风电机组状态监测与故障诊断相关技术研究
- 格式:pdf
- 大小:1.12 MB
- 文档页数:9
基于大数据分析的风电机组在线监测与故障诊断系统研究随着能源需求的不断增长,风电发电已成为可再生能源的重要组成部分之一。
然而,由于风电机组的特殊性和复杂性,其运行状态的监测和故障诊断一直是一个关键问题。
基于大数据分析的风电机组在线监测与故障诊断系统的研究,为实现风电机组的可靠性和经济性提供了新的解决方案。
一、背景介绍风电机组是将风能转化为电能的设备。
然而,由于风能的不可控性和不稳定性,风电机组的可靠性和安全性一直是一个重要问题。
传统的风电机组监测方法主要依靠人工巡检和传感器检测,但这种方法效率低、成本高,并且无法全面监测和诊断风电机组的故障。
因此,基于大数据分析的风电机组在线监测与故障诊断系统的研究迫在眉睫。
二、研究目标通过基于大数据分析的风电机组在线监测与故障诊断系统的研究,旨在实现以下目标:1. 提高风电机组的可靠性和安全性;2. 实现对风电机组全面、实时的监测与诊断;3. 提高故障诊断的准确性和效率;4. 降低风电机组的运维成本。
三、研究方法1. 数据采集与存储:通过传感器和监测设备采集风电机组的运行数据,包括温度、振动、电流等参数,并将数据进行实时存储。
2. 数据预处理:对采集的原始数据进行去噪、滤波和归一化处理,提高数据的准确性和可用性。
3. 特征提取与选择:根据风电机组的工作原理和故障模式,提取与故障诊断相关的特征,并通过特征选择方法选取最具区分性的特征。
4. 模型建立与训练:基于机器学习和深度学习算法,建立风电机组故障诊断模型,并通过训练模型来提高故障诊断的准确性和效率。
5. 系统开发与应用:基于上述研究成果,开发基于大数据分析的风电机组在线监测与故障诊断系统,并将其应用于实际风电场进行系统测试和验证。
四、研究意义基于大数据分析的风电机组在线监测与故障诊断系统的研究具有以下意义:1. 提高风电机组的可靠性和安全性,减少停机时间和损失;2. 实现对风电机组全面、实时的监测与诊断,及早发现和解决问题;3. 提高故障诊断的准确性和效率,降低误报率和漏报率;4. 降低风电机组的运维成本,节省人力和物力资源。
风电机组状态检测技术研究现状及发展趋势近年来,风电机组状态检测技术得到了广泛的关注和应用。
风电机组的状态检测技术是指对风电机组运行中的各种指标进行监测,对风机的健康状况进行诊断和预测,并针对异常情况进行智能化分析与处理。
其目的在于确保风电机组的安全可靠运行,提高发电效率和降低维护成本。
目前,风电机组状态检测技术主要包括传统的机械监测技术和基于数据采集与分析的智能化检测技术。
机械监测技术是最早开发的风电机组状态检测技术,该技术主要通过机械传感器、温度匹配器、厚度计等物理装置检测机组螺栓、轴承、齿轮的磨损、松动、裂纹等异常情况,实现对风机机械部件的监测与维护。
机械监测技术的优点在于成熟可靠、维护简单,但由于其只能检测机械部件的运行情况,无法获取全面的风机工况信息,无法适应风机多变的运行环境和维护需求。
基于数据采集与分析的智能化检测技术是风电机组状态检测技术的新发展趋势,其主要通过传感器采集风机多变的运行信息,结合云计算、人工智能等技术,对风机各部分进行智能化分析,并给出风机状态的分析报告。
该技术通过分析模型预测,可实现风机故障的早期预警和健康状态诊断。
智能化检测技术的优势在于能够全方位、高精度、实时化的获取风机的状态信息,提高了风机预警的准确性和时效性。
同时,基于数据分析的智能化检测技术是随着人工智能、机器学习深入研究和发展,未来可应用到整个风电场的运行监测和管理,并且有望增加预测能力和降低维护成本。
此外,随着风力发电示范工程的发展,风电机组状态检测技术的发展也呈现出以下趋势:首先,大数据技术的应用将进一步提高风电机组状态检测技术的智能化水平。
通过对大量数据的分析,将经验知识、专家诊断等人类不可知的信息变为可见的高级特征,提高风机维护的准确性和效率。
其次,人工智能、深度学习的应用反向推动了传感器技术的发展。
如卫星云图检测、风场监测等技术的发展,使得智能化传感器技术得以应用到风电机组的运行监测和诊断上。
风电机组的故障诊断与检测随着环保意识的不断增强以及对化石能源的依赖度不断降低,可再生能源逐渐成为各国政府重点支持的发展领域之一。
而其中又以风能发电技术的运用最为广泛,风电机组的各种类型已经遍布全球。
然而,与此同时,风电机组的故障率也逐渐高涨,影响了其正常工作与发电能力。
因此,相关部门和企业需要对风电机组进行故障诊断与检测,以保证设备的稳定运行,以及提高其发电效率。
一、风电机组的工作原理在了解风电机组的故障诊断与检测之前,我们需要先了解其运转原理。
风电机组是利用风能产生机械能,在经过多级传动后驱动发电机发出电能。
在风轮所在的翼片上,风力经过捕捉后带动整个转子开始旋转,形成机械能;转子旋转的同时,增速器将转子旋转速度提高并带动发电机发出电流;另一部分电流则直接流回电网中成为电能。
整个过程不涉及化石能源,不会产生大气污染和温室气体释放,具有重要的环保意义。
二、风电机组的故障类型尽管风电机组由众多的零部件组成,但与其他重要的工业设备一样,它们也遭遇许许多多的故障。
从风电机组的运作原理来看,风能资源本身就有一定的不稳定性,包括风速,角度和方向等因素。
而这些因素都可能会引起以下几种故障:1. 绝缘失效由于长期作用于风电机组的高电压和各种环境因素的影响,绝缘材料会逐渐老化。
当材料老化到极限时,就有可能导致绝缘分解和毁坏。
2. 风轮叶片断裂风能作为风电机组的主要动力,而风轮叶片是风能转化为机械能的关键部件。
由于长期的风蚀和物理损坏,叶片可能会出现失衡、裂缝甚至断裂的情况。
3. 控制系统故障风电机组的控制系统是整个设备运作的核心。
其中,传感器的隐蔽性和不易发现性,容易引起故障,如方位、转速、温度传感器等。
4. 发电机故障发电机直接影响着风电机组的电产出能力和效率,因此若发电机出现损坏,则会影响到风电机组的正常工作。
三、风电机组的故障诊断与检测方法为了避免风电机组在工作中发生故障,需要对其进行诊断与检测。
基于故障的类型和风电机组的构造,我们可以采取以下通用方法:1. 检查风能风场风能的稳定和充分是保证风电机组正常工作和性能待遇的基础,因此对风能风场的位置、高度、大小、方向等各种信息进行综合分析,可以有效地预防或解决一些故障问题。
风力发电机状态监测和故障诊断技术的研究与进展一、本文概述随着全球能源结构的转型和可再生能源的大力发展,风力发电作为一种清洁、可再生的能源形式,其地位日益凸显。
风力发电机(Wind Turbine,WT)作为风力发电系统的核心设备,其运行状态和性能直接影响到整个风电场的发电效率和经济效益。
因此,对风力发电机进行状态监测和故障诊断技术的研究,对于保障风电系统的安全稳定运行、提高发电效率、延长设备寿命具有重要的理论和实践价值。
本文旨在全面综述风力发电机状态监测和故障诊断技术的研究现状与发展趋势。
文章首先介绍了风力发电机的基本结构和工作原理,分析了风力发电机运行过程中可能出现的故障类型及其成因。
然后,重点阐述了当前风力发电机状态监测和故障诊断的主要技术方法,包括基于振动分析的故障诊断、基于声学信号的故障诊断、基于电气参数的故障诊断等。
对近年来新兴的和大数据技术在风力发电机故障诊断中的应用进行了详细介绍。
本文还总结了风力发电机状态监测和故障诊断技术的发展趋势和挑战,包括技术方法的创新、多源信息融合技术的应用、智能化和自动化水平的提升等。
文章展望了未来风力发电机状态监测和故障诊断技术的发展方向,以期为我国风电行业的健康发展提供理论支持和技术指导。
二、风力发电机的基本原理与结构风力发电机是一种将风能转化为机械能,再进一步转化为电能的装置。
其基本原理基于贝茨定律,即风能转换效率的理论最大值约为16/27,约为3%。
风力发电机主要由风轮、发电机(包括装置)、调向器(尾翼)、塔架、限速安全机构和储能装置等构件组成。
风轮是风力发电机的主要部件,一般由2-3个叶片组成。
风轮受风力作用而旋转,将风能转化为机械能。
风轮的转速随风速的变化而变化,为了保证发电机能够在风速变化的情况下稳定工作,需要通过增速机构提高风轮的转速。
发电机则将风轮旋转的机械能转化为电能。
发电机的类型有很多,如永磁发电机、电励磁发电机等,其选择取决于风力发电机的具体设计需求和运行环境。
风力发电机故障诊断系统的研究一、内容综述随着全球能源危机的日益严重,风能作为一种清洁、可再生的能源,越来越受到各国政府和科研机构的重视。
风力发电机作为风能发电的关键设备,其稳定性和可靠性对于整个风电系统的运行至关重要。
然而风力发电机在长期运行过程中,由于各种原因(如机械故障、电气故障等),可能会出现故障,影响风力发电机的正常工作。
因此研究风力发电机故障诊断系统具有重要的理论和实际意义。
目前国内外学者已经对风力发电机故障诊断系统的研究进行了一定的探讨。
主要研究方向包括:基于传感器数据的故障诊断方法、基于模型的故障诊断方法、基于知识的故障诊断方法以及混合型故障诊断方法等。
这些方法在不同的方面都取得了一定的研究成果,为风力发电机的故障诊断提供了有力的理论支持和技术手段。
基于传感器数据的故障诊断方法主要通过采集风力发电机的各种传感器数据(如转速、电流、电压等),利用统计分析、信号处理、模式识别等技术对故障进行检测和识别。
这种方法具有实时性好、抗干扰能力强等优点,但对于非线性、时变特性较强的故障信号处理效果有限。
基于模型的故障诊断方法主要是通过对风力发电机的结构和工作原理进行建模,利用建立的数学模型对故障进行预测和诊断。
这种方法具有较高的准确性,但需要对风力发电机的结构和工作原理有深入的了解,且模型建立过程较为复杂。
基于知识的故障诊断方法是将领域专家的知识融入到故障诊断系统中,利用知识库、推理引擎等技术实现对故障的自动识别。
这种方法具有较强的实用性,但对于非结构化、模糊性较强的故障信息处理效果有限。
风力发电机故障诊断系统的研究是一个涉及多个学科领域的综合性课题。
随着相关技术的不断发展和完善,相信未来风力发电机故障诊断系统将在提高风力发电效率、降低运行成本等方面发挥更大的作用。
A. 风力发电机故障诊断系统的背景和意义随着全球能源需求的不断增长,风能作为一种清洁、可再生的能源越来越受到各国政府和企业的重视。
风力发电机作为风能发电的关键设备,其可靠性和稳定性对于整个风电系统的运行至关重要。
海上风力发电整机的智能监测与故障诊断技术研究随着对可再生能源的需求不断增长,海上风力发电成为了许多国家推动可持续发展的重点项目。
海上风力发电机组由于面临海洋环境的严酷条件,其可靠性和运行稳定性成为了关注的焦点。
为了确保海上风力发电机组的稳定运行和提高其发电效率,智能监测与故障诊断技术变得十分重要。
本文将探讨海上风力发电整机的智能监测与故障诊断技术的研究进展及其在提高运行效率和降低故障率方面的应用。
首先,智能监测技术为海上风力发电整机提供了实时监测和数据采集的能力。
通过搭建传感器网络和监测系统,可以对风力发电机组的关键参数进行监测,如温度、振动、湿度等。
这些数据可以实时获取并传输到监控中心进行分析和处理。
通过对海上风力发电机组进行全面监测,可以实现对风机、塔筒、润滑油、变速器等关键部件的状态监测和异常诊断,从而提前预警潜在故障,避免因故障带来的停机维修和损失。
其次,故障诊断技术是海上风力发电整机智能监测的重要组成部分。
通过对监测数据的分析和处理,可以利用机器学习、人工智能等技术手段来实现对风力发电机组故障的自动诊断。
例如,利用机器学习算法,可以通过分析振动信号来判断风力发电机组是否存在故障,并进一步识别出具体故障类型。
同时,还可以通过分析温度数据来监测风力发电机组的过热情况,从而预警可能导致故障的异常温度升高。
这些故障诊断技术的应用可以大大提高故障的准确性和效率,有效降低发电机组的故障率和维修成本。
此外,智能监测与故障诊断技术还可以帮助优化海上风力发电整机的运行和维护策略。
通过合理分析海上环境的特点以及监测数据的变化趋势,可以调整风力发电机组的发电策略,最大限度地提高发电效率。
同时,通过智能监测和故障诊断技术,可以实现对海上风力发电机组的远程监测和控制,减少人力资源的浪费和风险。
然而,海上风力发电整机的智能监测与故障诊断技术仍面临一些挑战。
首先,由于海上环境的复杂性,数据采集和传输过程中可能存在不稳定因素,导致监测数据的准确性和实时性受到影响。
风电机组故障智能诊断技术及系统研究随着气候变化问题的日益严峻,可再生能源的利用成为了国际社会关注的焦点。
风能作为一种清洁、可再生的能源形式,受到了广泛的关注和应用。
然而,由于风能的不稳定性和多变性,风电机组常常会出现各种故障,影响其正常运行。
因此,风电机组故障智能诊断技术及系统的研究具有重要的意义。
风电机组故障智能诊断技术及系统的研究旨在通过采集和分析风电机组的运行数据,实现对故障的自动诊断和预测,提高风电机组的可靠性和运行效率。
目前,已经有许多研究都集中在这一领域,包括故障诊断算法的设计、故障特征提取和故障分类等方面。
首先,针对风电机组的故障诊断算法的设计是该研究领域的重要内容。
传统的故障诊断算法主要基于规则和经验知识,存在诊断结果不准确、诊断规则不全面等问题。
因此,需要采用新的算法来提高诊断准确性和可靠性。
常用的算法包括神经网络、支持向量机、遗传算法等。
通过这些算法,可以完成对风电机组的故障诊断和预测。
其次,故障特征提取是风电机组故障智能诊断技术的重要环节。
故障特征是实现对故障的自动识别和分类的基础。
根据风电机组的故障模式,可以提取不同的故障特征,比如振动信号、温度、功率等。
然后通过对这些故障特征的分析和处理,可以实现对风电机组故障的预测和诊断。
最后,故障分类是实现风电机组故障智能诊断的重要任务。
通过对故障特征进行分类,可以实现对不同故障模式的识别和判别。
这需要建立一个完善的故障分类模型,并通过机器学习等技术来实现快速准确的分类。
同时,还需要对故障分类结果进行评估和验证,以提高系统的可靠性和准确性。
综上所述,风电机组故障智能诊断技术及系统的研究具有重要意义。
通过开展相关研究工作,可以提高风电机组的可靠性和运行效率,进一步推动风能产业的发展。
未来,随着技术的不断进步和应用的推广,相信风电机组故障智能诊断技术和系统会得到进一步的改进和完善。
浅谈风力发电机组振动状态监测与故障诊断摘要:随着科技的发展,风电机组单机容量变大,内部的结构越来越复杂,还会受到天气的不可控因素的影响,比如会受到下雨时,打雷闪电等,本文对风力发电机组振动状态监测与故障诊断进行分析,以供参考。
关键词:风力发电;机组振动;状态监测;故障诊断引言风能是自然界中常见的自然现象,特别是在经济不发达,风能资源丰富的山地地区。
考虑到风能对当前社会结构的重要性,它提高了风力发电机运行的可检测性,并允许在整个发电机组运行期间及时发现问题,使整个风力发电机运行更平稳和安全。
1概述近年来国内风电发展迅速,风电机组容量的提升能够有效提高风能利用率和施工效率以及降低后期运维成本。
在机组容量和体型逐渐增大的同时,风电机组的安全成为风电领域内研究的重点。
江苏某风电场安装了多台6.45MW机组,此类型机组是目前国内厂家生产新型大容量机组之一,此机组塔筒高度为110m,叶轮直径达到171m。
国外GE公司生产的12MW风机单支叶片更是长达107m。
机组容量增大的同时叶片也在不断增大。
风电机组叶片成本约占风电机组总成本的15%~20%,风电机组叶片在风电机组运行过程中受风力作用而产生较大的弹性形变,故通常选用质量较轻、强度较大、耐腐蚀、抗疲劳的材料来制作风电机组叶片。
此外,由于结冰或者风力和风向的突变导致叶片振动过大,从而超过设计载荷发生断裂或者扫塔的现象也时有发生,而振动检测是叶片故障识别的常用方法之一,所以研究大型风电机组的叶片振动情况,对于叶片安全检测和监测具有重要的意义,研究结果也可对风电机组的控制策略优化提供重要指导作用。
在风力发电机组中,齿轮箱也存在着异常问题,表面磨损,齿轮轻度裂纹,设备老化等问题,以下对论文展开叙述。
2风力发电机组安全系统2.1分析(1)安全有关停止功能在机组通过安全防护装置(如传感器)检测到风轮转速超过限值、扭缆超过限值、过度振动及控制系统失效等信号时,安全系统起动机组紧急制动进入停止状态。
风力发电机状态监测和故障诊断技术的研究与进展摘要:全面加强风力发电行业的整体化发函,可以显著的削减对于诸如煤炭能源的损耗,同时也起到了有效保护环境的重要作用。
就现阶段我国风力发电系统的整体运作情况来看,风力发电系统所处的运作环境相对较为恶劣,自然在开展运作进程中也难免会产生一些突发性问题,因此,就非常需要运用状态监测以及故障诊断技术来对于风力发电设施开展深度的状态和故障判别,进而有效的为风力发电系统稳定运作提供基础保障。
立足于此,本文将深入结合风力发电机组整体架构,进而全面解析风力发电机状态监测以及故障诊断技术的具体运用。
关键词:风力发电机;状态监测;故障诊断现阶段,我国的风力发电技术还处于快速发展阶段,这也造成了很多技术运用还不够成熟且完善,特别是极度匮乏对于风力发电系统运用阶段的专项维护就是。
而风力发电机组因为长期处于相对较恶劣环境,因此在运作进程中难免会产生一些故障性问题。
而倘若当故障发生后再进行相关的检修工作,无疑会造成风力发电系统的长时间停滞运作,所以就需要充分做好对于风力发电机的状态监测以及故障判别工作,在产生故障之前进行第一时间的妥善保养,则可以更好保障风力发电系统的高品质运作。
1风力发电机组架构解析如下图1所示,为风力发电机的整体架构示意图。
而倘若将风力发电机组大致进行划分的话,基本可以划分为叶片和轮毂、机舱、塔杆以及底座。
如今我国风力发电系统当中运用比例相对最高的便是大型的兆瓦机,此种类型发电机而依据整体架构的不同又可以进一步划分成为两个类型,其分别为交流励磁发电机以及无齿轮风力发动机。
图1 风力发电机的整体架构示意图在目前商业运作当中,核心运用最多的便是交流励磁发电机。
交流励磁发电机是借助风轮有效回收风能,风轮主要由叶片、轮毂和变桨整体化组成。
风轮会借助风力来进行有效运作,进而有效产生了能量转化,将收集的风能整体转变成为机械能。
而轮毂的作用在于,其可以将转变而成的机械能有效传送到风电机组的传输系统当中,进而让风力系统稳定运作起来。
风电机组在线监测与故障诊断系统在风电场运维中的应用效果评估随着可再生能源的快速发展,风力发电已成为全球范围内主要的清洁能源之一。
然而,风力发电设备在运行过程中常常面临着各种故障和异常情况,给运维工作带来了极大的挑战。
为了最大程度地提高风力发电设备的可靠性和可用性,近年来,风电机组在线监测与故障诊断系统开始在风电场运维中得到广泛应用。
本文将评估该系统在风电场运维中的应用效果。
风电机组在线监测与故障诊断系统是一种基于物联网技术的智能管理系统,通过实时监测和分析风力发电设备的运行状态,能够及时发现设备的异常情况,并对故障进行诊断。
该系统主要由传感器、数据采集器、数据处理平台和故障诊断算法组成。
首先,风电机组在线监测与故障诊断系统能够实现对风力发电设备的实时监测。
传感器可以采集设备的振动、温度、电流、电压等关键参数,并将数据传输给数据采集器。
监测系统通过数据处理平台对这些数据进行实时的分析和处理,能够准确地了解设备的运行状况。
当设备发生故障或异常时,系统能够自动发出警报,通知工作人员进行相应处理。
这种实时监测的能力可以极大地节省人力和时间成本,提高运维效果。
其次,风电机组在线监测与故障诊断系统具备故障诊断的能力。
系统通过与历史数据和故障数据库的比对分析,能够根据设备的异常行为准确地诊断故障类型和原因,并给出修复建议。
这种自动化的故障诊断与分析能够有效地指导运维人员进行维修和维护工作,提高故障处理效率和设备稳定性。
此外,通过系统对故障数据的记录和分析,可以识别和预测设备的寿命和潜在故障,有效地规避设备的损坏和停机。
再次,风电机组在线监测与故障诊断系统通过数据分析提供设备运行情况的综合评估。
该系统能够对设备的运行状况、性能指标进行实时监测和分析,生成相应的报告和统计数据。
基于这些数据,管理人员可以评估设备的可靠性、可用性和维护水平,并根据评估结果优化风电场的运维策略和计划。
这种综合评估的能力可以帮助管理人员更好地了解设备的健康状况和运行情况,提前预防和处理潜在问题,保证设备的持续运行和发电能力。
电厂风机设备状态监控与故障预警系统研究摘要:当前,能源的结构在不断的转型和调整,推动风力发电的快速发展,因此风力发电也成为当前主要的发电形式之一。
但是风电结构比较复杂,自身的运行环境也比较恶劣,为了能够有效的降低风电自身的检修成本,需要通过风机状态监控进行分析。
基于此,本文分析电厂风机设备状态监控与故障预警系统,为保证电厂风机设备的安全运行提供参考。
关键词:风机设备状态监控;故障预警系统;风力发电引言:对电厂风机监测数据进行分析,并且确定引起风机设备运行状态时发生改变的一些因素,进而对关键系统的运行状态进行判断。
通过对运行状态的判断,能够及时作出处理,有效提高风机设备的运行可靠性。
有利于避免因为故障造成的设备损坏等故障。
对提高工业制造的整体水平以及电厂的发展具有重要的意义。
一、电厂风机设备常见故障分析(一)齿轮箱故障分析齿轮箱在风机的机舱内部,链接着发电机和浆液主轴,齿轮箱的作用是能够在风速比较低的情况下能够提高风轮的旋转,对主轴增速,有效提高转子的转速,齿轮箱的主要部分就是箱体,具有支撑的作用。
可以进行设备的传动。
齿轮箱在不断变化的工作环境以及负载运行下会出现一些故障,而齿轮箱最常见的故障有两种,一个是齿轮故障,一个是轴承故障。
轴承是变速箱的核心部件,在出现故障的时候就会低变速箱造成损坏。
比较常见的故障主要有断齿,齿面疲劳以及胶合等,比较常见的轴承故障主要有磨损,点蚀,裂纹以及表面剥落等故障。
(二)发电机轴承故障分析发电机轴承能够保障发电机和齿轮箱的安全,受到风机设备的工作环境和所承载负荷特点,就会导致风机设备在自身运行的过程中会出现很多发电机轴承故障,例如,疲劳剥削,磨损,胶合等[1]。
轴承运转的过程中,如果滚道和滚动体之间有异物,那么就会引起滚体和内外圈之间原有的摩擦增强,如果轴承润滑不良,那么产生的摩擦就会比较剧烈,从而导致更加严重的磨损。
(三)风轮故障分析风轮是由叶片和轮毂组成的,利用空气动力的原理,同时也是捕获风能的核心部件,叶片组需要固定在轮毂转轴上,风轮能够通过选装产生力矩,之后传递到传动轴上,风轮内部还需要安装用于变桨相关的机械设备以及相应的电气设备。
风电机组状态监测与故障诊断相关技术研究张文秀;武新芳【摘要】The technologies of condition monitoring and fault diagnosis can effectively reduce the cost of operation and maintenance, as well as ensure the security and stability of wind turbine. The research of condition monitoring and fault diagnosis were overviewed, then the status of the wind tubine monitoring technology and application development conditions of monitoring system were introduced, and aiming at the main failure parts for wind turbine and the wind power system, the research status and progress of condition monitoring and fault diggnosis methods in domestic and abroad were introduced. Finally the development trend of wind power generation system status montoring and research direction in the future were discussed.%对风电机组进行状态监测和故障诊断,可有效降低机组的运行维护成本,保证机组的安全稳定运行。
首先概述了状态监测与故障诊断研究的研究情况,然后介绍了风电机组的状态监测技术和状态监控系统的应用开发情况,接着针对机组中的主要故障组件及整个风电系统,介绍了国内外状态监测和故障诊断方法的研究现状与研究进展,最后探讨了风力发电系统状态监测的发展趋势以及未来的研究方向。
智能光学传感技术在风电机组在线监测与故障诊断系统中的应用研究随着全球环保意识的不断提升,风能作为一种清洁可再生能源正逐渐受到广泛关注。
风电机组作为风能的主要利用设备,其稳定运行对于实现高效能源转换至关重要。
然而,由于长期运行环境的复杂性以及机器本身的特殊性质,风电机组经常会面临各种故障和损坏,因此建立可靠的在线监测与故障诊断系统成为提高风电机组稳定性和可靠性的重要途径。
在风电机组在线监测与故障诊断系统中,智能光学传感技术正在被广泛应用研究。
智能光学传感技术是一种基于光学原理的测量方法,通过光学传感器采集信号来获取目标物体或环境的信息。
与传统传感器相比,智能光学传感技术具有非接触、高精度、快速响应等优势,可以实现对风电机组及其周边环境状态的实时监测。
首先,智能光学传感技术在风电机组的振动监测中扮演着重要角色。
风电机组在运行过程中会产生各种振动,而振动的大小和频率可以反映机组的运行状态。
利用智能光学传感技术可以实时采集和分析振动信号,通过对振动的频谱分析和特征提取,可以准确判断机组的运行状态并及时发现潜在的故障。
其次,智能光学传感技术可以应用于风电机组的温度监测。
风电机组长时间运行会导致机组温度升高,而过高的温度会加速机组部件的老化和损坏。
通过智能光学传感技术,可以实时监测机组各个部件的温度情况,及时发现温度异常并采取相应措施,以提高机组的稳定性和可靠性。
此外,智能光学传感技术还可以实现风电机组的油液污染监测。
风电机组润滑油的污染情况直接影响机组的运行效率和寿命。
传统的油液污染监测方法需要采集油液样品进行实验室分析,费时费力且不及时。
而利用智能光学传感技术,可以通过光学传感器实时监测油液中的微小杂质和污染物,及时发现油液污染情况,并及时清洗或更换润滑油,以保证机组的正常运行。
此外,智能光学传感技术还可应用于风电机组叶片的裂纹监测。
叶片裂纹是风电机组常见的故障之一,会导致机组性能下降甚至损坏。
利用智能光学传感技术可以在机组运行时实时监测叶片表面的裂纹情况,通过光学传感器采集叶片表面的形变信息,通过数据分析可精确判断叶片是否存在裂纹并进行及时维修或替换。
大型风电机组状态监测与智能故障诊断系统研究摘要:风力发电在当前的市场环境中有了高效的发展,总装机的容量连年呈现上升趋势,在全球范围内实现高效风力发电机制度创新的过程中,也产生出了较多的问题。
因为风电机组长期在较为恶劣的环境中工作,就会导致很多不确定风险因素的产生,致使机组内部的各个部件之间都出现故障隐患问题。
而长期的停机,必然会导致风电经济价值降低。
为实现高效的风电机组工作模式监控分析和故障诊断研究,已经成为优化风电运营管理工作的主要措施。
关键词:风电机组;动态监测;智能故障诊断引言:在现代化的管理机制下,振动信号数据的收集处理可以高效的优化传动系统的工作机制,实现风电机组的在线监测分析以及故障诊断观察。
可以让风电场的运维人员及时有效的判断当前风电机组的运维状态,减少不必要的现场监督检查分析工作,令风力发电机可以自主的进行维护管理,提升了发电的安全性,减少了运维操作费用的支出。
故而对于风力发电机组的传动系统实施动态的监督管理以及故障诊断技术优化,是现代化风电产业技术创新的主要切入点,对于提升风电机组的工作质量,提升运维效果以及安全性能都有着积极地推动意义。
一、大型风电机组状态监测与智能故障诊断方式分析1、改进型小波包结合包络谱的风电机组故障诊断因为风电机组运行操作本身随机、变载荷的特性,令风电机组的传统系统故障振动信号相对较为平稳,但同时也让这些各个传统系统故障的特征挖掘变得相对困难,问题原因难以有效分辨。
小波变换的方式却可以实现自动化的伸缩视频窗构建,可以更好地优化局部管理分析,是一项较为高效的非平稳信号监督分析工具。
现阶段使用最为广泛方式就是通过包络谱分析法进行判断,诊断传动系统硬件设施故障问题,这种方式可以通过带通整个故障诊断更加高效的适用于风电机组传统系统的非平稳信号的故障传输分析。
但是在实际的工作中,若将错乱的节点作为信号的分量进行故障诊断分析,必然会造成诊断信号数据的错误。
为此本文结合当前的工作新要求,提出以小波包结合包络谱分析的方式,对于故障问题进行排查分析,以保证整个故障检测工作的有效性。
风电发电机组故障诊断技术的研究与应用随着气候变化的日益严重,人们对清洁能源的需求也日益增加。
风能作为一种可再生的清洁能源,具有广泛的应用前景。
然而,风电发电机组作为风能利用的重要设备,长期以来受到了各种问题的困扰,如故障频发、维修成本高、运行效率低等。
而在这些问题中,故障的发生是最为常见的一种问题,因此风电发电机组故障诊断技术的研究和应用显得尤为重要。
目前,针对风电发电机组故障诊断技术的研究已经取得了很大的进展。
本文将着重探讨一些具有代表性的研究成果和应用案例,包括故障特征提取、故障诊断模型构建和实际应用等方面。
一、故障特征提取故障特征提取是风电发电机组故障诊断技术中的重要环节。
其目的是通过对大量数据的分析和处理,提取出含有故障信号的特征参数,为后续的故障诊断提供支持。
在特征提取方面,文献[1]提出了一种基于小波变换和互相关法的风电发电机组齿轮箱故障特征提取方法。
采用小波变换对信号进行处理,降低信号噪声,然后利用互相关法对处理后的信号进行分析,获得齿轮箱故障的特征频率。
实验结果表明,该方法能够很好地识别出齿轮箱故障特征频率,为后续的故障诊断提供了依据。
此外,文献[2]提出了一种基于小波包变换和独立成分分析的风电发电机组叶片故障特征提取方法。
通过小波包变换将信号分解成不同的频带,然后利用独立成分分析对不同频带的信号进行分析,获得含有叶片故障信号的特征参数。
实验结果表明,该方法能够很好地提取出叶片故障特征参数,为后续的故障诊断提供了重要依据。
二、故障诊断模型构建故障诊断模型构建是核心环节之一。
其目的是根据提取出的故障特征,建立合理的故障诊断模型,实现对风电发电机组故障的准确诊断。
在模型构建方面,文献[3]提出了一种基于支持向量机的风电发电机组齿轮箱故障诊断模型。
该模型将故障特征作为输入,利用支持向量机进行学习和分类,从而实现对齿轮箱故障的快速诊断。
实验结果表明,该模型能够很好地实现对齿轮箱故障的诊断。
风电机组在线监测与故障诊断系统的数据采集与处理方法分析风电机组是一种重要的可再生能源发电设备,为了保证其安全性、可靠性和有效性,需要使用在线监测与故障诊断系统对其进行监测和诊断。
数据采集与处理是整个系统的核心环节,本文将对风电机组在线监测与故障诊断系统的数据采集与处理方法进行分析。
一、数据采集方法分析1. 传感器数据采集风电机组在线监测与故障诊断系统通常使用各种传感器来获取风机的运行数据。
传感器可以测量风机的转速、温度、振动、电流等参数。
这些传感器可以安装在风机的各个关键部位,比如轴承、齿轮箱和发电机等,以获取全面的运行数据。
传感器数据采集的准确性和稳定性对于系统的性能和可靠性至关重要。
2. 远程监测数据采集风电机组通常分布在广阔的地域范围内,传统的现场数据采集方式不太实用。
因此,使用远程监测数据采集技术可以有效地获取远程风机的数据。
远程监测系统通过网络实时传输风机的运行数据,可以随时随地对风机进行监测与诊断。
这种技术可以大幅提高数据采集的效率和准确性。
3. 数据采集频率为了充分了解风机的运行状况,数据采集的频率非常重要。
对于需要准确监测风机运行状态的任务,应该选择较高的数据采集频率。
通常,数据采集频率应根据风机运行速度和重要参数的变化来确定。
二、数据处理方法分析1. 数据预处理由于风电机组在线监测与故障诊断系统监测的数据量大且复杂,需要进行数据预处理。
数据预处理的目的是清除无效数据和噪声,提高数据质量,并对数据进行合理的缺失值处理。
数据预处理可以采用滤波、归一化、插值等方法,以达到更好的数据分析结果。
2. 特征提取特征提取是指从大量的原始数据中提取出有用的特征来表示风机的运行状态。
这些特征可以是统计特征,如均值、方差等,也可以是频域特征或时域特征。
特征提取的目的是降低数据的维度并准确地描述风机的状态。
3. 数据建模数据建模是根据提取的特征建立风机的运行模型。
常用的数据建模方法包括统计分析、回归分析、神经网络等。
风力发电机状态监测和故障诊断技术的研究摘要:近几年,我国工业的迅速发展,对环境造成的污染越来越大,新能源风电已被越来越多的行业所采用。
风电厂大多建在边远的地方,由于地理条件较差,很难采用有效的监控技术来解决风电机组的各种故障和信号不协调的问题。
所以,根据不同的风电机组的监测资料,对风电机组在运行过程中出现的各种故障进行全面的分析,对风电机组的监测和故障技术进行深入的研究,就显得尤为重要。
关键词:风力发电机;状态监测;故障诊断1风力发电机组概述1.1风力发电机组它是指通过风机将风力和电力转化为电能,通过电磁感应的方式进行调压,将电能传输到电网和用户中心。
经过几年的发展,我国风电机组的建设日趋成熟,对常规恒速、频率的机组进行了改造,采用了新的技术和设备,不断地进行改造和完善。
变速恒频技术是一项动态调节风机叶轮速度、调节风速和变流技术的新型技术。
由于采用变频调速技术能保证风电的品质,因此目前国内风电并网系统中已得到了广泛的应用。
1.2发电机组故障特点风电场通常位于山区、边远山区,由于自然环境恶劣、风速变化大、外部载荷不稳定等原因,容易导致风机的内部元件发生故障。
常见的机组故障包括变速箱、发电机和变频器。
例如,风机的局部故障是由于轴承过热、运行振动过大、本身温度过高等原因造成的。
经过多年的研究,发现轴承磨损、定子绕组的绝缘和转子的动平衡都是造成这种情况的原因。
所以,应采取有效的方法,对各种故障和零件进行监控,并对其进行故障诊断。
1.3发电机组故障诊断相关理论在风电机组的运转中,双馈发电机由叶轮、齿轮箱、发电机、变流和控制系统组成。
采用多级齿轮叶轮机构能将发电机的机械能转化成电能,使发电机的定子绕组与电网、转子绕组及变流器有效地联结在一起,并通过变频器调整发电系统的频率、相位和振幅。
采用逆变器控制发电机,保证了亚同步和超同步的运行。
在超同步条件下,电力由转子和定子发电机提供,而变流器将直流侧的电能回馈给电网;在亚同步过程中,转子会吸收电能,维持发电机的发电,再通过定子向电网供电。
风力发电系统状态监测和故障诊断技术探究李艳明发表时间:2019-06-17T09:38:25.907Z 来源:《当代电力文化》2019年第02期作者:李艳明[导读] 本文结合当前情况,就风力发电系统状态监测和故障诊断技术的发展现状和监测诊断技术进行了分析。
辽宁大唐国际新能源有限公司辽宁沈阳 110000摘要:目前,我国的经济在快速的发展,社会在不断的进步,积极开展风力发电产业对于降低煤炭资源使用量,减少空气污染有十分重要的作用。
风力发电系统在恶劣的自然环境下工作,运行过程中很容易出现这样或者那样的问题,可利用状态监测和故障诊断技术对风力发电系统运行状态进行实时监测,对故障进行诊断,确保整个系统安全稳定运行。
本文结合当前情况,就风力发电系统状态监测和故障诊断技术的发展现状和监测诊断技术进行了分析。
关键词:风力发电系统;状态监测;故障诊断;技术研究引言近年来随着环境的污染,作为新能源风力发电将被广泛的运用于各个行业,风力发电场一般均在比较偏远的地带,在恶劣的环境下,对于风力发电机组的复杂多变的故障问题以及难以统一信号的监测技术难题,从风力发电机故障较多的地方入手,在依据不同监测下的数据为切入点,分析风力发电机组在发电过程中常出现的问题,对于风力发电机的监测和故障技术问题更深入的研究。
1大型风力发电机组简介在进行风力发电的过程中,发电机组由风轮、风力发电机、机械传动系统、塔架和电控系统组成。
其中叶片是主要的零件,而且在能量转化的时候也起到重要的作用,成本占机组总成本的15%~20%。
通过风力使叶片进行转动,从而让转子旋转,把风能变为机械能,保证风力发电的正常进行。
建设风电场一般选在偏远地区,在其运营过程中会出现故障,需要人工维护、进行实时的监控等。
由于叶片处在高空,而且体积大,不容易进行及时的监控,所以针对其可能会出现的问题不易在第一时间发现并解决。
假如没有在第一时间发现出现的问题,就会在很大程度上使其发生故障,从而造成经济损失。
海上风电设备安装中的检测与故障诊断技术研究随着对可再生能源的需求不断增加,海上风电作为一种清洁、可持续的能源形式,得到了广泛关注和应用。
然而,由于海上环境的复杂性和风力发电机组的特殊性,海上风电设备在安装过程中面临着各种挑战,特别是与检测和故障诊断技术相关的问题。
因此,该领域的研究变得非常重要,旨在提升海上风电设备的安装质量和运行效率。
一、海上风电设备安装中的检测技术研究1.悬线测量技术悬线测量技术是一种常用的海上风电设备安装过程中的检测技术。
它通过使用传感器和激光仪器来测量风电塔和风机叶片的位置和姿态,以确保其准确安装在指定位置。
该技术可以实时监测设备的偏差和姿态变化,从而帮助技术人员及时发现并纠正问题,提高安装质量。
2.声发射测试技术声发射测试技术在海上风电设备安装中也得到了广泛应用。
该技术利用传感器将设备发出的声波信号捕获并分析,以检测设备的结构缺陷和磨损情况。
通过对声发射信号的分析,技术人员可以及时发现设备中的问题,并采取相应的措施修复设备。
3.红外热成像技术红外热成像技术是一种无损检测技术,它通过测量设备表面的热辐射来检测设备中的故障和缺陷。
在海上风电设备安装中,红外热成像技术可以帮助技术人员识别设备中的热点、漏电问题和电缆故障等,从而及时进行修复和预防,确保设备的正常运行。
二、海上风电设备安装中的故障诊断技术研究1.振动分析技术振动分析技术是一种常用的海上风电设备故障诊断技术。
通过传感器捕获设备的振动信号,并进行频谱分析和振动特性研究,可以判断设备的振动状况和存在的故障,如轴承磨损、不平衡和松动等。
振动分析技术可以帮助技术人员及时发现并解决设备故障,提高设备的运行效率。
2.超声波检测技术超声波检测技术是一种非接触式的故障诊断技术,可以用于检测风电设备中的裂纹和松动。
该技术利用超声波传感器发送和接收超声波信号,通过分析信号的回波特征,可以判断设备中是否存在裂纹和松动等问题。
超声波检测技术具有高精度和高灵敏度的特点,适用于海上风电设备的故障诊断工作。
风力发电机组的状态监测与诊断摘要:面对中国电网出台的能源转型政策和国务院颁布的双碳政策,能源和环境问题再次受到关注。
风能是可再生、清洁型能源,风力发电是解决能源和环境问题最好的发电模式之一。
本文主要对风力发电机组的状态监测与诊断做论述,详情如下。
关键词:风力发电机组;状态监测;诊断引言相对于火力发电,风力发电更加清洁,成本更低。
近年来,随着风力发电技术不断成熟,风力发电在电网系统能源的分量不断增加。
在风力发电过程中,发电设备状态直接影响风力发电效果,通常情况下,风力发电设备处在自然环境中,易受到天气、气候等因素的影响,风力发电设备有时偏离健康状态,严重影响电网系统的正常工作。
对风力发电设备健康状态进行识别,有利于风电设备工作人员提前了解风力发电设备健康状态,消除存在的风险,对于保证电网系统正常工作具有重要的意义,因此风力发电设备健康状态自动识别模型设计成为当前电网研究领域中的重要方向。
1监测和诊断的重要性为了能更好地获得风能,风力发电场一般都建设在比较偏僻的山区或近海区。
风机高度一般是在70m~80m的空中,这样一来风力发电机在工作过程中不仅需要承受较大的载荷,还容易受到阵风侵蚀影响。
风力发电机组的可靠运行与风场的经济效益息息相关。
目前风电场多采用传统的事后维修和日常点巡检相结合的方式,这种检修方式存在6点不足:①因点巡检的频次及数据量不够,难以发现早期故障,导致风机大故障、安全事故,如发电机抱轴、叶片掉落、倒塔等;②较多的风机内部机械故障、塔筒晃动、叶片故障等,现有主控系统及人工定检难以及时发现,进而演变成大故障甚至事故;③为预备未知的风机故障,导致风机备件库存多,占用较多的库存资金。
④人力巡检工作量大,投入成本高;⑤存在风机过度维修和失修风险;⑥存在延长风机停机时间的可能,影响发电量。
存在以上问题的最根本原因在于缺少风机运行实时状态数据,难以了解其运行状态,则难以诊断故障位置、程度,也无法准确预判其劣化趋势。
新能源与风力发电❙EMCA2014,41(2===============================================================================================)风电机组状态监测与故障诊断相关技术研究张文秀1, 武新芳2(1.南京理工大学能源与动力工程学院,江苏南京 210094;2.上海电力学院能源与机械工程学院,上海 200090) 摘 要:对风电机组进行状态监测和故障诊断,可有效降低机组的运行维护成本,保证机组的安全稳定运行㊂首先概述了状态监测与故障诊断研究的研究情况,然后介绍了风电机组的状态监测技术和状态监控系统的应用开发情况,接着针对机组中的主要故障组件及整个风电系统,介绍了国内外状态监测和故障诊断方法的研究现状与研究进展,最后探讨了风力发电系统状态监测的发展趋势以及未来的研究方向㊂关键词:风电机组;状态监测;故障诊断;研究现状;发展趋势中图分类号:TM307+.1∶TM614 文献标志码:A 文章编号:1673⁃6540(2014)02⁃0050⁃07Research on Condition Monitoring and Fault DiagnosisTechnology of Wind TurbinesZHANG Wenxiu1, WU Xinfang2(1.School of Energy and Power Engineering,Nanjing University of Science&Technology,Nanjing210094,China;2.School of Energy and Mechanical Engineering,ShangHaiUniversity of Electric Power,Shanghai200090,China)Abstract:The technologies of condition monitoring and fault diagnosis can effectively reduce the cost of operation and maintenance,as well as ensure the security and stability of wind turbine.The research of condition monitoring and fault diagnosis were overviewed,then the status of the wind tubine monitoring technology and application development conditions of monitoring system were introduced,and aiming at the main failure parts for wind turbine and the wind power system,the research status and progress of condition monitoring and fault diggnosis methods in domestic and abroad were introduced.Finally the development trend of wind power generation system status montoring and research direction in the future were discussed.Key words:wind turbines;condition monitoring;fault diagnosis;research status;development trend0 引 言近年来,风能作为一种绿色能源在世界能源结构中发挥着愈来愈重要的作用,风电装备也因此得到迅猛发展㊂根据世界风能协会(WWEA)的报告,截止2009年底,全球风力发电机组发电量占全球电力消耗量的2%,根据目前的增长趋势,预计到2020年底,全球装机容量至少为1.9×106MW,是2009年的10倍[1]㊂在 九五”期间,我国风力发电场的建设快速发展,过去十年中,我国的风力发电装机容量以年均55%的速度高速增长,2010年已达1000万kW㊂随着大规模风电场的投入运行,出现了很多运行故障,因而需要高额的运行维护成本,大大影响了风电场的经济效益㊂风电场一般处于偏远地区,工作环境复杂恶劣,风力发电机组发生故障的几率比较大,如果机组的关键零部件发生故障,将会使设备损坏,甚至导致机组停机,造成巨大的经济损失[2]㊂对于工作寿命为20年的机组,运行维护成本一般占到整个风电场总投入的10%~ 15%,而对于海上风电场,整个比例高达20%~25%[3]㊂因此,为了降低风电机组运行的风险,维护机组安全经济运行,都应该发展风电机组状态监测和故障诊断技术㊂状态监测和故障诊断可以有效监测出传动系统㊁发电机系统等的内部故障,优化维修策略㊁减052014,41(2)新能源与风力发电❙===============================================================================================EMCA少非计划停机次数和降低机组的运行维护费用等㊂风力发电机组的状态监测和故障诊断系统集合了信号采集㊁在线监测以及信号分析等功能;能对系统的各种机械参数和电气参数等进行监测,并将采集到的数据进行分析处理,从而正确定位各系统的故障㊂1 风力发电机组结构及故障机理1.1 风力发电机组结构风力发电机组由风轮㊁叶片㊁主轴承㊁齿轮箱㊁发电机㊁电气系统㊁液压系统㊁刹车系统和偏航系统等组成[4],其结构如图1所示㊂风电机组通过叶轮捕获风能,通过齿轮箱传递到发电机,发电机将机械能转化为电能,通过变频器接入电网㊂图1 风力发电机组结构1.2 风力发电机组故障机理从瑞典2000年~2004年间的故障统计情况来看[5],风力机每年都保持较高的故障率,刚开始运行的几年故障率较高,之后开始下降,到风机运行一定年数时风力机故障率又会上升㊂图2 瑞典风力发电场故障分布图(2000年~2004年)图2为瑞典风力机各主要部件故障形式的百分比,统计年限为2000年~2004年㊂由图可见,各主要部件失效形式百分比最少的为轮毂,最多的为电气系统,传感器㊁叶片/节距和液压系统的故障数也较大㊂一项由丹麦和德国的研究机构得出的结论[6⁃7]表明偏航系统㊁电气系统㊁机械系统㊁齿轮箱具有较高的故障率㊂研究者使用统计可靠性分析技术论证得出,传动系统的故障主要在于齿轮箱和轴承㊂对于海上风电场,环境比陆地上更恶劣,那么风机更容易发生故障,这些故障需要很长的维修时间,并且会耗费很高的维修费用,这大大影响增加了风电机组发电成本,影响了经济效益㊂2 状态监测与故障诊断设备故障诊断技术是为了适应现代工程需要而形成的一门多种学科交叉的应用型学科㊂其研究起源于20世纪60年代后期,主要由军事工业的需要发展起来㊂美国是最开始开发状态监测和故障诊断技术的国家,应用范围从航天系统的故障原理㊁故障检测㊁故障诊断的研究和开发,逐渐延伸到电站汽轮发电机组等其他行业㊂美国的西屋公司㊁BEI公司㊁Bently公司等主要从事电站故障诊断系统的工作㊂欧洲也产生了很多拥有故障诊断技术的公司,如瑞士的ABB公司㊁德国的普鲁夫公司㊂早期的状态监测与故障诊断技术主要是凭借积累的经验或专家分析研究,对现场获取设备运行时的一些可以实际观测或感觉出的状态,确定可能存在的故障或故障隐患,这样难免会存在一些误判断㊂近年来,随着相关学科的发展,许多国家相继成功研发了一些比较完善的故障诊断系统,使状态监测与故障诊断技术进入了实用化的时代㊂与计算机技术结合起来,将监测数据传输给计算机,然后对这些传输来的数据做出综合分析与处理,系统的性能都有了全面的提高,监测与诊断的对象发展成为由多个区域多台机组构成的监测网络;应用领域迅速扩展到石油㊁化工㊁航空㊁核工业㊁电力等主要领域[8]㊂不过尽管在很多行业都直接或间接使用到状态监测和故障诊断技术,在风电机组上成功实行这项技术是一个不小的挑战㊂2.1 风力机状态监测技术状态监测技术可帮助发现机组机械和电气的初始故障,遏制重要事故的发生㊂风电机组状态监测系统可在机组运行过程中实时监控各个部件的15新能源与风力发电❙EMCA2014,41(2===============================================================================================)运行状态,及时判断部件存在的问题和隐患,及时采取处理措施,提高了机组运行可靠性㊂对于风力发电机组,状态监测技术主要可以分为以下几类㊂(1)油液监测㊂油液监测技术检测的是设备润滑油和液压油的性能,掌握设备运行中的润滑和零部件的磨损信息[9]㊂油液监测包括油液品质检查㊁铁屑检查等㊂在风电机组状态监测中,油液分析的主要目的是监测经过润滑油润滑的组件质量㊂(2)振动监测㊂振动信号能够反映机械故障特征,机械状态的变化可以通过振动信号体现出来㊂振动分析是旋转机械状态监测中应用最多的方法,可对机械设备进行准确的检验和故障诊断,比如转子不平衡㊁油膜振荡㊁转轴弯曲等[10]㊂(3)温度监测㊂在设备劣化的情况下,温度的高低可以直观地反应设备的运行情况,因此温度监测通常用于电子和电气元件的故障诊断㊂对风力发电机组而言,发电机㊁齿轮箱㊁变频器等设备都需要进行温度监测㊂(4)应变力监测㊂对风电机组中的叶片寿命预测和疲劳状况监测,应变力测量是一种高效方法,主要通过在关键部位安装应变力传感器测量㊂应变力传感器是一种常见的设备疲劳状况监测的传感器㊂其他的状态监测技术还有很多,比如声学监测㊁转矩测量等㊂其中,声学监测可用于检测叶片故障趋势,与传统的振动监测方法相比更适合低速的鲁棒性强的机组,还可用于检测组件表面应力的突变;转矩测量可用于传动系统的故障检测㊂2.2 风电机组状态监控系统的应用开发一般来说,风电机组都有自己配套的状态监测系统㊂如西班牙Gamesa公司㊁德国B&K公司㊁美国GE公司㊁丹麦Vestas公司等这些风电制造商都有相关的产品㊂但是,这些系统的兼容性相对较差,只适用于特定型号风电机组㊂因此,国外有很多公司设计与开发了第三方监控系统,如美国赛风公司的Second⁃WIND⁃ADMS系统㊁美国卓越通信的SCADA系统㊁美国的AREVA公司的OneProd系列㊁英国Garrad公司的GH SCADA系统和Vestas Online系统㊁德国SKF公司开发的SKF Windcon2.0㊁丹麦瑞思国家实验室开发的Clever Farm系统等㊂此外,德国Prutechnikf公司㊁丹麦Gram&Juhl公司专门致力于开发用于风电机组的监测设备[11]㊂国内很少有制造商研制整机或整个风电场的状态监控系统,大多只是对风电机组的某个部件进行状态监测与故障诊断㊂现在已投入实用的监控系统还限于完成数据采集㊁分析显示这些传统的任务㊂目前,有部分厂商在研发风电机组状态监控系统,并取得了一定的成果㊂如南京中大趋势测控设备公司的CUT⁃3100系列监控产品㊁北京国旋新力公司的MV.SD2100风机监控系列产品㊁南瑞电控所开发的NS2000W系统[12]㊂此外金风科技㊁华锐风电等都为自行生产的风电机组配备了监控系统㊂2.3 风力机故障诊断技术风电机组故障诊断技术是通过掌握风电机组运行过程中的状态,判断其部件是否正常的技术,其也可以预报故障发展趋势㊂本文主要针对风电机组中故障率高的齿轮箱㊁发电机㊁叶片㊁变频器,介绍了国内外相关研究现状㊂2.3.1 齿轮箱的故障诊断风电机组的齿轮箱位于机舱内,是连接主轴和发电机的主要部件,其主要功能是将风轮所产生的动力传递给发电机㊂由于其长期运行在变工况和变载荷的情况下,很容易发生故障㊂表1给出了齿轮箱部件的主要失效形式㊂表1 齿轮箱部件失效形式部件失效形式齿轮齿面磨损㊁胶合㊁断齿㊁弯曲疲劳等轴承轴不平衡㊁轴不对中㊁磨损㊁点蚀㊁疲劳剥落等 近年来,已经有不少科研人员对齿轮箱的故障诊断进行了研究㊂振动测量和频谱分析是典型的齿轮箱故障诊断方法㊂文献[13⁃14]先测得对异步发电机的电流信号,然后对其进行解调来诊断齿轮箱故障,之后将离散小波变换方法用到解调出来的电流信号上,进而根据特定层次频谱来诊断齿轮故障㊂唐新安[15]等利用时域信号的指标对齿轮箱故障进行了初步诊断,再借助快速傅里叶变换法对诊断结果进行进一步的分析确认㊂252014,41(2)新能源与风力发电❙===============================================================================================EMCA ZHOU[16]等基于小波变换的时频多分辨率分析特性和齿轮箱的故障类型,从动力学的角度建立了齿轮箱振动信号理论模型,试验表明该诊断方法能有效地诊断局部损伤在变速箱的齿轮故障㊂文献[17]提取了齿轮箱振动信号的多维时域特征值,采用主分量分析(PCA)和Fisher准则对实际运行的健康机组和故障机组的齿轮箱进行分类识别㊂YAO X J[18]等针对风机齿轮箱的裂齿现象,提出一种基于自适应Morlet小波变换的新方法,该方法首先基于峭度最大化原则,优化Morlet小波函数的参数提取冲击特征,然后利用一种平均自相关谱来突出有关裂齿故障的故障特征㊂2.3.2 发电机的故障诊断发电机是风电机组的核心部件,主要功能是将机械能转化为电能㊂由于发电机长期处于变工况和电磁的环境中,定子绕组㊁轴承㊁转子导条等容易产生故障㊂而定子绕组短路㊁转子绕组故障是发电机的主要的故障形式[19]㊂根据发电机的故障特点,目前主流的诊断方法是基于发电机定㊁转子电流信号㊁电压信号及输出功率信号㊂文献[20]通过测量定子三相电流来监测发电机容易出现的定子匝间短路问题㊂WATSON[21]等在利用连续小波变换的条件下,对发电机输出功率信号进行分析,从而辨识出转子轴承故障和偏心故障㊂文献[22]分析了风电机组的机械转矩和电磁转矩以及发电机端电流信号三者之间的联系,利用离散小波变换方法,通过对电流㊁电压以及功率等电参数信号的分析,得到齿轮箱轴承的偏心故障特征信号㊂文献[23]分别利用小波分析和RBF神经网络方法对风电机组的各种电参数信号进行分析,从而得到一种诊断机组转子绕组故障的方法㊂许允之[24]研究了发电机转子断条故障的诊断机理,选取小波包分析作为信号处理的前置手段,得到输出神经网络的特征向量㊂神经网络通过学习训练得到诊断结果,将小波的局部特性和神经网络的自学习特性结合起来,使诊断系统具有自适应分辨性和良好的容错性㊂针对发电机的特定故障类型,如转子角误差㊁轴承故障及定子匝间短路等故障,Yang W等运用小波分析和快速傅里叶变换分析功率信号来检测发电机转子角误差和轴承故障,小波分析体现了不稳定信号的时频特性,快速傅里叶变换则准确地确定了谐波元件的振幅,从而在给定的时间之内找到峰值振幅谱的小波系数,作为发电机的故障特征提取出来㊂2.3.3 叶片的故障诊断风电机组的叶片是整个机组最容易受到损坏的部件,由于长期裸露在恶劣的环境下,易受到湿气腐蚀㊁雷击等因素的破坏,因此叶片的故障率在整机中占有较高的比重[25]㊂文献[26]中为了测量因闪电造成的叶片破坏,提出建立光纤传感网络的方法,实现了对叶片故障的诊断㊂文献[27]是间接地来监测叶片的运行状态,通过测量发电机端的电压和电流,计算出发电机输出功率㊂ZHAO M H[28]等针对因结冰引起的叶片质量不平衡,采用Fluent软件分析结冰对风机外形结构的影响,并通过振动信号的结构特征进行分析㊂文献[29]在风力机叶片中成功安装了光纤光栅传感器测量系统㊂根据叶片在旋转过程中的载荷变化,利用光纤光栅传感器捕捉信号来判断叶片是否处于健康状态㊂光纤光栅传感器具有较好的抗电磁干扰㊁抗腐蚀等优点,适合用于叶片结构的状态监测,但由于没有相对应的叶片损伤准则,传感器获得的信号并不能与叶片损伤模式对应㊂针对此不足,文献[30]对叶片材料损伤的失效容限进行了一定的研究㊂文献[31]则通过利用归一化双谱和双相干技术得出发电机端的功率谱密度来分析叶片的缺陷㊂由于电击这种情况仅仅通过发电机端的一些参数很难分析出叶片的故障,文献[32]对叶片中遭受闪电破坏的位置进行定位利用的是光纤电流传感器㊂2.3.4 变频器的故障诊断变频器所处现场往往环境恶劣,高温发热㊁电磁干扰等易导致变频器发生故障㊂变频器的主要故障有误动作㊁过电压㊁过电流㊁过热㊁欠电压等㊂过电压主要指中间直流环节回路过电压,这会影响到中间直流环节中滤波电容器的使用寿命㊂过电流产生的原因主要是负载突变㊁负荷分配不均和输出短路等㊂当输入电压缺相㊁整流回路发生故障时就会导致欠电压故障㊂文献[33]通过细化其变频器仿真模型,在仿真环境下对变频器故障原理和故障类型等做了仿真分析研究,将经过处理的仿真结果数据和作为训练的样本数据对设计好的神经网络进行训练和测试,以此使神经网35新能源与风力发电❙EMCA2014,41(2===============================================================================================)络具有诊断和定位故障的能力㊂于辉[34]等则利用神经网络的非线性映射特性,提出了采用基于波形直接分析的BP神经网络故障诊断方法,这种方法主要针对变速风力发电机组中的变频器电路模型非线性强的特点,能动态监视风力发电机变频器电路的工作状态,实时在线进行故障诊断和分析,确定变频器故障的部位和性质㊂文献[35]提出了仿真分析诊断法,通过对变频器进行故障后的系统仿真,利用获取的故障电流㊁电压波形与正常电流㊁电压波形的对比来诊断变频器的故障㊂文献[36]对风电变频器中的故障进行设置,然后使用小波变换的多分辨率特性,提取变频器的故障特征向量,最后应用BP神经网络进行故障模式识别㊂仿真结果表明,此种风电变频器的故障诊断系统具有较强的稳定性和准确性㊂2.4 系统级故障检测和隔离风电机组及其子系统包含很多部件,因此对其进行系统和子系统级的故障隔离较复杂㊂故障隔离也需要更多的系统分析,因此需要有效地建立部件级和系统级的故障诊断模型㊂离散事件系统DES的框架被认为是一个合适的选择,随着复杂系统越来越多,佩特里网已经被用在风机故障诊断的系统级决策上㊂Rodriguez[37]等使用颜色化的佩特里网来诊断风机的润滑系统和冷却系统㊂Echavarria[38]等开发了一种定性物理的方法用作对风电机组的智能维护,在基于模型推理和功能冗余设计的基础上开发了故障诊断系统㊂基于模型的好处是只需要很少的信息且不要解复杂方程组,同时在故障预测中具有可重用性和鲁棒性㊂Zaher和McArthur[39]提出了一个用于风机故障检测和识别的多智能断层检测系统的初步框架,描述了反常现象代理㊁功率曲线代理和停机时间分类代理的开发,由于系统开发的可重构性和可伸缩性,多代理系统需要更进一步的研究㊂2.5 风力发电机组智能故障诊断方法风力发电机组故障原因复杂,故障原因和故障机理之间存在着极大的不确定性,因此通过人工智能的方法来诊断机组的故障㊂近些年来,人工智能方法在可再生能源技术上的应用越来越广泛㊂关于人工智能方法,文献[40]主要针对齿轮箱故障诊断,提出了一种基于故障诊断框架的神经网络故障诊断方法㊂文献[41]利用多种智能诊断技术和方法,如Elman网络㊁概率神经网络㊁BP网络等,对发电机的多种故障数据进行处理,然后分析故障产生的原因,得出诊断结论㊂文献[42]提出了数据库的奇偶编号㊁推理机制的模糊推理判断及学习机制的机械学习,增强了故障诊断专家系统的智能性㊂文献[43]根据故障信号特征和小波变换多尺度分解性质选取小波分解层次,得到反映风机运行状态的特征向量,利用待检状态的特征向量与典型故障特征表,通过模糊模式识别方法进行风机故障诊断㊂文献[44]在最小二乘支持向量机方法的基础上,融合SA算法,提出黑洞粒子群模拟退火算法,并应用到最小二乘支持向量机方法参数优化中,利用参数优化后的最小二乘支持向量机方法建立多分类决策模型,对风力发电机进行故障诊断㊂文献[45]在BP 算法的基础上提出了输出模式矩阵的改进方法,将常用的单位矩阵故障模式转变为二进制结构,运用于转子的故障诊断,使得样本训练次数大大减小㊂Garcia MC[46]等利用人工神经网络实现了对风力机各部件和整机的健康状况评估,提出了在线预测智能系统,使用模糊专家系统技术对故障进行诊断㊂3 结 语状态监测与故障诊断技术是一门融合电子㊁计算机㊁信号分析与数据处理㊁人工智能等多学科的技术㊂近年来随着风力发电行业的不断发展,如何降低风电机组故障率,提高风电场的经济效益成为当前的研究热点㊂在这个背景下风力发电机组状态监测与故障诊断技术的研究显得十分重要㊂本文主要介绍了现有的各种状态监测技术,然后针对风电机组的主要部件,对国内外相关故障诊断的研究进展进行了调研综述㊂综合国内外的研究现状,未来状态监测与故障诊断技术的发展趋势是各种先进诊断方法的融合以及发展远程的状态监测和故障诊断等㊂具体可有以下的发展方向㊂(1)把基于多传感器的信息融合技术应用于设备状态监测中,不仅可拓宽设备状态信息的来源渠道,还可改善信息处理的质量,对设备的运行状态做出准确判断,提高故障诊断的准确性㊂(2)把虚拟仪器技术应用到机组监测和诊452014,41(2)新能源与风力发电❙===============================================================================================EMCA断系统中,使系统工作界面更形象,具有良好的可视性和交互性,准确表现风电机组的工作状态㊂(3)通过网络连接实现远程故障诊断系统间的通信,形成开放式故障诊断系统,从而可以使整个诊断系统具有更大的灵活性和可扩展性㊂(4)根据不同风电机组类型制定量化的故障诊断方法参照标准㊂(5)更多地发展基于模型的故障诊断方法,从子系统扩展到整个系统㊂【参考文献】[1] EWEA.World wind energy report2009[M].Bonn:World Wind Energy Association,2010.[2] YANG W X,JIANG J S,TAVNER P J,et al.Monito⁃ring wind turbine condition by the approach ofempirical mode decomposition[C]∥2008Interna⁃tional Conference on Electrical Machines and Syst⁃ems.Wuhan,China:IEEE,2008:736⁃740.[3] LU B,LI Y Y,WU X,et al.A review of recentadvances in wind turbine condition monitoring andfault diagnosis[J].PEMWA2009,IEEE,2009(6):1⁃7.[4] RIBRANT J.Reliability performance and maintena⁃nce⁃a survey of failures in wind power systems[D].Sweden:Royal Institute of Technology,2006.[5] RIBRANT J.Survey of failures in wind power systemswith focus on Swedish wind power plant during1997⁃2005[J].IEEE Trans Energy Conversion,2007(22):167⁃173.[6] TAVNER P J,XIANG J,SPINATO F.Reliability10Turbines[J].Wind Energy,2007(10):1⁃18.[7] TAVNER P J,EDWARDS C,BRINKMAN A,et al.Influence of wind speed on wind turbine reliability[J].Wind Engineering,2006,30(1):55⁃72,2006.[8] 龙泉,刘永前,杨勇平.状态监测与故障诊断在风电机组上的应用[J].现代电力,2008,25(6):54⁃59.[9] 王小斌.油液分析技术在机械设备状态监测中的应用分析[J].煤炭技术,2001,20(9):52⁃53.[10] 操炼.振动信号在船舶设备检验中的应用探讨[D].上海:上海海事大学,2005.[11] 陈云花.基于振动测试的大型风力发电机组运行状态监测研究[D].内蒙古:内蒙古科技大学,2009.[12] 傅质馨,袁越.海上风电机组状态监控技术研究现状与展望[J].电力系统自动化,2012(21):121⁃129.[13] AMIRAT Y,BENBOUZID M E H,BENSAKER B,et al.Condition monitoring and fault diagnosis inwind energy conversion system:a review[C]∥Electric Machines&Drives Conference,lEMDC’07,IEEE International,2007:1434⁃1439.[14] MOHANTY A R.Fault detection in a multistagegearbox by demodulation of motor current waveform[J].IEEE Tran&Industrial Electronics,2006,53(4):285⁃1297.[15] 唐新安,谢志明,吴金强,等.风力机齿轮箱故障诊断[J].噪声与振动控制,2007(1):120⁃124.[16] ZHOU W J,SHEN Y X,WANG L.Fault diagnosisfor wind turbine gearbox based on wavelet analysis[C]∥24th Chinese Control and Decision Conference(CCDC),2012,China.[17] YANG J M,FAN D G,ZHOU Y B,et al.Faultdiagnosis of wind turbine gearbox based on fishercriterion[C]∥Proceedings of the30th ChineseControl Conference July22⁃24,2011,Yantai,China.[18] YAO X J,GUO C C,ZHONG M F,et al.Windturbine gearbox fault diagnosis using adaptive morletwavelet spectrum[C]∥Proc of the2nd InternationalConferenceon Intelligent Computation Technology andAutomation.Changsha,China:IEEE ComputerSociety,2009:580⁃583.[19] YANG W X,TAVNER P J,MICHAEL W.Windturbine condition monitoring and fault diagnosis usingboth mechanical and electrical signatures[C]∥International Conference on Advanced IntelligentMechatronics,2008,Xi’an,China,2008:1296⁃1301.[20] WILLIAMSON S,DJUROVIC S.Origins of statorcurrent spectra in DFIFs with winding faults andexcitation asymmetries[C]∥2009IEEE InternationalElectric Machines and Drives Conference,Miami,FL:IEEE,2009:563⁃570.[21] WATSON S J,XIANG B J,YANG W X,et al.Condition monitoring of the power output of windturbine generators using wavelets[J].IEEETransactions on Energy Conversi on,2010,25(3):715⁃721.55新能源与风力发电❙EMCA2014,41(2===============================================================================================)[22] YANG W,TAVNER P J,WILKINSON M R.Condition monitoring and fault diagnosis of a windturbine synchronous generator drive train[J].ETRenewable Power Generation,2009,3(1):1⁃11.[23] ZHAO Y J,LI Y G,HU J W.RBFNN for Faultdiagnosis of rotor windings inter tum short circuit inturbine⁃generator[C]∥International Conference onCondition Monitoring and Diagnosis,2008(4):1331⁃1334.[24] 许允之,韩丽,方永丽,等,基于神经网络算法的感应电机故障诊断方法[J].大电机技术,2013,1(1):15⁃21.[25] KUBUR,KAHRAMAN A,ZINI D M,et a1.Dynamic analysis of a multi⁃shaft helical geartransmission by finite elements:model and experi⁃ment[J].Transactions of the ASME,2004,126(7):398⁃406.[26] KRAMER S G M,LEON F P,APPERT B.Fiberoptic sensor network for lighting impact localizationand classification in wind turbines[C]∥2006IEEEInternational Conference on Multisensor Fusion andIntegration for Intelligent Systems.Heidelberg:IEEE,2006:173⁃178.[27] TSAI C S,HSIEH C T,HUANG S J.Enhancementof damage⁃detection of wind turbine blades via CWT⁃based approaches[J].IEEE Transactions on EnergyConversion,2006,21(3):776⁃781. [28] ZHAO M H,JIANG D X,LI S H.Research on faultmechanism of icing of wind turbine blades[C]∥Procof the1st World Non⁃Grid⁃Connected Wind Powerand Energy Conference,Nanjing,China:IEEEComputer Society,2009:1⁃4.[29] SCHROEDER K,ECKE W,APITZ J,et al.AfibreBragg grating sensor system monitors operationalload ina wind turbine rotor blade[J].Meas SciTechnol,2006(17):1167⁃1172.[30] JEFFRIES W Q.Experience with bieoherenee ofelectrical power for condition monitoring of windturbine blades[J].lEE Proc Vision,Image andSignal Processing,1998,145(3)141⁃148. [31] YE J J,CHEN X F,ZHAI Z,et al.Predictingelasticand plastic response of fiber⁃reinforced metal matrixcomposites[J].Mechanics of Composite Materials,2010(4):405⁃416.[32] TSAI C S.Enhancement of damage⁃detection of windturbine blades via CWT⁃based approaches[J].IEEETrans.Energy Conversion,2006,21(3):776⁃781.[33] 胡立锦.直驱式风力发电机变频器故障诊断研究[D].新疆:新疆大学,2012.[34] 于辉,邓英.风力发电机变流器故障诊断方法[J].可再生能源,2010,28(3):89⁃92. [35] YANG S,LI W,WANG C.The intelligent faultdiagnosis of wind turbine gearbox basedon artificialneural network[C]∥Proc2008Int Conf on ConditionMonitoring and Diagnosis,2008:1327⁃1330. [36] WANG Z,GUO Q.The diagnosis method for conve⁃rter fault of the variable speed wind turbine based onthe neural networks[C]∥in Proc2nd Int Conf onInnovative Computing,Information and Control,2008.[37] RODRIGUEZ L,GARCIA E,MORANT F,et a1.Application of latent nestling method using coloredpetri nets for thefault diagnosis in the wind turbinesubsets[C]∥in Proc2008IEEE Int.Conf.Emerging Technologies and Factory Automation,2008:767⁃773.[38] ECHAVARRIA E,TOMIYAMA T,HUBERTS H W,et al.Fault diagnosis system for an offshore windturbine using qualitative physics[C]∥in Proc EWEC2008,Brussels,Belgium,2008.[39] ZAHER A S,MCARTHUR S D J.A multi⁃agentfault detectionsystem for wind turbine defect recogni⁃tion and diagnosis[C]∥in Proc2007IEEE LausannePOWERTECH.[40] WALLCAE A K,SPEE R.The simulation ofbrushless dc driver failures[C]∥PESC Record⁃IEEE Power Electronics Specialists Conference,1988:199⁃206.[41] SOTERIS A K.Artificial neural networks in renew⁃able energy systems applications a review[J].Renewable and Sustainable Energy Reviews,2001(5):373⁃401.[42] 郭洪澈.风力发电系统的故障诊断专家系统设计[J].节能,2002(7):36⁃38.[43] 胡汉辉,杨洪,谭青,等.基于小波分析的风机故障诊断[J].中南大学学报,2007,38(6):1169⁃1173.[44] 焦斌,徐志翔.基于综合优化方法的风力发电机故障诊断[J],控制工程,2012,19(4):681⁃686. [45] 王立鹏,刘贵立,李小彭.基于BP神经网络的风机转子故障诊断[J].沈阳工业大学学报,2002,24(5):428⁃430.(下转第63页)65。