風(fēng)力發(fā)電機(jī)組故障診斷與狀態(tài)預(yù)測(cè)的研究進(jìn)展

李 剛，齊 瑩，李銀強(qiáng)，張建付，張力暉

（1. 華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，河北省保定市071003；2. 復(fù)雜能源系統(tǒng)智能計(jì)算教育部工程研究中心（華北電力大學(xué)），河北省保定市071003；3. 國(guó)網(wǎng)河北省電力有限公司高陽(yáng)縣供電分公司，河北省保定市071500；4. 華北電力大學(xué)電氣與電子工程學(xué)院，河北省保定市071003）

0 引言

為應(yīng)對(duì)氣候變暖、環(huán)境污染等問(wèn)題，全球能源消費(fèi)正逐步邁入以清潔能源/可再生能源替代化石能源的“第三次工業(yè)革命”［1］時(shí)代。風(fēng)能是最重要的清潔能源之一，全球風(fēng)能理事會(huì)在2020年3月25日發(fā)表的《全球風(fēng)能報(bào)告》中指出，2019 年全球新增裝機(jī)容量60.4 GW，累計(jì)裝機(jī)容量達(dá)到650 GW［2］。據(jù)國(guó)家發(fā)展和改革委員會(huì)能源研究所預(yù)測(cè)，到2050年中國(guó)的風(fēng)電裝機(jī)容量將達(dá)到2 400 GW，占國(guó)內(nèi)總裝機(jī)容量的33.8%［3］，大力發(fā)展風(fēng)電等清潔能源是實(shí)現(xiàn)中國(guó)可持續(xù)發(fā)展戰(zhàn)略的必然選擇。發(fā)展風(fēng)電、光伏等新能源的高效運(yùn)維技術(shù)已成為當(dāng)前電力系統(tǒng)面臨的重要問(wèn)題之一。

在風(fēng)電機(jī)組單機(jī)容量較大、機(jī)組整體結(jié)構(gòu)越加復(fù)雜、各部件之間的耦合也愈加緊密的情況下，機(jī)組出現(xiàn)故障的概率也會(huì)增加。據(jù)統(tǒng)計(jì)，陸上風(fēng)電機(jī)組的運(yùn)營(yíng)及維護(hù)費(fèi)用可達(dá)到其收益的15%～25%，而海上風(fēng)電機(jī)組的對(duì)應(yīng)數(shù)字可占到35%［4-5］，除了導(dǎo)致維護(hù)成本過(guò)高之外，對(duì)電力系統(tǒng)的穩(wěn)定運(yùn)行也具有明顯的負(fù)面影響。為了協(xié)調(diào)電網(wǎng)企業(yè)的建設(shè)運(yùn)營(yíng)成本與社會(huì)降低電價(jià)預(yù)期之間的矛盾，全面發(fā)展電力系統(tǒng)的泛在感知技術(shù)，通過(guò)數(shù)據(jù)驅(qū)動(dòng)、人工智能、數(shù)字孿生［6］等方法實(shí)現(xiàn)基于設(shè)備健康管理體系的狀態(tài)維護(hù)（condition-based maintenance，CBM）或 預(yù) 防 性 維 護(hù)（predictive maintenance，PM），是電力系統(tǒng)實(shí)現(xiàn)數(shù)字化、網(wǎng)絡(luò)化和智能化的重要基礎(chǔ)。

傳統(tǒng)的設(shè)備維護(hù)策略包括事后維護(hù)和定期維護(hù)，這2種維護(hù)策略容易導(dǎo)致“維護(hù)不足”或“維護(hù)過(guò)?！保?］。故障預(yù)測(cè)與健康管理（prognostics and health management，PHM）的理念近年來(lái)受到很多學(xué)者的關(guān)注，旨在實(shí)現(xiàn)從被動(dòng)維護(hù)到主動(dòng)預(yù)防的轉(zhuǎn)變，可以顯著降低設(shè)備的維護(hù)成本［8］。已有研究嘗試將PHM體系引入電力系統(tǒng)（如風(fēng)電機(jī)組、輸變電設(shè)備等）的運(yùn)行維護(hù)中，使之成為CBM或PM的重要環(huán)節(jié)［9-11］。

在風(fēng)電機(jī)組中，傳動(dòng)軸系、葉輪、發(fā)電機(jī)是造成機(jī)組故障和停機(jī)的主要部件［12-13］。因此，本文著重對(duì)這三大部件的故障診斷及狀態(tài)預(yù)測(cè)的基本原理、典型方法進(jìn)行系統(tǒng)分析與綜合評(píng)價(jià)，并對(duì)CBM 未來(lái)的發(fā)展方向進(jìn)行展望。

1 故障診斷與狀態(tài)預(yù)測(cè)的基本理論框架

從宏觀方面來(lái)講，CBM 體系主要包含故障診斷、狀態(tài)預(yù)測(cè)和健康管理3個(gè)方面的內(nèi)容?！肮收稀笔侵冈O(shè)備或系統(tǒng)喪失原定效用或者因?yàn)樾阅芡嘶荒苓_(dá)到原定要求的異常狀態(tài)；“健康”是指目前運(yùn)行狀態(tài)與預(yù)期正常運(yùn)行狀態(tài)之間的偏差程度?！肮收显\斷”是判斷設(shè)備或系統(tǒng)的異常狀態(tài)，識(shí)別故障類(lèi)型、位置以及具體原因，進(jìn)而達(dá)到故障隔離的目的，并為用戶(hù)進(jìn)行決策提供參考?！盃顟B(tài)預(yù)測(cè)”則是根據(jù)設(shè)備或系統(tǒng)的歷史監(jiān)測(cè)數(shù)據(jù)，對(duì)當(dāng)前設(shè)備或系統(tǒng)的運(yùn)行情況進(jìn)行評(píng)估，并對(duì)未來(lái)一段時(shí)間內(nèi)的設(shè)備或系統(tǒng)狀態(tài)或故障趨勢(shì)做出預(yù)測(cè)。“健康管理”即是依據(jù)設(shè)備或系統(tǒng)故障診斷或狀態(tài)預(yù)測(cè)結(jié)果、現(xiàn)有維護(hù)資源以及其他要求等信息，做出相關(guān)維護(hù)的決策能力［14］。狀態(tài)預(yù)測(cè)在CBM 體系中發(fā)揮著重要作用。風(fēng)電機(jī)組的狀態(tài)預(yù)測(cè)就是以機(jī)組歷史監(jiān)測(cè)數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)為基礎(chǔ)，結(jié)合機(jī)組所處地域環(huán)境，建立預(yù)測(cè)模型和方法，實(shí)現(xiàn)對(duì)未來(lái)一定時(shí)間段內(nèi)機(jī)組故障（或剩余壽命）的預(yù)測(cè)［15-16］。本章從影響風(fēng)電機(jī)組正常運(yùn)行的關(guān)鍵因素、風(fēng)電機(jī)組故障特性、預(yù)測(cè)方法及其評(píng)價(jià)等4個(gè)方面對(duì)風(fēng)電機(jī)組的CBM體系進(jìn)行論述。

1.1 影響風(fēng)電機(jī)組運(yùn)行狀態(tài)的因素及特性分析

目前應(yīng)用廣泛的風(fēng)電機(jī)組主要包括雙饋感應(yīng)發(fā)電機(jī)（doubly-fed induction generator，DFIG）和永磁同步發(fā)電機(jī)（permanent magnetic synchronous generator，PMSG）。風(fēng)電機(jī)組零部件種類(lèi)眾多且數(shù)量龐大，影響風(fēng)電機(jī)組正常運(yùn)轉(zhuǎn)的因素有很多，且其中許多因素之間相互耦合，給分析風(fēng)電機(jī)組的運(yùn)行狀況帶來(lái)了挑戰(zhàn)。如圖1所示，本文根據(jù)風(fēng)電機(jī)組在設(shè)計(jì)、生產(chǎn)、運(yùn)輸、安裝、運(yùn)行、維修及回收的全壽命周期發(fā)展過(guò)程的不同階段，對(duì)影響風(fēng)電機(jī)組正常運(yùn)轉(zhuǎn)的因素進(jìn)行了歸納與總結(jié)。

圖1 影響風(fēng)電機(jī)組正常運(yùn)轉(zhuǎn)的主要因素Fig.1 Major factors affecting normal operation of wind turbines

由圖1可知，風(fēng)電機(jī)組的設(shè)計(jì)及生產(chǎn)過(guò)程直接影響其部件以及整機(jī)的性能，同時(shí)也影響到機(jī)組的生產(chǎn)成本和故障率。在采用模塊化設(shè)計(jì)理念并優(yōu)選部件供應(yīng)商的情況下，可以提高整機(jī)質(zhì)量、減少運(yùn)維成本。

風(fēng)電機(jī)組在運(yùn)輸、安裝及維護(hù)過(guò)程中會(huì)受到人為因素的影響，如齒輪安裝誤差、軸承安裝不正、潤(rùn)滑不良、存儲(chǔ)不當(dāng)、運(yùn)輸損耗、維護(hù)不當(dāng)以及未及時(shí)進(jìn)行維修等，外加運(yùn)行過(guò)程中受氣象和地理等客觀因素影響，如極端天氣、變工況運(yùn)行以及不可預(yù)知的負(fù)載波動(dòng)等，風(fēng)電機(jī)組各部件均可能出現(xiàn)意外故障造成損傷，直接影響到風(fēng)電機(jī)組的剩余使用壽命。

風(fēng)電機(jī)組在運(yùn)行中主要受到載荷以及電氣因素的影響。導(dǎo)致風(fēng)電機(jī)組疲勞和振動(dòng)的載荷主要包括隨機(jī)性載荷與確定性載荷。隨機(jī)性載荷是由風(fēng)湍流引起的氣動(dòng)載荷，受風(fēng)速影響產(chǎn)生的隨機(jī)交變載荷是導(dǎo)致機(jī)組發(fā)生故障的主要原因之一。在電流諧波以及風(fēng)湍流兩者的共同作用下，會(huì)直接影響到發(fā)電機(jī)的電磁轉(zhuǎn)矩，進(jìn)一步使得作用在軸上的扭矩隨著時(shí)間的變化形成旋轉(zhuǎn)振動(dòng)。當(dāng)因扭振引起的應(yīng)力變化積累到一定程度時(shí)，會(huì)嚴(yán)重影響到傳動(dòng)軸系的齒輪箱以及軸承的剩余使用壽命。

影響風(fēng)電機(jī)組的確定性載荷則主要包括：定常風(fēng)作用產(chǎn)生的穩(wěn)態(tài)載荷，由葉片的重力、偏航誤差、塔影效應(yīng)、風(fēng)剪切、主軸的上傾角等因素產(chǎn)生的周期載荷，以及陣風(fēng)和停機(jī)過(guò)程中產(chǎn)生的瞬態(tài)載荷［17］。而在并網(wǎng)過(guò)程中DFIG和PMSG除了受葉片傳遞的交變載荷影響外，還受變流器調(diào)制出的低頻諧波的影響［17］。如并網(wǎng)運(yùn)行的PMSG 輸出端電壓隨負(fù)荷變化而變化，同時(shí)PMSG 轉(zhuǎn)矩產(chǎn)生脈動(dòng)，會(huì)對(duì)傳動(dòng)軸系產(chǎn)生一定的沖擊［18-19］。

此外，當(dāng)電力系統(tǒng)的電壓突然下降時(shí)，在DFIG 的定子繞組中會(huì)產(chǎn)生衰減的直流暫態(tài)磁鏈，進(jìn)而使轉(zhuǎn)子繞組中產(chǎn)生過(guò)電流與過(guò)電壓。同時(shí)，定子和轉(zhuǎn)子的電流大范圍波動(dòng)也會(huì)引起電機(jī)轉(zhuǎn)矩的脈動(dòng)，加劇傳動(dòng)軸系的應(yīng)力扭矩，增加其疲勞程度，并直接影響其剩余使用壽命。

1.2 故障診斷和狀態(tài)預(yù)測(cè)的技術(shù)框架

目前已有多種故障診斷與狀態(tài)預(yù)測(cè)方法，總體上可分為基于物理模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法2類(lèi)。近幾年來(lái)，風(fēng)電機(jī)組趨向大型化、復(fù)雜化，因此，如何建立精準(zhǔn)的風(fēng)電機(jī)組物理模型是目前的難點(diǎn)問(wèn)題。另一方面，數(shù)據(jù)驅(qū)動(dòng)方法幾乎不需要監(jiān)測(cè)對(duì)象的先驗(yàn)知識(shí)，因此，基于反映機(jī)組運(yùn)行機(jī)理和運(yùn)行狀態(tài)的數(shù)據(jù)驅(qū)動(dòng)方法在近年來(lái)受到普遍關(guān)注。

由于狀態(tài)預(yù)測(cè)問(wèn)題本質(zhì)上是參數(shù)預(yù)測(cè)問(wèn)題，即通過(guò)預(yù)測(cè)有關(guān)參數(shù)的變化趨勢(shì)，判斷整機(jī)或某一部件在將來(lái)一段時(shí)間的運(yùn)行狀態(tài)演變過(guò)程。在正常狀態(tài)下，監(jiān)測(cè)信號(hào)會(huì)在一定范圍內(nèi)上下波動(dòng)；當(dāng)整機(jī)或某一部件工作異常時(shí)，其動(dòng)態(tài)特性就會(huì)偏離正常工作空間，監(jiān)測(cè)信號(hào)隨之變化并呈現(xiàn)某種變化趨勢(shì)。簡(jiǎn)要的狀態(tài)預(yù)測(cè)技術(shù)框架可用圖2表示，基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷與狀態(tài)預(yù)測(cè)的一般過(guò)程如圖3所示。

圖2 狀態(tài)預(yù)測(cè)的技術(shù)框架Fig.2 Technical framework of state prediction

圖3 基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷與狀態(tài)預(yù)測(cè)的一般過(guò)程Fig.3 General procedure of data-driven fault diagnosis and state prediction

1.2.1 數(shù)據(jù)采集與預(yù)處理

對(duì)風(fēng)電機(jī)組進(jìn)行準(zhǔn)確診斷和狀態(tài)預(yù)測(cè)需要以可靠的數(shù)據(jù)為基礎(chǔ)，因此，數(shù)據(jù)采集與預(yù)處理是故障診斷與狀態(tài)預(yù)測(cè)的重要環(huán)節(jié)。目前，用于機(jī)組故障診斷和狀態(tài)預(yù)測(cè)的數(shù)據(jù)大部分來(lái)源于數(shù)據(jù)采集與監(jiān)控（supervisory control and data acquisition，SCADA）系統(tǒng)。隨著信息物理融合系統(tǒng)（cyber-physical system，CPS）的提出與發(fā)展，對(duì)設(shè)備的監(jiān)測(cè)與控制手段也在逐步提升［20］，借助大數(shù)據(jù)分析中的流式計(jì)算［21］和數(shù)據(jù)摘要等技術(shù)，可從更廣泛的角度對(duì)風(fēng)電機(jī)組所處環(huán)境和運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和控制。

由于受實(shí)際因素（如信息采集過(guò)程中環(huán)境溫度的變化、電磁干擾等）的影響，所取得的原始數(shù)據(jù)質(zhì)量較低，因此首先應(yīng)進(jìn)行數(shù)據(jù)預(yù)處理操作。目前可采用的方法包括：數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)變換、數(shù)據(jù)歸約等。其中，數(shù)據(jù)變換過(guò)程中常含有不能表征機(jī)組運(yùn)行狀態(tài)的“噪聲”或“干擾”，這類(lèi)信號(hào)對(duì)故障分析無(wú)用，甚至?xí)?dǎo)致錯(cuò)誤的診斷結(jié)果，因此必須對(duì)數(shù)據(jù)進(jìn)行信號(hào)處理操作。常用的信號(hào)處理技術(shù)包括：包絡(luò)分析、帶通濾波、平滑方法、域變換（如時(shí)頻變換、小波變換、Hilbert變換）等［22］，以及大數(shù)據(jù)處理方法［23］。

1.2.2 故障特征提取與識(shí)別方法

由于風(fēng)電機(jī)組運(yùn)行工況較為復(fù)雜，其故障表現(xiàn)形式與運(yùn)行狀態(tài)密切相關(guān)，實(shí)現(xiàn)故障辨識(shí)具有一定的難度，因此，掌握有效的風(fēng)電機(jī)組各部件故障特征提取方法，可以提高機(jī)組的故障診斷和狀態(tài)預(yù)測(cè)精度。例如，機(jī)械故障在風(fēng)電機(jī)組故障中的發(fā)生概率較高，且一旦發(fā)生就會(huì)造成較長(zhǎng)的停機(jī)時(shí)間，而機(jī)械設(shè)備的運(yùn)轉(zhuǎn)情況可以通過(guò)振動(dòng)信號(hào)反映，因此，基于振動(dòng)信號(hào)的特征分析方法在風(fēng)電機(jī)組故障診斷中廣泛應(yīng)用［24］。又如，機(jī)組溫度與故障之間也存在潛在的關(guān)聯(lián)關(guān)系，一般溫度信號(hào)也會(huì)作為機(jī)組故障診斷與狀態(tài)預(yù)測(cè)的參數(shù)之一?，F(xiàn)有的故障特征提取方法主要包含頻譜分析、小波包分析、離散傅里葉變換［25］和固有時(shí)間尺度分解（intrinsic time-scale decomposition，ITD）［26-27］等。

2 風(fēng)電機(jī)組的故障診斷與狀態(tài)預(yù)測(cè)方法

本章重點(diǎn)選取風(fēng)電機(jī)組的傳動(dòng)軸系、葉輪和發(fā)電機(jī)三大主要部件的故障診斷和狀態(tài)預(yù)測(cè)方法進(jìn)行系統(tǒng)性回顧。由于風(fēng)電機(jī)組各主要部件的本質(zhì)構(gòu)造及其運(yùn)行特征不同，在電-磁-力-熱等不同能量及物理效應(yīng)的耦合程度上各有差異，對(duì)其進(jìn)行科學(xué)分析的方法也會(huì)有所區(qū)別，因此，本文為了敘述上的便利，按不同部件分別歸納其研究方法。需要指出的是，由于建立風(fēng)電機(jī)組各部件的純物理模型難度較大，目前的研究大多采用基于數(shù)據(jù)驅(qū)動(dòng)的分析方法，即利用SCADA 數(shù)據(jù)作為故障診斷與狀態(tài)預(yù)測(cè)模型的輸入，然后輸出診斷及預(yù)測(cè)結(jié)果。

2.1 傳動(dòng)軸系

DFIG 的傳動(dòng)軸系不僅故障率高且故障造成的停機(jī)時(shí)間在所有故障中最長(zhǎng)［17］，因此對(duì)該部件進(jìn)行故障診斷與狀態(tài)預(yù)測(cè)的研究方法也較多，主要列舉如下。

1）回歸分析

回歸分析預(yù)測(cè)（regression analysis prediction，RAP）法本質(zhì)上屬于因果分析預(yù)測(cè)［28］，是一種基于歷史數(shù)據(jù)來(lái)確定變量之間定量關(guān)系的預(yù)測(cè)方法，便于直觀分析多參數(shù)模型。例如，文獻(xiàn)［29-30］分析了與齒輪箱溫度密切相關(guān)的風(fēng)電機(jī)組參數(shù)，并分別利用多元線性回歸分析模型建立了正常狀態(tài)下齒輪箱溫度的預(yù)測(cè)模型。但該方法可能會(huì)忽略交互效應(yīng)和非線性的因果關(guān)系，因此在正態(tài)性假設(shè)不成立的前提條件下，需要考慮非參數(shù)回歸分析法［31］。

2）時(shí)間序列分析

時(shí)間序列是把歷史數(shù)據(jù)按照時(shí)間進(jìn)行排序的統(tǒng)計(jì)序列，根據(jù)統(tǒng)計(jì)序列中的規(guī)律外推來(lái)實(shí)現(xiàn)未來(lái)一段時(shí)間內(nèi)的預(yù)測(cè)?；跁r(shí)間序列模型（time series model，TSM）的方法主要有4種：自回歸（autoregressive，AR）模型、移動(dòng)平均（moving average，MA）模型、自回歸移動(dòng)平均（autoregressive moving average，ARMA）模型和整合移動(dòng)平均自回歸（autoregressive integrated moving average，ARIMA）模型［28］。例如，文獻(xiàn)［32］利用AR 模型提取運(yùn)行在非線性狀態(tài)下的機(jī)組齒輪箱的特征，用于故障診斷和狀態(tài)預(yù)測(cè)。時(shí)間序列分析突出了時(shí)間因素在預(yù)測(cè)中的作用，但未充分考慮外界不確定因素變化造成的影響，存在預(yù)測(cè)誤差。

3）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）中的一些模型具有良好的泛化能力，廣泛應(yīng)用于故障診斷和預(yù)測(cè)領(lǐng)域。文獻(xiàn)［33］將故障預(yù)測(cè)劃分為3個(gè)層次：預(yù)測(cè)有無(wú)故障（fault and no-fault prediction）、故障類(lèi)型（fault category）、具體故障預(yù)測(cè)（the specific fault prediction），并指出均可運(yùn)用ANN 來(lái)處理。例如，通過(guò)收集多源實(shí)時(shí)信息，文獻(xiàn)［34］提出一種基于ANN 中的多層前饋神經(jīng)網(wǎng)絡(luò)（multi-layer feedforward neural network，MLFNN）的風(fēng)力渦輪機(jī)變速箱健康狀況監(jiān)測(cè)方法。此外，鑒于粒子群優(yōu)化（particle swarm optimization，PSO）技術(shù)具有全局搜索特性，而LM（Levenberg Marquardt）方法具有快速收斂特性，利用這兩者的優(yōu)勢(shì)可以改善前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，減小其陷入局部極小的概率并加快其收斂［35-36］。為更好地模擬復(fù)雜系統(tǒng)的演化發(fā)展，文獻(xiàn)［37］提出基于進(jìn)化神經(jīng)網(wǎng)絡(luò)（evolving neural network，ENN）的齒輪箱狀態(tài)預(yù)測(cè)模型，給出了樣本自動(dòng)選取規(guī)則，且所設(shè)計(jì)的ENN 結(jié)構(gòu)適于描述機(jī)組運(yùn)行狀況的改變，算例表明ENN 較前饋神經(jīng)網(wǎng)絡(luò)的狀態(tài)預(yù)測(cè)精度高，學(xué)習(xí)速度也更快。

同時(shí)，針對(duì)前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)以及記憶的不穩(wěn)定性，Elman ANN 應(yīng)運(yùn)而生，該神經(jīng)網(wǎng)絡(luò)模型由多個(gè)神經(jīng)元按照一定的規(guī)則連接構(gòu)成，通過(guò)加入內(nèi)部反饋網(wǎng)絡(luò)實(shí)現(xiàn)了動(dòng)態(tài)建模［28］。這些特性使得Elman ANN 具有較高的學(xué)習(xí)效率和穩(wěn)定性，較適用于故障診斷與狀態(tài)預(yù)測(cè)［38］?？紤]小波包對(duì)時(shí)間序列的分解特性，文獻(xiàn)［39］提出了一種基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的故障診斷方法，最后通過(guò)實(shí)驗(yàn)驗(yàn)證了該方法能夠得到較為準(zhǔn)確的預(yù)測(cè)結(jié)果。但該方法需要大量的原始數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，不適用于處理小數(shù)據(jù)。

4）深度學(xué)習(xí)

深度學(xué)習(xí)（deep learning，DL）是機(jī)器學(xué)習(xí)的一個(gè)重要分支，可以理解為ANN 的發(fā)展，主要通過(guò)組合低層特征形成更加抽象的高層來(lái)表示屬性類(lèi)別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示，從而提升分類(lèi)或預(yù)測(cè)的準(zhǔn)確性。常見(jiàn)的DL 算法包括：深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)以及堆棧式自動(dòng)編碼器等［40］。例如，針對(duì)齒輪傳動(dòng)系統(tǒng)中齒輪等零部件易出現(xiàn)故障的問(wèn)題，文獻(xiàn)［41］提出了一種基于DL理論的齒輪傳動(dòng)系統(tǒng)故障診斷方法，首先利用深度置信網(wǎng)絡(luò)提取齒輪傳動(dòng)系統(tǒng)的振動(dòng)信號(hào)，然后通過(guò)深度置信網(wǎng)絡(luò)的復(fù)雜映射表征能力對(duì)故障信號(hào)進(jìn)行故障判別。為解決監(jiān)督式學(xué)習(xí)需要大量標(biāo)簽數(shù)據(jù)的問(wèn)題，文獻(xiàn)［42］提出一種新的深度神經(jīng)網(wǎng)絡(luò)模型，即一維殘差卷積自編碼器，并應(yīng)用于振動(dòng)信號(hào)的無(wú)監(jiān)督學(xué)習(xí)與故障特征的提取，實(shí)驗(yàn)表明該方法具有良好的去噪能力和故障提取能力，顯著提高了齒輪箱的故障診斷率。由此可見(jiàn)，DL在進(jìn)行復(fù)雜系統(tǒng)的故障診斷時(shí)具有巨大的潛力，但此類(lèi)算法訓(xùn)練耗時(shí)，容易出現(xiàn)過(guò)擬合的情況。

5）支持向量機(jī)

支持向量機(jī)（support vector machine，SVM）是一種二分類(lèi)模型，用于求解凸二次規(guī)劃的最優(yōu)化算法。由于單獨(dú)使用SVM 技術(shù)存在資源耗費(fèi)較大，且不具有不確定性管理能力等，一般需要對(duì)其改進(jìn)。例如，文獻(xiàn)［43］將最小二乘SVM（least squares SVM，LS-SVM）應(yīng)用于風(fēng)電機(jī)組齒輪箱的故障預(yù)測(cè)中，首先利用皮爾遜相關(guān)系數(shù)對(duì)特征變量進(jìn)行篩選，然后利用SVM 回歸對(duì)風(fēng)機(jī)齒輪的正常狀態(tài)建立預(yù)測(cè)模型，再利用統(tǒng)計(jì)過(guò)程控制分析預(yù)測(cè)模型，以降低算法復(fù)雜度、加快計(jì)算速度。但SVM 對(duì)參數(shù)和核函數(shù)選擇敏感，不適用于解決多分類(lèi)問(wèn)題。

相關(guān)向量機(jī)（relevance vector machine，RVM）是一種特殊的用于回歸和分類(lèi)的貝葉斯稀疏核算法，其函數(shù)形式與SVM 相同，但其可以給出預(yù)測(cè)結(jié)果的置信區(qū)間，并且使用較少的核函數(shù)就可達(dá)到與SVM 相同的泛化能力［44］。例如，文獻(xiàn)［45］分別利用RVM 和SVM建立了低速軸的故障診斷和預(yù)測(cè)模型，實(shí)驗(yàn)結(jié)果證明前者的性能優(yōu)于后者。文獻(xiàn)［46］基于RVM 建立了齒輪早期故障檢測(cè)模型，首先利用小波包變換從齒輪原始振動(dòng)信號(hào)提取時(shí)域統(tǒng)計(jì)特征作為特征向量，并采用Fisher準(zhǔn)則選擇出最優(yōu)的特征向量，研究表明，采用變分徑向基函數(shù)（variance radial basis function，VRBF）的魯棒性高于高斯徑向基函數(shù)（Gaussian radial basis function，GRBF），研究表明RVM 比SVM 更適合在線診斷。

6）灰色模型

灰色預(yù)測(cè)是通過(guò)少量、不完全的數(shù)據(jù)，建立數(shù)學(xué)模型并進(jìn)行預(yù)測(cè)的一種方法，其核心是灰色模型（grey model，GM）。灰色預(yù)測(cè)是對(duì)灰色系統(tǒng)所做出的預(yù)測(cè)，即通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行統(tǒng)計(jì)處理，得到近似的指數(shù)規(guī)律，用觀測(cè)到的反映預(yù)測(cè)對(duì)象的特征量進(jìn)行建模并預(yù)測(cè)［47］。例如，文獻(xiàn)［48］從風(fēng)電機(jī)組原始溫度監(jiān)測(cè)數(shù)據(jù)中提取出多組時(shí)間序列，建立風(fēng)電機(jī)組系統(tǒng)灰色預(yù)測(cè)模型，以識(shí)別故障模式與故障原因，并根據(jù)評(píng)估結(jié)果進(jìn)行故障預(yù)警，一定程度上克服了風(fēng)電機(jī)組運(yùn)行狀態(tài)的不確定性。但灰色預(yù)測(cè)模型只適用于中短期的預(yù)測(cè)和指數(shù)增長(zhǎng)的預(yù)測(cè)。

7）Petri網(wǎng)模型

Petri網(wǎng)是對(duì)離散并行系統(tǒng)的數(shù)學(xué)表示，能夠用較少元素直觀、方便地表示復(fù)雜系統(tǒng)內(nèi)部狀態(tài)的變化，在描述系統(tǒng)異步和并發(fā)活動(dòng)方面具有一定的優(yōu)勢(shì)，適用于研究部件級(jí)、系統(tǒng)級(jí)故障［49］。例如，文獻(xiàn)［50］針對(duì)齒輪箱故障存在的并發(fā)性、信息不足和不確定性問(wèn)題，采用模糊Petri網(wǎng)建立了故障診斷模型，以識(shí)別齒輪箱的故障模式。文獻(xiàn)［51］將時(shí)間屬性引入模型中，提出一種基于時(shí)序約束網(wǎng)絡(luò)與模糊Petri網(wǎng)的電力系統(tǒng)故障診斷模型，提高了系統(tǒng)的可靠性。但使用Petri網(wǎng)模型明顯增加了系統(tǒng)計(jì)算的復(fù)雜度。

8）其他方法

除上述典型方法外，還有一些學(xué)者創(chuàng)新性地引入其他理論，用于解決風(fēng)電機(jī)組傳動(dòng)軸系的故障診斷和狀態(tài)預(yù)測(cè)問(wèn)題。例如，文獻(xiàn)［52］在齒輪箱各類(lèi)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)的信息融合基礎(chǔ)上，提出了一種基于灰狼優(yōu)化核極限學(xué)習(xí)機(jī)（grey wolf optimization-based kernel extreme learning machine，GWO-KELM）的風(fēng)機(jī)齒輪箱狀態(tài)監(jiān)測(cè)、故障分類(lèi)與識(shí)別方法。另外，為滿足目前風(fēng)電機(jī)組海量數(shù)據(jù)的存儲(chǔ)和處理需求，文獻(xiàn)［53］提出了一種基于Storm 實(shí)時(shí)流處理的齒輪箱故障診斷和預(yù)測(cè)方法。針對(duì)齒輪裂紋故障造成的振動(dòng)信號(hào)波峰持續(xù)時(shí)間短且出現(xiàn)次數(shù)少的問(wèn)題，文獻(xiàn)［54］提出了一種基于頻譜特征的特征提取方法——峰度和時(shí)間小波能譜（spectral kurtosis and time wavelet energy spectrum，SK-TWES）對(duì)行星齒輪進(jìn)行早期故障診斷，實(shí)驗(yàn)表明利用譜峭度能夠提前幾星期時(shí)間預(yù)測(cè)到齒輪裂紋故障。

2.2 葉輪

葉輪是風(fēng)機(jī)中能夠捕獲到風(fēng)能的關(guān)鍵部件，其受氣動(dòng)力、重力和慣性力等循環(huán)應(yīng)力的影響，且通常暴露于惡劣的自然環(huán)境中，非常容易受到損耗。一旦葉片的慢性損傷積累到一定程度，就會(huì)導(dǎo)致葉片發(fā)生疲勞裂紋故障。風(fēng)機(jī)葉片多采用纖維增強(qiáng)型復(fù)合材料（如玻璃鋼等）組成，長(zhǎng)度在30～50 m，重量在6～10 t；裝機(jī)容量為5 MW 的風(fēng)機(jī)葉片甚至長(zhǎng)達(dá)60 m，重達(dá)18 t。一旦葉片存在疲勞裂紋等故障隱患時(shí)，就會(huì)有很大概率出現(xiàn)葉片斷裂、風(fēng)機(jī)倒塌等大型災(zāi)難事故，造成嚴(yán)重的經(jīng)濟(jì)損失。因此，對(duì)風(fēng)電機(jī)組葉輪運(yùn)轉(zhuǎn)情況進(jìn)行實(shí)時(shí)監(jiān)測(cè)，并進(jìn)一步對(duì)其疲勞壽命進(jìn)行分析，是預(yù)防災(zāi)難性故障、保障風(fēng)電機(jī)組安全穩(wěn)定運(yùn)行的重要保障。

1）載荷應(yīng)力監(jiān)測(cè)

近年來(lái)，國(guó)內(nèi)外已相繼研發(fā)了一系列風(fēng)機(jī)葉片的監(jiān)控設(shè)備，即通過(guò)監(jiān)測(cè)葉片的振動(dòng)情況或安裝傳感器來(lái)獲取有效信號(hào)特征，實(shí)現(xiàn)葉片的故障診斷。例如，文獻(xiàn)［55］通過(guò)監(jiān)測(cè)振動(dòng)情況，提取葉片運(yùn)行狀態(tài)特征量，然后利用自聯(lián)想人工神經(jīng)網(wǎng)絡(luò)（auto-associative neural network，AANN）對(duì)機(jī)組葉片進(jìn)行全面的疲勞分析，并識(shí)別機(jī)組葉片故障。文獻(xiàn)［56］則嘗試?yán)锰崆鞍惭b在葉片上的光纖布拉格光柵傳感器（fibre Bragg grating sensor，F(xiàn)BGS）來(lái)監(jiān)測(cè)風(fēng)機(jī)葉片上的應(yīng)力模式，進(jìn)一步分析葉片的運(yùn)行狀況。在實(shí)際運(yùn)行中，葉輪由于振動(dòng)或者載荷過(guò)大，容易出現(xiàn)葉片不平衡。因此，文獻(xiàn)［57］通過(guò)研究不同水流流速下葉輪不平衡對(duì)海流機(jī)的影響程度，提出了一種機(jī)電耦合的數(shù)學(xué)模型，有利于分析海流機(jī)的故障診斷和狀態(tài)預(yù)測(cè)。此外，風(fēng)機(jī)變槳系統(tǒng)可以根據(jù)風(fēng)速調(diào)整葉片角度，將葉片旋轉(zhuǎn)產(chǎn)生的機(jī)械能傳遞給傳動(dòng)系統(tǒng)，通過(guò)對(duì)變槳系統(tǒng)進(jìn)行實(shí)時(shí)故障監(jiān)測(cè)，有利于風(fēng)電機(jī)組對(duì)風(fēng)能利用率的提高。例如，文獻(xiàn)［58］考慮到變槳系統(tǒng)故障產(chǎn)生和傳播過(guò)程中所具有的不確定性和模糊性，依據(jù)風(fēng)電機(jī)組海量運(yùn)行數(shù)據(jù)挖掘變槳系統(tǒng)故障關(guān)聯(lián)規(guī)則，并轉(zhuǎn)化為模糊Petri網(wǎng)模型，采用矩陣運(yùn)算的形式化并行推理，得到變槳系統(tǒng)故障診斷結(jié)果。

2）疲勞壽命分析

通過(guò)及時(shí)評(píng)估葉片的疲勞損傷情況，并對(duì)其剩余使用壽命進(jìn)行預(yù)測(cè)，對(duì)提高風(fēng)機(jī)葉輪的可用性、可維護(hù)性具有積極意義。例如，考慮到風(fēng)力渦輪機(jī)葉片載荷作用以及空氣動(dòng)力學(xué)特性，文獻(xiàn)［59］基于線性疲勞損傷累積理論和基本應(yīng)力疲勞性能曲線對(duì)風(fēng)機(jī)葉片進(jìn)行了壽命預(yù)測(cè)。不過(guò)，這種基于線性累積損傷理論的方法并不完全適用于復(fù)合材料［60］。對(duì)此，有學(xué)者提出了非線性損傷理論［61］，避免了等效損傷的假設(shè)，可以考慮構(gòu)件損傷的非均勻發(fā)展情況。由于風(fēng)機(jī)大部分暴露在復(fù)雜甚至惡劣的環(huán)境中，且受到動(dòng)態(tài)變化的內(nèi)/外部載荷的作用，因此，要保證葉輪使用壽命預(yù)測(cè)的準(zhǔn)確性，就要考慮到載荷動(dòng)態(tài)變化的影響。例如，文獻(xiàn)［62］采用有限元分析法，基于材料的S-N曲線和Spera經(jīng)驗(yàn)公式，對(duì)處于變載荷下的風(fēng)機(jī)葉片進(jìn)行壽命評(píng)估，但這需要花費(fèi)大量時(shí)間來(lái)建立S-N 曲線。針對(duì)此問(wèn)題，文獻(xiàn)［63］提出一種基于ANN 模型的復(fù)合材料剩余使用壽命預(yù)測(cè)方法，與使用S-N 曲線相比，在保證達(dá)到相同預(yù)測(cè)精度的前提下需要的數(shù)據(jù)量減少了50%，從而顯著減少了計(jì)算時(shí)間。目前基于數(shù)據(jù)驅(qū)動(dòng)的方法是設(shè)備剩余使用壽命預(yù)測(cè)的主流方法［64］，通過(guò)提取反映設(shè)備健康狀態(tài)的特征信息，建立狀態(tài)監(jiān)測(cè)數(shù)據(jù)間的非線性關(guān)系，進(jìn)而實(shí)現(xiàn)剩余壽命的準(zhǔn)確預(yù)測(cè)。

然而，現(xiàn)有的大部分針對(duì)風(fēng)機(jī)葉片的疲勞壽命評(píng)估方法，尚未完全計(jì)及不確定性因素。因此，文獻(xiàn)［65］在利用有限元分析法獲得葉片關(guān)鍵區(qū)域后，再用威布爾分布法統(tǒng)計(jì)分析每種風(fēng)速模式出現(xiàn)的比例并據(jù)此對(duì)其隨機(jī)分配權(quán)重，然后基于經(jīng)典層合板理論（classical lamination theory，CLT）對(duì)選出的關(guān)鍵區(qū)域提出了疲勞損傷累計(jì)模型，并進(jìn)行疲勞分析和預(yù)測(cè)。圖4說(shuō)明了疲勞壽命分析的一般過(guò)程［22］。

圖4 疲勞壽命分析的一般過(guò)程Fig.4 General procedure of fatigue life analysis

2.3 發(fā)電機(jī)

風(fēng)力發(fā)電機(jī)主要由定子、轉(zhuǎn)子、軸承以及電刷滑環(huán)系統(tǒng)組成，其較長(zhǎng)時(shí)間運(yùn)行在變工況和電磁環(huán)境中，相對(duì)容易發(fā)生故障。其中，發(fā)電機(jī)常見(jiàn)的不正常運(yùn)行或故障形式包括振動(dòng)過(guò)大、發(fā)電機(jī)過(guò)熱、軸承過(guò)熱、短路故障、轉(zhuǎn)子斷條、絕緣損壞及滑環(huán)面燒傷等。

發(fā)電機(jī)從正常態(tài)到故障態(tài)的變化能夠通過(guò)物理參量的異常變化反映出來(lái)。這些物理狀態(tài)量包括電氣量和非電氣量，如電流、電壓、功率、溫度和振動(dòng)等信息，基于數(shù)據(jù)驅(qū)動(dòng)的風(fēng)電機(jī)組故障診斷與狀態(tài)預(yù)測(cè)正是以這些物理參量的變化為基礎(chǔ)的。目前，針對(duì)發(fā)電機(jī)轉(zhuǎn)子、定子、軸承等部件的故障診斷研究較多［66］。例如，文獻(xiàn)［67］以電流估計(jì)差為故障特征量，提出一種雙饋風(fēng)力發(fā)電機(jī)定子繞組匝間短路故障診斷方法。文獻(xiàn)［68］以定子瞬時(shí)功率信號(hào)為切入點(diǎn)，提出一種針對(duì)雙饋風(fēng)力發(fā)電機(jī)轉(zhuǎn)子繞組不平衡故障的診斷方法。但由于發(fā)電機(jī)轉(zhuǎn)子故障與故障位置、嚴(yán)重程度等因素相關(guān)，對(duì)其進(jìn)行準(zhǔn)確定位非常困難，文獻(xiàn)［69］通過(guò)對(duì)發(fā)電機(jī)轉(zhuǎn)子匝間短路故障進(jìn)行建模仿真，并基于仿真模型研究其故障嚴(yán)重程度的變化趨勢(shì)，以實(shí)現(xiàn)故障源精確定位。

針對(duì)電刷滑環(huán)系統(tǒng)無(wú)法用常規(guī)方法進(jìn)行溫度量測(cè)的問(wèn)題，大多數(shù)研究通過(guò)監(jiān)測(cè)振動(dòng)、火花放電、電氣量等信號(hào)，實(shí)現(xiàn)發(fā)電機(jī)的故障診斷［70］。例如，文獻(xiàn)［71］在電刷滑環(huán)仿真平臺(tái)的基礎(chǔ)上，通過(guò)分析系統(tǒng)故障運(yùn)行前后的振動(dòng)信號(hào)，提出了一種基于振動(dòng)信號(hào)的滑環(huán)面損傷故障診斷方法。文獻(xiàn)［72］提出一種基于希爾伯特-黃變換（Hilbert-Huang transform，HHT）的電刷滑環(huán)燒傷故障診斷方法，將非平穩(wěn)時(shí)間序列用經(jīng)驗(yàn)?zāi)B(tài)分解轉(zhuǎn)化為固有特征方程，實(shí)現(xiàn)高分辨率的時(shí)頻分析，并通過(guò)模擬實(shí)驗(yàn)驗(yàn)證了其可行性。

據(jù)統(tǒng)計(jì)，在風(fēng)電機(jī)組發(fā)電機(jī)的所有故障中，軸承故障、定子故障、轉(zhuǎn)子故障分別占40%，38%，10%，其他故障占12%［73］?？梢?jiàn)，軸承部件最容易出現(xiàn)故障，而振動(dòng)信號(hào)又是軸承部件最顯著的特征。由于振動(dòng)傳感器會(huì)受到其附近振動(dòng)源的干擾，并且軸承故障信號(hào)特征所覆蓋的頻率范圍很寬，使得軸承振動(dòng)信號(hào)中含有大量的噪聲。針對(duì)這些非平穩(wěn)信號(hào)，傅里葉變換具有明顯的局限性，小波變換應(yīng)運(yùn)而生并廣泛應(yīng)用于時(shí)頻分析中。例如，文獻(xiàn)［74］基于小波變換和自組織特征映射（self-organizing feature mapping，SOM）神經(jīng)元網(wǎng)絡(luò)理論，提出一種利用小波變換提取軸承故障的信號(hào)特征，再結(jié)合SOM 與指數(shù)加權(quán)移動(dòng)平均（exponential weighted moving average，EWMA）圖對(duì)軸承故障進(jìn)行預(yù)測(cè)的方法。粒子濾波（particle filter，PF）是一種以貝葉斯推理和重要性采樣為基本框架，根據(jù)特征相似度計(jì)算每個(gè)粒子重要性的方法，可以處理任意形式的概率，在軸承的故障診斷與預(yù)測(cè)方面具有較好的應(yīng)用前景。例如，文獻(xiàn)［75］提出一種基于PF的滾動(dòng)軸承剩余使用壽命預(yù)測(cè)方法。雖然粒子濾波器能夠有效解決非線性問(wèn)題，但需要大量樣本，并且粒子會(huì)退化且對(duì)突變狀態(tài)的跟蹤能力差。針對(duì)此問(wèn)題，文獻(xiàn)［76］通過(guò)采集風(fēng)電機(jī)組SCADA 數(shù)據(jù)，提出了一種基于深度自編碼網(wǎng)絡(luò)和XGBoost的故障診斷算法，實(shí)驗(yàn)表明該算法能夠捕獲風(fēng)力發(fā)電機(jī)早期故障。此外，由于軸承溫度與軸承故障之間存在潛在的關(guān)聯(lián)關(guān)系，與采用振動(dòng)信號(hào)進(jìn)行故障診斷和狀態(tài)預(yù)測(cè)相比，采用溫度信號(hào)建模則相對(duì)簡(jiǎn)單，但該研究方向需要進(jìn)一步論證其可行性與時(shí)效性。

以上分別討論了風(fēng)電機(jī)組三大關(guān)鍵部件的故障診斷與狀態(tài)預(yù)測(cè)方法。由于各個(gè)部件作為整個(gè)風(fēng)電機(jī)組的一部分，其特征具有一定的相似性和關(guān)聯(lián)性，因此對(duì)某個(gè)部件所采用的方法也可以為其他部件提供參考。表1即對(duì)風(fēng)電機(jī)組各關(guān)鍵部件所采用的方法進(jìn)行了總 結(jié)，并給出了各部件的常見(jiàn)故障形式及其特點(diǎn)等。

表1 風(fēng)電機(jī)組各關(guān)鍵部件常用的故障診斷與預(yù)測(cè)方法Table 1 Fault diagnosis and state prediction methods for critical components of wind turbines

3 風(fēng)電機(jī)組故障診斷與狀態(tài)預(yù)測(cè)中的難點(diǎn)與建議

隨著風(fēng)電裝機(jī)容量的持續(xù)增長(zhǎng)，尤其是單個(gè)風(fēng)機(jī)趨于大型化、復(fù)雜化，這些都給風(fēng)電機(jī)組狀態(tài)的精確診斷與預(yù)測(cè)帶來(lái)了挑戰(zhàn)。雖然針對(duì)風(fēng)電機(jī)組運(yùn)行保障的多種監(jiān)測(cè)手段已在現(xiàn)場(chǎng)得到應(yīng)用，但由風(fēng)電機(jī)組運(yùn)行環(huán)境的復(fù)雜性與其本體結(jié)構(gòu)的高度耦合性等因素疊加給診斷與預(yù)測(cè)領(lǐng)域帶來(lái)的技術(shù)難度也在增加。本文通過(guò)對(duì)風(fēng)電機(jī)組故障診斷與狀態(tài)預(yù)測(cè)方法的系統(tǒng)性回顧，總結(jié)其難點(diǎn)如下：

1）風(fēng)電設(shè)備SCADA 數(shù)據(jù)具有全局化、多元化的特點(diǎn)，如何融合多維數(shù)據(jù)，設(shè)計(jì)風(fēng)電設(shè)備多參量關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)風(fēng)電機(jī)組的深度挖掘與故障預(yù)測(cè)，是未來(lái)風(fēng)電設(shè)備故障診斷與狀態(tài)預(yù)測(cè)的難點(diǎn)之一；

2）現(xiàn)有的各類(lèi)故障診斷方法和預(yù)測(cè)技術(shù)都有各自的優(yōu)缺點(diǎn)和局限性，如何綜合考慮風(fēng)電機(jī)組的人-機(jī)-物-環(huán)等生態(tài)體系周期以及各類(lèi)復(fù)合因素的影響，實(shí)現(xiàn)多技術(shù)融合的智能故障診斷與狀態(tài)預(yù)測(cè)，是目前亟須解決的關(guān)鍵問(wèn)題之一；

3）在復(fù)雜（如強(qiáng)噪聲、變速變載等）工況下，如何實(shí)現(xiàn)風(fēng)電機(jī)組整機(jī)大設(shè)備群中故障設(shè)備的精確定位及預(yù)警，也是目前及未來(lái)的難點(diǎn)之一；

4）風(fēng)電設(shè)備的故障模式復(fù)雜，如何確定各關(guān)鍵零部件故障的危害性次序，研究風(fēng)電場(chǎng)設(shè)備群預(yù)防性維修方法，提高系統(tǒng)整體的可靠性、準(zhǔn)確性、魯棒性，實(shí)現(xiàn)風(fēng)電機(jī)組的實(shí)時(shí)在線監(jiān)測(cè)以及準(zhǔn)確運(yùn)行調(diào)控，是影響到運(yùn)行、維護(hù)等多環(huán)節(jié)的關(guān)鍵問(wèn)題。

因此，在當(dāng)前數(shù)據(jù)科學(xué)與人工智能理論快速發(fā)展階段，未來(lái)可考慮在如下幾個(gè)方面開(kāi)展系統(tǒng)性研究。

1）風(fēng)電機(jī)組多維關(guān)鍵參數(shù)信息融合

目前風(fēng)電機(jī)組的故障診斷和狀態(tài)預(yù)測(cè)使用的信息主要包括機(jī)組的振動(dòng)信號(hào)和溫度信號(hào)，若能充分考慮電壓、功率、風(fēng)速、環(huán)境等多參量的變化，則有望進(jìn)一步提高診斷與預(yù)測(cè)的效果。因此，需要收集多維度、多時(shí)間尺度、多種數(shù)據(jù)類(lèi)型的信息，然后提取風(fēng)電機(jī)組的故障特征向量，對(duì)這些特征向量進(jìn)行數(shù)據(jù)、特征和決策3個(gè)不同層面的信息融合。通過(guò)研究風(fēng)電設(shè)備多關(guān)鍵參數(shù)之間或監(jiān)測(cè)參數(shù)與目標(biāo)函數(shù)的數(shù)據(jù)驅(qū)動(dòng)關(guān)系，建立風(fēng)電機(jī)組狀態(tài)預(yù)測(cè)與診斷的模型，從而增強(qiáng)預(yù)測(cè)結(jié)果的可靠度。

2）“大云物智移”輔助的風(fēng)電機(jī)組在線監(jiān)測(cè)與綜合評(píng)估

隨著風(fēng)電機(jī)組產(chǎn)業(yè)的規(guī)?；l(fā)展，將智能技術(shù)與其進(jìn)行深度融合，實(shí)現(xiàn)風(fēng)電機(jī)組的實(shí)時(shí)感知、動(dòng)態(tài)控制和信息服務(wù)是未來(lái)的發(fā)展趨勢(shì)。因此，有必要在萬(wàn)物互聯(lián)的背景下，充分應(yīng)用“大云物智移”等現(xiàn)代信息技術(shù)，研究基于海量歷史數(shù)據(jù)與實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)的故障模式及各部件的相互影響分析、故障危害性分析等，提取風(fēng)電設(shè)備的可靠性指標(biāo)，建立風(fēng)電機(jī)組全壽命周期的在線監(jiān)測(cè)與故障分析模型，為實(shí)現(xiàn)風(fēng)電機(jī)組的在線監(jiān)測(cè)和綜合評(píng)估奠定堅(jiān)實(shí)的理論基礎(chǔ)。

3）風(fēng)電機(jī)組整機(jī)的故障診斷與狀態(tài)預(yù)測(cè)

風(fēng)電機(jī)組的組成結(jié)構(gòu)日益復(fù)雜，自動(dòng)化程度明顯提高，各子系統(tǒng)間的耦合也愈加緊密。一旦子系統(tǒng)或部件出現(xiàn)異常必定會(huì)引起其內(nèi)在特性的改變，從而對(duì)系統(tǒng)整體造成影響。傳統(tǒng)的故障預(yù)測(cè)方法主要集中在風(fēng)電機(jī)組的某個(gè)部件上，而忽略了各部件之間的關(guān)聯(lián)性。因此，可以從整個(gè)風(fēng)電場(chǎng)的角度，挖掘各風(fēng)電機(jī)組之間潛在的關(guān)聯(lián)關(guān)系，利用該關(guān)聯(lián)關(guān)系對(duì)其他機(jī)組的狀態(tài)進(jìn)行估計(jì)，探測(cè)出性能下降或狀態(tài)異常的機(jī)組，再?gòu)膯蝹€(gè)風(fēng)電機(jī)組的角度進(jìn)一步定位故障部件、探測(cè)故障原因，并預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)機(jī)組的狀態(tài)。

4）信息物理融合架構(gòu)下的預(yù)防性維護(hù)體系

隨著新型風(fēng)電產(chǎn)業(yè)的發(fā)展，對(duì)風(fēng)電機(jī)組結(jié)構(gòu)提出了新的要求，同時(shí)如何科學(xué)、有效地對(duì)機(jī)組進(jìn)行維護(hù)也成為亟待解決的問(wèn)題。近幾年來(lái)，故障診斷與預(yù)測(cè)技術(shù)在多個(gè)領(lǐng)域中得到深入發(fā)展和應(yīng)用。雖然近年來(lái)國(guó)內(nèi)許多學(xué)者或研究人員提出了多種針對(duì)某種關(guān)鍵設(shè)備的診斷與預(yù)測(cè)方法，但其系統(tǒng)化的設(shè)計(jì)和應(yīng)用還有待進(jìn)一步研究。風(fēng)電機(jī)組屬于典型的CPS，如何建立基于物理模型和數(shù)據(jù)驅(qū)動(dòng)耦合分析的風(fēng)電機(jī)組PM體系，通過(guò)將CPS理論、診斷與預(yù)測(cè)方法協(xié)同起來(lái)，對(duì)機(jī)組全景態(tài)勢(shì)進(jìn)行精確描述，將是未來(lái)的發(fā)展方向之一。

4 結(jié)語(yǔ)

風(fēng)電作為一種清潔的可再生能源，在第三次工業(yè)革命浪潮中，將發(fā)揮重要的作用，是實(shí)現(xiàn)“清潔替代、電能替代”不可或缺的能量來(lái)源。為推動(dòng)新能源電力系統(tǒng)的發(fā)展，未來(lái)將是風(fēng)力發(fā)電由分散、孤立發(fā)展到廣域集中、高效消納的關(guān)鍵時(shí)期，因此，保障風(fēng)機(jī)的可靠穩(wěn)定運(yùn)行是一項(xiàng)具有挑戰(zhàn)性的科學(xué)難題。

本文對(duì)風(fēng)電機(jī)組中較容易出現(xiàn)故障的關(guān)鍵部件，如傳動(dòng)軸系、葉輪和發(fā)電機(jī)的故障診斷與狀態(tài)預(yù)測(cè)方法進(jìn)行了系統(tǒng)性闡述。同時(shí)指出，由于風(fēng)電機(jī)組內(nèi)部結(jié)構(gòu)的高度耦合性及技術(shù)局限性，增加了對(duì)其診斷與預(yù)測(cè)的難度，因此，基于“大云物智移”等現(xiàn)代信息技術(shù)，可實(shí)現(xiàn)風(fēng)電機(jī)組多維關(guān)鍵參數(shù)的有效融合，逐步實(shí)現(xiàn)風(fēng)電機(jī)組整機(jī)的故障診斷與狀態(tài)預(yù)測(cè)，并進(jìn)一步完善基于信息物理融合架構(gòu)下的CBM 或PM 技術(shù)體系，這是未來(lái)值得重點(diǎn)關(guān)注的研究方向。