[科普中国]-大功率并网风电机组状态监测与故障诊断

背景

近年来，风能在世界能源结构中地位越来越突出，风电将逐步成为火电、水电之后的第三大常规能源。随着我国大型海上风电建设规划相继启动和现运行的大部分风电机组质保期逐渐超出或邻近超出，高故障发生率和高运维成本的现状越来越引起风电运营商、制造商和第三方运维公司等机构的关注。

相比陆地风电机组，海上风电机组将面临更恶劣的运行环境和更高的运行维护成本。据统计，海上风电机组的维护成本至少为陆上风电机组的2 倍，运维成本高达经济收入的30%~35%，其中约25%~35%为定期维护费用，65%~75%为事后维修费用。随着单机容量不断增加，大功率风电机组的复杂性程度增加，将会面临更高的故障率和运维费用。为了降低故障率和减少维修费用，开展风电机组的状态监测和故障诊断研究，对及时掌握风电机组运行状态，及早发现潜在故障征兆，降低故障率，减少运维成本，从而保证风电机组安全高效发电运行有着重要学术研究意义和工程应用价值。1

鉴于风电机组对状态监测和故障诊断的急迫需求，国内外相继出台了标准规范，如2009 年欧盟推出了关于《风力机及其部件的机械振动测试与评估标准VDI3834》；2011 年国家能源总局提出《风力发电机组振动状态监测导则》。

上述标准主要是针对风电机组关键部件的振动特征量制定的规范要求，对于实现全面的风电机组状态监测和故障诊断的要求还远远不够。与传统火电、水电机组相比，风电机组在高空运行，是多部件协同工作的复杂系统，监测特征量类型多、数量大，受风速大小和风向的不确定性以及变速恒频发电控制的约束，运行状态通常在不同工况之间随机频繁切换，各类特征量随机波动范围较宽，利用单一或几个特征量采用传统状态监测和故障诊断方法，难以得到风电机组真实的运行状态和实现准确故障定位。基于上述风电机组特殊性，有必要了解风电机组状态监测和故障诊断领域研究现状，综述该领域的研究方法和成果，进一步促进该领域研究的开展。

目前，风电机组状态监测和故障诊断领域的研究处于起步阶段，已有的研究成果中，对于整机的研究侧重于状态评估和故障预测，对于机组的关键部件研究侧重于故障诊断。本文首先介绍风电机组的运行环境及其故障统计情况；其次，对整机状态评估和故障预测研究现状，从统计分析、多参数融合和故障预测角度进行综述；再次，重点介绍和评述风电机组关键部件故障诊断方法的研究现状；最后，结合当前研究现状和存在的问题，指出风电机组状态监测与故障诊断技术的发展趋势。1

风电机组故障统计与分析风电机组长期工作在恶劣的自然环境中，受到正常和极限极端温度、太阳辐射、降雨、积雪、盐雾、沙尘、地形轮廓等因素影响，各部件的绝缘强度、疲劳强度和运行性能等必将不可避免地随运行环境和运行时间的变化而逐渐下降，导致故障发生。易发生故障的齿轮箱、发电机、低速轴、高速轴、桨叶、电气系统、偏航系统、控制系统等关键部件，约占风电机组总成本的80%～90%。国外某机构的各部件故障率与平均故障排除时间统计情况，如图1 所示，可见电气系统的故障率相对较高，齿轮箱、发电机和传动链的平均故障排除时间相对较长，约在5 ~ 8 d。

另外，我国的2012 年《全国风电场设备运行质量状况调查报告》故障统计情况，变流器的每年故障发生频次最高为0.20 次/ 台；齿轮箱相对较低，约为0.09 次/ 台。各部件的故障详细情况如表1 所示，可见叶片的平均排除故障耗时最长，达到229.54 h，其次是齿轮箱和发电机，分别是158.01 h和105.93 h。上述为国内外陆地风电机组的故障统计情况，统计结论基本相似：平均故障排除时间少的部件对应故障率较高，相反，故障率较低的部件对应的平均故障排除时间长。但值得注意的是，上述的统计分析结果仅来自于陆地风电场的情况，随着海上风电机组安装与并网运行，故障率高的关键部件，如变流器、变桨系统等电气控制系统，由于海上复杂运行环境和高难度的维修状况也必将花费较长的检修时间或更多的故障排除时间。因此，对于大功率风电机组的状态监测而言，不仅需要关注机械系统的关键部件，故障率高的电气系统同样也要引起高度重视。2

风电机组整机综合状态评估与故障预测风电机组一般要求服役20 a，风电运营商或者电网调度部门更多关心的是整机安全性、运行可靠性、发电能力、运行状态变化趋势及服役剩余时间等指标，因此，有必要开展整机的综合状态监测方法研究。目前，关于整机的状态方法研究大多是在风电机组数据采集与监视控制（SCADA）系统的运行数据基础上开展，其故障预测3 个方向分别进行综述。

1、基于统计分析的风电机组综合状态监测与评估利用统计分析方法，通过分析大量的风电机组状态监测的各类特征量（功率、风速、转速、温度、振动等）离线运行数据，提取某些有规律的指标，与出厂设计标准值进行对比，或通过多个机组之间的比较，达到对风电机组整机状态监测的目的。

目前，对功率运行数据进行统计分析研究较多，例如2 台1.5 MW 风电机组功率曲线如图2 所示，它是通过获取反映机组运行性能的实测风速、功率等数据，采用Bin 方法对数据进行统计处理后获得2 台机组的功率曲线。通过2 台机组的功率曲线、风能利用曲线及其标准差值，对机组的运行性能进行了对比分析和评估。图2（b）所示机组2 的实际功率曲线在低于额定风速以下区间内要比图2（a）机组1 的低一些，而且在高于额定风速时，有部分Bin 区间内功率的标准差偏大，运行状态不太稳定。

上述研究是通过对功率信息进行统计分析来实现整机的状态监测，能否采用其他特征量的统计结果来更好地表征整个风电机组的运行状态，值得深入探索研究。

2、基于多参数融合的风电机组综合状态监测与评估

在该研究方向，大多数研究是在风电SCADA 系统运行数据基础上进行开展的。风电机组SCADA 系统中包括的物理特征量有：角度、压力、温度、速度、机舱振动、电气等，通过分析这些运行数据，可以反映整机的运行状态。

目前，关于风电机组多参数融合的状态监测和评估方法，包括人工神经网络、高斯混合模型参数估计、物元分析、模糊综合评判等。

3、风电机组的故障预测方法

故障预测是指根据系统现在或历史性能状态预测性地诊断部件或系统完成其功能的状态（未来的健康状态），包括确定部件或者系统的剩余寿命或正常工作时间。

故障预测的3 种方法为：基于模型的方法、基于统计可靠性的方法和基于数据驱动的方法。目前，基于模型的风电机组故障预测研究方向比较鲜见，而另外2 个研究方向已出现在相关文献中。

a. 基于统计可靠性的风电机组故障预测研究。

目前，关于已出质保期或服役了较长时间的风电机组，其运行性能下降和各部件劣化度增加，导致可靠度不断降低和平均故障间隔时间MTBF（Mean TimeBetween Failures）逐渐缩短，对于上述方面的故障预测研究比较少见。而对试运行期间风电机组MTBF的预测已有少量文献报道，一般是在假设风电机组可靠性服从某种分布（如Weibull、非齐次泊松等分布）的基础上开展研究。1

b. 基于数据驱动的风电机组故障预测研究。

在该部分的研究多集中利用SCADA 数据对风电机组关键部件（如齿轮箱、发电机、主轴等）开展故障预测研究，现有的故障预测方法有支持向量机、ARMA 方法、多元线性回归方法、人工神经网络等方法。

大多数研究的基本思路是通过残差趋势分布来实现故障预测，如图4 所示的故障预测框架，将SCADA 的监测数据作为预测模型的输入，通过所建立如人工神经网络或支持向量机的预测模型获得预测值，进而将实际监测值与预测值结合求取残差，结合利用事先通过专家经验或正态分布等方法确定的残差阈值，通过检测是否超过阈值或通过残差趋势分析实现对故障预测。3

风电机组关键部件的在线故障诊断风电机组是由多个部件组成，开展对其关键部件在线状态监测和故障诊断的研究，可及时识别故障征兆、实时掌握故障渐变发展程度和节省故障排查时间，为优化运维检修策略进而提高整机的运行可靠性具有重要的学术意义和工程实用价值。包括风电机组的叶轮、齿轮箱、发电机、变流器和变桨系统5 个关键部件的在线故障诊断研究现状。4

1、叶轮

叶轮是捕捉风能关键部件，包括叶片和轮毂。目前，对叶片老化和损坏、叶轮不平衡故障的研究较多，现有的在线状态监测和故障诊断方法现多处在实验室模拟仿真阶段，在实际应用中比较鲜见。

a. 叶片老化和损坏。叶片运行环境恶劣，酸雨、冰冻等侵蚀以及叶片旋转时变化的冲击力破坏，引起叶片裂纹甚至破裂。关于叶片动态无损在线监测技术有声发射、超声波、光纤光栅和振动分析等技术。相比超声波和光纤光栅技术，声发射可获得叶片上较为全面的缺陷信息，具有相对较高的灵敏度和分辨率，能够准确监测到薄弱区位置

b. 叶轮不平衡故障。随着单机容量不断增大，叶轮直径越来越长，风力机的柔性也越强，尤其在北方冬季，叶片结冰使得叶轮不平衡造成整体结构振动进一步加大，将在传动链部件产生疲劳应力，严重影响机组寿命。现有大多数研究是从发电机的电气信号中提取故障特征。

2、齿轮箱

关于齿轮箱在线监测和故障诊断的研究较多，除离线检测的油液分析方法外，在线的分析方法主要包括：振动分析、温度分析和电气分析。1

a. 振动分析

通常从振动特征量的时域和频域中提取齿轮箱的故障特征。

目前，现有的风电机组状态监测系统产品也大多以振动特征量分析为主，采用数据离线分析和专家辅助分析方式，获取得到齿轮箱轴承和齿轮的状态监测和故障诊断结果。但是，振动分析对于低频信号具有一定的局限性，且在齿轮箱本体上安装传感器获取振动信号需增加投资和维护费用。

b. 温度分析

温度特征量在一定程度上反映齿轮箱的运行状态。利用非线性状态估计方法建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。通过模拟齿轮箱的故障情况，在SCADA 监测数据中加入温度偏移来模拟故障，分析结果如图所示，均值曲线的95% 置信区间的上限在第451 个滑动窗口超出了预先设定的均值阈值，在第551 点处，监测出齿轮箱温度的异常变化情况。然而，由于温度具有热惯性特性，变化缓慢，易受到外界环境因素影响，采用固定阈值时，当发出预警信号时，部件已经严重劣化，故障可能即将发生，难以起到早期故障诊断的作用。因此，有必要研究多种工况下的温度特征量动态阈值确定方法。

c. 电气分析

从发电机中电气信号的时域和频

域中提取故障特征信息来实现齿轮箱的故障诊断。相比其他信号，电气特征量的采集不需要另行加装传感器，不会影响到机组的完整性。但是风电机组运行环境复杂，干扰源较多，还可能存在多部件异常特征交叉重叠发生，需考虑实际运行环境，深入研究基于电气特征量的齿轮箱状态特征提取算法。

d. 油液分析

齿轮啮合在非正常的磨损状态出现，会瞬间产生巨大磨损颗粒，或磨损率上升导致磨损颗粒数量显著增加。油液分析被认为是实现齿轮箱状态监测和故障诊断最有效的技术之一，包括红外光谱技术、铁谱技术、颗粒分析技术、气相色谱技术等，通过提取油液中各项监测指标，包括运动粘度、PQ 铁谱、酸值、水分等，监测和分析油液中各类监测指标变化情况，实现齿轮箱异常检测。目前，我国许多机构先后建立了油液监测实验室，但是因受限于监测硬件（传感器）设计和制造技术，存在测量误差较大、精度低因素，还没有在实际中实现在线油液监测。5

3、发电机

关于发电机的故障诊断研究，大多是通过在线监测定子电流、转子电流、有功功率变化情况，对匝间短路、单相或多相短路、轴承损坏、转子偏心等进行故障诊断。

4、变流器和变桨系统

a. 变流器

变流器作为电能回馈至电网的关键控制通道，是影响风电机组及入网安全稳定运行的重要环节。现有文献中多采用基于样本训练的在线变流器的智能故障诊断方法。

研究主要侧重于风电变流器的故障诊断，然而，由于风速的不确定性，风电变流器运行的可靠性受机侧变流器低频运行和风速随机波动影响较为严重，变流器输出功率变化很大，使得功率器件运行在不同载荷水平下，可能导致器件结温的变化，功率器件会承受长期、频繁的不均衡电热应力，造成疲劳累积，导致焊料开裂、焊线脱落等故障现象发生。图所示为11 m/ s 的湍流风速及双馈风电机组的机侧变流器IGBT 结温变化情况，可见IGBT 功率器件在整个变流器寿命周期内需要承受频繁波动且幅值为20 °C 的结温热循环，不可避免地将加快器件老化和失效速度，因此，基于疲劳、失效机理的风电变流器的器件的在线状态监测应该引起关注。目前关于功率器件的该领域研究比较少见。

b. 变桨系统。关于变桨系统的故障诊断研究较少，变桨系统转速极低，运行不连续，负载随机，对其在线状态监测可采用振动分析或发电机的电流信号进行分析。另外，考虑基于单一参量的绝对阈值评估方法，可能导致现有变桨系统状态监测方法不能及时准确地在线判断其异常状态的问题。1

展望随着大功率风电机组安装与并网运行，对其运行可靠性将提出更高的要求，必将促进风电机组状态监测与故障诊断技术进一步发展。风电机组整机状态评估和故障预测方法以及其关键部件故障诊断的研究现状进行综述，综合分析了现有的风电机组状态监测与故障诊断技术研究现状和存在的不足，提出以下研究要点及趋势。

（1） 对于地处偏远、交通不便的陆地风电机组和受复杂运行环境约束的海上风电机组往往存在故障诊断难、维修时间长等问题。通过对风电机组故障统计情况分析可知，除了对导致停机时间长的机械系统等部件关注的同时，还应对故障频率高的电气部件引起高度重视，如变流器、变桨系统等，对电气系统的在线监测和故障诊断技术研究可能是今后的发展趋势之一。

（2） 受随机风速大小和风向随机变化影响，风电机组SCADA 等监测信息呈现出频繁的波动性和不确定性，基于数据挖掘的整机综合状态评估和故障预测可能是今后的研究趋势。如，应用数据挖掘技术，考虑原始运行数据波动性和间歇性，探索基于监测数据的风电机组整机运行状态渐变规律的新方法，制定出整机长期和短期状态趋势变化的定量指标。

另外，还可以考虑监测数据不同时间尺度固有特点，研究基于数据驱动方法的整机故障预测方法，获取整机的在线运行状态和剩余运行时间。

（3） 从风电机组关键部件的故障诊断研究现状分析情况可知，现有的方法各有优缺点和局限性，如何准确地从监测数据中提取故障特征以提高故障诊断的精确度，研究多类故障诊断技术将可能是今后的研究热点。近期可能的研究趋势如下。

① 基于电气特征量的关键部件状态监测和故障诊断研究。风电机组是一个机电耦合较强系统，任何机械和电气故障势必会在电气特征量中有所反映，如当齿轮箱齿轮、各部件的轴承损坏，发电机定子和转子的匝间短路和相间短路等故障发生时，会不同程度地引起发电机转轴振动，进一步改变气隙分布情况，进而将故障特征信息叠加在定子和转子的电气特征量上。如何基于电气特征量，寻求各类故障的机理和演化规律，特别是揭示异常的根源，实现有效故障诊断需进一步深入研究。

② 多参数信息融合的关键部件状态监测和故障诊断研究。目前，单一参数信息含量有限或者故障特征提取较难，很难准确反映关键部件的异常状态，特别是早期的潜在故障。

可考虑充分利用多类型参数信息，依据某种方法实现时空冗余和互补信息融合，获取更为准确关键部件状态监测和故障诊断结果，如行星轮的通过效应或行星架和太阳轮的旋转对啮合振动产生额外的调幅作用，导致横向振动信号的频谱结构非常复杂，需借助于复杂的故障特征提取方法实现对故障频率的提取，而扭转振动信号不受这些额外的调幅效应影响，使得频谱结构更加简单，但是扭振振动信号还可能受测量误差和噪声干扰等影响，提取的故障特征准确性会受到影响。

然而，对这2 类特征量的监测信息，采用基于信息融合的故障特征提取方法，可能会获得更准确的故障诊断结果。

③ 基于老化失效过程的关键部件状态评估和故障预测研究。受随机风速大小和风向随机变化影响，电气系统老化失效过程存在不确定性和难预测性，有必要开展基于老化失效过程的电气部件状态评估和故障预测研究，如探索关键部件在运行过程的不同阶段的磨损、老化和失效过程的一般规律，研究关键部件状态评估和故障预测方法，如变流器功率器件作为整个系统中故障发生率高且较为脆弱的部件之一，在掌握其不同运行阶段的磨损、老化和失效过程的一般规律基础上，考虑变流器功率器件的应力分布、疲劳积累，以及在非平稳工况导致的功率器件结温大幅度波动等因素，从状态监测角度研究出适合功率器件在线状态评估、运行可靠性以及故障预测建模的新方法。1