Page 173 - 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

用于研究部件级、系统级故障。例如，GUO H 等针对齿轮箱故障存在的并发性、
信息不足和不确定性问题，采用模糊 Petri 网建立了故障诊断模型，以识别齿轮
箱的故障模式。张岩等将时间属性引入模型中，提出一种基于时序约束网络与模

糊 Petri 网的电力系统故障诊断模型，提高了系统的可靠性。但使用 Petri 网模型
明显增加了系统计算的复杂度。
8. 其他方法
除上述典型方法外，还有一些学者创新性地引入其他理论，用于解决风电

机组传动轴系的故障诊断和状态预测问题。例如，龙霞飞等在齿轮箱各类实时
监测数据的信息融合基础上，提出了一种基于灰狼优化核极限学习机（grey wolf
optimization-based kernel extreme learning machine，GWO-KELM）的风机齿轮箱
状态监测、故障分类与识别方法。另外，为满足目前风电机组海量数据的存储和

处理需求，张少敏等提出了一种基于 Storm 实时流处理的齿轮箱故障诊断和预测
方法。针对齿轮裂纹故障造成的振动信号波峰持续时间短且出现次数少的问题，
KONG Y 等提出了一种基于频谱特征的特征提取方法——峰度和时间小波能谱
（spectral kurtosis and time wavelet energy spectrum，SK-TWES）对行星齿轮进行

早期故障诊断，实验表明利用谱峭度能够提前几星期时间预测到齿轮裂纹故障。
（二）叶轮
叶轮是风机中能够捕获到风能的关键部件，其受气动力、重力和惯性力等循
环应力的影响，且通常暴露于恶劣的自然环境中，非常容易受到损耗。一旦叶片

的慢性损伤积累到一定程度，就会导致叶片发生疲劳裂纹故障。风机叶片多采用
纤维增强型复合材料（如玻璃钢等）组成，长度在 30 ～ 50m，重量在 6 ～ 10t；
装机容量为 5MW 的风机叶片甚至长达 60m，重达 18t。一旦叶片存在疲劳裂纹
等故障隐患时，就会有很大概率出现叶片断裂、风机倒塌等大型灾难事故，造成

严重的经济损失。因此，对风电机组叶轮运转情况进行实时监测，并进一步对其
疲劳寿命进行分析，是预防灾难性故障、保障风电机组安全稳定运行的重要保障。
1. 载荷应力监测
近年来，国内外已相继研发了一系列风机叶片的监控设备，即通过监测叶

片的振动情况或安装传感器来获取有效信号特征，实现叶片的故障诊断。例如，
DERVILIS N 等通过监测振动情况，提取叶片运行状态特征量，然后利用自联想
人工神经网络（auto-associative neural network，AANN）对机组叶片进行全面的

161