風電機組狀態(tài)監(jiān)測與故障診斷相關技術研究

張文秀， 武新芳

(1. 南京理工大學 能源與動力工程學院，江蘇 南京 210094；2. 上海電力學院 能源與機械工程學院，上海 200090)

0 引 言

近年來，風能作為一種綠色能源在世界能源結構中發(fā)揮著愈來愈重要的作用，風電裝備也因此得到迅猛發(fā)展。根據(jù)世界風能協(xié)會(WWEA)的報告，截止2009年底，全球風力發(fā)電機組發(fā)電量占全球電力消耗量的2%，根據(jù)目前的增長趨勢，預計到2020年底，全球裝機容量至少為 1.9×106MW，是2009年的10倍[1]。在“九五”期間，我國風力發(fā)電場的建設快速發(fā)展，過去十年中，我國的風力發(fā)電裝機容量以年均55%的速度高速增長，2010年已達1000萬kW。

隨著大規(guī)模風電場的投入運行，出現(xiàn)了很多運行故障，因而需要高額的運行維護成本，大大影響了風電場的經(jīng)濟效益。風電場一般處于偏遠地區(qū)，工作環(huán)境復雜惡劣，風力發(fā)電機組發(fā)生故障的幾率比較大，如果機組的關鍵零部件發(fā)生故障，將會使設備損壞，甚至導致機組停機，造成巨大的經(jīng)濟損失[2]。對于工作壽命為20年的機組，運行維護成本一般占到整個風電場總投入的10%～15%，而對于海上風電場，整個比例高達20%～25%[3]。因此，為了降低風電機組運行的風險，維護機組安全經(jīng)濟運行，都應該發(fā)展風電機組狀態(tài)監(jiān)測和故障診斷技術。

狀態(tài)監(jiān)測和故障診斷可以有效監(jiān)測出傳動系統(tǒng)、發(fā)電機系統(tǒng)等的內(nèi)部故障，優(yōu)化維修策略、減少非計劃停機次數(shù)和降低機組的運行維護費用等。風力發(fā)電機組的狀態(tài)監(jiān)測和故障診斷系統(tǒng)集合了信號采集、在線監(jiān)測以及信號分析等功能；能對系統(tǒng)的各種機械參數(shù)和電氣參數(shù)等進行監(jiān)測，并將采集到的數(shù)據(jù)進行分析處理，從而正確定位各系統(tǒng)的故障。

1 風力發(fā)電機組結構及故障機理

1.1 風力發(fā)電機組結構

風力發(fā)電機組由風輪、葉片、主軸承、齒輪箱、發(fā)電機、電氣系統(tǒng)、液壓系統(tǒng)、剎車系統(tǒng)和偏航系統(tǒng)等組成[4]，其結構如圖1所示。風電機組通過葉輪捕獲風能，通過齒輪箱傳遞到發(fā)電機，發(fā)電機將機械能轉化為電能，通過變頻器接入電網(wǎng)。

圖1 風力發(fā)電機組結構

1.2 風力發(fā)電機組故障機理

從瑞典2000年～2004年間的故障統(tǒng)計情況來看[5],風力機每年都保持較高的故障率，剛開始運行的幾年故障率較高，之后開始下降，到風機運行一定年數(shù)時風力機故障率又會上升。

圖2 瑞典風力發(fā)電場故障分布圖(2000年～2004年)

圖2為瑞典風力機各主要部件故障形式的百分比，統(tǒng)計年限為2000年～2004年。由圖可見，各主要部件失效形式百分比最少的為輪轂，最多的為電氣系統(tǒng)，傳感器、葉片/節(jié)距和液壓系統(tǒng)的故障數(shù)也較大。

一項由丹麥和德國的研究機構得出的結論[6-7]表明偏航系統(tǒng)、電氣系統(tǒng)、機械系統(tǒng)、齒輪箱具有較高的故障率。研究者使用統(tǒng)計可靠性分析技術論證得出，傳動系統(tǒng)的故障主要在于齒輪箱和軸承。對于海上風電場，環(huán)境比陸地上更惡劣，那么風機更容易發(fā)生故障，這些故障需要很長的維修時間，并且會耗費很高的維修費用，這大大影響增加了風電機組發(fā)電成本，影響了經(jīng)濟效益。

2 狀態(tài)監(jiān)測與故障診斷

設備故障診斷技術是為了適應現(xiàn)代工程需要而形成的一門多種學科交叉的應用型學科。其研究起源于20世紀60年代后期,主要由軍事工業(yè)的需要發(fā)展起來。美國是最開始開發(fā)狀態(tài)監(jiān)測和故障診斷技術的國家，應用范圍從航天系統(tǒng)的故障原理、故障檢測、故障診斷的研究和開發(fā)，逐漸延伸到電站汽輪發(fā)電機組等其他行業(yè)。美國的西屋公司、BEI公司、Bently公司等主要從事電站故障診斷系統(tǒng)的工作。歐洲也產(chǎn)生了很多擁有故障診斷技術的公司，如瑞士的ABB公司、德國的普魯夫公司。早期的狀態(tài)監(jiān)測與故障診斷技術主要是憑借積累的經(jīng)驗或專家分析研究，對現(xiàn)場獲取設備運行時的一些可以實際觀測或感覺出的狀態(tài)，確定可能存在的故障或故障隱患，這樣難免會存在一些誤判斷。

近年來，隨著相關學科的發(fā)展，許多國家相繼成功研發(fā)了一些比較完善的故障診斷系統(tǒng)，使狀態(tài)監(jiān)測與故障診斷技術進入了實用化的時代。與計算機技術結合起來，將監(jiān)測數(shù)據(jù)傳輸給計算機，然后對這些傳輸來的數(shù)據(jù)做出綜合分析與處理，系統(tǒng)的性能都有了全面的提高，監(jiān)測與診斷的對象發(fā)展成為由多個區(qū)域多臺機組構成的監(jiān)測網(wǎng)絡；應用領域迅速擴展到石油、化工、航空、核工業(yè)、電力等主要領域[8]。不過盡管在很多行業(yè)都直接或間接使用到狀態(tài)監(jiān)測和故障診斷技術，在風電機組上成功實行這項技術是一個不小的挑戰(zhàn)。

2.1 風力機狀態(tài)監(jiān)測技術

狀態(tài)監(jiān)測技術可幫助發(fā)現(xiàn)機組機械和電氣的初始故障，遏制重要事故的發(fā)生。風電機組狀態(tài)監(jiān)測系統(tǒng)可在機組運行過程中實時監(jiān)控各個部件的運行狀態(tài)，及時判斷部件存在的問題和隱患，及時采取處理措施，提高了機組運行可靠性。對于風力發(fā)電機組，狀態(tài)監(jiān)測技術主要可以分為以下幾類。

(1) 油液監(jiān)測。油液監(jiān)測技術檢測的是設備潤滑油和液壓油的性能，掌握設備運行中的潤滑和零部件的磨損信息[9]。油液監(jiān)測包括油液品質檢查、鐵屑檢查等。在風電機組狀態(tài)監(jiān)測中，油液分析的主要目的是監(jiān)測經(jīng)過潤滑油潤滑的組件質量。

(2) 振動監(jiān)測。振動信號能夠反映機械故障特征，機械狀態(tài)的變化可以通過振動信號體現(xiàn)出來。振動分析是旋轉機械狀態(tài)監(jiān)測中應用最多的方法，可對機械設備進行準確的檢驗和故障診斷，比如轉子不平衡、油膜振蕩、轉軸彎曲等[10]。

(3) 溫度監(jiān)測。在設備劣化的情況下，溫度的高低可以直觀地反應設備的運行情況，因此溫度監(jiān)測通常用于電子和電氣元件的故障診斷。對風力發(fā)電機組而言，發(fā)電機、齒輪箱、變頻器等設備都需要進行溫度監(jiān)測。

(4) 應變力監(jiān)測。對風電機組中的葉片壽命預測和疲勞狀況監(jiān)測，應變力測量是一種高效方法，主要通過在關鍵部位安裝應變力傳感器測量。應變力傳感器是一種常見的設備疲勞狀況監(jiān)測的傳感器。

其他的狀態(tài)監(jiān)測技術還有很多，比如聲學監(jiān)測、轉矩測量等。其中，聲學監(jiān)測可用于檢測葉片故障趨勢，與傳統(tǒng)的振動監(jiān)測方法相比更適合低速的魯棒性強的機組，還可用于檢測組件表面應力的突變；轉矩測量可用于傳動系統(tǒng)的故障檢測。

2.2 風電機組狀態(tài)監(jiān)控系統(tǒng)的應用開發(fā)

一般來說，風電機組都有自己配套的狀態(tài)監(jiān)測系統(tǒng)。如西班牙Gamesa公司、德國B&K公司、美國GE公司、丹麥Vestas公司等這些風電制造商都有相關的產(chǎn)品。但是，這些系統(tǒng)的兼容性相對較差，只適用于特定型號風電機組。因此，國外有很多公司設計與開發(fā)了第三方監(jiān)控系統(tǒng)，如美國賽風公司的Second-WIND-ADMS系統(tǒng)、美國卓越通信的SCADA系統(tǒng)、美國的AREVA公司的OneProd系列、英國Garrad公司的GH SCADA系統(tǒng)和Vestas Online系統(tǒng)、德國SKF公司開發(fā)的SKF Windcon2.0、丹麥瑞思國家實驗室開發(fā)的Clever Farm系統(tǒng)等。此外，德國Prutechnikf公司、丹麥Gram&Juhl公司專門致力于開發(fā)用于風電機組的監(jiān)測設備[11]。

國內(nèi)很少有制造商研制整機或整個風電場的狀態(tài)監(jiān)控系統(tǒng)，大多只是對風電機組的某個部件進行狀態(tài)監(jiān)測與故障診斷?，F(xiàn)在已投入實用的監(jiān)控系統(tǒng)還限于完成數(shù)據(jù)采集、分析顯示這些傳統(tǒng)的任務。目前，有部分廠商在研發(fā)風電機組狀態(tài)監(jiān)控系統(tǒng)，并取得了一定的成果。如南京中大趨勢測控設備公司的CUT-3100系列監(jiān)控產(chǎn)品、北京國旋新力公司的MV.SD2100風機監(jiān)控系列產(chǎn)品、南瑞電控所開發(fā)的NS2000W系統(tǒng)[12]。此外金風科技、華銳風電等都為自行生產(chǎn)的風電機組配備了監(jiān)控系統(tǒng)。

2.3 風力機故障診斷技術

風電機組故障診斷技術是通過掌握風電機組運行過程中的狀態(tài)，判斷其部件是否正常的技術，其也可以預報故障發(fā)展趨勢。本文主要針對風電機組中故障率高的齒輪箱、發(fā)電機、葉片、變頻器，介紹了國內(nèi)外相關研究現(xiàn)狀。

2.3.1 齒輪箱的故障診斷

風電機組的齒輪箱位于機艙內(nèi)，是連接主軸和發(fā)電機的主要部件，其主要功能是將風輪所產(chǎn)生的動力傳遞給發(fā)電機。由于其長期運行在變工況和變載荷的情況下，很容易發(fā)生故障。表1給出了齒輪箱部件的主要失效形式。

表1 齒輪箱部件失效形式

近年來，已經(jīng)有不少科研人員對齒輪箱的故障診斷進行了研究。振動測量和頻譜分析是典型的齒輪箱故障診斷方法。文獻[13-14]先測得對異步發(fā)電機的電流信號，然后對其進行解調(diào)來診斷齒輪箱故障，之后將離散小波變換方法用到解調(diào)出來的電流信號上，進而根據(jù)特定層次頻譜來診斷齒輪故障。唐新安[15]等利用時域信號的指標對齒輪箱故障進行了初步診斷，再借助快速傅里葉變換法對診斷結果進行進一步的分析確認。ZHOU[16]等基于小波變換的時頻多分辨率分析特性和齒輪箱的故障類型，從動力學的角度建立了齒輪箱振動信號理論模型，試驗表明該診斷方法能有效地診斷局部損傷在變速箱的齒輪故障。文獻[17]提取了齒輪箱振動信號的多維時域特征值，采用主分量分析(PCA)和Fisher準則對實際運行的健康機組和故障機組的齒輪箱進行分類識別。YAO X J[18]等針對風機齒輪箱的裂齒現(xiàn)象，提出一種基于自適應Morlet小波變換的新方法，該方法首先基于峭度最大化原則，優(yōu)化Morlet小波函數(shù)的參數(shù)提取沖擊特征，然后利用一種平均自相關譜來突出有關裂齒故障的故障特征。

2.3.2 發(fā)電機的故障診斷

發(fā)電機是風電機組的核心部件，主要功能是將機械能轉化為電能。由于發(fā)電機長期處于變工況和電磁的環(huán)境中，定子繞組、軸承、轉子導條等容易產(chǎn)生故障。而定子繞組短路、轉子繞組故障是發(fā)電機的主要的故障形式[19]。根據(jù)發(fā)電機的故障特點，目前主流的診斷方法是基于發(fā)電機定、轉子電流信號、電壓信號及輸出功率信號。文獻[20]通過測量定子三相電流來監(jiān)測發(fā)電機容易出現(xiàn)的定子匝間短路問題。WATSON[21]等在利用連續(xù)小波變換的條件下，對發(fā)電機輸出功率信號進行分析，從而辨識出轉子軸承故障和偏心故障。文獻[22]分析了風電機組的機械轉矩和電磁轉矩以及發(fā)電機端電流信號三者之間的聯(lián)系，利用離散小波變換方法，通過對電流、電壓以及功率等電參數(shù)信號的分析，得到齒輪箱軸承的偏心故障特征信號。文獻[23]分別利用小波分析和RBF神經(jīng)網(wǎng)絡方法對風電機組的各種電參數(shù)信號進行分析，從而得到一種診斷機組轉子繞組故障的方法。許允之[24]研究了發(fā)電機轉子斷條故障的診斷機理，選取小波包分析作為信號處理的前置手段，得到輸出神經(jīng)網(wǎng)絡的特征向量。神經(jīng)網(wǎng)絡通過學習訓練得到診斷結果，將小波的局部特性和神經(jīng)網(wǎng)絡的自學習特性結合起來，使診斷系統(tǒng)具有自適應分辨性和良好的容錯性。

針對發(fā)電機的特定故障類型，如轉子角誤差、軸承故障及定子匝間短路等故障，Yang W等運用小波分析和快速傅里葉變換分析功率信號來檢測發(fā)電機轉子角誤差和軸承故障，小波分析體現(xiàn)了不穩(wěn)定信號的時頻特性，快速傅里葉變換則準確地確定了諧波元件的振幅，從而在給定的時間之內(nèi)找到峰值振幅譜的小波系數(shù)，作為發(fā)電機的故障特征提取出來。

2.3.3 葉片的故障診斷

風電機組的葉片是整個機組最容易受到損壞的部件，由于長期裸露在惡劣的環(huán)境下，易受到濕氣腐蝕、雷擊等因素的破壞，因此葉片的故障率在整機中占有較高的比重[25]。文獻[26]中為了測量因閃電造成的葉片破壞，提出建立光纖傳感網(wǎng)絡的方法，實現(xiàn)了對葉片故障的診斷。文獻[27]是間接地來監(jiān)測葉片的運行狀態(tài)，通過測量發(fā)電機端的電壓和電流，計算出發(fā)電機輸出功率。ZHAO M H[28]等針對因結冰引起的葉片質量不平衡，采用Fluent軟件分析結冰對風機外形結構的影響，并通過振動信號的結構特征進行分析。文獻[29]在風力機葉片中成功安裝了光纖光柵傳感器測量系統(tǒng)。根據(jù)葉片在旋轉過程中的載荷變化，利用光纖光柵傳感器捕捉信號來判斷葉片是否處于健康狀態(tài)。光纖光柵傳感器具有較好的抗電磁干擾、抗腐蝕等優(yōu)點，適合用于葉片結構的狀態(tài)監(jiān)測，但由于沒有相對應的葉片損傷準則，傳感器獲得的信號并不能與葉片損傷模式對應。針對此不足，文獻[30]對葉片材料損傷的失效容限進行了一定的研究。文獻[31]則通過利用歸一化雙譜和雙相干技術得出發(fā)電機端的功率譜密度來分析葉片的缺陷。由于電擊這種情況僅僅通過發(fā)電機端的一些參數(shù)很難分析出葉片的故障，文獻[32]對葉片中遭受閃電破壞的位置進行定位利用的是光纖電流傳感器。

2.3.4 變頻器的故障診斷

變頻器所處現(xiàn)場往往環(huán)境惡劣，高溫發(fā)熱、電磁干擾等易導致變頻器發(fā)生故障。變頻器的主要故障有誤動作、過電壓、過電流、過熱、欠電壓等。過電壓主要指中間直流環(huán)節(jié)回路過電壓，這會影響到中間直流環(huán)節(jié)中濾波電容器的使用壽命。過電流產(chǎn)生的原因主要是負載突變、負荷分配不均和輸出短路等。當輸入電壓缺相、整流回路發(fā)生故障時就會導致欠電壓故障。文獻[33]通過細化其變頻器仿真模型，在仿真環(huán)境下對變頻器故障原理和故障類型等做了仿真分析研究，將經(jīng)過處理的仿真結果數(shù)據(jù)和作為訓練的樣本數(shù)據(jù)對設計好的神經(jīng)網(wǎng)絡進行訓練和測試，以此使神經(jīng)網(wǎng)絡具有診斷和定位故障的能力。于輝[34]等則利用神經(jīng)網(wǎng)絡的非線性映射特性，提出了采用基于波形直接分析的BP神經(jīng)網(wǎng)絡故障診斷方法，這種方法主要針對變速風力發(fā)電機組中的變頻器電路模型非線性強的特點，能動態(tài)監(jiān)視風力發(fā)電機變頻器電路的工作狀態(tài)，實時在線進行故障診斷和分析，確定變頻器故障的部位和性質。文獻[35]提出了仿真分析診斷法，通過對變頻器進行故障后的系統(tǒng)仿真，利用獲取的故障電流、電壓波形與正常電流、電壓波形的對比來診斷變頻器的故障。文獻[36]對風電變頻器中的故障進行設置，然后使用小波變換的多分辨率特性，提取變頻器的故障特征向量，最后應用BP神經(jīng)網(wǎng)絡進行故障模式識別。仿真結果表明，此種風電變頻器的故障診斷系統(tǒng)具有較強的穩(wěn)定性和準確性。

2.4 系統(tǒng)級故障檢測和隔離

風電機組及其子系統(tǒng)包含很多部件，因此對其進行系統(tǒng)和子系統(tǒng)級的故障隔離較復雜。故障隔離也需要更多的系統(tǒng)分析，因此需要有效地建立部件級和系統(tǒng)級的故障診斷模型。離散事件系統(tǒng)DES的框架被認為是一個合適的選擇，隨著復雜系統(tǒng)越來越多，佩特里網(wǎng)已經(jīng)被用在風機故障診斷的系統(tǒng)級決策上。Rodriguez[37]等使用顏色化的佩特里網(wǎng)來診斷風機的潤滑系統(tǒng)和冷卻系統(tǒng)。Echavarria[38]等開發(fā)了一種定性物理的方法用作對風電機組的智能維護，在基于模型推理和功能冗余設計的基礎上開發(fā)了故障診斷系統(tǒng)?；谀Ｐ偷暮锰幨侵恍枰苌俚男畔⑶也灰鈴碗s方程組，同時在故障預測中具有可重用性和魯棒性。Zaher和McArthur[39]提出了一個用于風機故障檢測和識別的多智能斷層檢測系統(tǒng)的初步框架，描述了反常現(xiàn)象代理、功率曲線代理和停機時間分類代理的開發(fā)，由于系統(tǒng)開發(fā)的可重構性和可伸縮性，多代理系統(tǒng)需要更進一步的研究。

2.5 風力發(fā)電機組智能故障診斷方法

風力發(fā)電機組故障原因復雜，故障原因和故障機理之間存在著極大的不確定性，因此通過人工智能的方法來診斷機組的故障。近些年來，人工智能方法在可再生能源技術上的應用越來越廣泛。

關于人工智能方法，文獻[40]主要針對齒輪箱故障診斷，提出了一種基于故障診斷框架的神經(jīng)網(wǎng)絡故障診斷方法。文獻[41]利用多種智能診斷技術和方法，如Elman網(wǎng)絡、概率神經(jīng)網(wǎng)絡、BP網(wǎng)絡等，對發(fā)電機的多種故障數(shù)據(jù)進行處理，然后分析故障產(chǎn)生的原因，得出診斷結論。文獻[42]提出了數(shù)據(jù)庫的奇偶編號、推理機制的模糊推理判斷及學習機制的機械學習，增強了故障診斷專家系統(tǒng)的智能性。文獻[43]根據(jù)故障信號特征和小波變換多尺度分解性質選取小波分解層次，得到反映風機運行狀態(tài)的特征向量，利用待檢狀態(tài)的特征向量與典型故障特征表，通過模糊模式識別方法進行風機故障診斷。文獻[44]在最小二乘支持向量機方法的基礎上，融合SA算法，提出黑洞粒子群模擬退火算法，并應用到最小二乘支持向量機方法參數(shù)優(yōu)化中，利用參數(shù)優(yōu)化后的最小二乘支持向量機方法建立多分類決策模型，對風力發(fā)電機進行故障診斷。文獻[45]在BP算法的基礎上提出了輸出模式矩陣的改進方法，將常用的單位矩陣故障模式轉變?yōu)槎M制結構，運用于轉子的故障診斷，使得樣本訓練次數(shù)大大減小。Garcia MC[46]等利用人工神經(jīng)網(wǎng)絡實現(xiàn)了對風力機各部件和整機的健康狀況評估，提出了在線預測智能系統(tǒng)，使用模糊專家系統(tǒng)技術對故障進行診斷。

3 結 語

狀態(tài)監(jiān)測與故障診斷技術是一門融合電子、計算機、信號分析與數(shù)據(jù)處理、人工智能等多學科的技術。近年來隨著風力發(fā)電行業(yè)的不斷發(fā)展，如何降低風電機組故障率，提高風電場的經(jīng)濟效益成為當前的研究熱點。在這個背景下風力發(fā)電機組狀態(tài)監(jiān)測與故障診斷技術的研究顯得十分重要。本文主要介紹了現(xiàn)有的各種狀態(tài)監(jiān)測技術，然后針對風電機組的主要部件，對國內(nèi)外相關故障診斷的研究進展進行了調(diào)研綜述。

綜合國內(nèi)外的研究現(xiàn)狀，未來狀態(tài)監(jiān)測與故障診斷技術的發(fā)展趨勢是各種先進診斷方法的融合以及發(fā)展遠程的狀態(tài)監(jiān)測和故障診斷等。具體可有以下的發(fā)展方向。

(1) 把基于多傳感器的信息融合技術應用于設備狀態(tài)監(jiān)測中，不僅可拓寬設備狀態(tài)信息的來源渠道，還可改善信息處理的質量，對設備的運行狀態(tài)做出準確判斷，提高故障診斷的準確性。

(2) 把虛擬儀器技術應用到機組監(jiān)測和診斷系統(tǒng)中，使系統(tǒng)工作界面更形象，具有良好的可視性和交互性，準確表現(xiàn)風電機組的工作狀態(tài)。

(3) 通過網(wǎng)絡連接實現(xiàn)遠程故障診斷系統(tǒng)間的通信，形成開放式故障診斷系統(tǒng)，從而可以使整個診斷系統(tǒng)具有更大的靈活性和可擴展性。

(4) 根據(jù)不同風電機組類型制定量化的故障診斷方法參照標準。

(5) 更多地發(fā)展基于模型的故障診斷方法，從子系統(tǒng)擴展到整個系統(tǒng)。

【參考文獻】

[1] EWEA. World wind energy report 2009[M]. Bonn: World Wind Energy Association, 2010.

[2] YANG W X, JIANG J S, TAVNER P J, et al. Monito-ring wind turbine condition by the approach of empirical mode decomposition[C]∥2008 Interna-tional Conference on Electrical Machines and Syst-ems. Wuhan, China: IEEE, 2008: 736-740.

[3] LU B, LI Y Y, WU X, et al. A review of recent advances in wind turbine condition monitoring and fault diagnosis[J]. PEMWA 2009, IEEE, 2009(6): 1-7.

[4] RIBRANT J. Reliability performance and maintena-nce-a survey of failures in wind power systems[D]. Sweden: Royal Institute of Technology, 2006.

[5] RIBRANT J. Survey of failures in wind power systems with focus on Swedish wind power plant during 1997-2005[J]. IEEE Trans Energy Conversion, 2007(22): 167-173.

[6] TAVNER P J, XIANG J, SPINATO F. Reliability 10 Turbines[J]. Wind Energy, 2007(10): 1-18.

[7] TAVNER P J, EDWARDS C, BRINKMAN A, et al. Influence of wind speed on wind turbine reliability[J]. Wind Engineering, 2006, 30(1): 55-72,2006.

[8] 龍泉,劉永前,楊勇平.狀態(tài)監(jiān)測與故障診斷在風電機組上的應用[J].現(xiàn)代電力,2008,25(6): 54-59.

[9] 王小斌.油液分析技術在機械設備狀態(tài)監(jiān)測中的應用分析[J].煤炭技術,2001,20(9): 52-53.

[10] 操煉.振動信號在船舶設備檢驗中的應用探討[D].上海: 上海海事大學,2005.

[11] 陳云花.基于振動測試的大型風力發(fā)電機組運行狀態(tài)監(jiān)測研究[D].內(nèi)蒙古: 內(nèi)蒙古科技大學,2009.

[12] 傅質馨,袁越.海上風電機組狀態(tài)監(jiān)控技術研究現(xiàn)狀與展望[J].電力系統(tǒng)自動化,2012(21): 121-129.

[13] AMIRAT Y, BENBOUZID M E H, BENSAKER B, et al. Condition monitoring and fault diagnosis in wind energy conversion system: a review[C]∥Electric Machines&Drives Conference, lEMDC’07, IEEE International, 2007: 1434-1439.

[14] MOHANTY A R. Fault detection in a multistage gearbox by demodulation of motor current waveform[J]. IEEE Tran&Industrial Electronics, 2006,53(4): 285-1297.

[15] 唐新安,謝志明,吳金強,等.風力機齒輪箱故障診斷[J].噪聲與振動控制,2007(1): 120-124.

[16] ZHOU W J, SHEN Y X, WANG L. Fault diagnosis for wind turbine gearbox based on wavelet analysis[C]∥24th Chinese Control and Decision Conference (CCDC), 2012, China.

[17] YANG J M, FAN D G, ZHOU Y B, et al. Fault diagnosis of wind turbine gearbox based on fisher criterion[C]∥Proceedings of the 30th Chinese Control Conference July 22-24, 2011, Yantai, China.

[18] YAO X J, GUO C C, ZHONG M F, et al. Wind turbine gearbox fault diagnosis using adaptive morlet wavelet spectrum[C]∥Proc of the 2nd International Conferenceon Intelligent Computation Technology and Automation. Changsha, China: IEEE Computer Society, 2009: 580-583.

[19] YANG W X, TAVNER P J, MICHAEL W. Wind turbine condition monitoring and fault diagnosis using both mechanical and electrical signatures [C]∥International Conference on Advanced Intelligent Mechatronics,2008, Xi’an, China, 2008: 1296- 1301.

[20] WILLIAMSON S, DJUROVIC S. Origins of stator current spectra in DFIFs with winding faults and excitation asymmetries[C]∥2009 IEEE International Electric Machines and Drives Conference, Miami, FL: IEEE, 2009: 563-570.

[21] WATSON S J,XIANG B J, YANG W X, et al. Condition monitoring of the power output of wind turbine generators using wavelets[J]. IEEE Transactions on Energy Conversi on, 2010, 25(3): 715-721.

[22] YANG W, TAVNER P J, WILKINSON M R. Condition monitoring and fault diagnosis of a wind turbine synchronous generator drive train[J]. ET Renewable Power Generation, 2009, 3(1): 1-11.

[23] ZHAO Y J, LI Y G, HU J W. RBFNN for Fault diagnosis of rotor windings inter tum short circuit in turbine-generator[C]∥International Conference on Condition Monitoring and Diagnosis, 2008(4): 1331-1334.

[24] 許允之,韓麗,方永麗,等,基于神經(jīng)網(wǎng)絡算法的感應電機故障診斷方法[J].大電機技術,2013,1(1): 15-21.

[25] KUBUR,KAHRAMAN A, ZINI D M, et a1. Dynamic analysis of a multi-shaft helical gear transmission by finite elements: model and experi-ment[J]. Transactions of the ASME, 2004,126(7): 398- 406.

[26] KRAMER S G M, LEON F P, APPERT B. Fiber optic sensor network for lighting impact localization and classification in wind turbines[C]∥2006 IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems. Heidelberg: IEEE,2006: 173-178.

[27] TSAI C S, HSIEH C T, HUANG S J. Enhancement of damage-detection of wind turbine blades via CWT-based approaches[J]. IEEE Transactions on Energy Conversion, 2006, 21(3): 776-781.

[28] ZHAO M H, JIANG D X, LI S H. Research on fault mechanism of icing of wind turbine blades[C]∥Proc of the 1st World Non-Grid-Connected Wind Power and Energy Conference, Nanjing, China: IEEE Computer Society, 2009: 1- 4.

[29] SCHROEDER K， ECKE W， APITZ J， et al. A fibreBragg grating sensor system monitors operational load ina wind turbine rotor blade[J]. Meas Sci Technol, 2006(17): 1167-1172.

[30] JEFFRIES W Q. Experience with bieoherenee of electrical power for condition monitoring of wind turbine blades[J]. lEE Proc Vision, Image and Signal Processing, 1998,145(3)141-148.

[31] YE J J, CHEN X F,ZHAI Z, et al. Predictingelastic and plastic response of fiber-reinforced metal matrix composites[J]. Mechanics of Composite Materials， 2010(4): 405- 416.

[32] TSAI C S. Enhancement of damage-detection of wind turbine blades via CWT-based approaches[J]. IEEE Trans. Energy Conversion, 2006, 21(3): 776-781.

[33] 胡立錦.直驅式風力發(fā)電機變頻器故障診斷研究[D].新疆: 新疆大學,2012.

[34] 于輝,鄧英.風力發(fā)電機變流器故障診斷方法[J].可再生能源,2010,28(3): 89-92.

[35] YANG S, LI W, WANG C. The intelligent fault diagnosis of wind turbine gearbox basedon artificial neural network[C]∥Proc 2008 Int Conf on Condition Monitoring and Diagnosis, 2008: 1327-1330.

[36] WANG Z, GUO Q. The diagnosis method for conve-rter fault of the variable speed wind turbine based on the neural networks[C]∥in Proc 2ndInt Conf on Innovative Computing, Information and Control, 2008.

[37] RODRIGUEZ L, GARCIA E, MORANT F, et a1. Application of latent nestling method using colored petri nets for thefault diagnosis in the wind turbine subsets[C]∥in Proc 2008 IEEE Int. Conf. Emerging Technologies and Factory Automation, 2008: 767-773.

[38] ECHAVARRIA E, TOMIYAMA T, HUBERTS H W, et al. Fault diagnosis system for an offshore wind turbine using qualitative physics[C]∥in Proc EWEC 2008, Brussels, Belgium, 2008.

[39] ZAHER A S, MCARTHUR S D J. A multi-agent fault detectionsystem for wind turbine defect recogni-tion and diagnosis[C]∥in Proc 2007 IEEE Lausanne POWERTECH.

[40] WALLCAE A K, SPEE R. The simulation of brushless dc driver failures [C]∥PESC Record-IEEE Power Electronics Specialists Conference, 1988: 199-206.

[41] SOTERIS A K. Artificial neural networks in renew-able energy systems applications a review[J]. Renewable and Sustainable Energy Reviews, 2001(5): 373- 401.

[42] 郭洪澈.風力發(fā)電系統(tǒng)的故障診斷專家系統(tǒng)設計[J].節(jié)能,2002(7): 36-38.

[43] 胡漢輝,楊洪,譚青,等.基于小波分析的風機故障診斷[J].中南大學學報,2007,38(6): 1169-1173.

[44] 焦斌,徐志翔.基于綜合優(yōu)化方法的風力發(fā)電機故障診斷[J],控制工程,2012,19(4): 681-686.

[45] 王立鵬,劉貴立,李小彭.基于BP神經(jīng)網(wǎng)絡的風機轉子故障診斷[J].沈陽工業(yè)大學學報,2002,24(5): 428- 430.

[46] GARCIA M C, SANZ-BOBI M A, DEL PICO J. SIM A P: intelligent system for predictive maintenance application to the health condition monitoring of a wind turbine gearbox[J]. Computers in Industry, 2006, 57(6): 552-568.