1、风力发电系统故障检测综述The Review of Wind Power System Fault Detection摘要：风力发电系统往往安装在偏僻的、难以接近的或者气候不适合人类长期逗留的地域，传统的计划维修和事后维修方式不能满足要求。为保证风力发电系统可靠稳定运行，降低系统的维护成本，对其进行状态监测与故障诊断是十分必要的。论文针对风力发电系统中的主要部件，即发电机、叶片、轴承、齿轮箱、变频器、变流器、桨距控制系统、电气系统与偏航系统等的故障，对现有故障诊断方法进行了分类与综述，为提高对风力发电系统的可靠性、降低成本，促进其工程化进程提供了有效的参考。关键词：风力发电系统;发电机；叶片；
2、轴承；齿轮箱；变频器；变流器；故障诊断Astract: Wind power systems are often installed where is remote inaccessible or the climate is not suitable for human to stay for longtime So the traditional scheduled maintenance and breakdown maintenance can not meet the demands It is very essential to ensure reliable and stable
3、 operation，and to reduce the cost of maintenance，condition monitoring and fault diagnosis of wind power system The existing fault diagnosis methods for the main failure components of wind power system，including gear boxes，generator，power electronic devices，blade and so on，were introduced and classif
4、ied This work will provide an effective reference to the improvemet of the reliabilityof wind power system，reduction of cost and promoting the engineering processKeywords: generator; vane; bearing; converter;frequency converter;Gearbox; fault diagnosis;wind power system0.引言近年来,风能作为一种绿色能源在世界能源结构中发挥着愈
5、来愈重要的作用,风电装备也因此得到迅猛发展。根据世界风能协会(WWEA)的报告,截止2009 年底,全球风力发电机组发电量占全球电力消耗量的2% ,根据目前的增长趋势,预计到2020 年底,全球装机容量至少为 MW,是2009 年的10 倍。在“九五冶期6109.间,我国风力发电场的建设快速发展,过去十年中,我国的风力发电装机容量以年均55% 的速度高速增长,2010 年已达1 000 万kW。随着大规模风电场的投入运行,出现了很多运行故障,因而需要高额的运行维护成本,大大影响了风电场的经济效益。风电场一般处于偏远地区,工作环境复杂恶劣,风力发电机组发生故障的几率比较大,如果机组的关键零部件发
6、生故障,将会使设备损坏,甚至导致机组停机,造成巨大的经济损失 。对于工作寿命为20 年的机组,运行维护成本一般占到整个风电场总投入的10% 15% ,而对于海上风电场,整个比例高达20% 25% 。因此,为了降低风电机组运行的风险,维护机组安全经济运行,都应该发展风电机组状态监测和故障诊断技术。状态监测和故障诊断可以有效监测出传动系统、发电机系统等的内部故障,优化维修策略、减少非计划停机次数和降低机组的运行维护费用等。风力发电机组的状态监测和故障诊断系统集合了信号采集、在线监测以及信号分析等功能;能对系统的各种机械参数和电气参数等进行监测,并将采集到的数据进行分析处理,从而正确定位各系统的故障
7、。1、风力发电机组结构风力发电机组由风轮、叶片、主轴承、齿轮箱、发电机、电气系统、液压系统、刹车系统和偏航系统等组成。风电机组通过叶轮捕获风能,通过齿轮箱传递到发电机,发电机将机械能转化为电能,通过变频器接入电网。状态监测技术可帮助发现机组机械和电气的初始故障,遏制重要事故的发生。风电机组状态监测系统可在机组运行过程中实时监控各个部件的运行状态,及时判断部件存在的问题和隐患,及时采取处理措施,提高了机组运行可靠性。对于风力发电机组,状态监测技术主要可以分为以下几类。(1) 油液监测。油液监测技术检测的是设备润滑油和液压油的性能,掌握设备运行中的润滑和零部件的磨损信息 。油液监测包括油液品质检查
8、、铁屑检查等。在风电机组状态监测中,油液分析的主要目的是监测经过润滑油润滑的组件质量。(2) 振动监测。振动信号能够反映机械故障特征,机械状态的变化可以通过振动信号体现出来。振动分析是旋转机械状态监测中应用最多的方法,可对机械设备进行准确的检验和故障诊断,比如转子不平衡、油膜振荡、转轴弯曲等10 。(3) 温度监测。在设备劣化的情况下,温度的高低可以直观地反应设备的运行情况,因此温度监测通常用于电子和电气元件的故障诊断。对风力发电机组而言,发电机、齿轮箱、变频器等设备都需要进行温度监测。(4) 应变力监测。对风电机组中的叶片寿命预测和疲劳状况监测,应变力测量是一种高效方法,主要通过在关键部位安
9、装应变力传感器测量。应变力传感器是一种常见的设备疲劳状况监测的传感器。其他的状态监测技术还有很多,比如声学监测、转矩测量等。其中,声学监测可用于检测叶片故障趋势,与传统的振动监测方法相比更适合低速的鲁棒性强的机组,还可用于检测组件表面应力的突变;转矩测量可用于传动系统的故障检测2.风力发电机组的故障风电机组主要分为三类双馈式变桨变速机型，是目前大部分企业采用的主流机型；直驱永磁式变桨变速机型是近几年发展起来的，是未来风电的发展方向之一；失速定桨定速机型是非主流机型，运行维护方便。发电机是风电机组的核心部件，负责将旋转的机械能转化为电能，并为电气系统供电。随着风力机容量的增大，发电机的规模也在逐
10、渐增加，使得对发电机的密封保护受到制约。发电机长期运行于变工况和电磁环境中，容易发生故障。常见的故障模式有发电机振动过大、发电机过热、轴承过热、转子定子线圈短路、转子断条以及绝缘损坏等。据统计，在发电机的所有故障中，轴承的故障率为40，定子的故障率为38，转子的故障率为10，其他故障占12。根据发电机的故障特点，采用的诊断方法主要是基于转子定子电流信号、电压信号以及输出功率信号等状态检测手段。POPA等借助定子电流和转子电流信号的时域分析得到其幅值信息，再通过FFT得到电流信号的谐波分量，最后通过判断谐波分量的变化实现对发电机3种模拟故障的识别。WATSON等借助连续小波变换，对输出功率信号进
11、行分析，识别出了发电机转子偏心故障和轴承故障。DJUROVIC等研究了稳态状况下，短时傅里叶变换方法在发电机定子开环故障中的应用。通过对比发现，虽然基于定子电流和瞬时功率的诊断方法均可识别出故障，但瞬时功率信号中包含了更多的故障信息。发电机的转子偏心现象是轴承过度磨损或其他故障隐患的表现。基于输出电流、电压、功率等信号的检测方法是识别转子偏心故障的有效手段。此外，MOHANTY等针对多级齿轮箱研究通过解调异步发电机的电流信号来诊断齿轮箱故障。另外，BENNOLrNA等在变转速下建立了基于多项式的双馈式异步发电机线性与非线性数学模型，利用故障特征分析法检测出了转子偏心故障，但是此方法也仅能判断发
12、电机出现故障类型，而不能准确找出故障源。YANG针对同步发电机为消除变转速的影响，提出了基于转矩和主轴转速的判断准则。模拟定子绕组线圈的短路，对发电机定子绕组电流功率信号，先用离散小波去除噪声，再使用连续小波提取特征频率，有效地识别出了故障。3.风力发电机组叶片故障风力发电机组安装在野外比较恶劣的环境，经常处于无人值守的状态，对其运行状态的监测尤其重要。由于环境因素，机体各部件故障率较高，叶片作为风力发电机组的主要部件之一，对其故障监测十分必要，一旦出现故障，要是不及时处理，叶片就会很快的断裂。轻则造成停机，重则烧坏机组，影响正常供电，造成不可挽回的损失.风机叶片故障类型可分为裂纹、凹痕和破损
13、等，叶片的振动形式主要包括摆振、挥舞振动、扭转振动和复合振动，叶片的故障信息通常依靠现场监测的震动信号进行反应。在风力发电机组故障中，突变信号和非平稳信号往往会伴随故障存在。理论上讲，当叶片出现裂纹时，振动信号中会伴随有较强的高频冲击波，并且这些离散的故障信号是可能存在任意频段内的。故障诊断常用方法有时域分析方法和频域分析方法，时域分析方法主要研究不同时刻信号之间的关系，对于某些有明显特征的故障信号，可做出定性分析。频域分析方法通过研究波形的谐波分量来识别多种频率成分。这两种方法都具有单一性，而小波分解方法具有局部化分析的功能，在时域和频域都能快速定位。小波分解在低频部分，可以采用宽的时间窗，
14、频率分辨力则大大增强; 在高频部分则采用宽的时间窗，频率分辨力则会减弱。小波分解方法的这种特性非常适合非平稳信号的故障诊断。4.轴承故障检测风电机组主要零部件的可靠性研究表明，在风电机组的故障中电气和控制系统故障率最高，传动系统如齿轮箱、主轴承等故障率相对较低。但进一步的研究表明电气和控制系统的故障容易排除，停机时间短，并且也不需要吊车等辅助工具。从机组故障引发的停机时间、维护费用和是否容易造成的继发故障等角度分析，与电气和控制系统相比，机械传动系统的状态监测与预警维护更为重要。轴承是旋转机械的关键部件，也是风电机组机械传动系统的核心部件，机械传动系统的非轴承如齿轮箱、桨叶等故障，亦多是由轴承
15、故障引起或可在轴承的运行状态中得到反映。因此对轴承的运行状态进行实时监测，对整个机械传动系统的故障诊断和运行维护具有重要的意义。风力发电机用轴承大致可以分为四类：变桨轴承、偏航轴承、传动系统轴承(主轴和变速箱轴承)和发电机轴承。偏航轴承安装在塔架与座舱的连接部，变桨轴承安装在每个叶片的根部与轮毂连接部位(除部分小功率兆瓦级以下的风力发电机为不可调桨叶，无变桨轴承外，每台风力发电机设备用一套偏航轴承和三套变桨轴承)，主轴连接轮毂和齿轮箱，都是低速重载轴承，其中偏航和变桨轴承还是不完全旋转轴承。齿轮箱为增速箱，将叶轮的低速变为输入到发电机的高转速，二者的轴承与通常的发电机组除了在使用寿命和可靠性方
16、面要求较高，并无其他不同。目前的实际应用的风电轴承运行状态监测与故障识别的方法主要有基于数据采集与监视控制系统(SCADA，Supervisory Control And Data Acquisition)的方法，基于振动分析、润滑油检测的方法，基于声音、红外图像的方法以及多种方法相结合等方法。41 基于SCADA的方法对于运行状态监测，风电机组与通常的发电机组相比有自己的特点：通常的火力或水利发电机机组的单机功率比风电机组大的多，机组数目少，因此状态监测点少，而一个风电场通常几十台甚至上百台风电机组，因此需要的传感器数目和采集与通讯的数据量比通常的发电机组要大的多，增加了风电机组的成本和复杂
17、性，也限制了监测系统的应用普及。如果能利用机组已有的SCADA数据，不装配额外的传感器获取机组轴承的运行状态，是最经济的方法。研究表明发电机的机械故障可以由感应电机的终端发电机的输出反应出来，通过对感应电机的电压、电流和功率的稳定功率谱分析，对发电机的轴承、转子的断条、气隙偏向等故障进行故障监测。对于传动轴承故障诊断，类似的研究还比较少，用对电机电流解调的方法监测多级齿轮箱的故障，用定子电机电流识别齿轮箱滚动轴承的故障，由于电流的非平稳特点，引入了小波包变换的方法。在缺少振动传感器的情况下，由SCADA参数反应的传动系统轴承的运行状态不够具体。由多所大学、咨询机构和风电机组制造商合作的欧盟项目
18、ReliaWind在主轴承、齿轮箱和发电机轴承处安装振动传感器，通过将每十分钟的振动平均数据和SCADA数据参数相结合判断风电机组的运行状态。42 基于振动的方法基于振动的方法在旋转机械和其他发电机组的故障诊断中已广泛应用，且取得了很好的效果。风电机组的发电机和齿轮箱高速轴承可以应用现有的基于振动的故障诊断技术，只是由于风电机组的负载是非平稳的变量，常用的时域和频域FFT分析方法的性能会受影响，在信号处理的方法上需要改进。而对于主轴承和齿轮箱低速轴承，由于轴承的转速低(每分钟1030转)，计算出的故障频率低，而高通滤波器会将3Hz以下的频率过滤掉，再加上受到环境噪声的影响，使得频谱分析效果很差
19、甚至无法进行；而在冲击故障的瞬态性问题中，由于每次故障冲击的间隔较长，使用冲击法很难准确地检测到故障信号；同时由故障点产生的冲击响应的频率较低，不能激励起较高的频率成份。以上原因限制了振动监测主轴承运行状态的效果，但可从其运行情况反映叶片的运行状态，比如识别其是否平衡，从而判断其是否遭受冰冻等事故。43 基于润滑油液的方法资料显示轴承的故障多于润滑不良有关，主要原因有 1)由于大气温度过低，润滑剂凝固，造成润滑剂无法到达需润滑部位而造成磨损；2)润滑剂散热不好，经常过热，造成润滑剂提前失效而损坏机械啮合表面；3)滤芯堵塞、油位传感器污染，润滑剂“中毒”而失效引起的故障有粘附磨损、腐蚀磨损、表面
20、疲劳磨损、微动磨损和气蚀。这些磨损出现之后，轻则金属微粒会污染润滑剂，影响功率传递，产生噪音，造成齿面严重磨损或断裂，轴承内外圈或滚珠损坏，严重的使机组无法转动而彻底停机。目前的油液监测系统主要是振动齿轮箱的润滑油液，对于润滑的部件尚没有在线监测的方法。振动监测室风电轴承监测的趋势，但由于风电负载和风力的不稳定影响了传统的时域和频域FFT分析方法的效果，亟需引入新的非平稳信号的处理方法。5. 风力系统的变频器的故障的分析变频器的故障种类很多，主要有以下几类：和预先估计的结果差得很远、变频器不正确的动作行为、过电流、过电压以及电压不够等等。风力系统的变频器过电压情形指的是中间的直流回路超过电压，
21、这会使中间直流回路滤波电容器的寿命大大减短。之所以会产生这种故障，是由于电源侧的冲击过电压。风力系统过电流故障是因为变频器负载有突然地变化，并且负载的不均匀分布，输出的还有短路这些种种缘由引起，加上逆变器过载的性能、功能极其差，因此逆变器过载故障诊断可谓是相当重要。另外，整流回路故障会因为输进的电源缺少而致使电压不够的故障发生。还有，低压穿过电网的时候变频器可能会产生故障，这也是一大研究的领域。5.1 运用神经网络技术对发生何种故障定性神经网络这种技术特点是能够通过对一部分的数据的使用而对隐层网络和显层网络作培训，但是它对对象的分析是没有一个固定的可靠的数学模型的。越想驱近最真的状况，就必须有
22、尽量多的网络结构和神经元。这个特性可以使用户在没有一个固定可靠的数学模型的情形下，依然能够采集数据，知道发生何种故障和什么时候发生故障，它能够作为一个判断和对故障进行定性的应用程序。5 运用小波分析这种技术处理收集到的信息在小波分析基础之上的风电回转支承故障诊断方法，其特征是包括以下步骤：1）通过加速度传感器和扭矩传感器提取早期风电回转支承的故障的加速度信号及扭矩信号；2）将扭矩信号经过变送器变送，将变送过的扭矩信号及加速度信号再经过电流和电压转换板转换；3）进入NI数据采集模块，运用最恰当的小波基函数，多角度、多方面地分解小波技术针对的表示故障的信号；4）多角度、多方面地分解和重新构造波的形
23、状和频谱图所显示的故障的信号的微小的特征；5）从以上所说的判断故障原因和什么时候发生的故障。6.变流器故障诊断技术现状在双馈风力发电系统中，变流器是故障频率相对较高的环节之一，其故障类型中最为常见的是功率开关的短、开路故障。国内外的研究学者针对功率开关的的短路故障的诊断、冗错技术方面做了大量的研究，诊断这一方面的主要研究方向可以分为全局短路故障诊断和局部短路故障诊断，全局短路故障诊断的内容是在变流器直流侧安装传感器获得直流链的变化值，通过对电流值进行分析来判断故障的类型。主要表现为功率开关发生短路故障时，变流器直流侧电流值会迅速升高，电流幅值达到警戒值时，控制器会按照设定好的程序给出适当的判断
24、，并输出信号通过执行机构控制功率开关。局部短路故障诊断的“局部”主要是针对单支功率开关，不言而喻，逐一监测每只功率开关，系统的维护成本将会增长。不过从容错的角度来讲，局部故障诊断有助于我们判断出故障的具体位置，便于系统的重构。功率期间一旦发生短路故障，最有效的手段就是对故障开关进行隔离。现实中的做法也是如此。而当变流器的功率开关发生开路故障时，某些状态下作出合理的调整，发生故障的变流器能够继续工作，所以对于变流器开路故障诊断和容错方面的研究更具有意义和价值。大致上可以将开路故障诊断方法分为两种类型，即模型法和非模型法。模型法顾名思义，首先是要建立整个发电系统的数学模型，在设定的正常状态和故障状
25、态下，比较分析数学模型在各种变量的差异。而非模型法相比较而言则省去了建立繁杂的模型的过程，只需要故障状态下各种变量的相关信息，特别是当系统要建立复杂的、非线性的模型时，这种方法可以大大减轻人们的工作量。以往的历史故障数据往往是带有偏差的、不准确的，所以首先要从这些数据中提取特征样本，并判断故障的类型和位置。有许多变量可被用于故障诊断，变流器的开路故障诊断中最常见的变量是三相电流信号，通过一定的方法对电流信号进行处理即为接下来的故障诊断任务打下良好的基础。本文讨论的故障诊断方法主要是非模型法。在可用于诊断开路故障的方法中包括斜率法、派克矢量法、偏差法、直流分量法等。变流器的转子侧变换器输出电流基
26、频是变化的，一个固定不变的死区时间很显然不能满足要求，所以增设死区时间只适用于网侧变换器，当转子侧变换器输出三相电流的基波频率接近零时，上述方法中仅斜率法和控制偏差法没有产生误报，但是控制偏差法容易在过渡和低风速时产生误报。随着智能方法的发展，先进的智能方法在开路故障诊断中的应用会更加广泛。7.风力发电系统齿轮箱故障诊断齿轮箱是风力发电机组的核心传动部件，它的工作状况将影响整个风力发电机组的性能。据统计，在风力发电机的故障中，46是齿轮箱故障。长期以来采用的是计划维修与事后维修的方式，严重地影响了日常发电工作，造成重大损失。因此，对风电系统的齿轮箱进行状态检测与故障诊断，是保障风力发电机组运行
27、的可靠性、降低风电成本的重要手段。7.1、 小波分析法齿轮箱发生故障时，齿轮箱故障的振动信号为复杂的非线性、非平稳信号。传统的信号处理方法如快速傅里叶变换只适合分析平稳信号，无法反应其信号突变的细节。小波变换是时频分析中最常用的方法，具有多分辨特性，在高频率部分能够放大尺度，具有很好的频率分辨性，在低频率部分能够缩小尺度，具有很好的时间分辨性。文献2用db 4小波对故障信号进行小波分析，准确提取了故障产生的周期冲击信号，从而确定齿轮故障，并用倒谱分析验证了小波分析用于齿轮故障诊断的准确性。但小波变换需要预先选择固定的小波基，不具备自适应的分解特性。经验模态分解(Empirical Mode D
28、ecomposition，EMD)是NEHuang等人于1998年提出的，是希尔伯特一黄变换(HilbertHuang Transform，HHT)的第1个环节，适合分析非线性、非平稳信号，把信号分解成一系列包含不同频率成分的固有模态函数(Intrinsic Mode Function，IMF)，具有自适应分解特性。文献5提出一种基于HHT的齿轮箱故障诊断方法，使用Hilbert变换求重构信号的包络，采用EMD方法将包络信号分解为若干个IMF分量，再对IMF分量进行FFT变换，实现在频域的分析，得到故障特征信号。文献6用EMD方法将齿轮故障信号进行分解，然后选取表征齿轮裂纹故障的IMF分量进行
29、功率谱分析，提取齿轮故障振动信号的特征。然而EMD方法受噪声干扰影响较大，分解精度会因噪声的存在而降低。因此，文中将小波变换与EMD相结合，采用小波变换对风电系统齿轮箱故障信号降噪预处理以提高EMD分解的精度，再用Hilbert变换对包含主要故障信息的IMF进行包络谱分析。实现风电机组齿轮箱故障特征频率的有效提取。7.2 人工神经网络的方法 (ANN)神经网络是在生物神经学研究成果基础上提出的人工智能概念。随着人工神经网技术的发展，神经网络大量应用于分类和模式识别，而故障检测与诊断本质上也是一个模式识别问题。训练过的神经网络可根据实际系统运行时表现出的征兆，把系统分类为正常状态或故障状态。齿轮
30、箱作为机械传动的主要部件，其中的齿轮、滚动轴承和轴系的工作情况较复杂，各种典型故障一般并不以单一形式出现，往往多个故障同时发生且相互影响。因此，基于神经网络的人工智能技术能够在齿轮箱故障诊断中得到很好的应用。文献14通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析，采用小波神经网络诊断方法，对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断。文献15利用谐波小波包将不同故障滚动轴承的声发射信号分解到不同频段，进而将各频段的能量组成特征向量输入BP神经网络，通过BP神经网络判别滚动轴承的故障类型。径向基函数(Radial Basis Function
31、，RBF)神经网络是一种典型的性能良好的三层前馈局部人工神经网络，具有较快的训练速度和非线性能力，能以任意精度全局逼迫一个非线性函数，在逼近能力、分类能力、收敛性和学习速度等方面均优于BP网络，使其在很多领域得到广泛应用。文献16研究RBF神经网络在齿轮箱故障诊断中的应用，并与BP神经网络进行对比分析，表明RBF神经网络在故障诊断方面要优越于BP网络，具有最佳逼近、全局最优、收敛速度快、训练时间短、精度高的优点。RBF神经网络的缺点是训练样本数不能太少，否则RBF网络的故障分类能力很差，达不到理想的效果。RBF网络在故障样本数基本满足的情况下具有十分理想的故障分类效果，很适合于机械故障的智能诊
32、断，具有广泛的应用前景。7.3. 全矢谱的风力发电系统齿轮箱的故障诊断宰旋转机械信号分析应考虑转子的真实运转状态，即需要同时考虑相互垂直的两个通道所反映的信息，这就需要对数据进行融合，其融合关键技术包括两个方面：(1)解决旋转机械正确信息的获取问题；(2)寻求适合实时检测诊断的快速、稳健并具有容错能力的算法问题。全矢谱计算巧妙地利用了傅里叶变换奇偶共轭的性质得到了快速、稳健的算法，其主振矢、副振矢这样，就实现了通过对两个通道的数据序列做一次傅里叶变换，从而得到全矢谱需要的各谐波轨迹的特征信息，将各谐波下的复杂计算简化为复傅里叶参数之间简单的计算。不仅大大减少了计算量，同时也非常稳健，另外也和常
33、规分析方法建立了联系，在信息来源为单源时，该算法依然成立，完全满足实时检测分析要求。3)专家系统的方法专家系统是人工智能的一个分支，它利用大量的专业知识来解决只有专家才能解决的问题。和人工领域专家相比，由于它具有成长周期短、成本低、便于复制、能集中多个领域专家的智慧等诸多优点而得到了普遍的关注，成为机械故障诊断学科的一个新的研究方向。一个典型的专家系统的基本结构图。文献17将故障诊断专家系统，应用于风电机组齿轮箱，采用故障树分析的方法对其故障进行及时诊断并给出解决方案，既能满足对风电机组故障诊断的快速反应的要求，又能防止人为错误的出现，而且能将专家宝贵的经验进行保留，防止失传。8.桨距控制系统
34、、电气系统与偏航系统采用桨距控制除可控制转速外，还可减少转子和驱动链中各部件的压力，并允许风力机在很大风力下运行，目前主流的调速方式采用变桨距结构。其一般有两种传动机构：齿轮式与连杆式。在大型风力机中，常采用电子控制的液压机构来控制叶片的桨距，液压调节器控制齿轮或连杆推动叶片。变桨距系统转速极低、运行不连续、负载随机，对其状态监测可采用振动检测，也可采集发电机的电流信号进行分析。风电机组的电气系统通过变频器等电气设备与电网相连，向电网输送电能，同时控制电能参数。电气系统部件较多，发生故障的概率较大，故障类型主要有：短路故障、过电压故障、过电流故障以及过温故障等。电气系统的任一部件出现故障，都有
35、可能间接引起发电机的损坏。鉴于电气系统的特点，可以采取性能参数检测方法，如检测输出电压、电流、功率、温度等是否和正常值相一致，借此判断电气系统各个部件的健康状态。偏航系统在风力发电机组中的作用是转动机舱，使转子随时与风向保持一致，以保证风力发电机具有最大的发电能力。偏航系统主要由偏航电机、偏航齿轮、偏航齿圈等组成，出现的问题主要包括轮齿磨损、定位不准确、偏航电机故障以及限位开关故障等。鉴于偏航系统自身的运行特点，如转速低、状态多变、负载重等，对其进行状态监测，采用的方法大致是振动检测以及针对偏航电机的电流、电压检测方法等。9.结论本文对风力发电系统中易故障部位: 齿轮箱、发电机、轴承、变频器、
36、变流器、及叶片的故障诊断方法进行了综述。风力发电系统利用传感器技术采集系统运行中的各种状态信息，如温度、驱动链的振动、发电机的功率等; 然后利用信息处理技术( 小波分析、HHT 等) 对所采集到的海量信息数据进行降噪、分类以及特征化处理，获得有用的信息与知识; 最后采用人工智能技术( 神经网络、专家系统等) 建立风力发电系统各个部分的正常行为模型以检测风力发电系统中的异常工作行为。通过上述方法，可以在难以建立受控系统准确机理模型的条件下，实现风力发电系统的故障诊断，完成风力发电系统的优化控制。因此，研究基于数据的故障诊断系统，实时监测风力发电系统的状态，进行风力发电系统的故障检测与识别，对于进
37、一步提高风力发电系统的可靠性，推进风电系统的工程化和市场化进程有着重大的现实意义。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 ( Huang Shuhong，Li Janlan Power generationequipment state detection and diagnosis methodsM Beijing:China Power Press， 2008)2刘宗业，方开翔，林玮小波分析在齿轮故障诊断中的应用研究J噪声与振动控制，2009，29(4)：58-59，119LIU Zong-ye，FANG Kaixiang，LIN WeiA
38、pplication study ofavelet analysis in the fault diagnosis of gearsJNoise andVibration Control，2009，29(4)：5859，119(in Chinese)3 郜立焕，张利娜，朱建国等 基于小波分析的齿轮箱振动信号消噪处理J 机械传动，2010，34 ( 3) : 50-52 ( Hao Lihuan，Zhang lina，Zhu Jianguo， et al Gearbox vibration signal denoisingprocessing based on wavelet analysis
39、J Journal of Mechanical4 王斌，董兴辉，刘浩，等 基于故障树的专家系统在风电齿轮箱上的应用J 装备制造技术，2011，( 10) : 104-107 ( Wang Bin，Dong Xinghui，Liu Hao，et al Application of expert system basedon fault tree for wind gear boxJ Equipment ManufacturingTechnology，2011，( 10) : 104-107 )5邹志旺，顾海明，马新锋基于Hilbert-Huang变换的齿轮箱故障诊断J煤矿机械，2011，32(8
40、)：263-265ZOU Zhiwang，GU Haiming，MA XinfengGear box fault diagnosis based on HilbertHuang transform：JCoal Mine Maehinery，2011，32(8)：263265(in Chinese)6李辉，郑海起，唐力伟基于EMD和功率谱的齿轮故障诊断研究J振动与冲击，2006，25(1)：133-135，145II Hui，ZHENG Hai-qi，TANG Li-weiStudy on fault diagnosis of gear crack based on EMD and power
41、spectrum analysisJJournal of Vibration and Shock，2006，25(1)：133135，145(in Chinese)7徐斌，王志德FLl500风力发电机变桨轴承故障原因分析及改进措施，能源与环境，2008，No5，2526【8】Wenxian Yang,Peter JTarrier,Cost-EffectiveCondition Monitoring for Wmd Turbines，IEEETransactions Oil indastml electronicsJ，V0157，No1，pp 1-9。201081 Germanischer Ll
42、oyd,Guideline for the Certification ofWind Turbines，Edition 2003 with Supplement 2004，Reprint 2007【9】Germanischer Uoyd,Cmideline for the Certification ofOffshore Wind 1、IIbines，Edition 2005，Reprint 2007【1 0】于辉，邓英变速风力发电机变流器故障诊方法【J】可再生能源，2010，28(3)：8992【1 1】张晓波，张新燕，王维庆用小波分析来判定风力发电中电力电子的故障研究与交流【J】，2008
43、，(5)：47-5012】王占霞，张晓波基于SOM网的风电变流器故障诊断【J】电网与清洁能源，2011，27(4)：3538【13】赵燕峰，曹国荣，蒋耀生等风电变流器中IGBT的可靠性研究【J】电力电子技术，201l，45(6)22J段其昌，荣先亮，张莉等双馈风力发电系统双PWM变流器的开路故障诊断J】电气传动，20 l O，40(4)：32-3 514李永龙，邵忍平，薛腾，等基于小波神经网络的齿轮系统故障诊断J航空动力学报，2010，25(1)：234-240(Li Yonglong，Shao Renping，Xue Teng，et alwavelet and neural networkJ
44、2010，25(1)：234-240)Gear fault diagnosis based onJournal Of Aerospace Power，15赵元喜，胥永刚，高立新，等基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术J振动与冲击，2010，29(10)：162165(Zhao Yuanxi，Xu Yonggang，Gao Lixin，et a1Fault pattern recognition technique for roller beating acoustic emission based on harmonic wavelet packet and BP ne
45、ural networkJJournal Of Vibration And Shock，2010，29(10)：162-165)16冷军发，荆双喜，吴中青，等基于RBF神经网络的齿轮箱故障诊断J机械强度，2010，32(1)：17-20(Leng Junfa，JingShuangxi，Wu Zhongqing，et a1Fault Diagnosis For GearboxBased On RBF Neural NetworkJJournal of MechanicalStrength，加10，32(1)：17-2017王斌，董兴辉，刘浩，等基于故障树的专家系统在风电齿轮箱上的应用J装备制造技
46、术，2011，(10)：104-107(Wang Bin，Dong Xinghui，Liu Hao，et a1Application of expert system basedon fault tree for wind gear boxJEquipment ManufacturingTechnology，201 l，(10)：104107)【18】张晓波风力发电系统中变频器的故障诊断研究【D】新疆大学，20 1 0年5月19李舜酩，李香莲 振动信号的现代分析技术与应用M 北京: 国防工业出版社，200820王剂，胡晓 MATLAB 在振动信号处理中的应用M 北京: 中国水利水电出版社， 2
47、00621 Mclnerny S A，Dai Y Basic Vibration Signal Processing for BearingFault Detection J IEEE Transactions on Education，2003，46( 1) : 149-15622 Stefani A，Yazidi A，Filippetti A，et al Doubly Fed InductionMachine Diagnosis Based on Signature Analysis of otor ModulatingSignals J IEEE Transactions on Indu
48、stry Application，2008，44( 6) : 1711-172123 Shah D，Nandi S，Neti P Stator Inter-turn Fault Detection of Doubly-Fed Induction Generators Using otor Current and Search CoilVoltage Signature Analysis J IEEE Transactions on IndustryApplication，2009，45( 5) : 1831-184224 Al-Ahmar E，Benbouzid M E H，Amirat Y，
49、et al DFIG- BasedWind Turbine Fault Diagnosis Using a Specific Discrete WaveletTransformC The 18th International Conference on Electrical Machines，Brest，France，2008: 1-625 Popa L M， Jensen B B，itchie E， et a1 Condition monitoring ofwind generatorsC Industry Applications Conference，2003，( 3) :1839-1846
