任 濤 歐旭鵬

風(fēng)力發(fā)電機(jī)組軸承狀態(tài)檢測(cè)綜述

任 濤 歐旭鵬

（華能華家?guī)X風(fēng)力發(fā)電有限公司，甘肅 定西 743000）

隨著風(fēng)力發(fā)電裝機(jī)容量的不斷增加，風(fēng)力發(fā)電機(jī)組設(shè)備的運(yùn)行維護(hù)工作將越來越困難，并且風(fēng)力發(fā)電機(jī)組設(shè)備的運(yùn)維成本也在不斷提高。風(fēng)電場(chǎng)運(yùn)維人員通過對(duì)風(fēng)力發(fā)電機(jī)組轉(zhuǎn)動(dòng)設(shè)備在線監(jiān)測(cè)，來預(yù)測(cè)和診斷設(shè)備的故障。通過研究可以看出風(fēng)力機(jī)組大量故障是由于軸承與齒輪箱故障造成的。因此，對(duì)風(fēng)力發(fā)電機(jī)組狀態(tài)監(jiān)測(cè)變得至關(guān)重要。文章對(duì)有關(guān)風(fēng)力發(fā)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)的研究進(jìn)行綜述，為今后提高風(fēng)電機(jī)組的可靠性、預(yù)測(cè)和風(fēng)電機(jī)組組件的早期故障診斷提供參考。

風(fēng)力發(fā)電機(jī)組；在線監(jiān)測(cè)；故障診斷

引言

根據(jù)統(tǒng)計(jì)可知，截至2020年，我國(guó)風(fēng)力發(fā)電裝機(jī)容量累計(jì)28153萬kW，比2016年的總裝機(jī)容量高出16692萬kW，如圖1所示[1]。當(dāng)今世界，風(fēng)能是一種可靠的可再生能源，風(fēng)力發(fā)電裝機(jī)容量也在日益增長(zhǎng)。然而，風(fēng)力發(fā)電機(jī)組中由于主要設(shè)備（main components，MC）的使用壽命比較短，并且部分設(shè)備會(huì)發(fā)生故障，這使風(fēng)電場(chǎng)運(yùn)營(yíng)和維護(hù)的成本大大增加。例如，軸承在運(yùn)行不到3年或預(yù)期壽命的5%～10%情況下被檢測(cè)到早期故障[2]。除此之外，據(jù)估計(jì)，齒輪箱的故障率是每年每145臺(tái)風(fēng)力機(jī)發(fā)生一起事故[3]。隨著對(duì)風(fēng)能的需求持續(xù)大幅增長(zhǎng)，降低運(yùn)維成本和提高設(shè)備可靠性已成為風(fēng)力發(fā)電機(jī)組維護(hù)策略的重中之重。在過去的十年中，主要的研究方向集中于提高風(fēng)電機(jī)組的可靠性、預(yù)測(cè)和風(fēng)電機(jī)組組件的早期故障診斷。制造廠家正試圖通過相同的配置或開發(fā)新的配置來提高其傳動(dòng)系統(tǒng)（如齒輪箱、軸承等）的可靠性。此外，軸承對(duì)成本和可靠性的影響很大。例如，已經(jīng)證明軸承的失效導(dǎo)致了50%以上齒輪箱的發(fā)生故障。因此，風(fēng)力發(fā)電機(jī)組的狀態(tài)監(jiān)測(cè)是預(yù)防故障發(fā)生的有力保障。

圖1 2016—2020年我國(guó)風(fēng)力發(fā)電累計(jì)裝機(jī)容量

風(fēng)力發(fā)電機(jī)組運(yùn)行的環(huán)境條件非常惡劣，長(zhǎng)期暴露在極端多變的全天候天氣條件下，溫度、氣壓、風(fēng)切變、風(fēng)速和總負(fù)荷都會(huì)發(fā)生快速變化。由于這些因素的存在，風(fēng)力發(fā)電設(shè)備經(jīng)歷了不斷變化的局部動(dòng)態(tài)和負(fù)載。因此，轉(zhuǎn)動(dòng)部件必須可以承受強(qiáng)烈且可變的機(jī)械應(yīng)力，因?yàn)檫@可能會(huì)導(dǎo)致故障的發(fā)生。機(jī)械應(yīng)力會(huì)使旋轉(zhuǎn)機(jī)械會(huì)生溫度差，例如軸和齒輪的溫度，再加上潤(rùn)滑問題也會(huì)加速軸承故障。此外，對(duì)于不同位置的軸承，載荷和應(yīng)力也是不同的。例如，傳動(dòng)系統(tǒng)中的不對(duì)中會(huì)導(dǎo)致異常載荷，并加速放置在該特定位置的軸承的磨損。為了避免這種過早的故障，有必要開發(fā)更好的風(fēng)電機(jī)組設(shè)計(jì)，并應(yīng)用可靠和經(jīng)濟(jì)高效的狀態(tài)監(jiān)測(cè)技術(shù)。由于所有這些因素，風(fēng)力發(fā)電機(jī)組的軸承狀態(tài)監(jiān)測(cè)對(duì)智慧電場(chǎng)有巨大作用[4]。

1 風(fēng)力發(fā)電機(jī)組狀態(tài)監(jiān)測(cè)

目前為止，研究人員對(duì)狀態(tài)監(jiān)測(cè)有著不同的見解，總而言之，不斷獲取設(shè)備在運(yùn)行中或相對(duì)于靜態(tài)條件下的狀態(tài)信息，通過對(duì)這些信息的分析和處理，并結(jié)合設(shè)備的歷史狀況，來定量地掌握設(shè)備的技術(shù)狀態(tài)和預(yù)測(cè)設(shè)備壽命，為設(shè)備運(yùn)行和按狀態(tài)維修提供技術(shù)基礎(chǔ)。狀態(tài)監(jiān)測(cè)側(cè)重于早期發(fā)現(xiàn)設(shè)備的故障和磨損，目的是最大限度地減少停機(jī)時(shí)間和運(yùn)營(yíng)與維護(hù)成本，從而最大限度地提高產(chǎn)量。狀態(tài)監(jiān)測(cè)在早期階段檢測(cè)到故障，可通過減少連鎖損壞和災(zāi)難性故障的機(jī)會(huì)來優(yōu)化維護(hù)計(jì)劃和行動(dòng)。

圖2 風(fēng)力發(fā)電機(jī)組在線監(jiān)測(cè)系統(tǒng)圖

主要設(shè)備狀態(tài)監(jiān)測(cè)在工業(yè)應(yīng)用中定義為專業(yè)人員采集主要設(shè)備的狀況指標(biāo)和質(zhì)量數(shù)據(jù)，用來測(cè)量評(píng)估設(shè)備的健康狀況，并做出有關(guān)維護(hù)工作的最佳決策的過程。軸承故障對(duì)風(fēng)力發(fā)電機(jī)組的影響是至關(guān)重要的，有研究人員對(duì)齒輪箱和發(fā)電機(jī)狀態(tài)監(jiān)測(cè)進(jìn)行研究，因?yàn)樗鼈儠?huì)導(dǎo)致風(fēng)力發(fā)電設(shè)備停機(jī)時(shí)間長(zhǎng)，從而導(dǎo)致公司效益的損失，還因?yàn)樗鼈冊(cè)陲L(fēng)電場(chǎng)的生命周期內(nèi)有很高的更換率。然而，最近的研究表明，大約70%的齒輪箱故障停機(jī)原因是由軸承故障造成的，21%～70%的發(fā)電機(jī)停機(jī)原因［小型發(fā)電機(jī)（＜1 MW）為21%，中型發(fā)電機(jī)（＞1 MW，＜2 MW）為70%，大型發(fā)電機(jī)（＞2 MW）為50%］是由軸承引起的。預(yù)防性維修是一種基于時(shí)間的維修，它具有“維修不足”和“維修過度”兩個(gè)不足之處。換句話說，系統(tǒng)性能沒有得到很好的監(jiān)控，導(dǎo)致意外故障或有過多的維護(hù)工作導(dǎo)致資源浪費(fèi)[5]。因此，對(duì)軸承使用基于狀態(tài)的維護(hù)以及開發(fā)可用于早期診斷故障的工具和方法是至關(guān)重要的。

2 狀態(tài)監(jiān)測(cè)手段與故障診斷

2.1 聲學(xué)監(jiān)測(cè)

Elforjani等[6]對(duì)低速軸和軸承上采用聲發(fā)射技術(shù)來監(jiān)測(cè)。分別對(duì)軸和軸承進(jìn)行了不同條件下的試驗(yàn)。試驗(yàn)證明了聲發(fā)射檢測(cè)裂紋萌生和擴(kuò)展的效率。Eftekharnejad等[7]在試驗(yàn)臺(tái)模擬軸承在不同工況下運(yùn)行。通過對(duì)振動(dòng)和聲發(fā)射測(cè)量結(jié)果的比較，表明聲發(fā)射對(duì)早期損傷的檢測(cè)更為敏感。Kilundu等[8]利用循環(huán)平穩(wěn)性監(jiān)測(cè)對(duì)聲發(fā)射是非常有效的，主要是利用譜相關(guān)和綜合指標(biāo)來監(jiān)測(cè)軸承外圈缺陷，但對(duì)內(nèi)圈缺陷監(jiān)測(cè)效果一般。

2.2 電效應(yīng)監(jiān)測(cè)

Renaudin等[9]提出了一種基于瞬時(shí)角速度波動(dòng)的軸承狀態(tài)監(jiān)測(cè)方案，該方案由磁編碼器測(cè)量，結(jié)果表明該方案是有效的。Holweger等[10]在全軸承試驗(yàn)臺(tái)上應(yīng)用巴克豪森噪聲測(cè)量（也稱為磁彈性或微磁法）。試驗(yàn)證明，這種方法可以在高動(dòng)態(tài)加載環(huán)境中實(shí)現(xiàn)真實(shí)的預(yù)測(cè)狀態(tài)監(jiān)測(cè)。Machado等[11]使用電阻測(cè)量和數(shù)值實(shí)驗(yàn)來診斷軸承故障，這種方法能有效地監(jiān)測(cè)軸承故障。

2.3 電能質(zhì)量和溫度監(jiān)測(cè)

電能質(zhì)量和溫度監(jiān)測(cè)結(jié)合在一起，因?yàn)榇蠖鄶?shù)軸承的故障檢測(cè)和診斷方法都使用通過SCADA系統(tǒng)獲得的溫度測(cè)量和功率數(shù)據(jù)。Kim等[12]研究了基于SCADA獲得的風(fēng)電性能曲線的故障檢測(cè)系統(tǒng)。分析中還考慮了發(fā)電機(jī)和齒輪箱的軸承溫度，開發(fā)了一種基于神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)算法，能夠有效地檢測(cè)風(fēng)力機(jī)的正常和異常行為。Guo等[13]構(gòu)造了一種基于非線性狀態(tài)估計(jì)技術(shù)（NSET）的方法，并將其應(yīng)用于發(fā)電機(jī)軸承溫度。仿真結(jié)果表明，該方法能夠成功地檢測(cè)出軸承的早期損傷。Yang等[14]使用SCADA數(shù)據(jù)評(píng)估風(fēng)力渦輪機(jī)系統(tǒng)的健康狀況。該技術(shù)用于通過功率和溫度的變化來檢測(cè)發(fā)電機(jī)軸承故障，能成功檢測(cè)到故障的發(fā)生和進(jìn)一步發(fā)展。

2.4 油樣監(jiān)測(cè)

Dupuis[15]提出了一項(xiàng)關(guān)于軸承和齒輪故障模式、診斷和預(yù)測(cè)的研究。該研究通過油屑監(jiān)測(cè)來計(jì)算顆粒累積數(shù)量的技術(shù)，并將這項(xiàng)技術(shù)應(yīng)用于在役風(fēng)力發(fā)電機(jī)組。Jiang等[16]提出了基于油樣的滾動(dòng)軸承故障后分析。研究還表明，油液監(jiān)測(cè)將是避免這些故障、延長(zhǎng)軸承壽命的一種有效的狀態(tài)監(jiān)測(cè)方法。

2.5 振動(dòng)監(jiān)測(cè)

振動(dòng)監(jiān)測(cè)在軸承故障診斷中運(yùn)用最廣泛，也是軸承故障診斷的有效工具。因此，大多數(shù)風(fēng)力發(fā)電機(jī)組都采用振動(dòng)傳感器來監(jiān)測(cè)設(shè)備的運(yùn)行狀態(tài)。振動(dòng)監(jiān)測(cè)的只要方法有時(shí)域分析、頻域分析、時(shí)頻域分析等方法。在風(fēng)力發(fā)電機(jī)組上使用的振動(dòng)傳感器基本上是加速度計(jì)。此外，不同的頻率范圍的傳感器給風(fēng)力發(fā)電機(jī)的監(jiān)測(cè)增加了更多的挑戰(zhàn)，主要是由于交叉頻和低頻分量的耦合難以監(jiān)測(cè)。在信號(hào)處理中時(shí)域信號(hào)和頻域信號(hào)均可用于診斷故障?？梢酝ㄟ^信號(hào)處理算法來診斷和預(yù)測(cè)設(shè)備的運(yùn)行狀態(tài)。

2.5.1 頻域分析

Miao[17]提出了一種基于多重調(diào)制的細(xì)化插值離散傅立葉變換（Zoom FFT）。通過多次實(shí)驗(yàn)表明，該方法具有較好的性能，特別是在混疊和多個(gè)閉合頻率的多故障情況下。ZOOM FFT與快速傅里葉變換（FFT）比較結(jié)果顯示，ZOOM FFT能夠準(zhǔn)確識(shí)別故障，且分辨率較好。Jayaswal[18]提出了軸承振動(dòng)分析技術(shù)，使用振動(dòng)監(jiān)測(cè)來檢測(cè)軸承的早期故障，通過研究軸承振動(dòng)信號(hào)的FFT譜，得出軸承的狀態(tài)。Liu等[19]測(cè)量了滾珠軸承的徑向加速度，并提取了頻域峰值振幅、功率百分比和峰值均方根。然后利用序貫前向搜索算法和自適應(yīng)神經(jīng)模糊推理系統(tǒng)對(duì)缺陷進(jìn)行檢測(cè)和識(shí)別。Saidi等[20]提出了一種新的軸承診斷模式分類方法，該方法結(jié)合了高階譜分析特征和支持向量機(jī)分類器，提取振動(dòng)雙譜圖，進(jìn)行主成分降維分析。然后，將主成分輸入到支持向量機(jī)中，對(duì)不同工況下運(yùn)行的試驗(yàn)臺(tái)測(cè)量的軸承故障和嚴(yán)重程度進(jìn)行識(shí)別。結(jié)果表明，該方法能夠可靠地根據(jù)振動(dòng)信號(hào)識(shí)別滾動(dòng)軸承的不同故障模式。

2.5.2 時(shí)頻域分析

Sarvajith等[21]使用傅立葉和離散小波變換來確定軸承中的滾動(dòng)體狀態(tài)。然后利用離散小波變換將預(yù)處理后的信號(hào)分解為多個(gè)層次，利用支持向量機(jī)對(duì)軸承的狀態(tài)值和故障進(jìn)行分類和故障識(shí)別。所獲得的結(jié)果得到了實(shí)驗(yàn)驗(yàn)證，以確保所開發(fā)技術(shù)的有效性。Khanam等[22]提出了利用小波輔助的離散小波變換對(duì)振動(dòng)信號(hào)進(jìn)行分解。分解后的信號(hào)明顯地將對(duì)應(yīng)于滾動(dòng)體進(jìn)入和退出故障的峰值分割開來，從而可以估計(jì)軸承中存在的缺陷大小。對(duì)深溝球軸承外圈存在的不同尺寸缺陷進(jìn)行的實(shí)驗(yàn)證實(shí)了該方法的有效性。Ali等[23]提出了一種基于振動(dòng)信號(hào)經(jīng)驗(yàn)?zāi)B(tài)分解能量熵的特征提取方法。然后，他們選擇最重要的固有模態(tài)函數(shù)來訓(xùn)練一個(gè)人工神經(jīng)網(wǎng)絡(luò)來分類軸承缺陷。實(shí)驗(yàn)結(jié)果表明，這是一種可靠的評(píng)估軸承健康狀況和退化的工具。Ming[24]提出了一種新的確定性分量抵消方法，該方法基于對(duì)多分量信號(hào)（包括離散頻率分量和循環(huán)脈沖響應(yīng)）包絡(luò)的迭代計(jì)算，理論上通過希爾伯特變換在時(shí)域和頻域進(jìn)行計(jì)算。然后，通過軸承仿真和實(shí)驗(yàn)驗(yàn)證了理論計(jì)算和提出的確定性分量抵消方法。Fu W[25]用變異正弦余弦算法和Harris優(yōu)化的一種新的耦合變分模態(tài)分解（VMD）、復(fù)合多尺度精細(xì)排序色散熵（CMFSDE）和支持向量機(jī)（SVM）的混合方法。提出了一種稱為MSCAHHO的增強(qiáng)型混合優(yōu)化方法。所提出的VMD-CMFSDE-MSCAHHO-SVM方法取得了良好的診斷結(jié)果。

2.5.3 盲源分析（Blind Source Separation，BSS）

在機(jī)械系統(tǒng)的在線監(jiān)測(cè)和故障診斷中，盲源分離作為一種信號(hào)處理方法得到了廣泛的應(yīng)用。風(fēng)力發(fā)電機(jī)組在線監(jiān)測(cè)的數(shù)據(jù)采集工作，大多數(shù)是通過傳感器來完成的。但是由于風(fēng)力發(fā)電所處的環(huán)境比較復(fù)雜，同時(shí)機(jī)組中的機(jī)械設(shè)備較多在運(yùn)行中會(huì)產(chǎn)生混合振動(dòng)信號(hào)的現(xiàn)象。盲源分離最大的特點(diǎn)在于可以將傳感器采集的混合信號(hào)分離開。這對(duì)風(fēng)力發(fā)電機(jī)組各部件的狀態(tài)檢測(cè)提供了很大的貢獻(xiàn)。

Gelleet等[26]提出了一種用于旋轉(zhuǎn)機(jī)械監(jiān)測(cè)的盲源分離方法，該方法假設(shè)源的獨(dú)立性和傳播介質(zhì)的線性性，而不需要任何混合先驗(yàn)知識(shí)。Roanet[27]提出了一種基于信息最大化的盲源分離算法，該算法實(shí)質(zhì)上是一種非線性自適應(yīng)獨(dú)立分量分析（ICA）方法，并應(yīng)用于齒輪振動(dòng)測(cè)量。Hu[28]基于稀疏分量分析的風(fēng)電齒輪箱軸承故障特征欠定盲源分離?；谙∈璺至糠治鏊惴ǎ菑男旁磾?shù)估計(jì)和信源信號(hào)恢復(fù)兩個(gè)方面，實(shí)現(xiàn)了準(zhǔn)確、高效的軸承故障診斷。Zhang[29]提出了一種基于變分模態(tài)分解（VMD）的單通道盲源分離（SCBSS）方法，并將其應(yīng)用于單聲傳感器獲取的風(fēng)力機(jī)齒輪箱信號(hào)的分離中?；跀?shù)據(jù)的非線性非平穩(wěn)信號(hào)的變分模態(tài)分解完全是自適應(yīng)的，最后通過實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證，該算法優(yōu)于EMD信號(hào)處理。

2.5.4 機(jī)器學(xué)習(xí)分析

目前，人工智能發(fā)展很迅速，已經(jīng)應(yīng)用與各個(gè)領(lǐng)域。研究人員發(fā)現(xiàn)機(jī)器學(xué)習(xí)是解決方案的選擇有效地解決數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)和診斷方法所面臨的主要問題?；跈C(jī)器學(xué)習(xí)方法的故障診斷在軸承不同運(yùn)行工況下，獲得令人滿意的故障診斷效果。

Ziani等[30]比較了人工神經(jīng)網(wǎng)絡(luò)（ANN）和遺傳算法（GA）在軸承故障檢測(cè)中的性能。提取正常齒輪箱和故障齒輪箱的時(shí)域信號(hào)作為人工神經(jīng)網(wǎng)絡(luò)的輸入?；谶z傳算法選擇系統(tǒng)特征，并使用線性判別分析作為評(píng)價(jià)函數(shù)。Xu[31]提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)和領(lǐng)域自適應(yīng)的滾動(dòng)軸承智能故障診斷方法?；谝痪S卷積神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)了深度卷積連體適應(yīng)網(wǎng)絡(luò)（DCSAN），將兩個(gè)域數(shù)據(jù)的輸入空間映射到一個(gè)公共特征空間。實(shí)驗(yàn)結(jié)果表明，當(dāng)變工況下目標(biāo)域振動(dòng)數(shù)據(jù)較少時(shí)，該方法能有效提高故障診斷的準(zhǔn)確性。Zhao[32]提出了一種基于深度多尺度卷積神經(jīng)網(wǎng)絡(luò)（MSCNN）的新型遷移學(xué)習(xí)框架。所提出的MSCNN通過在兩個(gè)著名的滾動(dòng)軸承試驗(yàn)臺(tái)上構(gòu)建的不同傳輸場(chǎng)景進(jìn)行評(píng)估。三個(gè)案例研究表明，所提出的框架不僅在源域上具有出色的性能，而且在可變工作條件和域上具有出色的可遷移性。Li[33]提出了一種基于參數(shù)遷移學(xué)習(xí)和卷積自編碼（CAE）的風(fēng)電機(jī)組小尺度數(shù)據(jù)故障診斷方法。該方法可以將相似風(fēng)力機(jī)的信息傳遞給目標(biāo)風(fēng)力機(jī)。分析了該方法的性能，并與其他遷移/非遷移方法進(jìn)行了比較。比較結(jié)果表明，該方法在利用小尺度數(shù)據(jù)進(jìn)行風(fēng)力機(jī)故障診斷方面具有優(yōu)勢(shì)。由于風(fēng)電機(jī)組的實(shí)際運(yùn)行，所收集的故障數(shù)據(jù)集有限，很難通過變量之間的相關(guān)性實(shí)現(xiàn)故障診斷。Yu等[34]提出了一種基于虛擬展開和球面映射模型的故障診斷方法。最后進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證了所提方法的有效性。Wen[35]提出了一種基于ReliefF、主成分分析（PCA）和深度神經(jīng)網(wǎng)絡(luò)（DNN）的混合故障診斷方法，構(gòu)建relief-pca-dnn模型，并針對(duì)吉林省某風(fēng)電場(chǎng)故障案例進(jìn)行優(yōu)化。實(shí)驗(yàn)結(jié)果表明，所提出的混合模型對(duì)單故障的準(zhǔn)確率均在98.5%以上，對(duì)多故障的準(zhǔn)確率均在96%以上。驗(yàn)證結(jié)果表示該方法優(yōu)于其他故障診斷算法。

3 挑戰(zhàn)性問題及展望

隨著科學(xué)技術(shù)快速的發(fā)展，風(fēng)力發(fā)電機(jī)組在線狀態(tài)檢測(cè)與故障診斷技術(shù)同樣面臨著各種挑戰(zhàn)。

（1）在線監(jiān)測(cè)技術(shù)之間的集成功能。將多種在線監(jiān)測(cè)技術(shù)的集成在一起，綜合分析風(fēng)電機(jī)組的運(yùn)行狀態(tài)。例如，風(fēng)電場(chǎng)的維護(hù)人員使用基于振動(dòng)的狀態(tài)監(jiān)測(cè)、油屑和SCADA分析，但不容易以自動(dòng)的方式來集成它們，從而使結(jié)果不可靠。這也是為什么該行業(yè)在在線監(jiān)測(cè)系統(tǒng)上仍然會(huì)出現(xiàn)假警報(bào)和誤診的原因之一。

（2）隨著風(fēng)電機(jī)組裝機(jī)容量的快速增長(zhǎng)，風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)逐步完善。風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)系統(tǒng)中設(shè)備狀態(tài)智能監(jiān)測(cè)技術(shù)、智能故障診斷技術(shù)發(fā)展迅速，但就目前技術(shù)水平而言，很多技術(shù)還存在不足。

（3）隨著人工智能算法的不斷更新，基于智能算法的故障診斷技術(shù)是一個(gè)很熱門的話題。

4 結(jié)束語

風(fēng)力發(fā)電機(jī)組在線監(jiān)測(cè)與故障診斷可以有效降低故障率，提高風(fēng)機(jī)可利用率。風(fēng)電機(jī)組的設(shè)備故障會(huì)直接影響風(fēng)電機(jī)組停機(jī)時(shí)間和設(shè)備更換等問題。研究發(fā)現(xiàn)齒輪箱和發(fā)電機(jī)的故障大多是由于軸承故障引起的，軸承更換成本低于齒輪箱、發(fā)電機(jī)的更換和停機(jī)成本。因此，在線監(jiān)測(cè)和故障診斷軸承也是非常有益的。風(fēng)力發(fā)電場(chǎng)運(yùn)行人員應(yīng)重視風(fēng)電機(jī)組的在線監(jiān)測(cè)系統(tǒng)。在眾多監(jiān)測(cè)方法中，可以看出振動(dòng)監(jiān)測(cè)在風(fēng)力發(fā)電機(jī)組的在線狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)中起著關(guān)鍵作用。研究人員通過不同的數(shù)據(jù)解釋和統(tǒng)計(jì)方法，結(jié)合智能的算法，對(duì)監(jiān)測(cè)技術(shù)作進(jìn)一步更新。

[1]施鵬飛. 中國(guó)風(fēng)電產(chǎn)業(yè)發(fā)展現(xiàn)狀和展望[C]. 國(guó)際清潔能源論壇(澳門): 國(guó)際清潔能源論壇(澳門)秘書處，2019.

[2] Stadler K, Stubenrauch A. Premature bearing failures in industrial gearboxes[J]. SKF, 2013, 12: 97421.

[3] Renewable Energy World Magazine. Analyzing gearbox failure and preventing it[EB/OL]. https://www.researchgate. net/publication/225602159, 2015-03-02.

[4] 封新建. 風(fēng)力發(fā)電機(jī)組齒輪箱振動(dòng)監(jiān)測(cè)與故障診斷方法研究[D]. 吉林: 東北電力大學(xué)，2017.

[5] Tian Z, Jin T, Wu B, et al. Condition based maintenance optimization for wind power generation systems under continuous monitoring[J]. Renewable Energy, 2011, 36: 1502-1509.

[6] Elforjani M, Mba D. Condition monitoring of slow-speed shafts and bearings with acoustic emission[M]. Oxford: Blackwell Publishing, 2010.

[7] Eftekharnejad B, Carrasco M R, Charnley B, et al. The application of spectral kurtosis on acoustic emission and vibrations from a defective bearing[J]. Mechanical Systems and Signal Processing, 2011, 25: 266-284.

[8] Kilundu B, Chiementin X, Duez J, et al. Cyclostationarity of acoustic emissions (AE) for monitoring bearing defects[J]. Mechanical Systems and Signal Processing, 2011, 25: 2061-2072.

[9] Renaudin L, Bonnardot F, Musy O, et al. Natural roller bearing fault detection by angular measurement of true instantaneous angular speed[J]. Mechanical Systems and Signal Processing, 2010, 24(7): 1998-2011.

[10] Holweger W, Walther F, Loos J, et al. Nondestructive subsurface damage monitoring in bearings failure mode using fractal dimension analysis[J]. Industrial Lubrication and Tribology, 2012, 64: 132-137.

[11] Machado C, Guessasma M, Bellenger E, et al. Diagnosis of faults in the bearings by electrical measures and numerical simulations[J]. Mechanics Industry, 2014, 15(5): 383-391.

[12] Kim S Y, Ra I H, Kim S H. Design of wind turbine fault detection system based on performance curve SCIS-ISIS[C]. The 6th International Conference on Soft Computing and Intelligent Systems, and the 13th International Symposium on Advanced Intelligence Systems, IEEE, 2013.

[13] P.eng G. Wind Turbine Generator Bearing Condition Monitoring with NSET Method[C]. Control and Decision Conference, 2012.

[14] Yang W, Court R, Jiang J. Wind turbine condition monitoring by the approach of SCADA data analysis[J]. Renew Energy, 2013, 53: e365-e376.

[15] Dupuis R. Application of oil debris monitoring for wind turbine gearbox prognostics and health management[C]. Annual Conference of the Prognostics and Health Management Society, 2010.

[16] Jiang X, Liu F, Zhao P. Failure analysis of rolling bearing based on oil monitoring techniques with mechanics basis[J]. Applied Mechanics and Materials, 2012, 164: 401-404.

[17] Miao Q, Cong L, Pecht M. Identifification of multiple characteristic components with high accuracy and resolution using the zoom interpolated discrete Fourier transform[J]. Measurement Science and Technology, 2011, 22(5): 055701.

[18] Jayaswal P, Agrawal B. New trends in wind turbine condition monitoring system[J]. International Journal of Emerging Trends in Engineering Research, 2011, 3(1): 133-148.

[19] Liu T. Lee J, Singh P. Using acceleration measurements and neurofuzzy systems for monitoring and diagnosis of bearings[J]. International Society for Optics and Photonics, 2013, 8916: 89160B.

[20] Saidi L, Ali JB, Fnaiech F. Application of higher order spectral features and support vector machines for bearing faults classifification[J]. Isa Transactions, 2015, 54: 193-206.

[21] Sarvajith M, Shah B, Kulkarni S, et al. Condition monitoring of rolling element bearing using wavelet transform and support vector machine[C]. Conference: NCCM, 2013.

[22] Khanam S, Tandon N, Dutt J K. Fault size estimation in the outer race of ball bearing using discrete wavelet transform of the vibration signal[J]. Procedia Technology, 2014, 14: 12-19.

[23] Ali J B, Fnaiech N, Saidi L, et al. Application of empirical mode decomposition and artifificial neural network for automatic bearing fault diagnosis based on vibration signals[J]. Applied Acoustics, 2015, 89: 16-27.

[24] Ming A B, Zhangb W, Qina Z Y, et al. Envelope calculation of the multi component signal and its application to the deterministic component can cellation in bearing fault diagnosis[J]. Mechanical Systems and Signal Processing, 2015, 50: 70-100.

[25] Fu W, Shao K, Tan J, et al. Fault diagnosis for rolling bearings based on composite multiscale fine-sorted dispersion entropy and SVM with hybrid mutation SCA-HHO algorithm optimization[J]. IEEE Access, 2020, 99: 1.

[26] Gelle G , Colas M , Serviere C. Blind source separation: a tool for rotating machine monitoring by vibrations analysis[J]. Journal of Sound and Vibration, 2001, 248(5): 865-885.

[27] Roan M J , Erling J G , Sibul L H. A new, non-linear, adaptive, blind source separation approach to gear tooth failure detection and analysis[J]. Mechanical Systems and Signal Processing, 2002, 16(5): 719-740.

[28] Hu C, Yang Q, Huang M, et al. Sparse component analysis-based under-determined blind source separation for bearing fault feature extraction in wind turbine gearbox[J]. IET Renewable Power Generation, 2017, 11(3): 330-337.

[29] Zhang Y, Qi S, Zhou L. Single channel blind source separation for wind turbine aeroacoustics signals based on variational mode decomposition[J]. Ieee Access, 2018, 6: 73952-73964

[30] Ziani R, Zagadi R, Felkaoui A, et al. Bearing fault diagnosis using neural network and genetic algorithms with the trace criterion[J]. Condition Monitoring of Machinery in Non-Stationary Operations, 2012, 37: 89-96.

[31] Xu J, Huang J, Zhao Y, et al. A robust intelligent fault diagnosis method for rolling bearings based on deep convolutional neural network and domain adaptation[J]. Procedia Computer Science, 2020, 174: 400-405.

[32] Zhao B, Zhang X, Zhan Z, et al. Deep multi-scale convolutional transfer learning network: A novel method for intelligent fault diagnosis of rolling bearings under variable working conditions and domains[J]. Neurocomputing, 2020, 407: 24-38.

[33] Li Y, Jiang W, Zhang G, et al. Wind turbine fault diagnosis based on transfer learning and convolutional autoencoder with small-scale data[J]. Renewable Energy, 2021, 171: 103-115.

[34] Yu W X, Lu Y, Wang J N. Application of small sample virtual expansion and spherical mapping model in wind turbine fault diagnosis[J]. Expert Systems with Applications, 2021, 14: 115397.

[35] Wen X, Xu Z. Wind turbine fault diagnosis based on ReliefF-PCA and DNN[J]. Expert Systems with Applications, 2021, 178: 115016.

Review on Bearing Condition Detection of Wind Turbine

With the increasing installed capacity of wind turbine, the operation and maintenance of wind turbine equipment will be more and more difficult, and the operation and maintenance cost of wind turbine equipment is also increasing. The operation and maintenance personnel of the wind farm predict and diagnose the fault of the equipment by Online monitoring the rotating equipment of the wind turbine. Through the research, it can be seen that a large number of faults of wind turbine are caused by bearing and gearbox faults. Therefore, the condition monitoring of wind turbine becomes very important. This paper summarizes the research on condition monitoring and fault diagnosis technology of wind turbine, so as to provide reference for improving the reliability, prediction and early fault diagnosis of wind turbine components in the future.

wind turbine; Online monitoring; fault diagnosis

TM31

A

1008-1151(2022)02-0053-04

2021-11-20

任濤（1993－），男，甘肅白銀人，供職于華能華家?guī)X風(fēng)力發(fā)電有限公司，研究方向設(shè)備管理。