Page 175 - 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

lamination theory，CLT）对选出的关键区域提出了疲劳损伤累计模型，并进行疲
劳分析和预测。
（三）发电机

风力发电机主要由定子、转子、轴承以及电刷滑环系统组成，其较长时间运
行在变工况和电磁环境中，相对容易发生故障。其中，发电机常见的不正常运行
或故障形式包括振动过大、发电机过热、轴承过热、短路故障、转子断条、绝缘
损坏及滑环面烧伤等。

发电机从正常态到故障态的变化能够通过物理参量的异常变化反映出来。这
些物理状态量包括电气量和非电气量，如电流、电压、功率、温度和振动等信息，
基于数据驱动的风电机组故障诊断与状态预测正是以这些物理参量的变化为基础
的。目前，针对发电机转子、定子、轴承等部件的故障诊断研究较多。例如，魏

书荣等以电流估计差为故障特征量，提出一种双馈风力发电机定子绕组匝间短路
故障诊断方法。马宏忠等以定子瞬时功率信号为切入点，提出一种针对双馈风力
发电机转子绕组不平衡故障的诊断方法。但由于发电机转子故障与故障位置、严
重程度等因素相关，对其进行准确定位非常困难，李天辉等通过对发电机转子匝

间短路故障进行建模仿真，并基于仿真模型研究其故障严重程度的变化趋势，以
实现故障源精确定位。针对电刷滑环系统无法用常规方法进行温度量测的问题，
大多数研究通过监测振动、火花放电、电气量等信号，实现发电机的故障诊断。
例如，张艳等在电刷滑环仿真平台的基础上，通过分析系统故障运行前后的振动

信号，提出了一种基于振动信号的滑环面损伤故障诊断方法。李思源等提出一种
基于希尔伯特 - 黄变换（Hilbert-Huang transform，HHT）的电刷滑环烧伤故障诊
断方法，将非平稳时间序列用经验模态分解转化为固有特征方程，实现高分辨率
的时频分析，并通过模拟实验验证了其可行性。

据统计，在风电机组发电机的所有故障中，轴承故障、定子故障、转子故障
分别占 40%，38%，10%，其他故障占 12%。可见，轴承部件最容易出现故障，
而振动信号又是轴承部件最显著的特征。由于振动传感器会受到其附近振动源的
干扰，并且轴承故障信号特征所覆盖的频率范围很宽，使得轴承振动信号中含有

大量的噪声。针对这些非平稳信号，傅里叶变换具有明显的局限性，小波变换应
运而生并广泛应用于时频分析中。例如，ZHONG J 等基于小波变换和自组织特
征映射（self-organizing feature mapping，SOM）神经元网络理论，提出一种利用

163