風(fēng)力發(fā)電機電動變槳系統(tǒng)故障診斷研究進展

李洪川，王旭東，王東明，陳乃超，潘衛(wèi)國

（1.甘肅中電投新能源發(fā)電有限責(zé)任公司，甘肅蘭州 7 300601；2.上海電力大學(xué)能源與機械工程學(xué)院，上海 200090）

0 引言

為達到碳達峰與碳中和目標(biāo)，在我國的“十四五”規(guī)劃中，風(fēng)電技術(shù)成為實現(xiàn)碳中和國家戰(zhàn)略的重要手段，提出年均新增裝機5000萬千瓦以上。2025年后，風(fēng)電年均新增裝機容量不低于6000萬千瓦，2030年至少達到8億千瓦，2060年至少達到30億千瓦。2020年，全國風(fēng)電新增并網(wǎng)裝機7167萬千瓦，其中陸上風(fēng)電新增裝機6861萬千瓦、海上風(fēng)電新增裝機306萬千瓦。截至2020年底，全國風(fēng)電累計裝機2.81億千瓦，其中陸上風(fēng)電累計裝機2.71億千瓦、海上風(fēng)電累計裝機約900萬千瓦[1]。我國風(fēng)電規(guī)模日益擴大，新機組不斷投運，由于風(fēng)力發(fā)電影響因素較多，導(dǎo)致風(fēng)力發(fā)電機組設(shè)備結(jié)構(gòu)和運行較為復(fù)雜；載荷多變、負載較大、功率較高等特點，并且子系統(tǒng)數(shù)量多、機械和電氣結(jié)構(gòu)較多，風(fēng)力發(fā)電機組在運行中容易產(chǎn)生故障、機組故障率較高，嚴重影響風(fēng)電場運行效率。另外，電動變槳系統(tǒng)因結(jié)構(gòu)緊湊、可靠等特點成為主流[2]。

電動變槳系統(tǒng)作為風(fēng)力發(fā)電機組的關(guān)鍵控制部件，其故障已成為機組停機的主要原因之一。降低風(fēng)力發(fā)電機組電動變槳系統(tǒng)故障率和故障停機時間，減少運維成本，提高發(fā)電率和經(jīng)濟效益，已成為風(fēng)力發(fā)電投資、建設(shè)、運營維護需要解決的問題。因此，研究和掌握風(fēng)電機組電動變槳的故障分析和診斷技術(shù)具有重要意義。

本文將針對風(fēng)力發(fā)電機電動變槳系統(tǒng)故障及其故障診斷方法進行詳細描述，分析風(fēng)力發(fā)電機電動變槳系統(tǒng)故障診斷在模型分析、數(shù)據(jù)處理、故障樹以及人工智能等方法的研究。

1 電動變槳系統(tǒng)基本結(jié)構(gòu)及常見故障類型

1.1 電動變槳系統(tǒng)基本結(jié)構(gòu)

現(xiàn)代大型風(fēng)力發(fā)電機組一般采用三葉片方式，每個葉片分別配備獨立的電動變槳距系統(tǒng)，一般由3套相同機構(gòu)組成，包括變槳距伺服電機、伺服驅(qū)動器、減速器、葉片變槳距軸承、獨立的軸控制箱和輪轂主控系統(tǒng)、蓄電池、傳感器部分等。其中，傳感器部分包括槳葉角位置傳感器（葉片編碼器和電機編碼器）和兩個限位開關(guān)；伺服電機連接減速器，通過主動齒輪與變槳距軸承內(nèi)齒圈相嚙合，帶動槳葉進行轉(zhuǎn)動，實現(xiàn)對葉片槳距角的控制。

1.2 電動變槳系統(tǒng)常見故障及發(fā)生原因

據(jù)統(tǒng)計變槳系統(tǒng)是風(fēng)力發(fā)電機組故障發(fā)生率較高的部件[3]。變槳系統(tǒng)作為風(fēng)力發(fā)電機的核心部件，其故障率甚至高于齒輪箱和軸承這些機械子系統(tǒng)。變槳系統(tǒng)的損壞不僅增加了運行維護成本，還嚴重影響了風(fēng)電場運行效率[4]。因此，及時準(zhǔn)確診斷出變槳系統(tǒng)故障，并采取相應(yīng)舉措，對于機組穩(wěn)定安全運行至關(guān)重要。目前，實際運行過程中，變槳系統(tǒng)常見故障主要表現(xiàn)為[5-6]：

（1）變頻器（變槳驅(qū)動器）故障。故障主要原因有變頻器通信中斷、絕緣柵雙極型晶體管損壞、控制板件和動力回路接線損壞等。

（2）蓄電池故障。高低溫都會對鉛蓄電池產(chǎn)生極大影響，高溫會引起腐蝕、析氣，長期低溫導(dǎo)致放電能力下降，壽命縮短。

（3）變槳電機故障。除了電機線圈斷線，碳刷磨損這些電機自身原因，變頻器損壞、限位開關(guān)和編碼器故障長時間不解決會導(dǎo)致電機過載損壞。

（4）角度編碼器故障。螺絲松動、接線不良均會發(fā)生故障。

（5）滑環(huán)故障。滑環(huán)連接輪轂和機艙的電源和通信線路，當(dāng)滑環(huán)故障時會引發(fā)相關(guān)的變頻器通信故障、蓄電池控制失效及變頻器損壞等一系列連鎖反應(yīng)。

（6）變槳限位開關(guān)故障。限位開關(guān)接線回路松動、導(dǎo)線折斷導(dǎo)致的限位開關(guān)不返回、位置不精確，進而造成變槳電機和變頻器的損壞。

2 電動變槳系統(tǒng)故障診斷研究

故障診斷的難點之一在于對獲得數(shù)據(jù)的處理，傳統(tǒng)的診斷方法多是基于物理模型，利用測量獲得數(shù)據(jù)，進行參數(shù)辨識，建立參數(shù)與故障對應(yīng)的關(guān)系，獲得故障類型和位置。隨著技術(shù)的發(fā)展，尤其大數(shù)據(jù)和人工智能的發(fā)展，故障診斷技術(shù)也發(fā)生了較大變化。因此，本文將針對電動變槳系統(tǒng)故障診斷，通過模型和數(shù)據(jù)分析兩類不同的方法進行論述。

2.1 基于分析模型的故障診斷

基于分析模型的故障檢測和診斷方法是通過系統(tǒng)實際行為與基于模型的預(yù)期行為的差異的分析與比較，檢測系統(tǒng)是否發(fā)生故障，并對故障發(fā)生部位、故障的大小及類型進行診斷。與基于信號的故障診斷方法相比，基于模型的故障診斷算法能夠提高針對錯誤決策的恢復(fù)能力?；谀Ｐ偷淖儤到y(tǒng)的故障診斷，目前國內(nèi)外已有很多的研究。

研究發(fā)現(xiàn)，采用可擴展的卡爾曼濾波器可以針對變槳執(zhí)行器卡死、傳感器偏差和失效等早期故障進行診斷[7]。同時，將H∞范數(shù)被引入作為閾值，利用線性矩陣不等式，求解最優(yōu)H∞范數(shù)，系統(tǒng)模型的魯棒性更強[8]。為了提高檢測速度，及時響應(yīng)外界變化，提出在時間域內(nèi)快速檢測葉片變槳執(zhí)行器和傳感器的故障，將故障發(fā)生前后進行比較，采用卡爾曼濾波器和基于H∞優(yōu)化的閾值進行殘差評價[9]；在此基礎(chǔ)上，提出基于推理的故障隔離算法，能夠確定故障類型、位置、大小和時間，同時對再控制器模塊的容錯控制器控制，以避免外部負載的影響[10]。在進一步的研究中，引入到多維空間，將變槳系統(tǒng)模型轉(zhuǎn)變?yōu)榭杀孀R的狀態(tài)空間模型，結(jié)合狀態(tài)觀測器實現(xiàn)系統(tǒng)狀態(tài)和參數(shù)的交互估計[11]。采用多新息隨機梯度辨識算法（MISG）對系統(tǒng)狀態(tài)和參數(shù)進行估計，將系統(tǒng)故障診斷問題轉(zhuǎn)化為系統(tǒng)辨識問題。針對執(zhí)行機構(gòu)和槳距角傳感器故障，提出了自適應(yīng)解耦觀測器，可以有效解決狀態(tài)估計與故障估計相互耦合的問題，實現(xiàn)對白噪聲不敏感而對故障參數(shù)敏感的殘差信號，建立故障評價函數(shù)和決策方案[12]。此外，針對耦合問題，通過坐標(biāo)變換將故障子系統(tǒng)與系統(tǒng)的其余部分解耦，通過降階未知輸入觀測器（RUIO）去除干擾和不確定性，利用降階滑動模式觀測器（RSMO）能有效估計執(zhí)行器和傳感器故障[13]。針對變槳電機編碼器的故障，感應(yīng)電機驅(qū)動中編碼器測量到的轉(zhuǎn)子轉(zhuǎn)速信號的均值和標(biāo)準(zhǔn)差被用來檢測編碼器故障。

這項工作表明，在比系統(tǒng)的機械時間常數(shù)短得多的周期內(nèi)，平均轉(zhuǎn)子速度的劇烈變化將表明編碼器出現(xiàn)機械或電子故障；而編碼器脈沖的缺失導(dǎo)致了轉(zhuǎn)子速度的移動平均標(biāo)準(zhǔn)差的重大變化[14]。提出了兩種永磁同步電機編碼器故障檢測方法。設(shè)計了一種基于轉(zhuǎn)子位置與定子電流相關(guān)的方法，利用小波變換處理的定子電流信號的突變來檢測編碼器故障。另外一種方法是，根據(jù)校驗方程生成的轉(zhuǎn)子位置和轉(zhuǎn)速的殘差來檢測編碼器故障[15]。

風(fēng)力機電動變槳故障的來源多種多樣，各類故障之間相互影響，如何能精確定位故障源是之后研究的方向。通過建立數(shù)學(xué)模型，與實際系統(tǒng)雙軌運行，通過殘差分析，可以實現(xiàn)故障檢測和診斷[16]。但該類方法針對不同風(fēng)機類型、不同系統(tǒng)都需要重建模型，不具有通用性，導(dǎo)致建模的復(fù)雜性和難度大幅提高。

2.2 基于數(shù)據(jù)驅(qū)動的診斷技術(shù)

基于數(shù)據(jù)的故障診斷方法在學(xué)術(shù)界和工業(yè)界受到了更多的關(guān)注。數(shù)據(jù)驅(qū)動的價值歸結(jié)于通過數(shù)據(jù)來支持決策和驅(qū)動產(chǎn)品智能。即在一定數(shù)據(jù)基礎(chǔ)上建立算法模型，再將得到的數(shù)據(jù)結(jié)果反饋算法模型。模型本身就具有了學(xué)習(xí)能力，可以不斷迭代。

2.2.1 基于故障樹的故障診斷

針對故障樹結(jié)構(gòu)，提出許多改進方法。結(jié)合風(fēng)力發(fā)電機組的實際性能和專家經(jīng)驗，引用模糊推理技術(shù)，建立變槳控制系統(tǒng)故障診斷模型。采用模糊理論可有效解決故障樹中不確定性推理問題，提高診斷精度和故障識別時間[17]。在分析數(shù)據(jù)上，可以將SCADA（Supervisory Control And Data Acquisition，數(shù)據(jù)采集與監(jiān)視控制）系統(tǒng)收集的60多項參數(shù)進行分類，進行數(shù)據(jù)預(yù)處理，并將帶時間戳的狀態(tài)和故障數(shù)據(jù)與記錄的功率曲線比較，進行功率預(yù)測[18]。

可以看出，基于故障樹的故障診斷方法的邏輯性較強，可以較為直觀的獲取故障點，但是在處理數(shù)據(jù)和建立故障樹邏輯上仍然存在一定難度，厘清各故障之間的聯(lián)系和影響，精確定位故障源頭，這需要進行大量的工作。

2.2.2 基于圖像的故障診斷

圖像處理技術(shù)是人工智能發(fā)展的重要推動力量之一，也是故障診斷應(yīng)用的重要技術(shù)。針對風(fēng)力機電動變槳診斷，可以將測量的時域信號轉(zhuǎn)換為二維灰度圖像，可以根據(jù)統(tǒng)計學(xué)特征、小波分析、測量特征等開發(fā)出特征選擇和最優(yōu)的分類工具，選出MRMR（Max-Relevance and Min-Redundancy，最大相關(guān)性的最小冗余）標(biāo)準(zhǔn)和分類工具。實踐表明，在5 MW海上型風(fēng)力機組進行了模擬，能夠檢測和分類最常見的故障[19]。通過對相關(guān)指標(biāo)數(shù)據(jù)繪制的雷達圖進行特征提取，使經(jīng)驗風(fēng)險和置信區(qū)間最小，有效地進行模式分類。首先將輸入圖像轉(zhuǎn)換為灰度圖像，提取圖像GLCM（Gray-level Co-occurrence Matrix，灰度共生矩陣）特征并歸一化，然后對灰度圖像進行二值化。提取圖像HOG（Histogram of Oriented Gradient，定向梯度直方圖）特征，將GLCM特征和HOG特征組合為圖像的特征向量，算法輸出為訓(xùn)練集和測試集的特征和標(biāo)簽。其次，利用獲得的圖像特征對SVM（Support Vector Machines，支持向量機）分類器進行訓(xùn)練。然后利用測試圖像的特征向量對樣本標(biāo)簽進行預(yù)測[20]。

2.2.3 基于統(tǒng)計分析的故障診斷

一般而言，SCADA系統(tǒng)并沒有綜合考慮各子系統(tǒng)以及風(fēng)力發(fā)電機運行參數(shù)間存在的強耦合性，可能會出現(xiàn)無序的報警信息，提高了故障停機后的維修難度?？梢酝ㄟ^Fisher判別法，將數(shù)據(jù)進行識別分類，從而對故障源進行定位，實驗結(jié)果驗證了該方法具有良好的效果[21]。對單個SCADA數(shù)據(jù)的描述，采用期望值描述，而不是IEC（International Electrotechnical Commission，國際電工委員會）標(biāo)準(zhǔn)的平均值，以避免異常值引起的統(tǒng)計誤差，并發(fā)現(xiàn)相關(guān)SCADA數(shù)據(jù)之間的相關(guān)性。額定風(fēng)速前，相關(guān)SCADA之間的關(guān)系相對簡單；當(dāng)風(fēng)速達到和超過額定風(fēng)速時，變槳控制啟動，SCADA數(shù)據(jù)相關(guān)性更加復(fù)雜。這也說明額定風(fēng)速前，沒有非線性控制效應(yīng)抑制故障特征，能更容易發(fā)現(xiàn)故障[22]。

2.2.4 人工智能算法的應(yīng)用

人工智能技術(shù)為解決問題帶來了新的方法，使得傳統(tǒng)無法解決的問題得到解決，并為故障診斷帶來了新的曙光。相對于故障分析及其辨識而言，數(shù)據(jù)的采集、處理顯得更為重要，過多的傳感器不僅增加成本，還增加故障檢測工作量，采用傳感器優(yōu)選可以減少檢測和計算工作，結(jié)果表明該方法可以減少54%監(jiān)測項目和95%檢測時間[23]。此外，大量的數(shù)據(jù)需要首先進行預(yù)處理，尤其特征性能的提取非常重要。PCA（Principal Component Analysis，主成分分析）方法將系統(tǒng)高維數(shù)據(jù)組成矩陣，進行一系列矩陣運算后確定若干正交向量，數(shù)據(jù)在這些向量上的投影反映數(shù)據(jù)變化最大的幾個方向，舍去數(shù)據(jù)變化較小的方向，由此可將高維數(shù)據(jù)進行降維，從而有效提高故障識別算法效率。在此基礎(chǔ)上，通過MPCA（Multilinear Principal Component Analysi，多路主成分分析）對環(huán)境及風(fēng)資源進行分析得到健康風(fēng)力機組基準(zhǔn)數(shù)據(jù)模型，提高故障診斷準(zhǔn)確率[24]。同時，將PCA和MPCA耦合，充分利用PCA具有降維和噪聲抑制的作用，MPCA模型可以反映各部件狀態(tài)可變性的統(tǒng)計特性，進一步優(yōu)化故障分析模型[25]。同時，PCA方法對風(fēng)力機非線性的數(shù)據(jù)集處理效果不明顯，需要采用非線性PCA技術(shù)，如核PCA（KPCA）也可結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)，更能捕捉數(shù)據(jù)變化。

應(yīng)用一種改進的ANFIS（Adaptive-Network-based Fuzzy Inference Systems，自適應(yīng)神經(jīng)模糊系統(tǒng)），監(jiān)測了4種SCADA信號（轉(zhuǎn)子速度、葉片角度、電機扭矩和功率輸出）隨風(fēng)速的變化，結(jié)合已掌握的知識：風(fēng)速為高，輸出功率為低；風(fēng)速為低，功率輸出為高，這兩種情況可能檢測到故障。實現(xiàn)了變槳系統(tǒng)顯著故障的自動檢測[26]。然而，從停止到操作過程和從操作到停止過程之間不同的操作特性并未考慮。正是工作狀態(tài)切換時，表現(xiàn)出與故障相似的參數(shù)?；谙嗨菩栽恚梅蔷€性狀態(tài)評估方法，建立能夠涵蓋變槳系統(tǒng)全部正常運行狀態(tài)的健康模型，當(dāng)變槳系統(tǒng)發(fā)生故障時，比較模型預(yù)測值與正常狀態(tài)的偏差，根據(jù)特征參數(shù)的偏差，來確定故障的原因[27]。深度神經(jīng)網(wǎng)絡(luò)的出現(xiàn)給復(fù)雜問題分析帶來可能，針對風(fēng)力發(fā)電機組變槳系統(tǒng)常見故障，提出基于DBN（Deep Boltzmann Machine，深度置信網(wǎng)絡(luò)）的故障診斷方法，首先設(shè)計基于DBN的變槳系統(tǒng)故障診斷模型，通過堆疊多層RBM（Restricted Boltzmann Machine，受限玻爾茲曼機），對比重構(gòu)數(shù)據(jù)與原始輸入數(shù)據(jù)差異，獲取故障特征自提取能力，再將RBM提取的故障特征輸入到頂層分類器中進行訓(xùn)練，得到故障診斷模型。實驗結(jié)果表明其有效性[28]。

風(fēng)力機工況非常復(fù)雜，因此研究多未考慮風(fēng)力機所處工況。但是，不同工況下，數(shù)據(jù)和數(shù)據(jù)之間的關(guān)系及耦合程度都不相同，給分析帶來困難。ENRS（Entropy-optimized Neighborhood Rough Set，基于熵優(yōu)化的鄰域粗糙集）可以對不同工況下的特征參量進行約簡建模，設(shè)計了全工況變槳系統(tǒng)狀態(tài)特征參量挖掘策略。以其約簡數(shù)據(jù)集作為輸入樣本，提出小世界粒子群優(yōu)化的熵加權(quán)學(xué)習(xí)矢量量化（Learning Vector Quantization，LVQ）為基礎(chǔ)模型的多模型狀態(tài)監(jiān)測器，實現(xiàn)異常狀態(tài)的精準(zhǔn)定位[29]。故障類型與所處工作狀態(tài)有密切聯(lián)系，將SCADA數(shù)據(jù)分類成4個工作狀態(tài)區(qū)間，分別進行15個初始參數(shù)的相關(guān)OIE（Overlap Information Entropy，重疊信息熵）分析，選取OIE值低于0.3的初始參數(shù)作為故障診斷的合適信號，并進行離散化特征提取，建立小世界神經(jīng)網(wǎng)絡(luò)作為集成成員，并訓(xùn)練、選擇、加權(quán)融合，最終得到分類結(jié)果[30]。

為了提高變槳系統(tǒng)故障預(yù)測的分類精度，針對多類分類問題，選用計算簡單的二進制分類，選擇徑向基函數(shù)作為SVM（Support Vector Machines，支持向量機）的內(nèi)核函數(shù)，并通過計算粒子適應(yīng)度值來調(diào)整個體和全局的極值，不斷迭代獲得最優(yōu)參數(shù)[31]。針對變槳系統(tǒng)易出現(xiàn)的編碼器、電機故障和滑環(huán)斷裂問題，選取與變槳電機功率最密切相關(guān)的功率、葉片角度、變槳電機電流、輪轂轉(zhuǎn)速和風(fēng)速等SCADA數(shù)據(jù)作為初始參數(shù)，并選取PLC狀態(tài)代碼處于發(fā)電狀態(tài)下的數(shù)據(jù)進行數(shù)據(jù)預(yù)處理，使用RVM（Relevance Vector Machine，相關(guān)向量機）回歸設(shè)計了一個正常行為模型，為提高模型精度，采用人工蜂群算法對核函數(shù)參數(shù)進行了優(yōu)化[32]。選擇功率和發(fā)電機轉(zhuǎn)速、槳距角和發(fā)電機轉(zhuǎn)速這兩種性能曲線來建立正常行為模型（NBM），能更快地檢測出滑環(huán)污染和變槳控制器故障，并解釋和可視化故障條件下的風(fēng)力機異常行為[33]。

此外，為了獲取最優(yōu)算法，對不同算法間的效果進行了比較。通過將代碼映射到風(fēng)速和功率輸出預(yù)測狀態(tài)代碼、故障的嚴重性和特定代碼，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)、標(biāo)準(zhǔn)分類、回歸樹和提升樹算法可以較好地提取所需的信息，能提前60 min實現(xiàn)故障預(yù)測[34]。針對變槳執(zhí)行器突變的和遲鈍的動態(tài)變化的故障表現(xiàn)，集成了隨機森林（Random Forest）和極端梯度提升（XGBoost）學(xué)習(xí)模型提高故障分類器的性能（魯棒性和精度），并針對陸上和海上風(fēng)力機組進行了數(shù)值模擬，與SVM相比具有較強的抗過擬合能力，且對多維信號有很好的效果[35]。然而不同的故障模式可能導(dǎo)致相似的故障特征，給故障診斷帶來困難。不確定卡爾曼濾波器模型證明了，不同故障模式的故障識別的有效性[36]。

針對本課題所研究得出的協(xié)同育人機制，將在廈門理工學(xué)院新絲路時尚學(xué)院學(xué)院進行試行實踐，因為“實踐是檢驗真理的唯一標(biāo)準(zhǔn)”，我們將在實踐的檢驗中研究和探索出一套實際效果好、可操作性強且具有可推廣性的一套協(xié)同育人機制。

遞歸神經(jīng)網(wǎng)絡(luò)因為包含循環(huán)，所以它們可以在處理新輸入的同時存儲信息。這種記憶使它們非常適合處理時間序列數(shù)據(jù)，而風(fēng)電場SCADA數(shù)據(jù)正是以時間為序列的數(shù)據(jù)。同時，故障分析也朝著多目標(biāo)方向進行研究，提出遞歸神經(jīng)網(wǎng)絡(luò)多故障診斷預(yù)測方法，可以實現(xiàn)10種不同類型故障輸出，形成了多故障診斷預(yù)測系統(tǒng)[37]。同時，將變槳系統(tǒng)關(guān)鍵故障對應(yīng)的指標(biāo)數(shù)據(jù)生成雷達圖，通過ResNet50等卷積神經(jīng)網(wǎng)絡(luò)，利用雷達圖訓(xùn)練故障模型，進行故障檢測[38]。

可以看出，人工智能的故障診斷方法不需要知道對象的精確模型，避免了構(gòu)建非線性、系統(tǒng)復(fù)雜的風(fēng)力機模型。但是，需要大量數(shù)據(jù)作為基礎(chǔ)，多數(shù)情況下，存在數(shù)據(jù)缺失等問題，并且需要合適的算法，也增加了使用人工智能算法的困難。

3 電動變槳故障診斷面臨的挑戰(zhàn)

根據(jù)上述風(fēng)力發(fā)電電動變槳系統(tǒng)故障診斷技術(shù)的闡述，可以看出，采用模型分析和數(shù)據(jù)分析方法可以實現(xiàn)復(fù)雜電動變槳系統(tǒng)故障的診斷，能夠有效避免故障出現(xiàn)，提高維護效率，減少風(fēng)電機組運行成本。同時，無論是模型分析還是數(shù)據(jù)分析，在故障診斷方面還有待于進一步的研究和技術(shù)水平提升?，F(xiàn)有的故障診斷理論和方法遇到了新的挑戰(zhàn)，具體表現(xiàn)在以下3個方面。

（1）簡單的風(fēng)力機變槳系統(tǒng)模型已不能滿足精確故障診斷的要求，數(shù)學(xué)模型難以完整表達變工況、強干擾運行下變槳系統(tǒng)各部件之間的關(guān)系，模型關(guān)系表達不完整，有遺漏，將會影響故障精確診斷，甚至誤報、漏報故障。

（2）風(fēng)力機故障有耦合性和并發(fā)性特點，現(xiàn)有診斷方法多為單類故障識別，忽視了各故障之間的聯(lián)系，由一個零件失效導(dǎo)致所在機構(gòu)故障，進而影響其他機構(gòu)的正常運行。而如何厘清零件與零件、零件與機構(gòu)和機構(gòu)與機構(gòu)之間故障影響關(guān)系是電動變槳系統(tǒng)故障診斷面臨的一大挑戰(zhàn)。

（3）現(xiàn)有的智能算法雖然在實現(xiàn)識別上具有突出優(yōu)勢，可以識別、決策風(fēng)力機的故障，但較難給出故障的本質(zhì)、演化過程和壽命預(yù)測。因此，需要對故障深層次聯(lián)系、機理進行研究，對故障的預(yù)防提供理論支持。

（4）由于風(fēng)電場測量數(shù)據(jù)量龐大繁雜，數(shù)據(jù)采樣策略不同，各類數(shù)據(jù)采樣時間不統(tǒng)一，測量數(shù)據(jù)誤差和錯誤等都會使得數(shù)據(jù)質(zhì)量下降，而從這樣低質(zhì)量的數(shù)據(jù)中找到故障特征猶如大海撈針。

4 潛在方向與發(fā)展趨勢

針對電動變槳系統(tǒng)診斷的特點與挑戰(zhàn)，認為應(yīng)該從以下4個方面深入開展電動變槳系統(tǒng)故障診斷的研究工作，為風(fēng)電機組的診斷與維護提供可靠的理論依據(jù)和有效的技術(shù)手段。

（1）風(fēng)力機變槳系統(tǒng)各類故障的靜態(tài)、動態(tài)聯(lián)系以及故障之間的反饋和相互作用可能是需要研究的重點?？梢詫⒆儤到y(tǒng)模型拆分成多個精確子模型，厘清之間的數(shù)學(xué)關(guān)系，提高故障診斷的準(zhǔn)確率。

（2）雖然提出了很多故障診斷方案，但還有進一步提升空間?；谖锢砟Ｐ偷姆椒ㄖ饕M行故障機理分析，基于數(shù)據(jù)驅(qū)動的研究主要進行狀態(tài)監(jiān)測、故障診斷和預(yù)測。將基于物理模型的故障診斷方法與基于數(shù)據(jù)驅(qū)動的故障診斷方法相融合，集在線監(jiān)測、診斷、預(yù)測、機理分析于一體的變槳系統(tǒng)故障診斷技術(shù)將是未來的研究方向之一。

（3）如何對大量數(shù)據(jù)進行有效特征值的提取、相關(guān)性分析以及最終的數(shù)據(jù)處理，是未來的研究重點和難點。可通過數(shù)據(jù)清洗、特征指標(biāo)提取、專家系統(tǒng)等技術(shù)對其進行處理，提高其對數(shù)據(jù)的利用效率。

（4）目前，變槳系統(tǒng)的故障診斷多針對變槳電機、驅(qū)動器這些機械、機構(gòu)故障，關(guān)于變槳系統(tǒng)的電氣故障診斷研究偏少，電氣故障的產(chǎn)生原因是復(fù)雜的，排除故障的方法及方式只能根據(jù)故障的具體情況而定，也沒有什么嚴格的模式及方法，對部分維修人員來說會感到困難。所以，將是電動變槳系統(tǒng)故障診斷發(fā)展的又一目標(biāo)。

5 結(jié)論

（1）闡述了風(fēng)力機變槳系統(tǒng)結(jié)構(gòu)及基本故障類型，分析電動變槳系統(tǒng)故障診斷難點，并通過綜述其國內(nèi)外的研究進展，揭示現(xiàn)有電動變槳系統(tǒng)故障診斷理論與方法的問題與挑戰(zhàn)。

（2）給出電動變槳系統(tǒng)故障診斷的潛在方向與發(fā)展趨勢，認為應(yīng)該從模型精確度、方法融合、數(shù)據(jù)利用等方面展開深入研究，將電動變槳系統(tǒng)故障診斷應(yīng)用于工程實踐。