将其插入改进的支持向量机中，以实现轴承失效的高精度识别。
3.3深度学习
在机械健康监控领域，深度学习的研究和应用正在蓬勃发展。有人使用深度神经网络技术研穷了轴承和传动性能的自适应识别和退化。并取得了杰出的技术应用价值。在分析了当前轴承特性检测技术的内在缺陷之后，有人将其作为参考。他们利用卷积神经网络高级功能的自适应学习能力，提出了—种针对检测信号的学习特征的区分性组装技术，并发现深度学习技术要优干前一种，识别技术具有最显着的优势。同时有人使用一维神经折叠网络分析结构损伤检测问题，提出了一种基于振动的实时学习检测算法，在仿真实验中取得了令人满意的结果。他们使用一维神经折叠网络来识别发动机故障特征，在深度学习中使用了堆栈的自编码技术来检查对旋转机器状况的评估。他们使用深度折叠网络解决了该问题，对几，种类型的发动机故障进行高度可靠的分类和诊断。为了解决诊断行星齿轮故障时多传感器信息自动融合的问题，有人提出了一种基干深度卷积神经网络的集成改进技术。该技术可以实现自活应数据融合和更高的识别精度。
结束语
早期风电装备的快速发展使得风电装备陆续进入故障高发期,风电监测诊断系统的巨大需求激发出众多故障诊断领域研究者的热情,同时也给研究者提供了广阔的舞台和研究空间。风电叶片复合材料方面。目前的方法多以无损检测方法为主,在线结构健康监测方法也仍以实验室研究为主,各种新方法不断涌现,但仍未有较好的可同时兼顾经济性、实用性、鲁棒性的适用于实际结构的在线监测系统。
参考文献：
[1]陈雪峰,郭艳婕,许才彬,等.风电装备故障诊断与健康监测研究综述[J].中国机械工程,2020,31(02):175-189.
[2]李铭.基于稀疏表示的风电装备传动系统故障瞬态特征提取研究[D].燕山大学,2019.
[3]江国乾.基于排序模式分析与深度学习的风电设备故障诊断方法研究[D].燕山大学,2020.