風力發(fā)電機組軸承狀態(tài)檢測綜述

任 濤 歐旭鵬

風力發(fā)電機組軸承狀態(tài)檢測綜述

任 濤 歐旭鵬

（華能華家?guī)X風力發(fā)電有限公司，甘肅 定西 743000）

隨著風力發(fā)電裝機容量的不斷增加，風力發(fā)電機組設(shè)備的運行維護工作將越來越困難，并且風力發(fā)電機組設(shè)備的運維成本也在不斷提高。風電場運維人員通過對風力發(fā)電機組轉(zhuǎn)動設(shè)備在線監(jiān)測，來預(yù)測和診斷設(shè)備的故障。通過研究可以看出風力機組大量故障是由于軸承與齒輪箱故障造成的。因此，對風力發(fā)電機組狀態(tài)監(jiān)測變得至關(guān)重要。文章對有關(guān)風力發(fā)電機組狀態(tài)監(jiān)測與故障診斷技術(shù)的研究進行綜述，為今后提高風電機組的可靠性、預(yù)測和風電機組組件的早期故障診斷提供參考。

風力發(fā)電機組；在線監(jiān)測；故障診斷

引言

根據(jù)統(tǒng)計可知，截至2020年，我國風力發(fā)電裝機容量累計28153萬kW，比2016年的總裝機容量高出16692萬kW，如圖1所示[1]。當今世界，風能是一種可靠的可再生能源，風力發(fā)電裝機容量也在日益增長。然而，風力發(fā)電機組中由于主要設(shè)備（main components，MC）的使用壽命比較短，并且部分設(shè)備會發(fā)生故障，這使風電場運營和維護的成本大大增加。例如，軸承在運行不到3年或預(yù)期壽命的5%～10%情況下被檢測到早期故障[2]。除此之外，據(jù)估計，齒輪箱的故障率是每年每145臺風力機發(fā)生一起事故[3]。隨著對風能的需求持續(xù)大幅增長，降低運維成本和提高設(shè)備可靠性已成為風力發(fā)電機組維護策略的重中之重。在過去的十年中，主要的研究方向集中于提高風電機組的可靠性、預(yù)測和風電機組組件的早期故障診斷。制造廠家正試圖通過相同的配置或開發(fā)新的配置來提高其傳動系統(tǒng)（如齒輪箱、軸承等）的可靠性。此外，軸承對成本和可靠性的影響很大。例如，已經(jīng)證明軸承的失效導(dǎo)致了50%以上齒輪箱的發(fā)生故障。因此，風力發(fā)電機組的狀態(tài)監(jiān)測是預(yù)防故障發(fā)生的有力保障。

圖1 2016—2020年我國風力發(fā)電累計裝機容量

風力發(fā)電機組運行的環(huán)境條件非常惡劣，長期暴露在極端多變的全天候天氣條件下，溫度、氣壓、風切變、風速和總負荷都會發(fā)生快速變化。由于這些因素的存在，風力發(fā)電設(shè)備經(jīng)歷了不斷變化的局部動態(tài)和負載。因此，轉(zhuǎn)動部件必須可以承受強烈且可變的機械應(yīng)力，因為這可能會導(dǎo)致故障的發(fā)生。機械應(yīng)力會使旋轉(zhuǎn)機械會生溫度差，例如軸和齒輪的溫度，再加上潤滑問題也會加速軸承故障。此外，對于不同位置的軸承，載荷和應(yīng)力也是不同的。例如，傳動系統(tǒng)中的不對中會導(dǎo)致異常載荷，并加速放置在該特定位置的軸承的磨損。為了避免這種過早的故障，有必要開發(fā)更好的風電機組設(shè)計，并應(yīng)用可靠和經(jīng)濟高效的狀態(tài)監(jiān)測技術(shù)。由于所有這些因素，風力發(fā)電機組的軸承狀態(tài)監(jiān)測對智慧電場有巨大作用[4]。

1 風力發(fā)電機組狀態(tài)監(jiān)測

目前為止，研究人員對狀態(tài)監(jiān)測有著不同的見解，總而言之，不斷獲取設(shè)備在運行中或相對于靜態(tài)條件下的狀態(tài)信息，通過對這些信息的分析和處理，并結(jié)合設(shè)備的歷史狀況，來定量地掌握設(shè)備的技術(shù)狀態(tài)和預(yù)測設(shè)備壽命，為設(shè)備運行和按狀態(tài)維修提供技術(shù)基礎(chǔ)。狀態(tài)監(jiān)測側(cè)重于早期發(fā)現(xiàn)設(shè)備的故障和磨損，目的是最大限度地減少停機時間和運營與維護成本，從而最大限度地提高產(chǎn)量。狀態(tài)監(jiān)測在早期階段檢測到故障，可通過減少連鎖損壞和災(zāi)難性故障的機會來優(yōu)化維護計劃和行動。

圖2 風力發(fā)電機組在線監(jiān)測系統(tǒng)圖

主要設(shè)備狀態(tài)監(jiān)測在工業(yè)應(yīng)用中定義為專業(yè)人員采集主要設(shè)備的狀況指標和質(zhì)量數(shù)據(jù)，用來測量評估設(shè)備的健康狀況，并做出有關(guān)維護工作的最佳決策的過程。軸承故障對風力發(fā)電機組的影響是至關(guān)重要的，有研究人員對齒輪箱和發(fā)電機狀態(tài)監(jiān)測進行研究，因為它們會導(dǎo)致風力發(fā)電設(shè)備停機時間長，從而導(dǎo)致公司效益的損失，還因為它們在風電場的生命周期內(nèi)有很高的更換率。然而，最近的研究表明，大約70%的齒輪箱故障停機原因是由軸承故障造成的，21%～70%的發(fā)電機停機原因［小型發(fā)電機（＜1 MW）為21%，中型發(fā)電機（＞1 MW，＜2 MW）為70%，大型發(fā)電機（＞2 MW）為50%］是由軸承引起的。預(yù)防性維修是一種基于時間的維修，它具有“維修不足”和“維修過度”兩個不足之處。換句話說，系統(tǒng)性能沒有得到很好的監(jiān)控，導(dǎo)致意外故障或有過多的維護工作導(dǎo)致資源浪費[5]。因此，對軸承使用基于狀態(tài)的維護以及開發(fā)可用于早期診斷故障的工具和方法是至關(guān)重要的。

2 狀態(tài)監(jiān)測手段與故障診斷

2.1 聲學監(jiān)測

Elforjani等[6]對低速軸和軸承上采用聲發(fā)射技術(shù)來監(jiān)測。分別對軸和軸承進行了不同條件下的試驗。試驗證明了聲發(fā)射檢測裂紋萌生和擴展的效率。Eftekharnejad等[7]在試驗臺模擬軸承在不同工況下運行。通過對振動和聲發(fā)射測量結(jié)果的比較，表明聲發(fā)射對早期損傷的檢測更為敏感。Kilundu等[8]利用循環(huán)平穩(wěn)性監(jiān)測對聲發(fā)射是非常有效的，主要是利用譜相關(guān)和綜合指標來監(jiān)測軸承外圈缺陷，但對內(nèi)圈缺陷監(jiān)測效果一般。

2.2 電效應(yīng)監(jiān)測

Renaudin等[9]提出了一種基于瞬時角速度波動的軸承狀態(tài)監(jiān)測方案，該方案由磁編碼器測量，結(jié)果表明該方案是有效的。Holweger等[10]在全軸承試驗臺上應(yīng)用巴克豪森噪聲測量（也稱為磁彈性或微磁法）。試驗證明，這種方法可以在高動態(tài)加載環(huán)境中實現(xiàn)真實的預(yù)測狀態(tài)監(jiān)測。Machado等[11]使用電阻測量和數(shù)值實驗來診斷軸承故障，這種方法能有效地監(jiān)測軸承故障。

2.3 電能質(zhì)量和溫度監(jiān)測

電能質(zhì)量和溫度監(jiān)測結(jié)合在一起，因為大多數(shù)軸承的故障檢測和診斷方法都使用通過SCADA系統(tǒng)獲得的溫度測量和功率數(shù)據(jù)。Kim等[12]研究了基于SCADA獲得的風電性能曲線的故障檢測系統(tǒng)。分析中還考慮了發(fā)電機和齒輪箱的軸承溫度，開發(fā)了一種基于神經(jīng)網(wǎng)絡(luò)的故障檢測算法，能夠有效地檢測風力機的正常和異常行為。Guo等[13]構(gòu)造了一種基于非線性狀態(tài)估計技術(shù)（NSET）的方法，并將其應(yīng)用于發(fā)電機軸承溫度。仿真結(jié)果表明，該方法能夠成功地檢測出軸承的早期損傷。Yang等[14]使用SCADA數(shù)據(jù)評估風力渦輪機系統(tǒng)的健康狀況。該技術(shù)用于通過功率和溫度的變化來檢測發(fā)電機軸承故障，能成功檢測到故障的發(fā)生和進一步發(fā)展。

2.4 油樣監(jiān)測

Dupuis[15]提出了一項關(guān)于軸承和齒輪故障模式、診斷和預(yù)測的研究。該研究通過油屑監(jiān)測來計算顆粒累積數(shù)量的技術(shù)，并將這項技術(shù)應(yīng)用于在役風力發(fā)電機組。Jiang等[16]提出了基于油樣的滾動軸承故障后分析。研究還表明，油液監(jiān)測將是避免這些故障、延長軸承壽命的一種有效的狀態(tài)監(jiān)測方法。

2.5 振動監(jiān)測

振動監(jiān)測在軸承故障診斷中運用最廣泛，也是軸承故障診斷的有效工具。因此，大多數(shù)風力發(fā)電機組都采用振動傳感器來監(jiān)測設(shè)備的運行狀態(tài)。振動監(jiān)測的只要方法有時域分析、頻域分析、時頻域分析等方法。在風力發(fā)電機組上使用的振動傳感器基本上是加速度計。此外，不同的頻率范圍的傳感器給風力發(fā)電機的監(jiān)測增加了更多的挑戰(zhàn)，主要是由于交叉頻和低頻分量的耦合難以監(jiān)測。在信號處理中時域信號和頻域信號均可用于診斷故障?？梢酝ㄟ^信號處理算法來診斷和預(yù)測設(shè)備的運行狀態(tài)。

2.5.1 頻域分析

Miao[17]提出了一種基于多重調(diào)制的細化插值離散傅立葉變換（Zoom FFT）。通過多次實驗表明，該方法具有較好的性能，特別是在混疊和多個閉合頻率的多故障情況下。ZOOM FFT與快速傅里葉變換（FFT）比較結(jié)果顯示，ZOOM FFT能夠準確識別故障，且分辨率較好。Jayaswal[18]提出了軸承振動分析技術(shù)，使用振動監(jiān)測來檢測軸承的早期故障，通過研究軸承振動信號的FFT譜，得出軸承的狀態(tài)。Liu等[19]測量了滾珠軸承的徑向加速度，并提取了頻域峰值振幅、功率百分比和峰值均方根。然后利用序貫前向搜索算法和自適應(yīng)神經(jīng)模糊推理系統(tǒng)對缺陷進行檢測和識別。Saidi等[20]提出了一種新的軸承診斷模式分類方法，該方法結(jié)合了高階譜分析特征和支持向量機分類器，提取振動雙譜圖，進行主成分降維分析。然后，將主成分輸入到支持向量機中，對不同工況下運行的試驗臺測量的軸承故障和嚴重程度進行識別。結(jié)果表明，該方法能夠可靠地根據(jù)振動信號識別滾動軸承的不同故障模式。

2.5.2 時頻域分析

Sarvajith等[21]使用傅立葉和離散小波變換來確定軸承中的滾動體狀態(tài)。然后利用離散小波變換將預(yù)處理后的信號分解為多個層次，利用支持向量機對軸承的狀態(tài)值和故障進行分類和故障識別。所獲得的結(jié)果得到了實驗驗證，以確保所開發(fā)技術(shù)的有效性。Khanam等[22]提出了利用小波輔助的離散小波變換對振動信號進行分解。分解后的信號明顯地將對應(yīng)于滾動體進入和退出故障的峰值分割開來，從而可以估計軸承中存在的缺陷大小。對深溝球軸承外圈存在的不同尺寸缺陷進行的實驗證實了該方法的有效性。Ali等[23]提出了一種基于振動信號經(jīng)驗?zāi)B(tài)分解能量熵的特征提取方法。然后，他們選擇最重要的固有模態(tài)函數(shù)來訓(xùn)練一個人工神經(jīng)網(wǎng)絡(luò)來分類軸承缺陷。實驗結(jié)果表明，這是一種可靠的評估軸承健康狀況和退化的工具。Ming[24]提出了一種新的確定性分量抵消方法，該方法基于對多分量信號（包括離散頻率分量和循環(huán)脈沖響應(yīng)）包絡(luò)的迭代計算，理論上通過希爾伯特變換在時域和頻域進行計算。然后，通過軸承仿真和實驗驗證了理論計算和提出的確定性分量抵消方法。Fu W[25]用變異正弦余弦算法和Harris優(yōu)化的一種新的耦合變分模態(tài)分解（VMD）、復(fù)合多尺度精細排序色散熵（CMFSDE）和支持向量機（SVM）的混合方法。提出了一種稱為MSCAHHO的增強型混合優(yōu)化方法。所提出的VMD-CMFSDE-MSCAHHO-SVM方法取得了良好的診斷結(jié)果。

2.5.3 盲源分析（Blind Source Separation，BSS）

在機械系統(tǒng)的在線監(jiān)測和故障診斷中，盲源分離作為一種信號處理方法得到了廣泛的應(yīng)用。風力發(fā)電機組在線監(jiān)測的數(shù)據(jù)采集工作，大多數(shù)是通過傳感器來完成的。但是由于風力發(fā)電所處的環(huán)境比較復(fù)雜，同時機組中的機械設(shè)備較多在運行中會產(chǎn)生混合振動信號的現(xiàn)象。盲源分離最大的特點在于可以將傳感器采集的混合信號分離開。這對風力發(fā)電機組各部件的狀態(tài)檢測提供了很大的貢獻。

Gelleet等[26]提出了一種用于旋轉(zhuǎn)機械監(jiān)測的盲源分離方法，該方法假設(shè)源的獨立性和傳播介質(zhì)的線性性，而不需要任何混合先驗知識。Roanet[27]提出了一種基于信息最大化的盲源分離算法，該算法實質(zhì)上是一種非線性自適應(yīng)獨立分量分析（ICA）方法，并應(yīng)用于齒輪振動測量。Hu[28]基于稀疏分量分析的風電齒輪箱軸承故障特征欠定盲源分離?；谙∈璺至糠治鏊惴ǎ菑男旁磾?shù)估計和信源信號恢復(fù)兩個方面，實現(xiàn)了準確、高效的軸承故障診斷。Zhang[29]提出了一種基于變分模態(tài)分解（VMD）的單通道盲源分離（SCBSS）方法，并將其應(yīng)用于單聲傳感器獲取的風力機齒輪箱信號的分離中?；跀?shù)據(jù)的非線性非平穩(wěn)信號的變分模態(tài)分解完全是自適應(yīng)的，最后通過實驗數(shù)據(jù)驗證，該算法優(yōu)于EMD信號處理。

2.5.4 機器學習分析

目前，人工智能發(fā)展很迅速，已經(jīng)應(yīng)用與各個領(lǐng)域。研究人員發(fā)現(xiàn)機器學習是解決方案的選擇有效地解決數(shù)據(jù)驅(qū)動的故障檢測和診斷方法所面臨的主要問題?；跈C器學習方法的故障診斷在軸承不同運行工況下，獲得令人滿意的故障診斷效果。

Ziani等[30]比較了人工神經(jīng)網(wǎng)絡(luò)（ANN）和遺傳算法（GA）在軸承故障檢測中的性能。提取正常齒輪箱和故障齒輪箱的時域信號作為人工神經(jīng)網(wǎng)絡(luò)的輸入?；谶z傳算法選擇系統(tǒng)特征，并使用線性判別分析作為評價函數(shù)。Xu[31]提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)和領(lǐng)域自適應(yīng)的滾動軸承智能故障診斷方法?；谝痪S卷積神經(jīng)網(wǎng)絡(luò)，設(shè)計了深度卷積連體適應(yīng)網(wǎng)絡(luò)（DCSAN），將兩個域數(shù)據(jù)的輸入空間映射到一個公共特征空間。實驗結(jié)果表明，當變工況下目標域振動數(shù)據(jù)較少時，該方法能有效提高故障診斷的準確性。Zhao[32]提出了一種基于深度多尺度卷積神經(jīng)網(wǎng)絡(luò)（MSCNN）的新型遷移學習框架。所提出的MSCNN通過在兩個著名的滾動軸承試驗臺上構(gòu)建的不同傳輸場景進行評估。三個案例研究表明，所提出的框架不僅在源域上具有出色的性能，而且在可變工作條件和域上具有出色的可遷移性。Li[33]提出了一種基于參數(shù)遷移學習和卷積自編碼（CAE）的風電機組小尺度數(shù)據(jù)故障診斷方法。該方法可以將相似風力機的信息傳遞給目標風力機。分析了該方法的性能，并與其他遷移/非遷移方法進行了比較。比較結(jié)果表明，該方法在利用小尺度數(shù)據(jù)進行風力機故障診斷方面具有優(yōu)勢。由于風電機組的實際運行，所收集的故障數(shù)據(jù)集有限，很難通過變量之間的相關(guān)性實現(xiàn)故障診斷。Yu等[34]提出了一種基于虛擬展開和球面映射模型的故障診斷方法。最后進行對比實驗，驗證了所提方法的有效性。Wen[35]提出了一種基于ReliefF、主成分分析（PCA）和深度神經(jīng)網(wǎng)絡(luò)（DNN）的混合故障診斷方法，構(gòu)建relief-pca-dnn模型，并針對吉林省某風電場故障案例進行優(yōu)化。實驗結(jié)果表明，所提出的混合模型對單故障的準確率均在98.5%以上，對多故障的準確率均在96%以上。驗證結(jié)果表示該方法優(yōu)于其他故障診斷算法。

3 挑戰(zhàn)性問題及展望

隨著科學技術(shù)快速的發(fā)展，風力發(fā)電機組在線狀態(tài)檢測與故障診斷技術(shù)同樣面臨著各種挑戰(zhàn)。

（1）在線監(jiān)測技術(shù)之間的集成功能。將多種在線監(jiān)測技術(shù)的集成在一起，綜合分析風電機組的運行狀態(tài)。例如，風電場的維護人員使用基于振動的狀態(tài)監(jiān)測、油屑和SCADA分析，但不容易以自動的方式來集成它們，從而使結(jié)果不可靠。這也是為什么該行業(yè)在在線監(jiān)測系統(tǒng)上仍然會出現(xiàn)假警報和誤診的原因之一。

（2）隨著風電機組裝機容量的快速增長，風電機組狀態(tài)監(jiān)測與故障診斷技術(shù)逐步完善。風電機組狀態(tài)監(jiān)測系統(tǒng)中設(shè)備狀態(tài)智能監(jiān)測技術(shù)、智能故障診斷技術(shù)發(fā)展迅速，但就目前技術(shù)水平而言，很多技術(shù)還存在不足。

（3）隨著人工智能算法的不斷更新，基于智能算法的故障診斷技術(shù)是一個很熱門的話題。

4 結(jié)束語

風力發(fā)電機組在線監(jiān)測與故障診斷可以有效降低故障率，提高風機可利用率。風電機組的設(shè)備故障會直接影響風電機組停機時間和設(shè)備更換等問題。研究發(fā)現(xiàn)齒輪箱和發(fā)電機的故障大多是由于軸承故障引起的，軸承更換成本低于齒輪箱、發(fā)電機的更換和停機成本。因此，在線監(jiān)測和故障診斷軸承也是非常有益的。風力發(fā)電場運行人員應(yīng)重視風電機組的在線監(jiān)測系統(tǒng)。在眾多監(jiān)測方法中，可以看出振動監(jiān)測在風力發(fā)電機組的在線狀態(tài)監(jiān)測與故障診斷技術(shù)中起著關(guān)鍵作用。研究人員通過不同的數(shù)據(jù)解釋和統(tǒng)計方法，結(jié)合智能的算法，對監(jiān)測技術(shù)作進一步更新。

[1]施鵬飛. 中國風電產(chǎn)業(yè)發(fā)展現(xiàn)狀和展望[C]. 國際清潔能源論壇(澳門): 國際清潔能源論壇(澳門)秘書處，2019.

[2] Stadler K, Stubenrauch A. Premature bearing failures in industrial gearboxes[J]. SKF, 2013, 12: 97421.

[3] Renewable Energy World Magazine. Analyzing gearbox failure and preventing it[EB/OL]. https://www.researchgate. net/publication/225602159, 2015-03-02.

[4] 封新建. 風力發(fā)電機組齒輪箱振動監(jiān)測與故障診斷方法研究[D]. 吉林: 東北電力大學，2017.

[5] Tian Z, Jin T, Wu B, et al. Condition based maintenance optimization for wind power generation systems under continuous monitoring[J]. Renewable Energy, 2011, 36: 1502-1509.

[6] Elforjani M, Mba D. Condition monitoring of slow-speed shafts and bearings with acoustic emission[M]. Oxford: Blackwell Publishing, 2010.

[7] Eftekharnejad B, Carrasco M R, Charnley B, et al. The application of spectral kurtosis on acoustic emission and vibrations from a defective bearing[J]. Mechanical Systems and Signal Processing, 2011, 25: 266-284.

[8] Kilundu B, Chiementin X, Duez J, et al. Cyclostationarity of acoustic emissions (AE) for monitoring bearing defects[J]. Mechanical Systems and Signal Processing, 2011, 25: 2061-2072.

[9] Renaudin L, Bonnardot F, Musy O, et al. Natural roller bearing fault detection by angular measurement of true instantaneous angular speed[J]. Mechanical Systems and Signal Processing, 2010, 24(7): 1998-2011.

[10] Holweger W, Walther F, Loos J, et al. Nondestructive subsurface damage monitoring in bearings failure mode using fractal dimension analysis[J]. Industrial Lubrication and Tribology, 2012, 64: 132-137.

[11] Machado C, Guessasma M, Bellenger E, et al. Diagnosis of faults in the bearings by electrical measures and numerical simulations[J]. Mechanics Industry, 2014, 15(5): 383-391.

[12] Kim S Y, Ra I H, Kim S H. Design of wind turbine fault detection system based on performance curve SCIS-ISIS[C]. The 6th International Conference on Soft Computing and Intelligent Systems, and the 13th International Symposium on Advanced Intelligence Systems, IEEE, 2013.

[13] P.eng G. Wind Turbine Generator Bearing Condition Monitoring with NSET Method[C]. Control and Decision Conference, 2012.

[14] Yang W, Court R, Jiang J. Wind turbine condition monitoring by the approach of SCADA data analysis[J]. Renew Energy, 2013, 53: e365-e376.

[15] Dupuis R. Application of oil debris monitoring for wind turbine gearbox prognostics and health management[C]. Annual Conference of the Prognostics and Health Management Society, 2010.

[16] Jiang X, Liu F, Zhao P. Failure analysis of rolling bearing based on oil monitoring techniques with mechanics basis[J]. Applied Mechanics and Materials, 2012, 164: 401-404.

[17] Miao Q, Cong L, Pecht M. Identifification of multiple characteristic components with high accuracy and resolution using the zoom interpolated discrete Fourier transform[J]. Measurement Science and Technology, 2011, 22(5): 055701.

[18] Jayaswal P, Agrawal B. New trends in wind turbine condition monitoring system[J]. International Journal of Emerging Trends in Engineering Research, 2011, 3(1): 133-148.

[19] Liu T. Lee J, Singh P. Using acceleration measurements and neurofuzzy systems for monitoring and diagnosis of bearings[J]. International Society for Optics and Photonics, 2013, 8916: 89160B.

[20] Saidi L, Ali JB, Fnaiech F. Application of higher order spectral features and support vector machines for bearing faults classifification[J]. Isa Transactions, 2015, 54: 193-206.

[21] Sarvajith M, Shah B, Kulkarni S, et al. Condition monitoring of rolling element bearing using wavelet transform and support vector machine[C]. Conference: NCCM, 2013.

[22] Khanam S, Tandon N, Dutt J K. Fault size estimation in the outer race of ball bearing using discrete wavelet transform of the vibration signal[J]. Procedia Technology, 2014, 14: 12-19.

[23] Ali J B, Fnaiech N, Saidi L, et al. Application of empirical mode decomposition and artifificial neural network for automatic bearing fault diagnosis based on vibration signals[J]. Applied Acoustics, 2015, 89: 16-27.

[24] Ming A B, Zhangb W, Qina Z Y, et al. Envelope calculation of the multi component signal and its application to the deterministic component can cellation in bearing fault diagnosis[J]. Mechanical Systems and Signal Processing, 2015, 50: 70-100.

[25] Fu W, Shao K, Tan J, et al. Fault diagnosis for rolling bearings based on composite multiscale fine-sorted dispersion entropy and SVM with hybrid mutation SCA-HHO algorithm optimization[J]. IEEE Access, 2020, 99: 1.

[26] Gelle G , Colas M , Serviere C. Blind source separation: a tool for rotating machine monitoring by vibrations analysis[J]. Journal of Sound and Vibration, 2001, 248(5): 865-885.

[27] Roan M J , Erling J G , Sibul L H. A new, non-linear, adaptive, blind source separation approach to gear tooth failure detection and analysis[J]. Mechanical Systems and Signal Processing, 2002, 16(5): 719-740.

[28] Hu C, Yang Q, Huang M, et al. Sparse component analysis-based under-determined blind source separation for bearing fault feature extraction in wind turbine gearbox[J]. IET Renewable Power Generation, 2017, 11(3): 330-337.

[29] Zhang Y, Qi S, Zhou L. Single channel blind source separation for wind turbine aeroacoustics signals based on variational mode decomposition[J]. Ieee Access, 2018, 6: 73952-73964

[30] Ziani R, Zagadi R, Felkaoui A, et al. Bearing fault diagnosis using neural network and genetic algorithms with the trace criterion[J]. Condition Monitoring of Machinery in Non-Stationary Operations, 2012, 37: 89-96.

[31] Xu J, Huang J, Zhao Y, et al. A robust intelligent fault diagnosis method for rolling bearings based on deep convolutional neural network and domain adaptation[J]. Procedia Computer Science, 2020, 174: 400-405.

[32] Zhao B, Zhang X, Zhan Z, et al. Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains[J]. Neurocomputing, 2020, 407: 24-38.

[33] Li Y, Jiang W, Zhang G, et al. Wind turbine fault diagnosis based on transfer learning and convolutional autoencoder with small-scale data[J]. Renewable Energy, 2021, 171: 103-115.

[34] Yu W X, Lu Y, Wang J N. Application of small sample virtual expansion and spherical mapping model in wind turbine fault diagnosis[J]. Expert Systems with Applications, 2021, 14: 115397.

[35] Wen X, Xu Z. Wind turbine fault diagnosis based on ReliefF-PCA and DNN[J]. Expert Systems with Applications, 2021, 178: 115016.

Review on Bearing Condition Detection of Wind Turbine

With the increasing installed capacity of wind turbine, the operation and maintenance of wind turbine equipment will be more and more difficult, and the operation and maintenance cost of wind turbine equipment is also increasing. The operation and maintenance personnel of the wind farm predict and diagnose the fault of the equipment by Online monitoring the rotating equipment of the wind turbine. Through the research, it can be seen that a large number of faults of wind turbine are caused by bearing and gearbox faults. Therefore, the condition monitoring of wind turbine becomes very important. This paper summarizes the research on condition monitoring and fault diagnosis technology of wind turbine, so as to provide reference for improving the reliability, prediction and early fault diagnosis of wind turbine components in the future.

wind turbine; Online monitoring; fault diagnosis

TM31

A

1008-1151(2022)02-0053-04

2021-11-20

任濤（1993－），男，甘肅白銀人，供職于華能華家?guī)X風力發(fā)電有限公司，研究方向設(shè)備管理。