風(fēng)電機(jī)組在線智能故障診斷技術(shù)發(fā)展趨勢

王兆心

1 風(fēng)力發(fā)電機(jī)組故障特點(diǎn)研究

1.1 葉片故障

葉片是風(fēng)能風(fēng)力渦輪機(jī)的主要部件。當(dāng)風(fēng)力渦輪機(jī)運(yùn)行時(shí)，葉片將承受大的應(yīng)力并且易于失效。例如，長期運(yùn)行后，由于長期暴露在蒸汽和空氣中，葉片易于腐蝕和脫落，導(dǎo)致表面粗糙，結(jié)構(gòu)松散，結(jié)構(gòu)不穩(wěn)定。當(dāng)葉片因外力而破裂或變形時(shí)，釋放出高頻瞬態(tài)聲發(fā)射信號。在此基礎(chǔ)上，將排放檢測技術(shù)應(yīng)用于葉片損傷評估。一旦葉片發(fā)生故障，將導(dǎo)致轉(zhuǎn)子葉片不平衡。通過主軸傳遞的應(yīng)力會(huì)對發(fā)動(dòng)機(jī)室產(chǎn)生一定的影響，這將導(dǎo)致整個(gè)駕駛室顫動(dòng)并嚴(yán)重影響風(fēng)扇的穩(wěn)定性。

1.2 變速箱故障

變速箱是風(fēng)力渦輪機(jī)主軸的重要部分。其主要功能是增加主軸轉(zhuǎn)速，以滿足發(fā)電機(jī)運(yùn)行的基本需求。變速箱主要由行星齒輪和兩個(gè)平行齒輪組成。工作環(huán)境惡劣，工作條件復(fù)雜。行星齒輪和齒輪箱中的高速軸軸承的長期運(yùn)行容易失效。風(fēng)力渦輪機(jī)在運(yùn)行期間易受交變應(yīng)力和沖擊載荷的影響，導(dǎo)致齒輪磨損，生銹和滑動(dòng)。雖然齒輪組故障的頻率相對較小，但是一旦齒輪組失效并且不能繼續(xù)工作，則執(zhí)行維護(hù)需要很長時(shí)間并且維護(hù)成本高。

1.3 電機(jī)故障

電動(dòng)機(jī)故障可以概括為電氣故障和機(jī)械故障，包括短路，開路，過熱等。機(jī)械故障包括軸承過熱，損壞和嚴(yán)重磨損。通過分析振動(dòng)，電流和溫度信號，可以有效地檢測和評估電機(jī)故障。雙饋風(fēng)扇轉(zhuǎn)速高，額定轉(zhuǎn)速可達(dá)1500r/min。因此，有必要加快風(fēng)扇齒輪箱的速度以匹配操作過程。

1.4 偏航和制動(dòng)系統(tǒng)故障

偏航系統(tǒng)有兩個(gè)功能：（1） 使風(fēng)扇能夠動(dòng)態(tài)跟蹤風(fēng)向;（2） 跟蹤風(fēng)向，使電纜容易從機(jī)艙繞組中抽出。當(dāng)卷繞量太大時(shí)，偏航系統(tǒng)可以直接解決卷繞問題。槳距控制系統(tǒng)的主要功能是通過在風(fēng)速變化時(shí)控制葉片角度來調(diào)節(jié)風(fēng)力渦輪機(jī)，從而獲得空氣動(dòng)力學(xué)扭矩并最終實(shí)現(xiàn)有效的動(dòng)力控制。當(dāng)風(fēng)速過高或風(fēng)扇故障時(shí)，葉片調(diào)整到螺旋槳狀態(tài)，有效地實(shí)現(xiàn)制動(dòng)。

2 發(fā)電機(jī)故障診斷方法

風(fēng)力渦輪機(jī)有許多故障診斷方法，包括傳統(tǒng)的診斷方法，智能故障診斷方法和數(shù)學(xué)診斷方法。大多數(shù)傳統(tǒng)的診斷方法都是基于狀態(tài)監(jiān)測技術(shù)的數(shù)據(jù)分析，包括：振動(dòng)監(jiān)測技術(shù)，油分析技術(shù)，噪聲監(jiān)測技術(shù)，紅外測溫技術(shù)，聲發(fā)射技術(shù)和無損檢測技術(shù)。智能診斷方法主要包括模糊邏輯，專家系統(tǒng)，神經(jīng)網(wǎng)絡(luò)和遺傳算法。數(shù)學(xué)診斷方法主要包括基于線性和非線性判別函數(shù)的貝葉斯決策準(zhǔn)則和模式識(shí)別方法，基于概率統(tǒng)計(jì)的時(shí)間序列模型診斷方法，基于距離準(zhǔn)則的故障診斷方法，模糊診斷原理和灰色系統(tǒng)診斷。方法，故障樹分析方法，小波分析方法等。

2.1 時(shí)域和頻域分析方法

時(shí)域和頻域分析是風(fēng)力渦輪機(jī)故障診斷的最常用方法。時(shí)域處理方法主要包括以下指標(biāo)：均值，方差，標(biāo)準(zhǔn)差，均方值，有效值，峰值，峰峰值，波形指標(biāo)，峰值指標(biāo)和脈沖指標(biāo)。通過時(shí)域指標(biāo)的統(tǒng)計(jì)，可以進(jìn)行定性診斷，但不能指出具體的故障位置。對時(shí)域信號進(jìn)行傅立葉變換以獲得信號的頻譜，并且根據(jù)頻率的異常變化來診斷單元的故障。如果需要處理短期影響調(diào)制信號，如果直接對故障信號進(jìn)行頻譜分析，則通常會(huì)失敗，并且無法查看是否發(fā)生了故障，因?yàn)镕FT 更適合處理靜止期信號。因此，出現(xiàn)了包絡(luò)譜的使用。包絡(luò)譜不是信號處理過程的精確描述，而是表示不同頻率下振動(dòng)信號的能量。它是根據(jù)振動(dòng)信號源的故障頻率計(jì)算出來的，以確定元件是否發(fā)生故障。包絡(luò)解調(diào)技術(shù)增強(qiáng)了高頻瞬態(tài)失真小信號的能量，并將包絡(luò)檢測技術(shù)與傳統(tǒng)的頻譜分析技術(shù)相結(jié)合，在軸承和齒輪嚴(yán)重?fù)p壞之前檢測其早期缺陷和潤滑問題。。

2.2 人工智能方法

人工智能診斷方法主要包括模糊邏輯，專家系統(tǒng)，神經(jīng)網(wǎng)絡(luò)和遺傳算法。人工智能診斷方法可用于故障狀態(tài)模式識(shí)別，趨勢預(yù)測等。使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行自學(xué)習(xí)，自組織，自適應(yīng)和強(qiáng)非線性映射能力。針對齒輪箱和發(fā)電機(jī)的故障，提出了一種新的智能診斷方法。我們的想法是首先執(zhí)行信號。單子帶重構(gòu)改進(jìn)了小波變換，然后從小波變換子帶系數(shù)中提取特征特征，提取故障特征作為BP 神經(jīng)網(wǎng)絡(luò)的輸入。BP 神經(jīng)網(wǎng)絡(luò)根據(jù)訓(xùn)練的映射關(guān)系導(dǎo)出相應(yīng)輸入信號的故障類型。

2.3 小波分析方法

小波分析在時(shí)域和頻域都具有良好的定位特性，更好地解決了時(shí)域和頻域分辨率之間的矛盾。它可以在一些高頻頻段放大比例，并具有良好的頻率分辨率。它可以降低某些低頻頻段的規(guī)模，并具有良好的時(shí)間分辨率和對信號的適應(yīng)性。因此，小波分析特別適用于處理非平穩(wěn)時(shí)變信號，可以劃分任意頻段的信號，并且可以有效地提取故障特征，而不是基于傅里葉變換的分析方法，特別是提取弱故障特征?；谛〔ǚ治龉收显\斷理論，武漢理工大學(xué)梁衛(wèi)軍提出了一種監(jiān)測齒輪箱狀態(tài)的方法。該方法首先利用常規(guī)功率譜分析點(diǎn)蝕故障，然后對點(diǎn)蝕故障進(jìn)行小波變換的時(shí)頻分析。

3 結(jié)語

風(fēng)力發(fā)電機(jī)的日常維護(hù)和故障處理是確保風(fēng)電場風(fēng)力發(fā)電機(jī)可靠運(yùn)行，降低維護(hù)成本，延長機(jī)組使用壽命的重要技術(shù)手段。以上僅是對風(fēng)力發(fā)電機(jī)的日常維護(hù)和故障排除的初步討論。風(fēng)力發(fā)電還存在許多問題需要解決。因此，要善于總結(jié)和思考工作，善于提問，分析問題，解決問題，加強(qiáng)日常檢查和檢查，減少風(fēng)機(jī)故障頻率和重復(fù)性故障，特別是對中國風(fēng)電的積極發(fā)展至關(guān)重要。