论文部分内容阅读
【摘 要】我國工业生产以及生活的发展对能源需求越来越多，但石油、天然气等不可再生能源储量有限且不可再生，使得人们加强对可再生能源的研究与开发，近年来风力发电产业进入迅速发展期。完善的风力发展技术为其发展提供了重要基础，在成本等方面均具有优势。但是在风力发电系统运行过程中，存在很多安全隐患，可能发生一些运行故障。针对其运行进行监控，及时发现潜在隐患以及存在问题，进行改善，保证风力发电系统正常运行。
【关键词】风力发电系统;监测;故障;诊断技术
中图分类号：TM614 文献标识码：A
引言
在风电系统正常运行过程中，由于系统中的风力发电机处于户外运行，运行环境和运行条件恶劣，常常导致风力发电机出现这样或者那样的故障。随着风力发电系统运行年限的增加，系统故障频率逐年提升，故障种类和故障位置日趋复杂化，常常会因为故障难以查明而导致停机故障发生，给风场造成不必要的损失，所以在今后的风力发电系统运行中，可以采用动态化监测手段对整个运行系统的各个部位进行动态化监测，确保及时掌握设备的运行状态，及时发现故障及时处理。
1风力机的故障诊断技术
1.1叶片的故障诊断
叶片作为风力发电机组中的前置部分，如果叶片出现问题（不平衡等）就会影响正常发现。需要对风力发电机组的叶片定期进行故障监测，主要分析叶片的转子不平衡、气动力不对称平衡，主要故障集中在这两方面。常用的方法包括小波不变化方法、功率谱密度等来分析，另外还可以利用光纤电流传感器网络来分析叶片的故障问题。
1.2齿轮箱的故障诊断
对于风力发电机组而言，其齿轮箱由于长期置于恶劣环境，损坏率很高，因此需要定期对齿轮箱进行定期故障诊断监测。可以采集异步电机的电流信号，并对其进行解析分析判断齿轮箱故障，通过幅值和频率解调来监测转轴旋转频率。然后，对解调的电流信号实施离散小波变换，从而达到降噪和移去干扰的目的。最后利用某一特定层次的谱来诊断齿轮故障。
1.3神经网络和专家系统
在风力机故障诊断中的应用随着信息技术以及人工智能技术的发展，新技术也开始应用于风力发电机组的故障诊断部当中。目前人工神经网络技术、专家系统技术以及模糊逻辑技术均开始应用于风力发电机组的故障诊断当中去，希望能够提高故障诊断的准确率。
1.4发电机故障诊断
风力发电机由于工作系统较多，出现故障的种类也是十分繁杂的。一般情况下常见故障主要包含了定子绕组故障、轴承故障、转子导条和端环故障以及其他故障。发电机出现故障之后一般会产生一种或者多种征兆，如气息电压和电流不平衡，转矩动脉加强，平均转矩减小，工作效率降低，电流、电压和磁通波扰动等。发电机的振动分析可以和低速轴、齿轮箱振动结合起来，但是振动传感器价格较高，安装复杂不适合在发电机故障诊断中应用。而采用定子电流信号分析，是一种常用的、相对稳定方法，其设备安装简单，价格较低，能够和发电机控制系统共同使用电流信号，在发电机故障诊断中有着很好的应用价值。
2风力发电系统状态监测技术要点
2.1神经网络技术
当前该技术主要包含以下三种应用方向：其一是模式识别层面，使神经网络充当故障分类器的作用，判断设备的不同故障类型并完成故障分类;其二是故障预测层面，将神经网络用于针对动态模型设备进行故障预测;其三是知识处理层面，配合专家系统构建混合故障诊断系统，以此拓宽故障诊断技术的应用范畴。通过采用神经网络进行风力发电机的故障诊断，可以借助归一化处理降低知识库管理难度，便于进行神经网络知识的并行联想与自适应推理，有效规避采用专家系统过程中存在的无穷递归、组合爆炸等问题，提高故障诊断的实时性。
2.2振动监测
振动监测作为风力发电机状态监测的必要技术，主要监测分析发电机组中的轴承、齿轮以及机舱部分的振动情况。通过传感器获得这些部分的振动信号，然后通过系统对监测信号与正常信号进行比对分析，若出现异常系统会给出报警信号。一般在振动监测当中采用幅域统计分析的方法进行。振动监测设备和其他监测技术相比，成本要高，在应用振动监测进行监测的时候采用等旋转角采集的方式进行信号采集，为保证信息准确性，分析时采用FFT分析消除干扰获得准确振动信息。
2.3设备的检修
对于风力发电机组的运行而言，设备的安全质量直接决定了发电的质量，一旦其中某一部件或者某一设备出现问题均会直接影响风力发电机组的正常运行。因此，在风力发电机组的工作与运行过程中，需要定期的对其各项设备以及各个部件进行定期的检修与维护，不仅仅要保证各个零部件和设备的质量，还应该保证各个部件以及设备的参数设置正确，能够正常运行。当检测中发现问题之后，需要根据问题以及潜在安全隐患进行分析，采取有效的方法和技术手段来排除安全隐患。针对问题解决问题，针对安全隐患排除隐患，有效规避风力发电机组故障风向。另外，对于这种户外工作的发电机组而言，不良天气尤其需要加强检测维护，根据预测的极端天气开始前需要对风力发电机组进行一次全面临时检查，保证当前风力发电机组的状态能够很好应对不良天气状况，保证其正常运行。
2.4测控方案设计
为实现对风力发电过程的模拟，本文采用伺服运动控制与数据采集系统进行测控方案设计，将风速时域信号输入到仿真模型中，借助尖速比计算与桨距角控制两个模块获取到系统转速与桨距角信息，并将其传递至风能利用系数估计模块，实现对风力发电机的过程模拟。在采用数据采集系统进行设计时，可在齿轮箱盖顶部安装一个IEPE压电加速度传感器，实时采集齿轮箱运行中的振动参数;选取动态扭矩转速传感器安装在高速轴与负载电机之间，用于采集传动轴的转矩、转速数据。通过将获取到的振动参数、转矩、转速等数据与标准数值进行对比，可以判断风力发电系统有无故障问题，进而使系统及时发出警报，配合有效处理技术实现故障问题的有效解决，为风力发电系统的正常运行提供保障。
2.5风力发电系统状态监测技术分析
首先，振动监测。振动监测是目前应用最为广泛的一种技术，齿轮箱中部件在运行过程中，测试得到相应的振动信号，通过对振动信号进行分析以及和正常状态下振动信号对比，出现故障后发出警报信号。振动监测包含了幅域统计分析法、时频域的幅值谱分析法，功率谱密度分析等。在风力发电系统应用振动监测技术有其独特的特点，其实现了低转速动态荷载，相对于功率输出损失，风力发电系统状态监测设备投入较高。在对机舱振动分析过程中，为了消除风轮转速的影响，振动信号应该采用等旋转角采集;其次，油液监测。这方面监测主要包含油液品质检查，铁屑检查，有时还会涉及到油虑压降检查和油温温度检查;再次，过滤参数监视。这是保证风力发电系统安全稳定运行最常规的方法;最后，性能参数检查。主要通过风力发电系统实际的输出功率特征，将其实际的输出功率和正常的输出功率相对比，当实际功率超出一定范围之后，风力发电状态监测系统就会认为发生故障，发出相应的警报。
结束语
对于风力发电机组的状态监测与故障诊断而言，涉及到众多领域和不同学科。在未来的发展中，需要不断的融合不同的学科技术以及不同的方法，来完善风力发电机组的状态监测以及故障诊断技术，这需要众多人员的共同努力。
参考文献：
[1]贺德馨.中国风能发展战略研究[J].中国工程科学，2011，13（6）：6～13.
[2]王瑞闯，富洪.风力发电机在线监测与诊断系统研究[J].华东电力，2009（1）：190～193.
[3]高阳，潘宏侠，吴升.基于DSP和神经网络的风力发电机齿轮箱远程故障诊断系统[J].仪表技术与传感器，2011，12（1）：67～70.
（作者单位：国电优能正镶白旗风电有限公司）
【关键词】风力发电系统;监测;故障;诊断技术
中图分类号：TM614 文献标识码：A
引言
在风电系统正常运行过程中，由于系统中的风力发电机处于户外运行，运行环境和运行条件恶劣，常常导致风力发电机出现这样或者那样的故障。随着风力发电系统运行年限的增加，系统故障频率逐年提升，故障种类和故障位置日趋复杂化，常常会因为故障难以查明而导致停机故障发生，给风场造成不必要的损失，所以在今后的风力发电系统运行中，可以采用动态化监测手段对整个运行系统的各个部位进行动态化监测，确保及时掌握设备的运行状态，及时发现故障及时处理。
1风力机的故障诊断技术
1.1叶片的故障诊断
叶片作为风力发电机组中的前置部分，如果叶片出现问题（不平衡等）就会影响正常发现。需要对风力发电机组的叶片定期进行故障监测，主要分析叶片的转子不平衡、气动力不对称平衡，主要故障集中在这两方面。常用的方法包括小波不变化方法、功率谱密度等来分析，另外还可以利用光纤电流传感器网络来分析叶片的故障问题。
1.2齿轮箱的故障诊断
对于风力发电机组而言，其齿轮箱由于长期置于恶劣环境，损坏率很高，因此需要定期对齿轮箱进行定期故障诊断监测。可以采集异步电机的电流信号，并对其进行解析分析判断齿轮箱故障，通过幅值和频率解调来监测转轴旋转频率。然后，对解调的电流信号实施离散小波变换，从而达到降噪和移去干扰的目的。最后利用某一特定层次的谱来诊断齿轮故障。
1.3神经网络和专家系统
在风力机故障诊断中的应用随着信息技术以及人工智能技术的发展，新技术也开始应用于风力发电机组的故障诊断部当中。目前人工神经网络技术、专家系统技术以及模糊逻辑技术均开始应用于风力发电机组的故障诊断当中去，希望能够提高故障诊断的准确率。
1.4发电机故障诊断
风力发电机由于工作系统较多，出现故障的种类也是十分繁杂的。一般情况下常见故障主要包含了定子绕组故障、轴承故障、转子导条和端环故障以及其他故障。发电机出现故障之后一般会产生一种或者多种征兆，如气息电压和电流不平衡，转矩动脉加强，平均转矩减小，工作效率降低，电流、电压和磁通波扰动等。发电机的振动分析可以和低速轴、齿轮箱振动结合起来，但是振动传感器价格较高，安装复杂不适合在发电机故障诊断中应用。而采用定子电流信号分析，是一种常用的、相对稳定方法，其设备安装简单，价格较低，能够和发电机控制系统共同使用电流信号，在发电机故障诊断中有着很好的应用价值。
2风力发电系统状态监测技术要点
2.1神经网络技术
当前该技术主要包含以下三种应用方向：其一是模式识别层面，使神经网络充当故障分类器的作用，判断设备的不同故障类型并完成故障分类;其二是故障预测层面，将神经网络用于针对动态模型设备进行故障预测;其三是知识处理层面，配合专家系统构建混合故障诊断系统，以此拓宽故障诊断技术的应用范畴。通过采用神经网络进行风力发电机的故障诊断，可以借助归一化处理降低知识库管理难度，便于进行神经网络知识的并行联想与自适应推理，有效规避采用专家系统过程中存在的无穷递归、组合爆炸等问题，提高故障诊断的实时性。
2.2振动监测
振动监测作为风力发电机状态监测的必要技术，主要监测分析发电机组中的轴承、齿轮以及机舱部分的振动情况。通过传感器获得这些部分的振动信号，然后通过系统对监测信号与正常信号进行比对分析，若出现异常系统会给出报警信号。一般在振动监测当中采用幅域统计分析的方法进行。振动监测设备和其他监测技术相比，成本要高，在应用振动监测进行监测的时候采用等旋转角采集的方式进行信号采集，为保证信息准确性，分析时采用FFT分析消除干扰获得准确振动信息。
2.3设备的检修
对于风力发电机组的运行而言，设备的安全质量直接决定了发电的质量，一旦其中某一部件或者某一设备出现问题均会直接影响风力发电机组的正常运行。因此，在风力发电机组的工作与运行过程中，需要定期的对其各项设备以及各个部件进行定期的检修与维护，不仅仅要保证各个零部件和设备的质量，还应该保证各个部件以及设备的参数设置正确，能够正常运行。当检测中发现问题之后，需要根据问题以及潜在安全隐患进行分析，采取有效的方法和技术手段来排除安全隐患。针对问题解决问题，针对安全隐患排除隐患，有效规避风力发电机组故障风向。另外，对于这种户外工作的发电机组而言，不良天气尤其需要加强检测维护，根据预测的极端天气开始前需要对风力发电机组进行一次全面临时检查，保证当前风力发电机组的状态能够很好应对不良天气状况，保证其正常运行。
2.4测控方案设计
为实现对风力发电过程的模拟，本文采用伺服运动控制与数据采集系统进行测控方案设计，将风速时域信号输入到仿真模型中，借助尖速比计算与桨距角控制两个模块获取到系统转速与桨距角信息，并将其传递至风能利用系数估计模块，实现对风力发电机的过程模拟。在采用数据采集系统进行设计时，可在齿轮箱盖顶部安装一个IEPE压电加速度传感器，实时采集齿轮箱运行中的振动参数;选取动态扭矩转速传感器安装在高速轴与负载电机之间，用于采集传动轴的转矩、转速数据。通过将获取到的振动参数、转矩、转速等数据与标准数值进行对比，可以判断风力发电系统有无故障问题，进而使系统及时发出警报，配合有效处理技术实现故障问题的有效解决，为风力发电系统的正常运行提供保障。
2.5风力发电系统状态监测技术分析
首先，振动监测。振动监测是目前应用最为广泛的一种技术，齿轮箱中部件在运行过程中，测试得到相应的振动信号，通过对振动信号进行分析以及和正常状态下振动信号对比，出现故障后发出警报信号。振动监测包含了幅域统计分析法、时频域的幅值谱分析法，功率谱密度分析等。在风力发电系统应用振动监测技术有其独特的特点，其实现了低转速动态荷载，相对于功率输出损失，风力发电系统状态监测设备投入较高。在对机舱振动分析过程中，为了消除风轮转速的影响，振动信号应该采用等旋转角采集;其次，油液监测。这方面监测主要包含油液品质检查，铁屑检查，有时还会涉及到油虑压降检查和油温温度检查;再次，过滤参数监视。这是保证风力发电系统安全稳定运行最常规的方法;最后，性能参数检查。主要通过风力发电系统实际的输出功率特征，将其实际的输出功率和正常的输出功率相对比，当实际功率超出一定范围之后，风力发电状态监测系统就会认为发生故障，发出相应的警报。
结束语
对于风力发电机组的状态监测与故障诊断而言，涉及到众多领域和不同学科。在未来的发展中，需要不断的融合不同的学科技术以及不同的方法，来完善风力发电机组的状态监测以及故障诊断技术，这需要众多人员的共同努力。
参考文献：
[1]贺德馨.中国风能发展战略研究[J].中国工程科学，2011，13（6）：6～13.
[2]王瑞闯，富洪.风力发电机在线监测与诊断系统研究[J].华东电力，2009（1）：190～193.
[3]高阳，潘宏侠，吴升.基于DSP和神经网络的风力发电机齿轮箱远程故障诊断系统[J].仪表技术与传感器，2011，12（1）：67～70.
（作者单位：国电优能正镶白旗风电有限公司）