Page 169 - 新能源风力发电技术与自动化技术研究

第五章 风力发电机组故障诊断与维护

即通过预测有关参数的变化趋势，判断整机或某一部件在将来一段时间的运行状
态演变过程。在正常状态下，监测信号会在一定范围内上下波动；当整机或某一
部件工作异常时，其动态特性就会偏离正常工作空间，监测信号随之变化并呈现

某种变化趋势。
1. 数据采集与预处理
对风电机组进行准确诊断和状态预测需要以可靠的数据为基础，因此，数
据采集与预处理是故障诊断与状态预测的重要环节。目前，用于机组故障诊断
和状态预测的数据大部分来源于数据采集与监控（supervisory control and data

acquisition，SCADA）系统。随着信息物理融合系统（cyber-physical system，
CPS）的提出与发展，对设备的监测与控制手段也在逐步提升，借助大数据分析
中的流式计算和数据摘要等技术，可从更广泛的角度对风电机组所处环境和运行

状态进行实时监测和控制。由于受实际因素（如信息采集过程中环境温度的变化、
电磁干扰等）的影响，所取得的原始数据质量较低，因此首先应进行数据预处理
操作。目前可采用的方法包括：数据清理、数据集成、数据变换、数据归约等。
其中，数据变换过程中常含有不能表征机组运行状态的“噪声”或“干扰”，这

类信号对故障分析无用，甚至会导致错误的诊断结果，因此必须对数据进行信号
处理操作。常用的信号处理技术包括：包络分析、带通滤波、平滑方法、域变换
（如时频变换、小波变换、Hilbert 变换）等，以及大数据处理方法。

2. 故障特征提取与识别方法
由于风电机组运行工况较为复杂，其故障表现形式与运行状态密切相关，实
现故障辨识具有一定的难度，因此，掌握有效的风电机组各部件故障特征提取方
法，可以提高机组的故障诊断和状态预测精度。例如，机械故障在风电机组故障
中的发生概率较高，且一旦发生就会造成较长的停机时间，而机械设备的运转情

况可以通过振动信号反映，因此，基于振动信号的特征分析方法在风电机组故障
诊断中广泛应用。又如，机组温度与故障之间也存在潜在的关联关系，一般温度
信号也会作为机组故障诊断与状态预测的参数之一。现有的故障特征提取方法主
要包含频谱分析、小波包分析、离散傅里叶变换和固有时间尺度分解（intrinsic

time-scale decomposition，ITD）等。

157