風力發電機組故障診斷與狀態預測的研究進展

李 剛，齊 瑩，李銀強，張建付，張力暉

（1. 華北電力大學控制與計算機工程學院，河北省保定市071003；2. 復雜能源系統智能計算教育部工程研究中心（華北電力大學），河北省保定市071003；3. 國網河北省電力有限公司高陽縣供電分公司，河北省保定市071500；4. 華北電力大學電氣與電子工程學院，河北省保定市071003）

0 引言

為應對氣候變暖、環境污染等問題，全球能源消費正逐步邁入以清潔能源/可再生能源替代化石能源的“第三次工業革命”［1］時代。風能是最重要的清潔能源之一，全球風能理事會在2020年3月25日發表的《全球風能報告》中指出，2019 年全球新增裝機容量60.4 GW，累計裝機容量達到650 GW［2］。據國家發展和改革委員會能源研究所預測，到2050年中國的風電裝機容量將達到2 400 GW，占國內總裝機容量的33.8%［3］，大力發展風電等清潔能源是實現中國可持續發展戰略的必然選擇。發展風電、光伏等新能源的高效運維技術已成為當前電力系統面臨的重要問題之一。

在風電機組單機容量較大、機組整體結構越加復雜、各部件之間的耦合也愈加緊密的情況下，機組出現故障的概率也會增加。據統計，陸上風電機組的運營及維護費用可達到其收益的15%～25%，而海上風電機組的對應數字可占到35%［4-5］，除了導致維護成本過高之外，對電力系統的穩定運行也具有明顯的負面影響。為了協調電網企業的建設運營成本與社會降低電價預期之間的矛盾，全面發展電力系統的泛在感知技術，通過數據驅動、人工智能、數字孿生［6］等方法實現基于設備健康管理體系的狀態維護（condition-based maintenance，CBM）或 預 防 性 維 護（predictive maintenance，PM），是電力系統實現數字化、網絡化和智能化的重要基礎。

傳統的設備維護策略包括事后維護和定期維護，這2種維護策略容易導致“維護不足”或“維護過?！保?］。故障預測與健康管理（prognostics and health management，PHM）的理念近年來受到很多學者的關注，旨在實現從被動維護到主動預防的轉變，可以顯著降低設備的維護成本［8］。已有研究嘗試將PHM體系引入電力系統（如風電機組、輸變電設備等）的運行維護中，使之成為CBM或PM的重要環節［9-11］。

在風電機組中，傳動軸系、葉輪、發電機是造成機組故障和停機的主要部件［12-13］。因此，本文著重對這三大部件的故障診斷及狀態預測的基本原理、典型方法進行系統分析與綜合評價，并對CBM 未來的發展方向進行展望。

1 故障診斷與狀態預測的基本理論框架

從宏觀方面來講，CBM 體系主要包含故障診斷、狀態預測和健康管理3個方面的內容?！肮收稀笔侵冈O備或系統喪失原定效用或者因為性能退化而不能達到原定要求的異常狀態；“健康”是指目前運行狀態與預期正常運行狀態之間的偏差程度?！肮收显\斷”是判斷設備或系統的異常狀態，識別故障類型、位置以及具體原因，進而達到故障隔離的目的，并為用戶進行決策提供參考?！盃顟B預測”則是根據設備或系統的歷史監測數據，對當前設備或系統的運行情況進行評估，并對未來一段時間內的設備或系統狀態或故障趨勢做出預測?！敖】倒芾怼奔词且罁O備或系統故障診斷或狀態預測結果、現有維護資源以及其他要求等信息，做出相關維護的決策能力［14］。狀態預測在CBM 體系中發揮著重要作用。風電機組的狀態預測就是以機組歷史監測數據和實測數據為基礎，結合機組所處地域環境，建立預測模型和方法，實現對未來一定時間段內機組故障（或剩余壽命）的預測［15-16］。本章從影響風電機組正常運行的關鍵因素、風電機組故障特性、預測方法及其評價等4個方面對風電機組的CBM體系進行論述。

1.1 影響風電機組運行狀態的因素及特性分析

目前應用廣泛的風電機組主要包括雙饋感應發電機（doubly-fed induction generator，DFIG）和永磁同步發電機（permanent magnetic synchronous generator，PMSG）。風電機組零部件種類眾多且數量龐大，影響風電機組正常運轉的因素有很多，且其中許多因素之間相互耦合，給分析風電機組的運行狀況帶來了挑戰。如圖1所示，本文根據風電機組在設計、生產、運輸、安裝、運行、維修及回收的全壽命周期發展過程的不同階段，對影響風電機組正常運轉的因素進行了歸納與總結。

圖1 影響風電機組正常運轉的主要因素Fig.1 Major factors affecting normal operation of wind turbines

由圖1可知，風電機組的設計及生產過程直接影響其部件以及整機的性能，同時也影響到機組的生產成本和故障率。在采用模塊化設計理念并優選部件供應商的情況下，可以提高整機質量、減少運維成本。

風電機組在運輸、安裝及維護過程中會受到人為因素的影響，如齒輪安裝誤差、軸承安裝不正、潤滑不良、存儲不當、運輸損耗、維護不當以及未及時進行維修等，外加運行過程中受氣象和地理等客觀因素影響，如極端天氣、變工況運行以及不可預知的負載波動等，風電機組各部件均可能出現意外故障造成損傷，直接影響到風電機組的剩余使用壽命。

風電機組在運行中主要受到載荷以及電氣因素的影響。導致風電機組疲勞和振動的載荷主要包括隨機性載荷與確定性載荷。隨機性載荷是由風湍流引起的氣動載荷，受風速影響產生的隨機交變載荷是導致機組發生故障的主要原因之一。在電流諧波以及風湍流兩者的共同作用下，會直接影響到發電機的電磁轉矩，進一步使得作用在軸上的扭矩隨著時間的變化形成旋轉振動。當因扭振引起的應力變化積累到一定程度時，會嚴重影響到傳動軸系的齒輪箱以及軸承的剩余使用壽命。

影響風電機組的確定性載荷則主要包括：定常風作用產生的穩態載荷，由葉片的重力、偏航誤差、塔影效應、風剪切、主軸的上傾角等因素產生的周期載荷，以及陣風和停機過程中產生的瞬態載荷［17］。而在并網過程中DFIG和PMSG除了受葉片傳遞的交變載荷影響外，還受變流器調制出的低頻諧波的影響［17］。如并網運行的PMSG 輸出端電壓隨負荷變化而變化，同時PMSG 轉矩產生脈動，會對傳動軸系產生一定的沖擊［18-19］。

此外，當電力系統的電壓突然下降時，在DFIG 的定子繞組中會產生衰減的直流暫態磁鏈，進而使轉子繞組中產生過電流與過電壓。同時，定子和轉子的電流大范圍波動也會引起電機轉矩的脈動，加劇傳動軸系的應力扭矩，增加其疲勞程度，并直接影響其剩余使用壽命。

1.2 故障診斷和狀態預測的技術框架

目前已有多種故障診斷與狀態預測方法，總體上可分為基于物理模型的方法和基于數據驅動的方法2類。近幾年來，風電機組趨向大型化、復雜化，因此，如何建立精準的風電機組物理模型是目前的難點問題。另一方面，數據驅動方法幾乎不需要監測對象的先驗知識，因此，基于反映機組運行機理和運行狀態的數據驅動方法在近年來受到普遍關注。

由于狀態預測問題本質上是參數預測問題，即通過預測有關參數的變化趨勢，判斷整機或某一部件在將來一段時間的運行狀態演變過程。在正常狀態下，監測信號會在一定范圍內上下波動；當整機或某一部件工作異常時，其動態特性就會偏離正常工作空間，監測信號隨之變化并呈現某種變化趨勢。簡要的狀態預測技術框架可用圖2表示，基于數據驅動的故障診斷與狀態預測的一般過程如圖3所示。

圖2 狀態預測的技術框架Fig.2 Technical framework of state prediction

圖3 基于數據驅動的故障診斷與狀態預測的一般過程Fig.3 General procedure of data-driven fault diagnosis and state prediction

1.2.1 數據采集與預處理

對風電機組進行準確診斷和狀態預測需要以可靠的數據為基礎，因此，數據采集與預處理是故障診斷與狀態預測的重要環節。目前，用于機組故障診斷和狀態預測的數據大部分來源于數據采集與監控（supervisory control and data acquisition，SCADA）系統。隨著信息物理融合系統（cyber-physical system，CPS）的提出與發展，對設備的監測與控制手段也在逐步提升［20］，借助大數據分析中的流式計算［21］和數據摘要等技術，可從更廣泛的角度對風電機組所處環境和運行狀態進行實時監測和控制。

由于受實際因素（如信息采集過程中環境溫度的變化、電磁干擾等）的影響，所取得的原始數據質量較低，因此首先應進行數據預處理操作。目前可采用的方法包括：數據清理、數據集成、數據變換、數據歸約等。其中，數據變換過程中常含有不能表征機組運行狀態的“噪聲”或“干擾”，這類信號對故障分析無用，甚至會導致錯誤的診斷結果，因此必須對數據進行信號處理操作。常用的信號處理技術包括：包絡分析、帶通濾波、平滑方法、域變換（如時頻變換、小波變換、Hilbert變換）等［22］，以及大數據處理方法［23］。

1.2.2 故障特征提取與識別方法

由于風電機組運行工況較為復雜，其故障表現形式與運行狀態密切相關，實現故障辨識具有一定的難度，因此，掌握有效的風電機組各部件故障特征提取方法，可以提高機組的故障診斷和狀態預測精度。例如，機械故障在風電機組故障中的發生概率較高，且一旦發生就會造成較長的停機時間，而機械設備的運轉情況可以通過振動信號反映，因此，基于振動信號的特征分析方法在風電機組故障診斷中廣泛應用［24］。又如，機組溫度與故障之間也存在潛在的關聯關系，一般溫度信號也會作為機組故障診斷與狀態預測的參數之一?，F有的故障特征提取方法主要包含頻譜分析、小波包分析、離散傅里葉變換［25］和固有時間尺度分解（intrinsic time-scale decomposition，ITD）［26-27］等。

2 風電機組的故障診斷與狀態預測方法

本章重點選取風電機組的傳動軸系、葉輪和發電機三大主要部件的故障診斷和狀態預測方法進行系統性回顧。由于風電機組各主要部件的本質構造及其運行特征不同，在電-磁-力-熱等不同能量及物理效應的耦合程度上各有差異，對其進行科學分析的方法也會有所區別，因此，本文為了敘述上的便利，按不同部件分別歸納其研究方法。需要指出的是，由于建立風電機組各部件的純物理模型難度較大，目前的研究大多采用基于數據驅動的分析方法，即利用SCADA 數據作為故障診斷與狀態預測模型的輸入，然后輸出診斷及預測結果。

2.1 傳動軸系

DFIG 的傳動軸系不僅故障率高且故障造成的停機時間在所有故障中最長［17］，因此對該部件進行故障診斷與狀態預測的研究方法也較多，主要列舉如下。

1）回歸分析

回歸分析預測（regression analysis prediction，RAP）法本質上屬于因果分析預測［28］，是一種基于歷史數據來確定變量之間定量關系的預測方法，便于直觀分析多參數模型。例如，文獻［29-30］分析了與齒輪箱溫度密切相關的風電機組參數，并分別利用多元線性回歸分析模型建立了正常狀態下齒輪箱溫度的預測模型。但該方法可能會忽略交互效應和非線性的因果關系，因此在正態性假設不成立的前提條件下，需要考慮非參數回歸分析法［31］。

2）時間序列分析

時間序列是把歷史數據按照時間進行排序的統計序列，根據統計序列中的規律外推來實現未來一段時間內的預測?；跁r間序列模型（time series model，TSM）的方法主要有4種：自回歸（autoregressive，AR）模型、移動平均（moving average，MA）模型、自回歸移動平均（autoregressive moving average，ARMA）模型和整合移動平均自回歸（autoregressive integrated moving average，ARIMA）模型［28］。例如，文獻［32］利用AR 模型提取運行在非線性狀態下的機組齒輪箱的特征，用于故障診斷和狀態預測。時間序列分析突出了時間因素在預測中的作用，但未充分考慮外界不確定因素變化造成的影響，存在預測誤差。

3）人工神經網絡

人工神經網絡（artificial neural network，ANN）中的一些模型具有良好的泛化能力，廣泛應用于故障診斷和預測領域。文獻［33］將故障預測劃分為3個層次：預測有無故障（fault and no-fault prediction）、故障類型（fault category）、具體故障預測（the specific fault prediction），并指出均可運用ANN 來處理。例如，通過收集多源實時信息，文獻［34］提出一種基于ANN 中的多層前饋神經網絡（multi-layer feedforward neural network，MLFNN）的風力渦輪機變速箱健康狀況監測方法。此外，鑒于粒子群優化（particle swarm optimization，PSO）技術具有全局搜索特性，而LM（Levenberg Marquardt）方法具有快速收斂特性，利用這兩者的優勢可以改善前饋神經網絡的學習算法，減小其陷入局部極小的概率并加快其收斂［35-36］。為更好地模擬復雜系統的演化發展，文獻［37］提出基于進化神經網絡（evolving neural network，ENN）的齒輪箱狀態預測模型，給出了樣本自動選取規則，且所設計的ENN 結構適于描述機組運行狀況的改變，算例表明ENN 較前饋神經網絡的狀態預測精度高，學習速度也更快。

同時，針對前饋神經網絡學習以及記憶的不穩定性，Elman ANN 應運而生，該神經網絡模型由多個神經元按照一定的規則連接構成，通過加入內部反饋網絡實現了動態建模［28］。這些特性使得Elman ANN 具有較高的學習效率和穩定性，較適用于故障診斷與狀態預測［38］?？紤]小波包對時間序列的分解特性，文獻［39］提出了一種基于長短時記憶神經網絡的故障診斷方法，最后通過實驗驗證了該方法能夠得到較為準確的預測結果。但該方法需要大量的原始數據進行學習和訓練，不適用于處理小數據。

4）深度學習

深度學習（deep learning，DL）是機器學習的一個重要分支，可以理解為ANN 的發展，主要通過組合低層特征形成更加抽象的高層來表示屬性類別或特征，以發現數據的分布式特征表示，從而提升分類或預測的準確性。常見的DL 算法包括：深度置信網絡、卷積神經網絡、循環神經網絡以及堆棧式自動編碼器等［40］。例如，針對齒輪傳動系統中齒輪等零部件易出現故障的問題，文獻［41］提出了一種基于DL理論的齒輪傳動系統故障診斷方法，首先利用深度置信網絡提取齒輪傳動系統的振動信號，然后通過深度置信網絡的復雜映射表征能力對故障信號進行故障判別。為解決監督式學習需要大量標簽數據的問題，文獻［42］提出一種新的深度神經網絡模型，即一維殘差卷積自編碼器，并應用于振動信號的無監督學習與故障特征的提取，實驗表明該方法具有良好的去噪能力和故障提取能力，顯著提高了齒輪箱的故障診斷率。由此可見，DL在進行復雜系統的故障診斷時具有巨大的潛力，但此類算法訓練耗時，容易出現過擬合的情況。

5）支持向量機

支持向量機（support vector machine，SVM）是一種二分類模型，用于求解凸二次規劃的最優化算法。由于單獨使用SVM 技術存在資源耗費較大，且不具有不確定性管理能力等，一般需要對其改進。例如，文獻［43］將最小二乘SVM（least squares SVM，LS-SVM）應用于風電機組齒輪箱的故障預測中，首先利用皮爾遜相關系數對特征變量進行篩選，然后利用SVM 回歸對風機齒輪的正常狀態建立預測模型，再利用統計過程控制分析預測模型，以降低算法復雜度、加快計算速度。但SVM 對參數和核函數選擇敏感，不適用于解決多分類問題。

相關向量機（relevance vector machine，RVM）是一種特殊的用于回歸和分類的貝葉斯稀疏核算法，其函數形式與SVM 相同，但其可以給出預測結果的置信區間，并且使用較少的核函數就可達到與SVM 相同的泛化能力［44］。例如，文獻［45］分別利用RVM 和SVM建立了低速軸的故障診斷和預測模型，實驗結果證明前者的性能優于后者。文獻［46］基于RVM 建立了齒輪早期故障檢測模型，首先利用小波包變換從齒輪原始振動信號提取時域統計特征作為特征向量，并采用Fisher準則選擇出最優的特征向量，研究表明，采用變分徑向基函數（variance radial basis function，VRBF）的魯棒性高于高斯徑向基函數（Gaussian radial basis function，GRBF），研究表明RVM 比SVM 更適合在線診斷。

6）灰色模型

灰色預測是通過少量、不完全的數據，建立數學模型并進行預測的一種方法，其核心是灰色模型（grey model，GM）?；疑A測是對灰色系統所做出的預測，即通過對原始數據進行統計處理，得到近似的指數規律，用觀測到的反映預測對象的特征量進行建模并預測［47］。例如，文獻［48］從風電機組原始溫度監測數據中提取出多組時間序列，建立風電機組系統灰色預測模型，以識別故障模式與故障原因，并根據評估結果進行故障預警，一定程度上克服了風電機組運行狀態的不確定性。但灰色預測模型只適用于中短期的預測和指數增長的預測。

7）Petri網模型

Petri網是對離散并行系統的數學表示，能夠用較少元素直觀、方便地表示復雜系統內部狀態的變化，在描述系統異步和并發活動方面具有一定的優勢，適用于研究部件級、系統級故障［49］。例如，文獻［50］針對齒輪箱故障存在的并發性、信息不足和不確定性問題，采用模糊Petri網建立了故障診斷模型，以識別齒輪箱的故障模式。文獻［51］將時間屬性引入模型中，提出一種基于時序約束網絡與模糊Petri網的電力系統故障診斷模型，提高了系統的可靠性。但使用Petri網模型明顯增加了系統計算的復雜度。

8）其他方法

除上述典型方法外，還有一些學者創新性地引入其他理論，用于解決風電機組傳動軸系的故障診斷和狀態預測問題。例如，文獻［52］在齒輪箱各類實時監測數據的信息融合基礎上，提出了一種基于灰狼優化核極限學習機（grey wolf optimization-based kernel extreme learning machine，GWO-KELM）的風機齒輪箱狀態監測、故障分類與識別方法。另外，為滿足目前風電機組海量數據的存儲和處理需求，文獻［53］提出了一種基于Storm 實時流處理的齒輪箱故障診斷和預測方法。針對齒輪裂紋故障造成的振動信號波峰持續時間短且出現次數少的問題，文獻［54］提出了一種基于頻譜特征的特征提取方法——峰度和時間小波能譜（spectral kurtosis and time wavelet energy spectrum，SK-TWES）對行星齒輪進行早期故障診斷，實驗表明利用譜峭度能夠提前幾星期時間預測到齒輪裂紋故障。

2.2 葉輪

葉輪是風機中能夠捕獲到風能的關鍵部件，其受氣動力、重力和慣性力等循環應力的影響，且通常暴露于惡劣的自然環境中，非常容易受到損耗。一旦葉片的慢性損傷積累到一定程度，就會導致葉片發生疲勞裂紋故障。風機葉片多采用纖維增強型復合材料（如玻璃鋼等）組成，長度在30～50 m，重量在6～10 t；裝機容量為5 MW 的風機葉片甚至長達60 m，重達18 t。一旦葉片存在疲勞裂紋等故障隱患時，就會有很大概率出現葉片斷裂、風機倒塌等大型災難事故，造成嚴重的經濟損失。因此，對風電機組葉輪運轉情況進行實時監測，并進一步對其疲勞壽命進行分析，是預防災難性故障、保障風電機組安全穩定運行的重要保障。

1）載荷應力監測

近年來，國內外已相繼研發了一系列風機葉片的監控設備，即通過監測葉片的振動情況或安裝傳感器來獲取有效信號特征，實現葉片的故障診斷。例如，文獻［55］通過監測振動情況，提取葉片運行狀態特征量，然后利用自聯想人工神經網絡（auto-associative neural network，AANN）對機組葉片進行全面的疲勞分析，并識別機組葉片故障。文獻［56］則嘗試利用提前安裝在葉片上的光纖布拉格光柵傳感器（fibre Bragg grating sensor，FBGS）來監測風機葉片上的應力模式，進一步分析葉片的運行狀況。在實際運行中，葉輪由于振動或者載荷過大，容易出現葉片不平衡。因此，文獻［57］通過研究不同水流流速下葉輪不平衡對海流機的影響程度，提出了一種機電耦合的數學模型，有利于分析海流機的故障診斷和狀態預測。此外，風機變槳系統可以根據風速調整葉片角度，將葉片旋轉產生的機械能傳遞給傳動系統，通過對變槳系統進行實時故障監測，有利于風電機組對風能利用率的提高。例如，文獻［58］考慮到變槳系統故障產生和傳播過程中所具有的不確定性和模糊性，依據風電機組海量運行數據挖掘變槳系統故障關聯規則，并轉化為模糊Petri網模型，采用矩陣運算的形式化并行推理，得到變槳系統故障診斷結果。

2）疲勞壽命分析

通過及時評估葉片的疲勞損傷情況，并對其剩余使用壽命進行預測，對提高風機葉輪的可用性、可維護性具有積極意義。例如，考慮到風力渦輪機葉片載荷作用以及空氣動力學特性，文獻［59］基于線性疲勞損傷累積理論和基本應力疲勞性能曲線對風機葉片進行了壽命預測。不過，這種基于線性累積損傷理論的方法并不完全適用于復合材料［60］。對此，有學者提出了非線性損傷理論［61］，避免了等效損傷的假設，可以考慮構件損傷的非均勻發展情況。由于風機大部分暴露在復雜甚至惡劣的環境中，且受到動態變化的內/外部載荷的作用，因此，要保證葉輪使用壽命預測的準確性，就要考慮到載荷動態變化的影響。例如，文獻［62］采用有限元分析法，基于材料的S-N曲線和Spera經驗公式，對處于變載荷下的風機葉片進行壽命評估，但這需要花費大量時間來建立S-N 曲線。針對此問題，文獻［63］提出一種基于ANN 模型的復合材料剩余使用壽命預測方法，與使用S-N 曲線相比，在保證達到相同預測精度的前提下需要的數據量減少了50%，從而顯著減少了計算時間。目前基于數據驅動的方法是設備剩余使用壽命預測的主流方法［64］，通過提取反映設備健康狀態的特征信息，建立狀態監測數據間的非線性關系，進而實現剩余壽命的準確預測。

然而，現有的大部分針對風機葉片的疲勞壽命評估方法，尚未完全計及不確定性因素。因此，文獻［65］在利用有限元分析法獲得葉片關鍵區域后，再用威布爾分布法統計分析每種風速模式出現的比例并據此對其隨機分配權重，然后基于經典層合板理論（classical lamination theory，CLT）對選出的關鍵區域提出了疲勞損傷累計模型，并進行疲勞分析和預測。圖4說明了疲勞壽命分析的一般過程［22］。

圖4 疲勞壽命分析的一般過程Fig.4 General procedure of fatigue life analysis

2.3 發電機

風力發電機主要由定子、轉子、軸承以及電刷滑環系統組成，其較長時間運行在變工況和電磁環境中，相對容易發生故障。其中，發電機常見的不正常運行或故障形式包括振動過大、發電機過熱、軸承過熱、短路故障、轉子斷條、絕緣損壞及滑環面燒傷等。

發電機從正常態到故障態的變化能夠通過物理參量的異常變化反映出來。這些物理狀態量包括電氣量和非電氣量，如電流、電壓、功率、溫度和振動等信息，基于數據驅動的風電機組故障診斷與狀態預測正是以這些物理參量的變化為基礎的。目前，針對發電機轉子、定子、軸承等部件的故障診斷研究較多［66］。例如，文獻［67］以電流估計差為故障特征量，提出一種雙饋風力發電機定子繞組匝間短路故障診斷方法。文獻［68］以定子瞬時功率信號為切入點，提出一種針對雙饋風力發電機轉子繞組不平衡故障的診斷方法。但由于發電機轉子故障與故障位置、嚴重程度等因素相關，對其進行準確定位非常困難，文獻［69］通過對發電機轉子匝間短路故障進行建模仿真，并基于仿真模型研究其故障嚴重程度的變化趨勢，以實現故障源精確定位。

針對電刷滑環系統無法用常規方法進行溫度量測的問題，大多數研究通過監測振動、火花放電、電氣量等信號，實現發電機的故障診斷［70］。例如，文獻［71］在電刷滑環仿真平臺的基礎上，通過分析系統故障運行前后的振動信號，提出了一種基于振動信號的滑環面損傷故障診斷方法。文獻［72］提出一種基于希爾伯特-黃變換（Hilbert-Huang transform，HHT）的電刷滑環燒傷故障診斷方法，將非平穩時間序列用經驗模態分解轉化為固有特征方程，實現高分辨率的時頻分析，并通過模擬實驗驗證了其可行性。

據統計，在風電機組發電機的所有故障中，軸承故障、定子故障、轉子故障分別占40%，38%，10%，其他故障占12%［73］?？梢?，軸承部件最容易出現故障，而振動信號又是軸承部件最顯著的特征。由于振動傳感器會受到其附近振動源的干擾，并且軸承故障信號特征所覆蓋的頻率范圍很寬，使得軸承振動信號中含有大量的噪聲。針對這些非平穩信號，傅里葉變換具有明顯的局限性，小波變換應運而生并廣泛應用于時頻分析中。例如，文獻［74］基于小波變換和自組織特征映射（self-organizing feature mapping，SOM）神經元網絡理論，提出一種利用小波變換提取軸承故障的信號特征，再結合SOM 與指數加權移動平均（exponential weighted moving average，EWMA）圖對軸承故障進行預測的方法。粒子濾波（particle filter，PF）是一種以貝葉斯推理和重要性采樣為基本框架，根據特征相似度計算每個粒子重要性的方法，可以處理任意形式的概率，在軸承的故障診斷與預測方面具有較好的應用前景。例如，文獻［75］提出一種基于PF的滾動軸承剩余使用壽命預測方法。雖然粒子濾波器能夠有效解決非線性問題，但需要大量樣本，并且粒子會退化且對突變狀態的跟蹤能力差。針對此問題，文獻［76］通過采集風電機組SCADA 數據，提出了一種基于深度自編碼網絡和XGBoost的故障診斷算法，實驗表明該算法能夠捕獲風力發電機早期故障。此外，由于軸承溫度與軸承故障之間存在潛在的關聯關系，與采用振動信號進行故障診斷和狀態預測相比，采用溫度信號建模則相對簡單，但該研究方向需要進一步論證其可行性與時效性。

以上分別討論了風電機組三大關鍵部件的故障診斷與狀態預測方法。由于各個部件作為整個風電機組的一部分，其特征具有一定的相似性和關聯性，因此對某個部件所采用的方法也可以為其他部件提供參考。表1即對風電機組各關鍵部件所采用的方法進行了總 結，并給出了各部件的常見故障形式及其特點等。

表1 風電機組各關鍵部件常用的故障診斷與預測方法Table 1 Fault diagnosis and state prediction methods for critical components of wind turbines

3 風電機組故障診斷與狀態預測中的難點與建議

隨著風電裝機容量的持續增長，尤其是單個風機趨于大型化、復雜化，這些都給風電機組狀態的精確診斷與預測帶來了挑戰。雖然針對風電機組運行保障的多種監測手段已在現場得到應用，但由風電機組運行環境的復雜性與其本體結構的高度耦合性等因素疊加給診斷與預測領域帶來的技術難度也在增加。本文通過對風電機組故障診斷與狀態預測方法的系統性回顧，總結其難點如下：

1）風電設備SCADA 數據具有全局化、多元化的特點，如何融合多維數據，設計風電設備多參量關聯關系，實現風電機組的深度挖掘與故障預測，是未來風電設備故障診斷與狀態預測的難點之一；

2）現有的各類故障診斷方法和預測技術都有各自的優缺點和局限性，如何綜合考慮風電機組的人-機-物-環等生態體系周期以及各類復合因素的影響，實現多技術融合的智能故障診斷與狀態預測，是目前亟須解決的關鍵問題之一；

3）在復雜（如強噪聲、變速變載等）工況下，如何實現風電機組整機大設備群中故障設備的精確定位及預警，也是目前及未來的難點之一；

4）風電設備的故障模式復雜，如何確定各關鍵零部件故障的危害性次序，研究風電場設備群預防性維修方法，提高系統整體的可靠性、準確性、魯棒性，實現風電機組的實時在線監測以及準確運行調控，是影響到運行、維護等多環節的關鍵問題。

因此，在當前數據科學與人工智能理論快速發展階段，未來可考慮在如下幾個方面開展系統性研究。

1）風電機組多維關鍵參數信息融合

目前風電機組的故障診斷和狀態預測使用的信息主要包括機組的振動信號和溫度信號，若能充分考慮電壓、功率、風速、環境等多參量的變化，則有望進一步提高診斷與預測的效果。因此，需要收集多維度、多時間尺度、多種數據類型的信息，然后提取風電機組的故障特征向量，對這些特征向量進行數據、特征和決策3個不同層面的信息融合。通過研究風電設備多關鍵參數之間或監測參數與目標函數的數據驅動關系，建立風電機組狀態預測與診斷的模型，從而增強預測結果的可靠度。

2）“大云物智移”輔助的風電機組在線監測與綜合評估

隨著風電機組產業的規?；l展，將智能技術與其進行深度融合，實現風電機組的實時感知、動態控制和信息服務是未來的發展趨勢。因此，有必要在萬物互聯的背景下，充分應用“大云物智移”等現代信息技術，研究基于海量歷史數據與實時監測數據的故障模式及各部件的相互影響分析、故障危害性分析等，提取風電設備的可靠性指標，建立風電機組全壽命周期的在線監測與故障分析模型，為實現風電機組的在線監測和綜合評估奠定堅實的理論基礎。

3）風電機組整機的故障診斷與狀態預測

風電機組的組成結構日益復雜，自動化程度明顯提高，各子系統間的耦合也愈加緊密。一旦子系統或部件出現異常必定會引起其內在特性的改變，從而對系統整體造成影響。傳統的故障預測方法主要集中在風電機組的某個部件上，而忽略了各部件之間的關聯性。因此，可以從整個風電場的角度，挖掘各風電機組之間潛在的關聯關系，利用該關聯關系對其他機組的狀態進行估計，探測出性能下降或狀態異常的機組，再從單個風電機組的角度進一步定位故障部件、探測故障原因，并預測未來一段時間內機組的狀態。

4）信息物理融合架構下的預防性維護體系

隨著新型風電產業的發展，對風電機組結構提出了新的要求，同時如何科學、有效地對機組進行維護也成為亟待解決的問題。近幾年來，故障診斷與預測技術在多個領域中得到深入發展和應用。雖然近年來國內許多學者或研究人員提出了多種針對某種關鍵設備的診斷與預測方法，但其系統化的設計和應用還有待進一步研究。風電機組屬于典型的CPS，如何建立基于物理模型和數據驅動耦合分析的風電機組PM體系，通過將CPS理論、診斷與預測方法協同起來，對機組全景態勢進行精確描述，將是未來的發展方向之一。

4 結語

風電作為一種清潔的可再生能源，在第三次工業革命浪潮中，將發揮重要的作用，是實現“清潔替代、電能替代”不可或缺的能量來源。為推動新能源電力系統的發展，未來將是風力發電由分散、孤立發展到廣域集中、高效消納的關鍵時期，因此，保障風機的可靠穩定運行是一項具有挑戰性的科學難題。

本文對風電機組中較容易出現故障的關鍵部件，如傳動軸系、葉輪和發電機的故障診斷與狀態預測方法進行了系統性闡述。同時指出，由于風電機組內部結構的高度耦合性及技術局限性，增加了對其診斷與預測的難度，因此，基于“大云物智移”等現代信息技術，可實現風電機組多維關鍵參數的有效融合，逐步實現風電機組整機的故障診斷與狀態預測，并進一步完善基于信息物理融合架構下的CBM 或PM 技術體系，這是未來值得重點關注的研究方向。