李 輝，胡姚剛 ，李 洋，楊 東 ，梁媛媛，歐陽(yáng)海黎 ，蘭涌森

（1.重慶大學(xué) 輸配電裝備及系統(tǒng)安全與新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，重慶 400044；2.重慶科凱前衛(wèi)風(fēng)電設(shè)備有限責(zé)任公司，重慶 401121；3.中船重工（重慶）海裝風(fēng)電設(shè)備有限公司，重慶 401122）

0 引言

近年來(lái)，風(fēng)能在世界能源結(jié)構(gòu)中地位越來(lái)越突出，風(fēng)電將逐步成為火電、水電之后的第三大常規(guī)能源。隨著我國(guó)大型海上風(fēng)電建設(shè)規(guī)劃相繼啟動(dòng)和現(xiàn)運(yùn)行的大部分風(fēng)電機(jī)組質(zhì)保期逐漸超出或鄰近超出，高故障發(fā)生率和高運(yùn)維成本的現(xiàn)狀越來(lái)越引起風(fēng)電運(yùn)營(yíng)商、制造商和第三方運(yùn)維公司等機(jī)構(gòu)的關(guān)注。相比陸地風(fēng)電機(jī)組，海上風(fēng)電機(jī)組將面臨更惡劣的運(yùn)行環(huán)境和更高的運(yùn)行維護(hù)成本。據(jù)統(tǒng)計(jì)，海上風(fēng)電機(jī)組的維護(hù)成本至少為陸上風(fēng)電機(jī)組的2倍，運(yùn)維成本高達(dá)經(jīng)濟(jì)收入的30%～35%，其中約25%～35%為定期維護(hù)費(fèi)用，65%～75%為事后維修費(fèi)用［1］。隨著單機(jī)容量不斷增加，大功率風(fēng)電機(jī)組的復(fù)雜性程度增加，將會(huì)面臨更高的故障率和運(yùn)維費(fèi)用。為了降低故障率和減少維修費(fèi)用，開(kāi)展風(fēng)電機(jī)組的狀態(tài)監(jiān)測(cè)和故障診斷研究，對(duì)及時(shí)掌握風(fēng)電機(jī)組運(yùn)行狀態(tài)，及早發(fā)現(xiàn)潛在故障征兆，降低故障率，減少運(yùn)維成本，從而保證風(fēng)電機(jī)組安全高效發(fā)電運(yùn)行有著重要學(xué)術(shù)研究意義和工程應(yīng)用價(jià)值［2］。

鑒于風(fēng)電機(jī)組對(duì)狀態(tài)監(jiān)測(cè)和故障診斷的急迫需求，國(guó)內(nèi)外相繼出臺(tái)了標(biāo)準(zhǔn)規(guī)范，如2009年歐盟推出了關(guān)于《風(fēng)力機(jī)及其部件的機(jī)械振動(dòng)測(cè)試與評(píng)估標(biāo)準(zhǔn)VDI3834》；2011年國(guó)家能源總局提出《風(fēng)力發(fā)電機(jī)組振動(dòng)狀態(tài)監(jiān)測(cè)導(dǎo)則》。上述標(biāo)準(zhǔn)主要是針對(duì)風(fēng)電機(jī)組關(guān)鍵部件的振動(dòng)特征量制定的規(guī)范要求，對(duì)于實(shí)現(xiàn)全面的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)和故障診斷的要求還遠(yuǎn)遠(yuǎn)不夠。與傳統(tǒng)火電、水電機(jī)組相比，風(fēng)電機(jī)組在高空運(yùn)行，是多部件協(xié)同工作的復(fù)雜系統(tǒng)，監(jiān)測(cè)特征量類型多、數(shù)量大，受風(fēng)速大小和風(fēng)向的不確定性以及變速恒頻發(fā)電控制的約束，運(yùn)行狀態(tài)通常在不同工況之間隨機(jī)頻繁切換，各類特征量隨機(jī)波動(dòng)范圍較寬，利用單一或幾個(gè)特征量采用傳統(tǒng)狀態(tài)監(jiān)測(cè)和故障診斷方法，難以得到風(fēng)電機(jī)組真實(shí)的運(yùn)行狀態(tài)和實(shí)現(xiàn)準(zhǔn)確故障定位。基于上述風(fēng)電機(jī)組特殊性，有必要了解風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)和故障診斷領(lǐng)域研究現(xiàn)狀，綜述該領(lǐng)域的研究方法和成果，進(jìn)一步促進(jìn)該領(lǐng)域研究的開(kāi)展。

目前，風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)和故障診斷領(lǐng)域的研究處于起步階段，已有的研究成果中，對(duì)于整機(jī)的研究側(cè)重于狀態(tài)評(píng)估和故障預(yù)測(cè)，對(duì)于機(jī)組的關(guān)鍵部件研究側(cè)重于故障診斷。本文首先介紹風(fēng)電機(jī)組的運(yùn)行環(huán)境及其故障統(tǒng)計(jì)情況；其次，對(duì)整機(jī)狀態(tài)評(píng)估和故障預(yù)測(cè)研究現(xiàn)狀，從統(tǒng)計(jì)分析、多參數(shù)融合和故障預(yù)測(cè)角度進(jìn)行綜述；再次，重點(diǎn)介紹和評(píng)述風(fēng)電機(jī)組關(guān)鍵部件故障診斷方法的研究現(xiàn)狀；最后，結(jié)合當(dāng)前研究現(xiàn)狀和存在的問(wèn)題，指出風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)的發(fā)展趨勢(shì)。

1 風(fēng)電機(jī)組故障統(tǒng)計(jì)與分析

風(fēng)電機(jī)組長(zhǎng)期工作在惡劣的自然環(huán)境中，受到正常和極限極端溫度、太陽(yáng)輻射、降雨、積雪、鹽霧、沙塵、地形輪廓等因素影響，各部件的絕緣強(qiáng)度、疲勞強(qiáng)度和運(yùn)行性能等必將不可避免地隨運(yùn)行環(huán)境和運(yùn)行時(shí)間的變化而逐漸下降，導(dǎo)致故障發(fā)生。文獻(xiàn)［3］分析指出，易發(fā)生故障的齒輪箱、發(fā)電機(jī)、低速軸、高速軸、槳葉、電氣系統(tǒng)、偏航系統(tǒng)、控制系統(tǒng)等關(guān)鍵部件，約占風(fēng)電機(jī)組總成本的80%～90%。國(guó)外某機(jī)構(gòu)的各部件故障率與平均故障排除時(shí)間統(tǒng)計(jì)情況，如圖1所示［4］，可見(jiàn)電氣系統(tǒng)的故障率相對(duì)較高，齒輪箱、發(fā)電機(jī)和傳動(dòng)鏈的平均故障排除時(shí)間相對(duì)較長(zhǎng)，約在5～8 d。另外，我國(guó)的2012年《全國(guó)風(fēng)電場(chǎng)設(shè)備運(yùn)行質(zhì)量狀況調(diào)查報(bào)告》故障統(tǒng)計(jì)情況，變流器的每年故障發(fā)生頻次最高為0.20次/臺(tái)；齒輪箱相對(duì)較低，約為0.09次/臺(tái)。各部件的故障詳細(xì)情況如表1所示，可見(jiàn)葉片的平均排除故障耗時(shí)最長(zhǎng)，達(dá)到229.54 h，其次是齒輪箱和發(fā)電機(jī)，分別是 158.01 h和105.93 h。上述為國(guó)內(nèi)外陸地風(fēng)電機(jī)組的故障統(tǒng)計(jì)情況，統(tǒng)計(jì)結(jié)論基本相似：平均故障排除時(shí)間少的部件對(duì)應(yīng)故障率較高，相反，故障率較低的部件對(duì)應(yīng)的平均故障排除時(shí)間長(zhǎng)。但值得注意的是，上述的統(tǒng)計(jì)分析結(jié)果僅來(lái)自于陸地風(fēng)電場(chǎng)的情況，隨著海上風(fēng)電機(jī)組安裝與并網(wǎng)運(yùn)行，故障率高的關(guān)鍵部件，如變流器、變槳系統(tǒng)等電氣控制系統(tǒng)，由于海上復(fù)雜運(yùn)行環(huán)境和高難度的維修狀況也必將花費(fèi)較長(zhǎng)的檢修時(shí)間或更多的故障排除時(shí)間。因此，對(duì)于大功率風(fēng)電機(jī)組的狀態(tài)監(jiān)測(cè)而言，不僅需要關(guān)注機(jī)械系統(tǒng)的關(guān)鍵部件，故障率高的電氣系統(tǒng)同樣也要引起高度重視。

圖1 風(fēng)電機(jī)組關(guān)鍵部件故障率與平均故障排除時(shí)間Fig.1 Fault rate and average fault removal time for key wind turbine unit components

表1 風(fēng)電機(jī)組關(guān)鍵部件故障詳細(xì)情況Table1 Detailed fault information of key wind turbine unit components

2 風(fēng)電機(jī)組整機(jī)綜合狀態(tài)評(píng)估與故障預(yù)測(cè)

風(fēng)電機(jī)組一般要求服役20 a，風(fēng)電運(yùn)營(yíng)商或者電網(wǎng)調(diào)度部門更多關(guān)心的是整機(jī)安全性、運(yùn)行可靠性、發(fā)電能力、運(yùn)行狀態(tài)變化趨勢(shì)及服役剩余時(shí)間等指標(biāo)，因此，有必要開(kāi)展整機(jī)的綜合狀態(tài)監(jiān)測(cè)方法研究。目前，關(guān)于整機(jī)的狀態(tài)方法研究大多是在風(fēng)電機(jī)組數(shù)據(jù)采集與監(jiān)視控制（SCADA）系統(tǒng)的運(yùn)行數(shù)據(jù)基礎(chǔ)上開(kāi)展，本文對(duì)現(xiàn)有研究情況分類，從基于統(tǒng)計(jì)分析和多參數(shù)融合整機(jī)狀態(tài)評(píng)估，及其故障預(yù)測(cè)3個(gè)方向分別進(jìn)行綜述。

2.1 基于統(tǒng)計(jì)分析的風(fēng)電機(jī)組綜合狀態(tài)監(jiān)測(cè)與評(píng)估

圖2 利用Bin方法得到的功率曲線及其標(biāo)準(zhǔn)差Fig.2 Power curve and standard deviation obtained by Bin method

利用統(tǒng)計(jì)分析方法，通過(guò)分析大量的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)的各類特征量（功率、風(fēng)速、轉(zhuǎn)速、溫度、振動(dòng)等）離線運(yùn)行數(shù)據(jù)，提取某些有規(guī)律的指標(biāo)，與出廠設(shè)計(jì)標(biāo)準(zhǔn)值進(jìn)行對(duì)比，或通過(guò)多個(gè)機(jī)組之間的比較，達(dá)到對(duì)風(fēng)電機(jī)組整機(jī)狀態(tài)監(jiān)測(cè)的目的。目前，對(duì)功率運(yùn)行數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析研究較多，文獻(xiàn)［5］中2臺(tái)1.5 MW風(fēng)電機(jī)組功率曲線如圖2所示，它是通過(guò)獲取反映機(jī)組運(yùn)行性能的實(shí)測(cè)風(fēng)速、功率等數(shù)據(jù)，采用Bin方法對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)處理后獲得2臺(tái)機(jī)組的功率曲線。通過(guò)2臺(tái)機(jī)組的功率曲線、風(fēng)能利用曲線及其標(biāo)準(zhǔn)差值，對(duì)機(jī)組的運(yùn)行性能進(jìn)行了對(duì)比分析和評(píng)估。圖2（b）所示機(jī)組2的實(shí)際功率曲線在低于額定風(fēng)速以下區(qū)間內(nèi)要比圖2（a）機(jī)組1的低一些，而且在高于額定風(fēng)速時(shí)，有部分Bin區(qū)間內(nèi)功率的標(biāo)準(zhǔn)差偏大，運(yùn)行狀態(tài)不太穩(wěn)定。據(jù)此可以判斷圖2（a）對(duì)應(yīng)機(jī)組1的性能優(yōu)于圖2（b）對(duì)應(yīng)的機(jī)組2的性能。另外，文獻(xiàn)［6］基于Copula函數(shù)建立了風(fēng)電機(jī)組功率曲線的概率模型，利用SCADA系統(tǒng)運(yùn)行數(shù)據(jù)，實(shí)例結(jié)果表明，可對(duì)風(fēng)電機(jī)組的葉片退化、偏航和變槳系統(tǒng)的早期故障征兆進(jìn)行有效監(jiān)測(cè)。文獻(xiàn)［7］采用霍特林T2統(tǒng)計(jì)方法，對(duì)機(jī)組的有功功率運(yùn)行數(shù)據(jù)進(jìn)行分析，來(lái)識(shí)別整機(jī)的運(yùn)行狀態(tài)。上述研究是通過(guò)對(duì)功率信息進(jìn)行統(tǒng)計(jì)分析來(lái)實(shí)現(xiàn)整機(jī)的狀態(tài)監(jiān)測(cè)，能否采用其他特征量的統(tǒng)計(jì)結(jié)果來(lái)更好地表征整個(gè)風(fēng)電機(jī)組的運(yùn)行狀態(tài)，值得深入探索研究。

2.2 基于多參數(shù)融合的風(fēng)電機(jī)組綜合狀態(tài)監(jiān)測(cè)與評(píng)估

在該研究方向，大多數(shù)研究是在風(fēng)電SCADA系統(tǒng)運(yùn)行數(shù)據(jù)基礎(chǔ)上進(jìn)行開(kāi)展的。風(fēng)電機(jī)組SCADA系統(tǒng)中包括的物理特征量有：角度、壓力、溫度、速度、機(jī)艙振動(dòng)、電氣等，通過(guò)分析這些運(yùn)行數(shù)據(jù)，可以反映整機(jī)的運(yùn)行狀態(tài)［8］。目前，關(guān)于風(fēng)電機(jī)組多參數(shù)融合的狀態(tài)監(jiān)測(cè)和評(píng)估方法，包括人工神經(jīng)網(wǎng)絡(luò)［9-10］、高斯混合模型參數(shù)估計(jì)［1］、物元分析［11］、模糊綜合評(píng)判［12-15］等。其中，由于模糊綜合評(píng)判方法不需要過(guò)多依賴試驗(yàn)數(shù)據(jù)的分析，文獻(xiàn)［14］利用模糊數(shù)學(xué)理論從技術(shù)經(jīng)濟(jì)指標(biāo)、功能設(shè)置、可靠性和維修性這4個(gè)指標(biāo)綜合評(píng)判了風(fēng)電機(jī)組的設(shè)計(jì)性能，但難以有效地反映機(jī)組實(shí)時(shí)運(yùn)行狀態(tài)。文獻(xiàn)［14-15］在應(yīng)用模糊綜合評(píng)判時(shí)指出各評(píng)判指標(biāo)賦予權(quán)重是建模的關(guān)鍵，而傳統(tǒng)的變權(quán)理論在2項(xiàng)或多項(xiàng)指標(biāo)發(fā)生嚴(yán)重偏離時(shí)，不能較好地實(shí)現(xiàn)對(duì)各評(píng)判指標(biāo)的權(quán)重進(jìn)行賦值。文獻(xiàn)［15］雖然采用了層次分析法對(duì)評(píng)判指標(biāo)賦予常權(quán)值，但是常權(quán)值的選取不能準(zhǔn)確有效地反映機(jī)組運(yùn)行狀態(tài)。文獻(xiàn)［12］針對(duì)子項(xiàng)目層中存在多項(xiàng)評(píng)判指標(biāo)同時(shí)發(fā)生嚴(yán)重偏離的情況，引入劣化度指標(biāo)，建立模糊綜合評(píng)判的流程圖，如圖3所示。按照?qǐng)D3的評(píng)估流程，通過(guò)劣化度對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行量化，結(jié)合層次分析法確定權(quán)重，采用模糊綜合評(píng)判方法，構(gòu)建風(fēng)電機(jī)組在線狀態(tài)評(píng)估方法，并基于某850 kW風(fēng)電機(jī)組在線監(jiān)測(cè)數(shù)據(jù)，驗(yàn)證了所建的風(fēng)電機(jī)組運(yùn)行狀態(tài)評(píng)估方法是有效的。文獻(xiàn)［13］在文獻(xiàn)［12］的基礎(chǔ)上，考慮了影響評(píng)估指標(biāo)的劣化度g的因素，提出了風(fēng)電機(jī)組運(yùn)行狀態(tài)評(píng)估的改進(jìn)模型。模糊綜合評(píng)判方法是根據(jù)評(píng)估指標(biāo)對(duì)評(píng)估對(duì)象本身存在的性態(tài)或類屬上的亦此亦彼性，從數(shù)量上對(duì)其所屬程度給予刻畫(huà)和描述。物元分析理論不僅能從數(shù)量上反映被評(píng)估對(duì)象存在狀態(tài)的所屬程度，而且能從數(shù)量上刻劃何時(shí)為此性態(tài)與彼性態(tài)的分界［16］。文獻(xiàn)［11］提出應(yīng)用物元分析理論的關(guān)聯(lián)函數(shù)來(lái)計(jì)算各評(píng)估指標(biāo)潛在的優(yōu)劣程度，結(jié)合可拓集合中的關(guān)聯(lián)函數(shù)，建立了風(fēng)電機(jī)組運(yùn)行狀態(tài)的物元評(píng)估模型。

圖3 模糊綜合評(píng)判的流程圖Fig.3 Flowchart of fuzzy synthetic evaluation

2.3 風(fēng)電機(jī)組的故障預(yù)測(cè)方法

故障預(yù)測(cè)是指根據(jù)系統(tǒng)現(xiàn)在或歷史性能狀態(tài)預(yù)測(cè)性地診斷部件或系統(tǒng)完成其功能的狀態(tài)（未來(lái)的健康狀態(tài)），包括確定部件或者系統(tǒng)的剩余壽命或正常工作時(shí)間。故障預(yù)測(cè)的3種方法為：基于模型的方法、基于統(tǒng)計(jì)可靠性的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法［17］。目前，基于模型的風(fēng)電機(jī)組故障預(yù)測(cè)研究方向比較鮮見(jiàn)，而另外2個(gè)研究方向已出現(xiàn)在相關(guān)文獻(xiàn)中。

a.基于統(tǒng)計(jì)可靠性的風(fēng)電機(jī)組故障預(yù)測(cè)研究。目前，關(guān)于已出質(zhì)保期或服役了較長(zhǎng)時(shí)間的風(fēng)電機(jī)組，其運(yùn)行性能下降和各部件劣化度增加，導(dǎo)致可靠度不斷降低和平均故障間隔時(shí)間MTBF（Mean Time Between Failures）逐漸縮短，對(duì)于上述方面的故障預(yù)測(cè)研究比較少見(jiàn)。而對(duì)試運(yùn)行期間風(fēng)電機(jī)組MTBF的預(yù)測(cè)已有少量文獻(xiàn)報(bào)道，一般是在假設(shè)風(fēng)電機(jī)組可靠性服從某種分布（如Weibull、非齊次泊松等分布）的基礎(chǔ)上開(kāi)展研究，如文獻(xiàn)［18-19］對(duì)試運(yùn)行期間風(fēng)電機(jī)組MTBF進(jìn)行預(yù)測(cè)。其中，文獻(xiàn)［18］提出了一種利用多臺(tái)機(jī)組運(yùn)行信息的MTBF估計(jì)方法，其基本思路是：根據(jù)風(fēng)電機(jī)組安裝及其故障數(shù)據(jù)的特點(diǎn)，構(gòu)造具有相同配置的多臺(tái)故障停機(jī)的隨機(jī)截尾數(shù)據(jù)，對(duì)機(jī)組的可靠度進(jìn)行Kaplan-Meier非參數(shù)估計(jì)；基于這種初步估計(jì)結(jié)果，再進(jìn)行二參數(shù)Weibull分布擬合，并根據(jù)Weibull分布的性質(zhì)計(jì)算得到機(jī)組的MTBF，通過(guò)實(shí)例驗(yàn)證表明，試運(yùn)行期間機(jī)組的MTBF不斷增長(zhǎng)。文獻(xiàn)［19］提出了基于廣義伽瑪分布的系統(tǒng)可靠性增長(zhǎng)預(yù)測(cè)方法。根據(jù)隨機(jī)過(guò)程和可靠性增長(zhǎng)預(yù)測(cè)理論，闡明風(fēng)電機(jī)組試運(yùn)行過(guò)程中伴隨維修的故障次數(shù)遵從非齊次泊松過(guò)程的規(guī)律，分析了機(jī)組未來(lái)故障時(shí)間分布，預(yù)測(cè)機(jī)組未來(lái)故障時(shí)間及故障時(shí)刻MTBF的點(diǎn)估計(jì)及區(qū)間估計(jì)。并以表2中的4臺(tái)風(fēng)電機(jī)組40 次運(yùn)行故障數(shù)據(jù)為例，其中，tij（i=1，2，3，4）為第 i臺(tái)機(jī)組第j次被觀測(cè)到的故障時(shí)間。按照上述預(yù)測(cè)方法，在給定置信度為0.8時(shí)，預(yù)測(cè)的第41次故障時(shí)間預(yù)測(cè)的點(diǎn)估計(jì)為1704.44 h，與事后觀測(cè)到故障時(shí)間1733 h相比，相對(duì)誤差為1.6%。上述研究在縮短機(jī)組試運(yùn)行時(shí)間、保證交付用戶時(shí)機(jī)組滿足可靠性指標(biāo)等方面起到重要的作用。

表2 風(fēng)電機(jī)組試運(yùn)行故障數(shù)據(jù)Table 2 Fault data of trial operation of wind turbine unit

b.基于數(shù)據(jù)驅(qū)動(dòng)的風(fēng)電機(jī)組故障預(yù)測(cè)研究。在該部分的研究多集中利用SCADA數(shù)據(jù)對(duì)風(fēng)電機(jī)組關(guān)鍵部件（如齒輪箱［20-23］、發(fā)電機(jī)［24］、主軸［25］等）開(kāi)展故障預(yù)測(cè)研究，現(xiàn)有的故障預(yù)測(cè)方法有支持向量機(jī)［20］、ARMA 方法［23-24］、多元線性回歸方法［25］、人工神經(jīng)網(wǎng)絡(luò)［21，26］等方法。大多數(shù)研究的基本思路是通過(guò)殘差趨勢(shì)分布來(lái)實(shí)現(xiàn)故障預(yù)測(cè)，如圖4所示的故障預(yù)測(cè)框架，將SCADA的監(jiān)測(cè)數(shù)據(jù)作為預(yù)測(cè)模型的輸入，通過(guò)所建立如人工神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)的預(yù)測(cè)模型獲得預(yù)測(cè)值，進(jìn)而將實(shí)際監(jiān)測(cè)值與預(yù)測(cè)值結(jié)合求取殘差，結(jié)合利用事先通過(guò)專家經(jīng)驗(yàn)或正態(tài)分布等方法確定的殘差閾值，通過(guò)檢測(cè)是否超過(guò)閾值或通過(guò)殘差趨勢(shì)分析實(shí)現(xiàn)對(duì)故障預(yù)測(cè)。另外，現(xiàn)有對(duì)整機(jī)故障預(yù)測(cè)方面多是基于SCADA監(jiān)測(cè)數(shù)據(jù)信息開(kāi)展研究，如文獻(xiàn)［27］充分考慮風(fēng)電機(jī)組各部件或子系統(tǒng)之間的相互作用和耦合關(guān)系，利用SCADA歷史運(yùn)行數(shù)據(jù)中的連續(xù)量監(jiān)測(cè)數(shù)據(jù)，建立了風(fēng)電機(jī)組有功功率的支持向量回歸模型。該模型與SCADA報(bào)警系統(tǒng)相配合，組成了魯棒性更強(qiáng)的風(fēng)電機(jī)組整體的評(píng)估方法。該方法通過(guò)觀察有功功率預(yù)測(cè)值與實(shí)際值的殘差的變化趨勢(shì)監(jiān)測(cè)風(fēng)電機(jī)組的運(yùn)行狀況。通過(guò)實(shí)例分析，如圖5所示，對(duì)比了故障前有功功率的預(yù)測(cè)值與實(shí)際值，發(fā)現(xiàn)在故障發(fā)生前25 min殘差嚴(yán)重超過(guò)閾值進(jìn)而給出“風(fēng)電機(jī)組已發(fā)生故障”的報(bào)警信號(hào)。文獻(xiàn)［1］還采用工況辨識(shí)實(shí)現(xiàn)運(yùn)行工況空間的劃分。建立基于高斯混合模型（GMM）多狀態(tài)特征融合的健康狀態(tài)評(píng)價(jià)模型。采用健康衰退指數(shù)（HDI）作為表征整機(jī)健康狀態(tài)的評(píng)價(jià)指標(biāo)。圖6所示為采用某1.5 MW風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)驗(yàn)證得傳動(dòng)系統(tǒng)故障前整機(jī)的健康狀態(tài)漸進(jìn)變化情況，從圖6（b）的采用基于工況辨識(shí)的GMM可知：與圖6（a）相比，故障前HDI有較明顯的增大趨勢(shì)，可以用于實(shí)現(xiàn)故障的早期預(yù)報(bào)。

圖4 基于數(shù)據(jù)驅(qū)動(dòng)的風(fēng)電機(jī)組部件故障預(yù)測(cè)框架Fig.4 Framework of data-driven fault forecasting for wind turbine unit components

圖5 故障前40 min的樣本預(yù)測(cè)值與實(shí)際值對(duì)比Fig.5 Comparison between predicted and actual samples for 40 minutes before fault

圖6 多狀態(tài)特征參數(shù)建模的健康狀態(tài)評(píng)價(jià)結(jié)果Fig.6 Results of health condition evaluation by multi-status characteristic parameter modeling

3 風(fēng)電機(jī)組關(guān)鍵部件的在線故障診斷

風(fēng)電機(jī)組是由多個(gè)部件組成，開(kāi)展對(duì)其關(guān)鍵部件在線狀態(tài)監(jiān)測(cè)和故障診斷的研究，可及時(shí)識(shí)別故障征兆、實(shí)時(shí)掌握故障漸變發(fā)展程度和節(jié)省故障排查時(shí)間，為優(yōu)化運(yùn)維檢修策略進(jìn)而提高整機(jī)的運(yùn)行可靠性具有重要的學(xué)術(shù)意義和工程實(shí)用價(jià)值。本節(jié)對(duì)風(fēng)電機(jī)組的葉輪、齒輪箱、發(fā)電機(jī)、變流器和變槳系統(tǒng)5個(gè)關(guān)鍵部件的在線故障診斷研究現(xiàn)狀進(jìn)行綜述。

3.1 葉輪

葉輪是捕捉風(fēng)能關(guān)鍵部件，包括葉片和輪轂。目前，對(duì)葉片老化和損壞、葉輪不平衡故障的研究較多，現(xiàn)有的在線狀態(tài)監(jiān)測(cè)和故障診斷方法現(xiàn)多處在實(shí)驗(yàn)室模擬仿真階段，在實(shí)際應(yīng)用中比較鮮見(jiàn)。

a.葉片老化和損壞。葉片運(yùn)行環(huán)境惡劣，酸雨、冰凍等侵蝕以及葉片旋轉(zhuǎn)時(shí)變化的沖擊力破壞，引起葉片裂紋甚至破裂。關(guān)于葉片動(dòng)態(tài)無(wú)損在線監(jiān)測(cè)技術(shù)有聲發(fā)射、超聲波、光纖光柵和振動(dòng)分析等技術(shù)。相比超聲波和光纖光柵技術(shù)，聲發(fā)射可獲得葉片上較為全面的缺陷信息，具有相對(duì)較高的靈敏度和分辨率，能夠準(zhǔn)確監(jiān)測(cè)到薄弱區(qū)位置［28］。 文獻(xiàn)［29］針對(duì)葉片初始裂紋特征難以提取的問(wèn)題，提出了一種逐步提取并消減噪聲源信號(hào)從而獲得微弱裂紋故障特征的盲提取方法。該方法可提取初始萌生裂紋的聲發(fā)射信號(hào)特征，但不適用于裂紋再擴(kuò)展信號(hào)特征的提取。文獻(xiàn)［30］通過(guò)對(duì)葉片的裂紋萌生和裂紋再擴(kuò)展這2種裂紋進(jìn)行實(shí)驗(yàn)研究。針對(duì)因聲發(fā)射信號(hào)中存在裂紋故障特征與噪聲特征相混疊，造成這2種裂紋很難區(qū)分的問(wèn)題，應(yīng)用所提出的優(yōu)化小波重分配尺度譜分析方法，用于識(shí)別和區(qū)分裂紋再擴(kuò)展和裂紋萌生信號(hào)特征。

b.葉輪不平衡故障。隨著單機(jī)容量不斷增大，葉輪直徑越來(lái)越長(zhǎng)，風(fēng)力機(jī)的柔性也越強(qiáng)，尤其在北方冬季，葉片結(jié)冰使得葉輪不平衡造成整體結(jié)構(gòu)振動(dòng)進(jìn)一步加大，將在傳動(dòng)鏈部件產(chǎn)生疲勞應(yīng)力，嚴(yán)重影響機(jī)組壽命?，F(xiàn)有大多數(shù)研究是從發(fā)電機(jī)的電氣信號(hào)中提取故障特征，文獻(xiàn)［31-32］利用發(fā)電機(jī)的功率來(lái)檢測(cè)葉輪不平衡故障。文獻(xiàn)［32］理論上推導(dǎo)葉輪不平衡故障對(duì)功率的影響，建立了包含葉輪、傳動(dòng)鏈與發(fā)電機(jī)的風(fēng)力機(jī)仿真模型，仿真得到有功功率及其頻譜分析結(jié)果如圖7所示，葉輪旋轉(zhuǎn)的一倍頻分量即為故障特征頻率，隨著不平衡質(zhì)量的增大而幅值增大。上述為現(xiàn)有葉輪狀態(tài)監(jiān)測(cè)和故障診斷的初步研究進(jìn)展情況，考慮到風(fēng)電機(jī)組葉輪體積龐大，且在高空變速運(yùn)行，面臨著惡劣運(yùn)行環(huán)境和各種不確定干擾因素，應(yīng)重點(diǎn)深入開(kāi)展準(zhǔn)確有效的葉輪異常特征提取方法研究。

圖7 3種狀態(tài)下電功率頻譜Fig.7 Frequency spectrum of active power for three conditions

3.2 齒輪箱

關(guān)于齒輪箱在線監(jiān)測(cè)和故障診斷的研究較多，除離線檢測(cè)的油液分析方法外，在線的分析方法主要包括：振動(dòng)分析、溫度分析和電氣分析。

a.振動(dòng)分析。通常從振動(dòng)特征量的時(shí)域和頻域中提取齒輪箱的故障特征。文獻(xiàn)［33］采用時(shí)域信號(hào)統(tǒng)計(jì)指標(biāo)對(duì)齒輪箱的振動(dòng)特征量信息進(jìn)行初步處理，并采用FFT和功率譜分析方法實(shí)現(xiàn)對(duì)故障類型定位。文獻(xiàn)［34］應(yīng)用小波變換理論，對(duì)齒輪箱的聯(lián)軸器以及高、中、低速軸的振動(dòng)信號(hào)進(jìn)行分析，得到比傳統(tǒng)時(shí)域和頻域分析方法更好的監(jiān)測(cè)結(jié)果。文獻(xiàn)［35］通過(guò)對(duì)齒輪箱振動(dòng)測(cè)試和分析，從時(shí)域和頻域角度出發(fā)分析齒輪箱損壞時(shí)呈現(xiàn)的特性。文獻(xiàn)［36］提出了利用譜峭度診斷行星齒輪箱故障的方法，利用譜峭度可有效分析出信號(hào)中的沖擊成分。文獻(xiàn)［37］將小波神經(jīng)網(wǎng)絡(luò)應(yīng)用到齒輪箱的故障診斷。目前，現(xiàn)有的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)系統(tǒng)產(chǎn)品也大多以振動(dòng)特征量分析為主，采用數(shù)據(jù)離線分析和專家輔助分析方式，獲取得到齒輪箱軸承和齒輪的狀態(tài)監(jiān)測(cè)和故障診斷結(jié)果。但是，振動(dòng)分析對(duì)于低頻信號(hào)具有一定的局限性，且在齒輪箱本體上安裝傳感器獲取振動(dòng)信號(hào)需增加投資和維護(hù)費(fèi)用。

b.溫度分析。溫度特征量在一定程度上反映齒輪箱的運(yùn)行狀態(tài)［38］。 文獻(xiàn)［39-40］建立齒輪箱正常工作狀態(tài)下的溫度模型并用其進(jìn)行溫度預(yù)測(cè)，應(yīng)用滑動(dòng)窗口方法實(shí)時(shí)計(jì)算殘差的統(tǒng)計(jì)分布特性，當(dāng)殘差的均值或標(biāo)準(zhǔn)差的置信區(qū)間超出預(yù)先設(shè)定的閾值時(shí)，發(fā)出報(bào)警信息。其中，文獻(xiàn)［40］采用溫度趨勢(shì)分析方法對(duì)齒輪箱的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)。利用非線性狀態(tài)估計(jì)方法建立齒輪箱正常工作狀態(tài)下的溫度模型并用其進(jìn)行溫度預(yù)測(cè)。通過(guò)模擬齒輪箱的故障情況，在SCADA監(jiān)測(cè)數(shù)據(jù)中加入溫度偏移來(lái)模擬故障，分析結(jié)果如圖8所示，均值曲線的95%置信區(qū)間的上限在第451個(gè)滑動(dòng)窗口超出了預(yù)先設(shè)定的均值閾值，在第551點(diǎn)處，監(jiān)測(cè)出齒輪箱溫度的異常變化情況。然而，由于溫度具有熱慣性特性，變化緩慢，易受到外界環(huán)境因素影響，采用固定閾值時(shí)，當(dāng)發(fā)出預(yù)警信號(hào)時(shí)，部件已經(jīng)嚴(yán)重劣化，故障可能即將發(fā)生，難以起到早期故障診斷的作用。因此，有必要研究多種工況下的溫度特征量動(dòng)態(tài)閾值確定方法。

c.電氣分析。從發(fā)電機(jī)中電氣信號(hào)的時(shí)域和頻域中提取故障特征信息來(lái)實(shí)現(xiàn)齒輪箱的故障診斷。文獻(xiàn)［41］搭建了同步風(fēng)電機(jī)組傳動(dòng)鏈的狀態(tài)監(jiān)測(cè)和故障診斷試驗(yàn)平臺(tái)，通過(guò)設(shè)置各類故障，應(yīng)用小波變換方法，將提取的電氣、機(jī)械監(jiān)測(cè)信息中的信號(hào)特征進(jìn)行對(duì)比分析，結(jié)果表明，可利用解調(diào)的電流或功率信號(hào)特征監(jiān)測(cè)和診斷齒輪斷齒故障。文獻(xiàn)［42］針對(duì)多級(jí)齒輪箱，通過(guò)解調(diào)異步發(fā)電機(jī)的電流信號(hào)來(lái)診斷齒輪箱故障。通過(guò)搭建實(shí)驗(yàn)室的風(fēng)電機(jī)組模型，模擬輸出端在斷齒故障情況，觀察功率信號(hào)的頻譜變化情況，圖9為實(shí)驗(yàn)用齒輪箱詳細(xì)的頻率分布，可見(jiàn)齒輪箱輸出端的轉(zhuǎn)頻f3為21 Hz。采用離散小波變換，輸出端斷齒前后的定子電流頻譜分析，如圖10所示，可見(jiàn)相比齒輪箱斷齒前f3的幅值附近，斷齒后f3的幅值附近陡峭度比較大。相比其他信號(hào)，電氣特征量的采集不需要另行加裝傳感器，不會(huì)影響到機(jī)組的完整性。但是風(fēng)電機(jī)組運(yùn)行環(huán)境復(fù)雜，干擾源較多，還可能存在多部件異常特征交叉重疊發(fā)生，需考慮實(shí)際運(yùn)行環(huán)境，深入研究基于電氣特征量的齒輪箱狀態(tài)特征提取算法。

圖8 溫度偏移后的殘差滑動(dòng)窗口統(tǒng)計(jì)特性Fig.8 Moving window statistics of residual error after temperature drift

d.油液分析。齒輪嚙合在非正常的磨損狀態(tài)出現(xiàn)，會(huì)瞬間產(chǎn)生巨大磨損顆粒，或磨損率上升導(dǎo)致磨損顆粒數(shù)量顯著增加。油液分析被認(rèn)為是實(shí)現(xiàn)齒輪箱狀態(tài)監(jiān)測(cè)和故障診斷最有效的技術(shù)之一［43］，包括紅外光譜技術(shù)、鐵譜技術(shù)、顆粒分析技術(shù)、氣相色譜技術(shù)等，通過(guò)提取油液中各項(xiàng)監(jiān)測(cè)指標(biāo)，包括運(yùn)動(dòng)粘度、PQ鐵譜、酸值、水分等，監(jiān)測(cè)和分析油液中各類監(jiān)測(cè)指標(biāo)變化情況，實(shí)現(xiàn)齒輪箱異常檢測(cè)。目前，我國(guó)許多機(jī)構(gòu)先后建立了油液監(jiān)測(cè)實(shí)驗(yàn)室，但是因受限于監(jiān)測(cè)硬件（傳感器）設(shè)計(jì)和制造技術(shù)，存在測(cè)量誤差較大、精度低因素，還沒(méi)有在實(shí)際中實(shí)現(xiàn)在線油液監(jiān)測(cè)。

圖9 齒輪箱詳細(xì)的頻率分布Fig.9 Detailed frequency distribution of gearbox

圖10 電流信號(hào)的振幅解調(diào)頻譜Fig.10 Spectra of amplitude-demodulated current signal

3.3 發(fā)電機(jī)

關(guān)于發(fā)電機(jī)的故障診斷研究，大多是通過(guò)在線監(jiān)測(cè)定子電流、轉(zhuǎn)子電流、有功功率變化情況，對(duì)匝間短路、單相或多相短路、軸承損壞、轉(zhuǎn)子偏心等進(jìn)行故障診斷。文獻(xiàn)［44］從轉(zhuǎn)子電流和電壓中提取出諧波成分來(lái)監(jiān)測(cè)匝間短路情況。但當(dāng)匝間短路程度較為微弱時(shí)，難以提取其諧波成分。文獻(xiàn)［45］提出當(dāng)定子繞組發(fā)生輕微匝間短路時(shí)，三相定子電流的時(shí)域波形變化比較微小，而三相電流Park矢量軌跡隨著故障變化，可以得到正常及匝間故障情況下的Park矢量軌跡，如圖11所示，與正常情況相比，在3匝短路情況下，Park矢量軌跡的橢圓環(huán)寬度和傾斜角度相對(duì)較大，可以以此故障特征來(lái)確定是否短路并估計(jì)匝間短路的嚴(yán)重程度。文獻(xiàn)［46］利用發(fā)電機(jī)的電流、磁密、溫度及振動(dòng)特征量運(yùn)行數(shù)據(jù)，分別采用BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)（PNN）對(duì)短路故障進(jìn)行故障診斷，采用PNN的診斷模型見(jiàn)圖12，結(jié)果表明：PNN對(duì)于故障診斷有較強(qiáng)的容錯(cuò)能力，可進(jìn)行結(jié)構(gòu)自適應(yīng)調(diào)整，能夠根據(jù)信號(hào)來(lái)綜合判斷短路故障究竟屬于單一還是復(fù)合型故障。另外，關(guān)于軸承損壞和轉(zhuǎn)子偏心監(jiān)測(cè)，文獻(xiàn)［47］認(rèn)為發(fā)電機(jī)軸承損壞或變形，將引起轉(zhuǎn)子偏心和振動(dòng)，進(jìn)而引起氣隙改變，在定子繞組內(nèi)感生出相應(yīng)的諧波電流，可通過(guò)對(duì)定子電流或功率信號(hào)分析處理來(lái)監(jiān)測(cè)軸承狀態(tài)。文獻(xiàn)［48］應(yīng)用連續(xù)小波變換提取發(fā)電機(jī)有功功率信息特征，用于轉(zhuǎn)子偏心或軸承狀態(tài)監(jiān)測(cè)和故障診斷。上述研究是基于電氣特征量分析來(lái)開(kāi)展研究，能否進(jìn)一步考慮從發(fā)電機(jī)之外的機(jī)械信號(hào)中提取發(fā)電機(jī)的故障特征，通過(guò)冗余校驗(yàn)等方法提高故障診斷的準(zhǔn)確性，值得探索研究。

圖11 實(shí)驗(yàn)測(cè)得雙饋電機(jī)的Park矢量軌跡Fig.11 Park vector trajectories of doubly-fed machine measured by experiment

圖12 基于PNN的發(fā)電機(jī)診斷模型Fig.12 Generator diagnosis model based on PNN

3.4 變流器和變槳系統(tǒng)

a.變流器。變流器作為電能回饋至電網(wǎng)的關(guān)鍵控制通道，是影響風(fēng)電機(jī)組及入網(wǎng)安全穩(wěn)定運(yùn)行的重要環(huán)節(jié)［49］?，F(xiàn)有文獻(xiàn)中多采用基于樣本訓(xùn)練的在線變流器的智能故障診斷方法，如文獻(xiàn)［50-51］對(duì)雙饋型風(fēng)電機(jī)組變頻器的故障進(jìn)行了分類，提出了采用基于波形直接分析的BP神經(jīng)網(wǎng)絡(luò)故障診斷方法，但計(jì)算復(fù)雜較難實(shí)現(xiàn)。文獻(xiàn)［52］選擇風(fēng)電變流器故障電流，處理后作為小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本和檢測(cè)樣本，改進(jìn)算法的小波神經(jīng)網(wǎng)絡(luò)可以克服傳統(tǒng)故障檢測(cè)方法在發(fā)電機(jī)同步運(yùn)行時(shí)出現(xiàn)故障后誤報(bào)的問(wèn)題，且提高了在亞同步和超同步時(shí)發(fā)生故障時(shí)的診斷精度。上述研究主要側(cè)重于風(fēng)電變流器的故障診斷，然而，由于風(fēng)速的不確定性，風(fēng)電變流器運(yùn)行的可靠性受機(jī)側(cè)變流器低頻運(yùn)行和風(fēng)速隨機(jī)波動(dòng)影響較為嚴(yán)重，變流器輸出功率變化很大，使得功率器件運(yùn)行在不同載荷水平下，可能導(dǎo)致器件結(jié)溫的變化，功率器件會(huì)承受長(zhǎng)期、頻繁的不均衡電熱應(yīng)力，造成疲勞累積，導(dǎo)致焊料開(kāi)裂、焊線脫落等故障現(xiàn)象發(fā)生。圖13所示為11 m/s的湍流風(fēng)速及雙饋風(fēng)電機(jī)組的機(jī)側(cè)變流器IGBT結(jié)溫變化情況［53］，可見(jiàn)IGBT功率器件在整個(gè)變流器壽命周期內(nèi)需要承受頻繁波動(dòng)且幅值為20°C的結(jié)溫?zé)嵫h(huán)，不可避免地將加快器件老化和失效速度，因此，基于疲勞、失效機(jī)理的風(fēng)電變流器的器件的在線狀態(tài)監(jiān)測(cè)應(yīng)該引起關(guān)注。目前關(guān)于功率器件的該領(lǐng)域研究比較少見(jiàn)，文獻(xiàn)［54］研究了IGBT功率循環(huán)前后其柵極閥電壓、跨導(dǎo)及通態(tài)壓降隨溫度變化的特性，實(shí)驗(yàn)表明：柵極閥電壓、跨導(dǎo)、導(dǎo)通壓降這3個(gè)電參數(shù)可作為IGBT模塊的狀態(tài)監(jiān)測(cè)特征參量。然而，由于其端部信號(hào)變化微弱以及可能的其他因素（如溫度）導(dǎo)致其變化，再加上測(cè)量工具固有的誤差，實(shí)際應(yīng)用中存在困難。

圖13 11 m/s的湍流風(fēng)速及機(jī)側(cè)變流器IGBT結(jié)溫Fig.13 Temperature of rotor-side IGBT junction at 11 m/s turbulent wind speed

b.變槳系統(tǒng)。關(guān)于變槳系統(tǒng)的故障診斷研究較少，變槳系統(tǒng)轉(zhuǎn)速極低，運(yùn)行不連續(xù)，負(fù)載隨機(jī)，對(duì)其在線狀態(tài)監(jiān)測(cè)可采用振動(dòng)分析或發(fā)電機(jī)的電流信號(hào)進(jìn)行分析［55］。另外，考慮基于單一參量的絕對(duì)閾值評(píng)估方法，可能導(dǎo)致現(xiàn)有變槳系統(tǒng)狀態(tài)監(jiān)測(cè)方法不能及時(shí)準(zhǔn)確地在線判斷其異常狀態(tài)的問(wèn)題，文獻(xiàn)［56］利用Relief方法挖掘出表征變槳系統(tǒng)狀態(tài)的主要特征量，并提出基于多參量距離的變槳系統(tǒng)狀態(tài)異常識(shí)別方法，異常識(shí)別流程如圖14所示。首先，通過(guò)機(jī)組SCADA系統(tǒng)的歷史監(jiān)測(cè)數(shù)據(jù)，基于Relief方法挖掘變槳系統(tǒng)特征參量向量F；然后，按照挖掘出的特征參量向量F選擇SCADA系統(tǒng)的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)作為F的測(cè)量值向量（記為AF），并實(shí)時(shí)計(jì)算出AF與相應(yīng)特征參量回歸模型輸出的觀測(cè)值向量（記為A′F）的距離（記為δ），從而根據(jù)此特征參量的距離是否超出其閾值（距離閾值記為τ）來(lái)識(shí)別變槳系統(tǒng)的異常狀態(tài)。其中，AF-1和A′F-1分別為歸一化處理后的特征參數(shù)向量的測(cè)量值向量和觀測(cè)值向量。最后，通過(guò)實(shí)例驗(yàn)證，在選取合適的距離閾值條件下，比單參數(shù)絕對(duì)閾值的評(píng)估方法更能準(zhǔn)確地識(shí)別其異常狀態(tài)，可在線識(shí)別出變槳系統(tǒng)的狀態(tài)異常情況。

圖14 基于多參量距離的變槳系統(tǒng)異常識(shí)別流程圖Fig.14 Flowchart of abnormality identification based on multiple parameter distances for electric pitch system

4 結(jié)語(yǔ)與展望

隨著大功率風(fēng)電機(jī)組安裝與并網(wǎng)運(yùn)行，對(duì)其運(yùn)行可靠性將提出更高的要求，必將促進(jìn)風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)進(jìn)一步發(fā)展。本文對(duì)風(fēng)電機(jī)組整機(jī)狀態(tài)評(píng)估和故障預(yù)測(cè)方法以及其關(guān)鍵部件故障診斷的研究現(xiàn)狀進(jìn)行綜述，綜合分析了現(xiàn)有的風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)研究現(xiàn)狀和存在的不足，提出以下研究要點(diǎn)及趨勢(shì)。

（1）對(duì)于地處偏遠(yuǎn)、交通不便的陸地風(fēng)電機(jī)組和受復(fù)雜運(yùn)行環(huán)境約束的海上風(fēng)電機(jī)組往往存在故障診斷難、維修時(shí)間長(zhǎng)等問(wèn)題。通過(guò)對(duì)風(fēng)電機(jī)組故障統(tǒng)計(jì)情況分析可知，除了對(duì)導(dǎo)致停機(jī)時(shí)間長(zhǎng)的機(jī)械系統(tǒng)等部件關(guān)注的同時(shí)，還應(yīng)對(duì)故障頻率高的電氣部件引起高度重視，如變流器、變槳系統(tǒng)等，對(duì)電氣系統(tǒng)的在線監(jiān)測(cè)和故障診斷技術(shù)研究可能是今后的發(fā)展趨勢(shì)之一。

（2）受隨機(jī)風(fēng)速大小和風(fēng)向隨機(jī)變化影響，風(fēng)電機(jī)組SCADA等監(jiān)測(cè)信息呈現(xiàn)出頻繁的波動(dòng)性和不確定性，基于數(shù)據(jù)挖掘的整機(jī)綜合狀態(tài)評(píng)估和故障預(yù)測(cè)可能是今后的研究趨勢(shì)。如，應(yīng)用數(shù)據(jù)挖掘技術(shù)，考慮原始運(yùn)行數(shù)據(jù)波動(dòng)性和間歇性，探索基于監(jiān)測(cè)數(shù)據(jù)的風(fēng)電機(jī)組整機(jī)運(yùn)行狀態(tài)漸變規(guī)律的新方法，制定出整機(jī)長(zhǎng)期和短期狀態(tài)趨勢(shì)變化的定量指標(biāo)。另外，還可以考慮監(jiān)測(cè)數(shù)據(jù)不同時(shí)間尺度固有特點(diǎn)，研究基于數(shù)據(jù)驅(qū)動(dòng)方法的整機(jī)故障預(yù)測(cè)方法，獲取整機(jī)的在線運(yùn)行狀態(tài)和剩余運(yùn)行時(shí)間。

（3）從風(fēng)電機(jī)組關(guān)鍵部件的故障診斷研究現(xiàn)狀分析情況可知，現(xiàn)有的方法各有優(yōu)缺點(diǎn)和局限性，如何準(zhǔn)確地從監(jiān)測(cè)數(shù)據(jù)中提取故障特征以提高故障診斷的精確度，研究多類故障診斷技術(shù)將可能是今后的研究熱點(diǎn)。近期可能的研究趨勢(shì)如下。

①基于電氣特征量的關(guān)鍵部件狀態(tài)監(jiān)測(cè)和故障診斷研究。風(fēng)電機(jī)組是一個(gè)機(jī)電耦合較強(qiáng)系統(tǒng)，任何機(jī)械和電氣故障勢(shì)必會(huì)在電氣特征量中有所反映，如當(dāng)齒輪箱齒輪、各部件的軸承損壞，發(fā)電機(jī)定子和轉(zhuǎn)子的匝間短路和相間短路等故障發(fā)生時(shí)，會(huì)不同程度地引起發(fā)電機(jī)轉(zhuǎn)軸振動(dòng)，進(jìn)一步改變氣隙分布情況，進(jìn)而將故障特征信息疊加在定子和轉(zhuǎn)子的電氣特征量上。如何基于電氣特征量，尋求各類故障的機(jī)理和演化規(guī)律，特別是揭示異常的根源，實(shí)現(xiàn)有效故障診斷需進(jìn)一步深入研究。

②多參數(shù)信息融合的關(guān)鍵部件狀態(tài)監(jiān)測(cè)和故障診斷研究。目前，單一參數(shù)信息含量有限或者故障特征提取較難，很難準(zhǔn)確反映關(guān)鍵部件的異常狀態(tài)，特別是早期的潛在故障?？煽紤]充分利用多類型參數(shù)信息，依據(jù)某種方法實(shí)現(xiàn)時(shí)空冗余和互補(bǔ)信息融合，獲取更為準(zhǔn)確關(guān)鍵部件狀態(tài)監(jiān)測(cè)和故障診斷結(jié)果，如行星輪的通過(guò)效應(yīng)或行星架和太陽(yáng)輪的旋轉(zhuǎn)對(duì)嚙合振動(dòng)產(chǎn)生額外的調(diào)幅作用，導(dǎo)致橫向振動(dòng)信號(hào)的頻譜結(jié)構(gòu)非常復(fù)雜，需借助于復(fù)雜的故障特征提取方法實(shí)現(xiàn)對(duì)故障頻率的提取，而扭轉(zhuǎn)振動(dòng)信號(hào)不受這些額外的調(diào)幅效應(yīng)影響，使得頻譜結(jié)構(gòu)更加簡(jiǎn)單，但是扭振振動(dòng)信號(hào)還可能受測(cè)量誤差和噪聲干擾等影響，提取的故障特征準(zhǔn)確性會(huì)受到影響。然而，對(duì)這2類特征量的監(jiān)測(cè)信息，采用基于信息融合的故障特征提取方法，可能會(huì)獲得更準(zhǔn)確的故障診斷結(jié)果。

③基于老化失效過(guò)程的關(guān)鍵部件狀態(tài)評(píng)估和故障預(yù)測(cè)研究。受隨機(jī)風(fēng)速大小和風(fēng)向隨機(jī)變化影響，電氣系統(tǒng)老化失效過(guò)程存在不確定性和難預(yù)測(cè)性，有必要開(kāi)展基于老化失效過(guò)程的電氣部件狀態(tài)評(píng)估和故障預(yù)測(cè)研究，如探索關(guān)鍵部件在運(yùn)行過(guò)程的不同階段的磨損、老化和失效過(guò)程的一般規(guī)律，研究關(guān)鍵部件狀態(tài)評(píng)估和故障預(yù)測(cè)方法，如變流器功率器件作為整個(gè)系統(tǒng)中故障發(fā)生率高且較為脆弱的部件之一，在掌握其不同運(yùn)行階段的磨損、老化和失效過(guò)程的一般規(guī)律基礎(chǔ)上，考慮變流器功率器件的應(yīng)力分布、疲勞積累，以及在非平穩(wěn)工況導(dǎo)致的功率器件結(jié)溫大幅度波動(dòng)等因素，從狀態(tài)監(jiān)測(cè)角度研究出適合功率器件在線狀態(tài)評(píng)估、運(yùn)行可靠性以及故障預(yù)測(cè)建模的新方法。

［1］董玉亮，李亞瓊，曹海斌，等.基于運(yùn)行工況辨識(shí)的風(fēng)電機(jī)組健康狀態(tài)實(shí)時(shí)評(píng)價(jià)方法［J］. 中國(guó)電機(jī)工程學(xué)報(bào)，2013，33（11）：88-95.DONG Yuliang，LI Yaqiong，CAO Haibin，et al.Real-time health condition evaluation on wind turbinesbased on operational condition recognition［J］.Proceedings of the CSEE，2013，33（11）：88-95.

［2］TCHAKOUAP，WAMKEUER，OUHROUCHEM，etal.Wind turbinecondition monitoring：state-of-the-artreview，new trends and future challenges［J］.Energies，2014，7（4）：2595-2630.

［3］CHEN Z，GUERRERO J M，BLAABJERG F，et al.A review of the state of the art of power electronics for wind turbines［J］.IEEE Trans on Power Electronics，2009，24（8）：1859-1875.

［4］HAHN B，DURSTEWITZ M，ROHRIG K.Reliability of wind turbines［M］.Berlin，Germany：Springer，2007：329-332.

［5］劉昊，柳亦兵，辛衛(wèi)東，等.基于運(yùn)行數(shù)據(jù)的風(fēng)力發(fā)電機(jī)組功率特性分析［J］. 電網(wǎng)與清潔能源，2009，25（7）：53-56.LIU Hao，LIU Yibing，XIN Weidong，et al.Wind turbine power performance based on the operation data［J］.Power System and Clean Energy，2009，25（7）：53-56.

［6］GILL S，STEPHEN B，GALLOWAY S.Wind turbine condition assessment through power curve Copula modeling［J］.IEEE Trans on Sustainable Energy，2012，3（1）：94-101.

［7］KUSIAK A，ANDRE W，ANOOP V.Monitoring wind farms with performance curves［J］.IEEE Transactions on Sustainable Energy，2013，4（1）：192-199.

［8］YANG W，COURT R，JIANG J.Wind turbine condition monitoring by the approach of SCADA data analysis［J］.Renewable Energy，2013，53：365-376.

［9］ZAHER A，MCARTHUR S D J，INFIELD D G.Online wind turbine fault detection through automated SCADA data analysis［J］.Wind Energy，2009，12（6）：574-593.

［10］LI Jian，LEI Xiao，LI Hui，et al.Normal behavior models for the condition assessment of wind turbine generator systems［J］.Electric Power Components and Systems，2014，42（11）：1201-1212.

［11］李輝，胡姚剛，楊超，等.并網(wǎng)風(fēng)電機(jī)組運(yùn)行狀態(tài)的物元評(píng)估方法［J］.電力系統(tǒng)自動(dòng)化，2011，35（6）：81-85.LIHui，HU Yaogang，YANG Chao，etal.A matter-element assessment method of a grid-connected wind turbine driven generator system under on-line operating conditions［J］.Automation of Electric Power Systems，2011，35（6）：81-85.

［12］李輝，胡姚剛，唐顯虎，等.并網(wǎng)風(fēng)電機(jī)組在線運(yùn)行狀態(tài)評(píng)估方法［J］. 中國(guó)電機(jī)工程學(xué)報(bào)，2010，30（33）：103-109.LI Hui，HU Yaogang，TANG Xianhu，et al.Method for on-line operating conditions assessmentfora grid-connected wind turbine generator system［J］.Proceedings of the CSEE，2010，30（33）：103-109.

［13］肖運(yùn)啟，王昆朋，賀貫舉，等.基于趨勢(shì)預(yù)測(cè)的大型風(fēng)電機(jī)組運(yùn)行狀態(tài)模糊綜合評(píng)價(jià)［J］. 中國(guó)電機(jī)工程學(xué)報(bào)，2014，34（13）：103-109.XIAO Yunqi，WANG Kunpeng，HE Guanju，et al.Fuzzy comprehensive evaluation foroperating condition oflarge-scale wind turbines based on trend predication［J］.Proceedings of the CSEE，2014，34（13）：103-109.

［14］王志國(guó)，馬一太，楊昭，等.風(fēng)力發(fā)電機(jī)組性能分析的模糊綜合評(píng)判方法［J］.太陽(yáng)能學(xué)報(bào)，2004，25（2）：177-181.WANG Zhiguo，MA Yitai，YANG Zhao，et al.Fuzzy comprehensive evaluation method of wind power generation unit［J］.Acta Energiae Solaris Sinica，2004，25（2）：177-181.

［15］郭建斌，聞源長(zhǎng).基于AHP方法的在役風(fēng)電機(jī)組安全檢測(cè)技術(shù)研究［J］.能源研究與利用，2008，4（4）：36-39.GUO Jianbin，WEN Yuanchang.The safety detect technique research of using wind set based on AHP method［J］.Energy Research and Utilization，2008，4（4）：36-39.

［16］熊浩，孫才新，杜鵬，等.基于物元理論的電力變壓器狀態(tài)綜合評(píng)估［J］.重慶大學(xué)學(xué)報(bào)，2006，29（10）：24-28.XIONG Hao，SUN Caixin，DU Peng，et al.Synthetic assessment of power transformer condition based on matter-element theory［J］.Journal of Chongqing University，2006，29（10）：24-28.

［17］彭宇，劉大同，彭喜元.故障預(yù)測(cè)與健康管理技術(shù)綜述［J］.電子測(cè)量與儀器學(xué)報(bào)，2010，24（1）：1-9.PENG Yu，LIU Datong，PENG Xiyuan.A review：prognostics and health management［J］.Journal of Electronic Measurement and Instrument，2010，24（1）：1-9.

［18］芮曉明，張穆勇，霍娟.試運(yùn)行期間風(fēng)電機(jī)組平均故障間隔時(shí)間的估計(jì)［J］. 中國(guó)電機(jī)工程學(xué)報(bào)，2014，34（21）：3475-3480.RUI Xiaoming，ZHANG Muyong，HUO Juan.An estimation method of wind turbines’mean time between failures during the trial operation period［J］.Proceedings of the CSEE，2014，34（21）：3475-3480.

［19］孫永全，郭建英，陳洪科，等.兆瓦級(jí)直驅(qū)風(fēng)力發(fā)電機(jī)組可靠性增長(zhǎng)預(yù)測(cè)［J］. 中國(guó)電機(jī)工程學(xué)報(bào)，2010，30（18）：67-71.SUN Yongquan，GUO Jianying，CHEN Hongke，et al.MW level direct-driven wind turbine reliability growth prediction［J］.Proceedings of the CSEE，2010，30（18）：67-71.

［20］趙洪山，胡慶春，李志為.基于統(tǒng)計(jì)過(guò)程控制的風(fēng)機(jī)齒輪箱故障預(yù)測(cè)［J］. 電力系統(tǒng)保護(hù)與控制，2012，40（13）：67-73.ZHAO Hongshan，HU Qingchun，LI Zhiwei.Failure prediction of wind turbine gearbox based on statistical process control［J］.Power System Protection and Control，2012，40（13）：67-73.

［21］馬玉峰.風(fēng)電機(jī)組齒輪箱故障趨勢(shì)預(yù)測(cè)方法研究［D］.保定：華北電力大學(xué)，2013.MA Yufeng.Research on fault trend prediction method wind turbine gearbox［D］.Baoding：North China Electric Power University，2013.

［22］馬濤.基于振動(dòng)信號(hào)的大型風(fēng)力發(fā)電機(jī)齒輪箱健康狀態(tài)預(yù)測(cè)研究［D］. 沈陽(yáng)：沈陽(yáng)工業(yè)大學(xué)，2013.MA Tao.Research on megawatt wind generator gearbox health state prediction based on vibration signal［D］.Shenyang：Shenyang University of Technology，2013.

［23］王斐斐.基于狀態(tài)監(jiān)測(cè)信息的風(fēng)電機(jī)組齒輪箱故障預(yù)測(cè)研究［D］. 保定：華北電力大學(xué)，2012.WANG Feifei.Research on wind turbine fault prediction based on monitoring information［D］.Baoding：North China Electric Power University，2012.

［24］吳建軍，楊俊華，楊夢(mèng)麗，等.風(fēng)力發(fā)電機(jī)狀態(tài)預(yù)測(cè)與故障診斷的研究［J］. 華東電力，2013，41（12）：2561-2566.WU Jianjun，YANG Junhua，YANG Mengli，et al.State prediction and fault diagnosis of wind turbines［J］.East China Electric Power，2013，41（12）：2561-2566.

［25］張小田，鄢盛騰，周雪青，等.基于狀態(tài)監(jiān)測(cè)的風(fēng)電機(jī)組主軸承早期故障預(yù)測(cè)方法［J］. 廣東電力，2012，25（11）：6-9，50.ZHANG Xiaotian，YAN Shengteng，ZHOU Xueqing，et al.Early stage failure forecast method for main bearing of wind turbine based on state monitoring［J］.Guangdong Electric Power，2012，25（11）：6-9，50.

［26］BANGALORE P，TJERNBERG L B.An approach for self-evolving neural network based algorithm for fault prognosis in wind turbine［C］∥2013 IEEE PowerTech（POWERTECH）.Grenoble，F(xiàn)rance：［s.n.］，2013：1-6.

［27］梁穎，方瑞明.基于SCADA和支持向量回歸的風(fēng)電機(jī)組狀態(tài)在線評(píng)估方法［J］. 電力系統(tǒng)自動(dòng)化，2013，37（14）：7-12.LIANG Ying，F(xiàn)ANG Ruiming.An online wind turbine condition assessment method based on SCADA and support vector regression［J］.Automation of Electric Power Systems，2013，37（14）：7-12.

［28］BEATTIE A G.Acoustic emission principals and instrumentation［J］.Journal of Acoustic Emission，1983（2）：95-128.

［29］周勃，陳長(zhǎng)征，趙新光，等.風(fēng)力機(jī)葉片蒙皮初始裂紋的盲信號(hào)提?。跩］. 儀器儀表學(xué)報(bào)，2012，33（7）：1483-1489.ZHOU Bo，CHEN Changzheng，ZHAO Xinguang，etal.Blind signal extraction for initial crack on blade skin of wind turbine［J］.Chinese Journal of Scientific Instrument，2012，33（7）：1483-1489.

［30］陳長(zhǎng)征，趙新光，周勃，等.風(fēng)電機(jī)組葉片裂紋故障特征提取方法［J］. 中國(guó)電機(jī)工程學(xué)報(bào)，2013，33（2）：112-117.CHEN Changzheng，ZHAO Xinguang，ZHOU Bo，et al.Study on extracting crack fault feature of wind turbine blades［J］.Proceedings of the CSEE，2013，33（2）：112-117.

［31］CASELITZ P，GIEBHARDT J.Rotor condition monitoring for improved operational safety of offshore wind energy converters［J］.Journal of Solar Energy Engineering，2005，127（2）：253-261.

［32］楊濤，任永，劉霞，等.風(fēng)力機(jī)葉輪質(zhì)量不平衡故障建模及仿真研究［J］.機(jī)械工程學(xué)報(bào)，2012，48（6）：130-135.YANG Tao，REN Yong，LIU Xia，et al.Research on the modeling and simulation of wind turbine rotor imbalance fault［J］.Journal of Mechanical Engineering，2012，48（6）：130-135.

［33］唐新安，謝志明，王哲，等.風(fēng)力發(fā)電機(jī)組齒輪箱振動(dòng)測(cè)試與分析［J］.電氣制造，2010（11）：72-74.TANG Xin’an，XIE Zhiming，WANG Zhe，et al.Wind turbine gearbox vibration test and analysis［J］.Electric Manufacture，2010（11）：72-74.

［34］張照煌，丁顯，劉曼，等.基于小波變換的風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障診斷與分析［J］.應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2011，19（增刊）：210-218.ZHANG Zhaohuang，DING Xian，LIU Man，etal.Based on wavelettransform offaultdiagnosisand analysisofwind generator transmission system［J］.Journal of Basic Science and Engineering，2011，19（Supplement）：210-218.

［35］唐新安，謝志明，王哲，等.風(fēng)力機(jī)齒輪箱故障診斷［J］.噪聲與振動(dòng)控制，2007，27（1）：120-124.TANG Xin’an，XIE Zhiming，WANG Zhe，et al.Fault diagnosis of gearbox for wind turbine［J］.Noise and Vibration Control，2007，27（1）：120-124.

［36］BARSZCZ T，RANDALL R B.Application of spectral kurtosis for detection of a tooth crack in the planetary gear of a wind turbine［J］.Mechanical Systems and Signal Processing，2009，23（4）：1352-1365.

［37］姜香菊，劉二林.小波神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)力發(fā)電機(jī)齒輪箱的故障診斷［J］. 自動(dòng)化儀表，2012，33（4）：9-12.JIANG Xiangju，LIU Erlin.Fault diagnosis based on wavelet neural network for gearbox in wind generator［J］.Process Automation Instrumentation，2012，33（4）：9-12.

［38］胡姚剛.并網(wǎng)風(fēng)力發(fā)電機(jī)組的運(yùn)行狀態(tài)評(píng)估［D］.重慶：重慶大學(xué)，2011.HU Yaogang.Operating conditions assessment for a grid-connected wind turbine generator system［D］.Chongqing：Chongqing University，2011.

［39］郭鵬，李淋淋，馬登昌.基于IPSO-BP的風(fēng)電機(jī)組齒輪箱狀態(tài)監(jiān)測(cè)研究［J］. 太陽(yáng)能學(xué)報(bào)，2012，33（3）：439-445.GUO Peng，LI Linlin，MA Dengchang.Wind turbine gearbox condition monitoring with IPSO-BP［J］.Acta Energiae Solaris Sinica，2012，33（3）：439-445.

［40］郭鵬，INFIELD D，楊錫運(yùn).風(fēng)電機(jī)組齒輪箱溫度趨勢(shì)狀態(tài)監(jiān)測(cè)及分析方法［J］. 中國(guó)電機(jī)工程學(xué)報(bào)，2011，31（32）：129-136.GUO Peng，INFIELD D，YANG Xiyun.Wind turbine gearbox condition monitoring using temperature trend analysis［J］.Proceedings of the CSEE，2011，31（32）：129-136.

［41］YANG W，TAVNER P J，WILKINSON M R.Condition monitoring and fault diagnosis of a wind turbine synchronous generator drive train［J］.IET Renewable Power Generation，2009，3（1）：1-11.

［42］MOHANTY A R，CHINMAYA K.Fault detection in a multistage gearbox by demodulation of motor current waveform ［J］.IEEE Transactions on Industrial Electronics，2006，53（4）：1285-1297.

［43］孫玉彬，金聲超，梁培沛，等.油液監(jiān)測(cè)技術(shù)在風(fēng)電機(jī)組中的應(yīng)用分析［J］. 風(fēng)能，2014（2）：76-79.SUN Yubin，JIN Shengchao，LIANG Peipei，et al.Analysis on application of oil monitoring technology in wind turbine ［J］.Wind Energy，2014（2）：76-79.

［44］SHAH D，NANDI S，NETI P.Stator-interturn-fault detection of doubly fed induction generators using rotor-current and searchcoil-voltage signature analysis［J］.IEEE Transactions on Industry Applications，2009，45（5）：1831-1842.

［45］魏書(shū)榮，符楊，馬宏忠，等.雙饋風(fēng)力發(fā)電機(jī)定子繞組匝間短路診斷與實(shí)驗(yàn)研究［J］. 電力系統(tǒng)保護(hù)與控制，2010，38（11）：25-28.WEI Shurong，F(xiàn)U Yang，MA Hongzhong，et al.Stator winding inter-turn short-circuit diagnosis and experimental research on doubly-fed wind generator［J］.Power System Protection and Control，2010，38（11）：25-28.

［46］何山，王維慶，張新燕，等.基于類神經(jīng)網(wǎng)絡(luò)的MW永磁風(fēng)力發(fā)電機(jī)短路故障智能診斷［J］. 電機(jī)與控制應(yīng)用，2011，38（9）：24-29.HE Shan，WANG Weiqing，ZHANG Xinyan，et al.Short circuit fault intelligent diagnosis of MW permanent magnet wind power generator based on artificial neural network［J］.Electric Machines＆ Control Application，2011，38（9）：24-29.

［47］錢雅云，馬宏忠.雙饋異步電機(jī)故障診斷方法綜述［J］.大電機(jī)技術(shù)，2011（5）：5-8.QIAN Yayun，MA Hongzhong.A survey of fault diagnosis method for doubly-fed induction motor［J］.Large Electric Machine and Hydraulic Turbine，2011（5）：5-8.

［48］WATSON S J，XIANG B J，YANG W X，et al.Condition monitoring of the power output of wind turbine generators using wavelets［J］.IEEE Transactions on Oil Energy Conversion，2010，25（3）：715-721.

［49］李輝，季海婷，秦星，等.考慮運(yùn)行功率變化影響的風(fēng)電變流器可靠性評(píng)估［J］.電力自動(dòng)化設(shè)備，2015，35（5）：1-8.LI Hui，JI Haiting，QIN Xing，et al.Reliability evaluation considering operational active power variation of wind power converter［J］.Electric Power Automation Equipment，2015，35（5）：1-8.

［50］于輝，鄧英.變速風(fēng)力發(fā)電機(jī)變流器故障診斷方法［J］.可再生能源，2010，28（3）：89-92.YU Hui，DENG Ying.The diagnosis method for converter fault of the variable speed wind turbine［J］.Renewable Energy Resources，2010，28（3）：89-92.

［51］王占霞，張曉波.基于SOM網(wǎng)的風(fēng)電變流器故障診斷［J］.電網(wǎng)與清潔能源，2011，27（4）：35-38.WANG Zhanxia，ZHANG Xiaobo.Fault diagnosis of wind turbine’s converter based on SOM neural net［J］.Power System and Clean Energy，2011，27（4）：35-38.

［52］段其昌，張亮，袁景明，等.改進(jìn)的小波神經(jīng)網(wǎng)絡(luò)算法對(duì)變流器的故障診斷方法［J］. 計(jì)算機(jī)應(yīng)用，2011，31（8）：2143-2145.DUAN Qichang，ZHANG Liang，YUAN Jingming，etal.Fault diagnostic method for power converter based on wavelet neural network with improved algorithm［J］.Journal of Computer Applications，2011，31（8）：2143-2145.

［53］李輝，秦星，劉盛權(quán)，等.雙饋風(fēng)電變流器IGBT模塊功率循環(huán)能力評(píng)估［J］. 電力自動(dòng)化設(shè)備，2015，35（1）：6-12.LI Hui，QIN Xing，LIU Shengquan，et al.Assessment of power cycling capability for converter IGBT module of DFIG system［J］.Electric Power Automation Equipment，2015，35（1）：6-12.

［54］PATIL N，DAS D，GOEBEL K，et al.Identification of failure precursorparametersforInsulated Gate BipolarTransistors（IGBTs）［C］∥2008 IEEE International Conference on Prognostics and Health Management，Marriott Tech Center.Denver，CO，USA：［s.n.］，2008：1-5.

［55］陳雪峰，李繼猛，程航，等.風(fēng)力發(fā)電機(jī)狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)的研究與進(jìn)展［J］. 機(jī)械工程學(xué)報(bào)，2011，47（9）：45-52.CHEN Xuefeng，LI Jimeng，CHENG Hang，et al.Research and application of condition monitoring and fault diagnosis technology in wind turbines［J］.Journal of Mechanical Engineering，2011，47（9）：45-52.

［56］李輝，楊超，李學(xué)偉，等.風(fēng)機(jī)電動(dòng)變槳系統(tǒng)狀態(tài)特征參量挖掘及異常識(shí)別［J］. 中國(guó)電機(jī)工程學(xué)報(bào)，2014，34（12）：1922-1930.LI Hui，YANG Chao，LI Xuewei，et al.Conditions characteristic parameters mining and outlier identification for electric pitch system of wind turbine［J］.Proceedings of the CSEE，2014，34（12）：1922-1930.