風力發(fā)電機組故障診斷與預測技術探究

郭明龍

國投云南新能源有限公司 云南 昆明 650000

“雙碳”戰(zhàn)略目標背景下，我國對于可再生清潔能源的使用愈發(fā)重視，風力發(fā)電逐漸成為主流供電方式。與火力發(fā)電、核發(fā)電相比，風力發(fā)電更加清潔、健康，在為社會提供優(yōu)質(zhì)電能的同時，能夠維護環(huán)境健康，促進生態(tài)的可持續(xù)發(fā)展。但由于風力發(fā)電機組結構十分復雜，再加上葉片長時間受外力作用，因此很容易出現(xiàn)各種故障，降低了風力發(fā)電的安全性和穩(wěn)定性。因此，如何對風力發(fā)電機組的故障進行有效診斷并精準預測，是當前風力發(fā)電行業(yè)需要研究的重點問題。

1 風力發(fā)電與風力發(fā)電機組發(fā)展現(xiàn)狀

近年來，各國對新能源產(chǎn)業(yè)的呼聲越來越大，并著力發(fā)展太陽能、風能等。截止到2021年，全球資源中風能約為2.74×109MW，其中約為73%為可利用風能，其利用率相比水能具有超過十倍的優(yōu)越性。我國地域廣闊，具有極為良好的風能開發(fā)條件，據(jù)初步統(tǒng)計，我國陸地可開發(fā)風能超過2.53千瓦，海上可開發(fā)風能為7.5億千瓦，按照五十米范圍推算，總風能可達到20億千瓦，可利用風能可達到14.6億千瓦，風能可開發(fā)總量僅次于俄羅斯與美國。風能作為新能源的一種，不僅具有良好的開發(fā)機制，還兼?zhèn)鋵氋F的清潔屬性，與太陽能同屬于新能源的核心種類[1]。隨著我國科學技術水平的持續(xù)提升，風力發(fā)電設備裝機容量持續(xù)加大，在技術水平的進一步提升下，風能開發(fā)成本將進一步壓縮，并且將實現(xiàn)大規(guī)模普及。

據(jù)資料顯示，我國近年風力發(fā)電設備裝機容量持續(xù)擴大，已經(jīng)超過19.66GW，并且仍在持續(xù)上漲中。從世界范圍來看，我國新增風力發(fā)電裝機容量超過全球新增風力發(fā)電裝機容量的三分之一，位居世界首位，相比排名第二的美國高出12.64GW。我國總裝機容量占比約為全球的35%[2]。從數(shù)據(jù)中可知，我國風力發(fā)電事業(yè)正處于高速發(fā)展階段，并且還有大量等待開發(fā)的風力裝機場所。新疆作為我國風力資源十分豐富的區(qū)域，每年風能儲量超過九千億，僅低于內(nèi)蒙古區(qū)域。在新疆地區(qū)我國有著世界最大的風能發(fā)電基地，陸上風機單機容量達到6.25兆瓦。截止目前，新疆地區(qū)的風力資源儲備仍在持續(xù)上漲，并且成為該區(qū)域的主要替代性清潔能源。

2 風力發(fā)電機組常見運行故障

2.1 葉片故障

風力發(fā)電機組中葉片是其主要構件之一。機組在工作過程中葉片將承受十分巨大的壓力，由于機組全天候運作，因此葉片承受的壓力會伴隨在機組運行全程，是最容易出現(xiàn)故障的構件之一。比如，葉片運行時會和蒸汽和空氣接觸，在壓力的影響下會加快葉片腐蝕，從而出現(xiàn)陀螺的問題。當葉片運作時間過長時，內(nèi)部配件容易出現(xiàn)松動的問題，從而導致葉片連接不穩(wěn)定，引發(fā)故障。如果葉片受外力影響產(chǎn)生裂紋及形變，將釋放出高頻瞬態(tài)的聲發(fā)射信號，此信號是葉片損傷評估的主要途徑之一[3]。當葉片出現(xiàn)故障后，將導致葉片的轉子受力失衡，此種受力會通過主軸傳送到機組內(nèi)部，從而導致機艙出現(xiàn)震動，輕者導致局部故障，重者導致機組基礎失衡。

2.2 齒輪箱故障

風力發(fā)電機組中齒輪箱的作用是連接機組主軸和發(fā)電機，可讓主軸轉速更快，一方面滿足機組運行需求，另一方面提升經(jīng)濟效益。齒輪箱中包含行星齒輪和兩級平行齒輪兩部分，由于齒輪箱工況惡劣，且運行中受力情況復雜，當機組處于運行狀態(tài)時很容易對齒輪箱施加沖擊力與交變應力，促使齒輪箱出現(xiàn)磨損、滑動等問題。齒輪箱作為內(nèi)部構件，大多數(shù)情況不暴露在空氣中，因此發(fā)生故障的幾率很小[4]。即便如此，齒輪箱仍然是故障診斷與異常排查的重要環(huán)節(jié)，這是因為齒輪箱故障后機組將無法運行，并且齒輪箱維修周期較長，且維修費用高昂，所以齒輪箱故障診斷是近年風電機組故障診斷的核心方向，是確保風電機組穩(wěn)定運行的基礎。

2.3 機組系統(tǒng)的故障

目前，偏航系統(tǒng)的功能包括風向跟蹤和解除電纜纏繞兩種。前者可引導風電機組對風向進行追蹤，最大限度提高風能的接受比率；當機組對風向進行跟蹤時，很容易出現(xiàn)電纜纏繞的問題，因此偏航系統(tǒng)會判斷電纜纏繞的嚴重程度，當超過閾值后會自動解除纏繞。當偏航系統(tǒng)發(fā)生故障時，繼續(xù)風向跟蹤與電纜纏繞解除功能失效。

變槳系統(tǒng)的功能是當風速發(fā)生變化時，該系統(tǒng)可調(diào)整葉片角度讓空氣動力扭矩更大，從而提高機組運行規(guī)律。如果風速過快或機組出現(xiàn)故障，變槳系統(tǒng)可通過調(diào)整葉片狀態(tài)的方式實現(xiàn)制動，將損失降到最低。由于葉片是風電機組的主要元件，而變槳系統(tǒng)主要對葉片角度與運行模式進行調(diào)整，因此需注重變槳系統(tǒng)的維護，可通過調(diào)整葉片和風速的匹配程度來判斷變槳系統(tǒng)是否出現(xiàn)故障[5]。

3 風力發(fā)電機組故障診斷技術

常規(guī)情況下，風力發(fā)電機組（簡稱：機組）共分為垂直軸和水平軸兩種，我國現(xiàn)階段廣泛應用的為水平軸，許多研究也是針對水平軸風力發(fā)電機組進行。機組在實際運行過程中一旦遇到故障可以通過振動、溫度、應力、電氣等相關參數(shù)來對其進行診斷和有效預測，以下為簡要的診斷技術說明：

3.1 依據(jù)振動信號診斷

振動信號診斷法是目前機組故障檢測中最常用的檢測方式，這種方法能夠?qū)C組的不同關鍵部位進行有效的檢查，并具有較為精準的應用成果。近幾年許多技術專家在此基礎上進行了一定的拓展，尋找操作性更強，更具價值性的使用技術。一些專家通過信號診斷法延伸出小波神經(jīng)網(wǎng)絡診斷技術，能夠進一步診斷機組中的齒輪箱是否存在故障。一些專家將信號振動診斷應用在機組的葉片相關故障診斷當中，也獲得了較高的應用率。通過不同位置傳達出來的振動信號能夠通過數(shù)據(jù)收集和計算來分析出具體的故障位置并進行有效定位，通過診斷來判斷故障原因，進而采取有效的解決措施[6]。

3.2 依據(jù)電氣信號診斷

對比振動信號診斷法，電氣信號的診斷能力較弱，通常會被電機等相關設備的噪音所掩蓋，無法進行有效的分析。因此電氣信號的診斷通常需要結合先進的接收儀器和分析設備，對電氣信號進行精準的識別，并判斷故障的具體信息。以此為基礎來通過數(shù)據(jù)和力學模型對故障的位置進行定位，后分析其發(fā)生原因和制定應對策略。通過模型分析的形式能夠?qū)㈦姎庑盘栠B接電機扭矩波動，對機組齒輪中存在的故障和信號之間的關系進行分析，通過仿真的形式將實際故障情況進行模擬，精準定位故障的位置。同時，也可以采用維納濾波來過濾分析過程中可能存在的噪音，對機組的軸承故障進行精準的判斷。采用信號雙譜分析法和模量頻譜分析法也能夠精準定位故障的部件。技術人員可以根據(jù)機組的實際情況來選擇適合的診斷方法，對故障進行科學合理的診斷。這項診斷方法不需要借助額外的傳感器，經(jīng)濟性更強，診斷結果更加準確，具有較大的應用空間[7]。

3.3 依據(jù)模式識別診斷

模式診斷法是基于機組的多元化信號而延伸出來可以在時域或者頻域當中通過模型來對故障進行分析和確定的一種診斷方法。如軸承故障的診斷中，采用這種方法能夠進行立體模型的構建，更加直觀地對故障進行排查，確定故障發(fā)生原因和具體位置后能夠進行及時的解決。通過Laplacian Eigenmaps算法來建立可視化的故障模型，技術人員可以通過立體的圖形來對故障的特征進行確定，更加快捷簡便地找出故障的具體位置，通過非線性的流形學習也能夠在立體空間的結構上對軸承進行動態(tài)的故障分析。粗糙的軸承故障可以通過線性辨別法進行診斷和成因分析，對故障的位置進行定位，加快處理故障的速度。這些診斷方法都能夠?qū)S承的故障進行有效的解決，在實際應用過程中具有較強的可行性。我國當前的研究環(huán)境當中，對方法分為有監(jiān)督和無監(jiān)督兩種，但無論是哪一種形式都需要龐大數(shù)量的算法，在獲取數(shù)據(jù)方面也需要較長的時間，這就造成了成本的耗損，如果采用這種診斷方法有可能會提升企業(yè)的運營成本，所以需要根據(jù)實際情況來選擇最適合的診斷方法[8]。

3.4 基于大數(shù)據(jù)人工智能技術的故障診斷方法

信息時代的到來讓大數(shù)據(jù)技術和人工智能技術滲透到各行各業(yè)當中，在機組的故障診斷當中采用機器深度學習技術和3D建模技術能夠充分利用智能預警系統(tǒng)對風機設備的異常情況進行實時監(jiān)控和定期掃描，在故障出現(xiàn)的初期進行識別并及時預警，有效降低了設備損壞和非停損壞的情況發(fā)生。以風機設備為核心的檢測系統(tǒng)能夠針對機組的核心設備、控制系統(tǒng)、傳感器以及主要參數(shù)進行實時監(jiān)控，通過機器深度學習來進行設備故障的識別，確保參數(shù)惡化、參數(shù)越限、啟停狀態(tài)異常、設備異常等故障和其他緊急情況能夠進行及時的預警，進而減少非計劃性的突發(fā)停機情況所造成的成本損失以及隱藏的發(fā)電性能不達標造成的損失，充分利用遠程監(jiān)測中心來構建資產(chǎn)風險預警中心（見圖1）[9]。

圖1 大數(shù)據(jù)預測告警+智能診斷分析

4 風力發(fā)電機組故障預測技術研究分析

4.1 風電機組機械結構系統(tǒng)故障預測

通過上文故障類型分析能夠發(fā)現(xiàn)，風力發(fā)電機組運行過程中容易出現(xiàn)諸多故障問題，例如葉片故障、電機故障、齒輪箱故障等。相較于電氣結構，風力發(fā)電機組的機械結構故障更為嚴重，不僅關系著風電機組運行的穩(wěn)定性、安全性，并且一旦發(fā)生機械故障，還會產(chǎn)生高額的維修費用。因此，對于風電機組機械結構故障的預測顯得至關重要。

與故障診斷不同，故障預測主要是通過日常監(jiān)測發(fā)電機組的運行狀態(tài)、運行數(shù)據(jù)從而對可能發(fā)生的故障進行分析，并采取相應措施防止故障或降低故障發(fā)生率。二者雖然存在本質(zhì)上的區(qū)別，但也有一定的相似之處。例如，在預測風電機組機械結構故障的過程中，可以參考風電機組的振動數(shù)據(jù)。風電機組運行過程中，不同結構都有其獨特的功能和特性，因此通過對振動數(shù)據(jù)的監(jiān)控分析，能夠全面預測發(fā)電機組的機械部位可能存在的功能問題。

首先，風電機組日常運行過程中，需要定期收集風電機組振動所產(chǎn)生的參數(shù)數(shù)據(jù)；其次，對收集到的數(shù)據(jù)進行深度分析，提取其中的頻率信號、時域信號。通過分析信號的特征值，能夠精準確定機組機械結構各部件的運行狀態(tài)，發(fā)現(xiàn)可能存在的故障問題；最后，以統(tǒng)計學理論為基礎，根據(jù)風電機組的運行規(guī)律制定報警數(shù)值，進而在保證不影響機組正常運行的狀態(tài)下對可能發(fā)生的嚴重故障問題進行精準預測。

4.2 基于設備故障模型和大數(shù)據(jù)神經(jīng)網(wǎng)絡預測

隨著狀態(tài)監(jiān)測和故障診斷技術的不斷進步，上個世紀末逐漸發(fā)展起來一種新的維修方式——基于狀態(tài)的維修(CBM)。該維修方式綜合運用各種技術手段獲取設備的運行狀態(tài)信息,并運用數(shù)據(jù)分析與維修決策技術對設備狀態(tài)進行實時或者周期性的評價，最終做出科學化的維修決策。實現(xiàn)了通過狀態(tài)監(jiān)測預測即將發(fā)生的故障，制訂合理的維修決策。

本文將智能診斷技術進行有效融合，通過大數(shù)據(jù)神經(jīng)網(wǎng)絡、機組設備故障模型，構建了一套風電機組核心設備的數(shù)字化鏡像模型，能夠完全還原機組的真實運行狀態(tài)，從理論上將具有與機組相同的狀態(tài)結果。模型結構如圖2所示。

圖2 基于大數(shù)據(jù)神經(jīng)網(wǎng)絡預測模型

與傳統(tǒng)的警報預測相比，基于大數(shù)據(jù)神經(jīng)網(wǎng)絡的機組故障模型預測進一步提高了對機組運行異常數(shù)據(jù)的捕捉能力，提升了異常記錄以及警報的準確性。不僅如此，該模型除具有警報功能外，還能夠?qū)赡馨l(fā)生的故障進行定性、定位，預估可能造成的危害性，并根據(jù)風電機組的實際情況提供可行的檢修方案，更加智能化、便捷化。該模型主要參考機組設備、系統(tǒng)的運行參數(shù)，并根據(jù)重要性對所收集到的參數(shù)進行類別劃分，同時通過對過程報警的進一步整合，在很大程度上提高了報警的準確性，降低了誤報警情況的發(fā)生。

另外，為進一步縮短故障處理時間，該模型還設置了越限報警功能、故障致因診斷功能，并還能提供故障零部件劣化趨勢信息，在很大程度上保證了風電機組的穩(wěn)定運行。該模型還存儲了大量的機組運行數(shù)據(jù)，通過挖掘、分析這些數(shù)據(jù)，還能夠根據(jù)不同工藝系統(tǒng)的特征進行建模。機組實際運行過程中，可以將運行參數(shù)帶入帶預警模型中，通過深度分析計算，能夠精準獲得各工藝段、設備的運行故障診斷和事故預報信息，這些信息都有助于機組運行狀態(tài)的監(jiān)測和預警，進而及時發(fā)現(xiàn)可能存在的故障關聯(lián)點。

5 結束語

現(xiàn)階段，為滿足“雙碳”戰(zhàn)略發(fā)展目標，風力發(fā)電逐漸成為主流供電方式，為保證風電機組的穩(wěn)定運行，亟需制定一套高效、精準度機組運行故障、預測方法。本文結合當前風力發(fā)電及發(fā)電機組的發(fā)展現(xiàn)狀，簡要分析了風電機組運行過程中的常見故障，并深入探討了風電機組的故障診斷及預測技術，以期能夠進一步提高風力機組運行的穩(wěn)定性，促進風力發(fā)電行業(yè)的健康發(fā)展。