文/烽火纪史

编辑/烽火纪史

<<·——前言——·>>

风能转换是世界上新能源发电来源中增长最快的能源，这一趋势预计将持续一段时间，截至2006年底，美国的总风能装机容量已经增长到11,603兆瓦，足以满足超过290万个美国家庭的电能需求。

过去十年中，美国和欧洲的风能容量增长率为20-30%（见图1）。尽管增长迅速，但风能目前仅占美国总电力消耗的不到1%。美国和欧洲风能行业的愿景是在未来二十年内将风能在电力能源中的比例提高到20%以上。

利用风能进行电力发电是一个研究兴趣领域，目前重点是实现对这种能源的成本有效利用，以实现电力传输的质量和可靠性。

在过去的二十年里，风力涡轮机的尺寸已经从20千瓦发展到5兆瓦，甚至正在设计更大的风力涡轮机。理论上可以实现更大的尺寸，但是运输组件和获取足够大的起重机来提升组件的物流限制可能成为潜在的障碍。此外，已经开发和测试了许多不同的概念。

集成故障检测算法的自主在线状态监测系统可以提前发出机械和电气故障的警告，以防止主要部件故障。这可以显著减少对其他部件的副作用。许多故障可以在有缺陷的部件仍在运行时被检测出来。因此，必要的维修措施可以及时计划，而不需要立即采取。

这对于风能转换系统（WECS）发电机尤为重要，因为它们位于极高的塔上，通常高达20米或更高（图2）。对于离岸风电场来说，这点尤为重要，因为恶劣的天气条件（风暴、高潮等）可能会阻止几周的任何维修行动。

此外，状态监测还将检测到极端的外部条件，如离岸风电场的结冰或水引起的塔摆动，并能触发适当的控制措施，防止风电组件损坏。通过这种方式，风能转换器的整体维护成本和停机时间可以大大减少。

因此，由于状态监测和故障诊断在WECS（叶片、传动系统和发电机）中的重要性，以及考虑到未来研究的需求，本文旨在通过对最新技术的全面审查，描述不同类型的故障、它们产生的特征和诊断方案。

由于双馈感应发电机（DFIG）是最常用的WECS配置之一，我们主要将重点放在它上面（图3）。

<<·——失效模式分析——·>>

对实际风力涡轮故障数据进行的定量分析显示了故障率值和趋势的重要特）。为了说明这一点，图4显示了受上述故障分析所涉及的主要风力涡轮组件。

在涉及瑞典风力发电厂的第一项研究中，表明大部分故障与电气系统有关，其次是传感器和叶片/偏航组件。

这在图5中得到了明确的说明，该图显示了2000年至2004年间发生在瑞典风力发电厂的故障数量分布。

另一项涉及丹麦和德国风力发电厂的研究显示了相同的趋势。事实上，导致德国较高故障率的主要原因是电气控制系统或子系统（电网或电气系统、偏航系统和机械或偏航控制系统），而不是机械子系统如齿轮箱。

图6显示了这两个电厂在1994年至2004年间的故障率。

所有上述分析都符合可变速驱动技术的引入，但与普遍认为的齿轮箱是涡轮故障的主要原因相矛盾。因此，我们提出的综述将重点放在这些类型的故障上。

<<·——状态监测与诊断——·>>

众所周知，感应电动机的许多电气和机械故障直接影响电机的磁场，实际上是对其进行调制。此外，已经证明与感应机连接的机械传动中的故障可以在机器的端子处检测到。

在风力涡轮状态监测方面，许多已发表的研究基于以下假设：通过相关发电机的端子可以检测到风力涡轮传动系统的故障。

风能转换系统状态监测和诊断的基本配置如图7所示。值得注意的是，在现代风力涡轮中，一些信号（如转速、发电机温度等）通常由监控控制系统进行常规监测。

电气系统(DFIG)状态监测有许多可用的技术和工具，用于监测感应机的状态。其中一些用于监测的技术包括传感器，可以测量速度、输出扭矩、振动、温度、磁通密度等。这些传感器与算法和架构结合在一起，可以有效地监测机器的状态。

感应电机状态监测最常用的方法是利用定态状态下定子量的频谱分量。这些定子频谱分量可以包括电压、电流和功率，并用于检测匝间故障、断裂转子条、轴承故障和气隙偏心。以上基于定态分析的技术也适用于感应发电机。

从现有的文献中可以看出，故障检测和诊断技术主要用于匝间定子故障和定子或转子不对称性。在这些工作中，我们只是将成熟的技术应用于感应发电机。因此我们使用转子调制信号谱来诊断定子和转子故障。

实际上，转子调制信号具有谐波内容，比定子和转子电流的谐波内容更清晰地表明了定子和转子的不对称性。我们提出了风力涡轮发电机运行的一个关键特征。事实上，它们主要处于瞬态状态，因此需要使用非平稳技术进行故障检测。

在这种情况下，小波分析被用于检测双馈感应发电机中定子匝故障。检测算法结合了扩展帕克矢量、小波分析和统计学。

这种技术不受双馈感应发电机速度变化的影响，这在风能转换系统应用中非常关键。目前，对于额定功率超过2兆瓦的大型涡轮，首选的选项之一是带有转子变流器通过滑环与转子连接的可变速双馈感应发电机。然而，与鼠笼式发电机相比，它还有额外的磨损部件，比如滑环系统（图8）。

因此，我们提出了一种用于监测带有滑环的双馈感应发电机传输特性和火花现象的专利诊断技术。在这种情况下，使用FFT分析通过监测转子电流来诊断传输特性的变化。

<<·——WECS叶片损伤检测——·>>

风力涡轮叶片是至关重要的组件。由于外部条件和内部应力以及疲劳作用，叶片可能会逐渐出现裂纹和损坏，从而导致风力发电性能的下降。换句话说，监测涡轮叶片至关重要，以确保运行性能更好。应该可以将状态监测系统安装到现有的风力涡轮上，而无需在机器上安装额外的传感器和线缆。

因此，我们使用上述假设通过测量发电机端的功率谱密度来检测小型风力涡轮叶片的不平衡和缺陷。在这种情况下，使用了归一化双谱密度——二阶谱，它能够使用噪声信号来监测机器中的微小物理变化。这种技术克服了双谱密度在检测目的上不方便的问题。

这种方法的优势在于发电机端的量测在运行过程中非常容易，电流通过电流互感器测量，电压通过电压互感器测量，功率通过计算得出。这是一种非常有用的技术，因为它不需要额外的传感器，特别是在叶片上。

不幸的是，风力涡轮叶片经常出现无法通过风力发电机端监测的故障和损伤。它们尤其容易受到闪电袭击的威胁。为了防止损坏，叶片装有防雷系统，就像大多数现代风力转换系统一样（图9）。然而，由于闪电是随机的，完全防止其损害是不可能的。

因此，我们提出了一种使用光纤电流传感器网络进行闪电影响定位和分类的方法，有助于检测由闪电引起的损伤并监测叶片。该系统连接到风力涡轮的控制和监控系统。

<<·——其他传动系统部件的监测与诊断——·>>

风力涡轮的其他关键部件包括滚动轴承和齿轮。针对这些部件的条件监测和诊断，并没有明确地研究使用风力涡轮发电机端。我们研究了对驱动多级齿轮箱的感应电动机电流信号进行解调以进行故障检测。

在该方法中，使用幅度解调和频率解调来对感应电动机电流进行处理，以检测旋转轴的频率。然后，对解调后的电流信号进行离散小波变换来去噪和去除干扰的特征。最后，使用特定层次的频谱来进行齿轮故障检测。这种技术似乎非常适合用于监测风力涡轮的齿轮箱，因为它涉及到非稳态技术。

该方法使用风力涡轮发电机定子电流。此外，由于该电流的非稳态特性，小波包变换在不同负载条件下提供更好的分析。小波包变换还允许调整频率带宽，以涵盖由转子速度变化引起的滚动轴承故障频率范围（例如变速双馈异步发电机）。

<<·——其他故障检测和诊断方法——·>>

我们提出了将人工智能技术应用于风力涡轮发电系统（WECS）的状态监测，包括塔架、机舱和动力传动系统。这种方法需要对每个个体的WECS进行学习过程，并试图检测趋势，而不一定将原因与故障效果联系起来。

在这种情况下，WECS监测的提议方法如图10所示，其中称为评估或诊断的层次使用神经网络进行特征学习或模糊技术将不同测量信息组合起来。

如今，大多数风力涡轮都配备了设备，使得通过调制解调器或互联网可以远程收集状态监测数据。此外，由于风力涡轮通常是在陆地或海上风电场配置，因此需要建立网络（如图11所示）。

采用这种网络方法，可以在相同条件下优化WECS的故障诊断。此外，由风电场提供的冗余测量（例如风速）将用于通过减少风速测量仪故障而改善整体风电场性能，从而降低运营损失。

<<·——行业应用——·>>

状态监测是一种机器维护工具，也称为状态监测系统（CMS），正在成为一些风力涡轮制造商提供的长期服务套餐的组成部分。图12说明了CMS如何集成到风力涡轮发电系统中。在这种情况下，CMS监测功能是基于稳健的传感器设备。

图13显示了一个典型的传感器配置：传感器（1）是感应式距离传感器，用于测量绝对转子位置；传感器（2）-（4）是静态加速度计，用于测量与转子轴相关的机舱在轴向和横向方向的振动；传感器（5）和（6）是振动传感器，用于测量由轴承和齿轮引起的振动。

<<·——结论——·>>

我们简要回顾了风能转换系统状态监测和故障诊断的现状。重点放在通过风力涡轮发电机（DFIG）端子进行监测的故障上，以利用为感应电动机开发的成熟技术。事实上，似乎可以通过关联发电机的端子检测风力涡轮传动系统的故障。

通过测量发电机端子处的功率谱密度，可以诊断小型风力涡轮叶片的不平衡和缺陷。这种方法同样适用于风能转换系统的齿轮箱。然而，由于风力涡轮发电机的运行主要是瞬态的，因此需要采用非平稳技术来进行故障检测。最后，还对工业应用中的CMS技术进行了简要介绍，这种技术用于状态监测。

参考文献

[1] Thresher R, Robinson M, Veers P. The status and future of wind energy

technology. IEEE Power & Energy Magazine 2007;5(November–December

(6)): 34–46.

[2] Chen Z, Blaabjerg F. Wind farm—a power source in future power systems.

Renewable & Sustainable Energy Reviews 2009;13(August–September (6–7)):

1288–300.

[3] Amirat Y, Benbouzid MEH, Bensaker B, Wamkeue R. Condition monitoring and

fault diagnosis in wind energy conversion systems. In: Proceedings of the IEEE

IEMDC; 2007. p. 1434–9.

[4] Caselitz P, Giebhardt J, Mevenkamp M. On-line fault detection and prediction

in wind energy converters. In: Proceedings of EWEC; 1994. p. 623–7.

[5] Caselitz P, Giebhardt J, Kru¨ ger T, Mevenkamp M. Development of a fault

detection system for wind energy converters. In: Proceedings of EUWEC;

1996. p. 1004–7.

[6] Caselitz P, Giebhardt J, Mevenkamp M. Application of condition monitoring

systems in wind energy converters. In: Proceedings of EWEC’97; 1997. p. 579–

82.

[7] Nilsson J, Bertling LM. Maintenance management of wind power systems

using condition monitoring systems—life cycle cost analysis for two case

studies. IEEE Transactions on Energy Conversion 2007;22(March (1)):223–9.

[8] Amirat Y, Benbouzid MEH, Bensaker B, Wamkeue R, Mangel M. The state of the

art of generators for wind energy conversion systems. In: Proceedings of

ICEM’06; 2006. p. 1–6.

[9] Nilsson J, Bertling LM. Survey of failures in wind power systems with focus on

Swedish wind power plant during 1997–2005. IEEE Transactions on Energy

Conversion 2007;22(March (1)):167–73.

[10] Ribrant J. Reliability performance and maintenance—a survey of failure in

wind power systems. Master thesis. Sweden: KTH School of Electrical Engineering; 2006.

[11] Tavner PJ, Xiang J, Spinato F. Reliability analysis for wind turbines. Journal of

Wind Energy 2006;10(March–April (1)):1–18.

[12] Tavner PJ, Van Bussel GJW, Spinato F. Machine and converter reliabilities in

wind turbines. In: Proceedings of IEE PEMD’06; 2006.

[13] Khan MM, Iqbal MT, Khan F. Reliability and condition monitoring of a wind

turbine. In: Proceedings of IEEE CCECE’05; 2005.

[14] Nandi S, Toliyat HA, Li X. Condition monitoring and fault diagnosis of electrical

motors—a review. IEEE Transactions on Energy Conversion 2005;20(December (4)):719–29.

[15] Yacamini R, Smith KS, Ran L. Monitoring torsional vibrations of electromechanical systems using stator currents. ASME Journal of Vibration & Acoustics

1998;120:72–9.

[16] Wilkinson MR, Tavner PJ. Extracting condition monitoring information from a

wind turbine drive train. In: Proceedings of UPEC’04; 2004. p. 591–4.

[17] Wilkinson MR, Tavner PJ. Condition monitoring of wind turbine drive trains.

In: Proceedings of ICEM’06; 2006. p. 1–6.

[18] Benbouzid MEH. Bibliography on induction motors faults detection and diagnosis. IEEE Transactions on Energy Conversion 1999;14(December (4)):1065–74.

[19] Benbouzid MEH, Kliman GB. What stator current processing based technique

to use for induction motor rotor faults diagnosis? IEEE Transactions on Energy

Conversion 2003;18(June (2)):238–44.

[20] Benbouzid MEH. A review of induction motors signature analysis as a medium

for faults detection. IEEE Transactions on Industrial Electronics 2000;47(October (5)):984–93.

[21] Casadei D, Filippetti F, Rossi C, Stefani A, Yazidi A, Capolino GA. Diagnostic

technique based on rotor modulating signals signature analysis for doubly fed

induction machines in wind generator systems. In: Proceedings of IEEE IAS’06;

2006. p. 1525–32.

[22] Casadei D, Filippetti F, Stefani A, Rossi C, Yazidi A, Capolino GA. Experimental

fault characterization of doubly fed induction machines for wind power

generation. In: Proceedings of IEEE SPEEDAM’06; 2006. p. 281–1286.

[23] Albizu I, Tapia A, Saenz JR, Mazon AJ, Zamora I. On-line stator winding fault

diagnosis in induction generators for renewable generation. In: Proceedings of

IEEE MELECON’04; 2004. p. 1017–20.

[24] Lu QF, Cao ZT, Ritchie E. Model of stator inter-turn short circuit fault in doublyfed induction generators for wind turbine. In: Proceedings of IEEE PESC’04;

2005. p. 932–7.

[25] Mihet-Popa L, Jensen BB, Ritchie E, Boldea I. Condition monitoring of wind

generators. In: Proceedings of IEEE IAS’03; 2003. p. 1839–46.

[26] Douglas H, Pillay P, Barendse P. The detection of interturn stator faults in doublyfed induction generators. In: Proceedings of IEEE IAS’05; 2005. p. 1079–102.

[27] Kim K, Parlos AG. Induction motor fault diagnosis based on neuropredictors

and wavelet signal processing. IEEE/ASME Transactions on Mechatronics

2002;7(June (2)):201–19.

[28] Datta R, Ranganathan VT. Variable-speed wind power generation using doubly

fed wound rotor induction machine—A comparison with alternative schemes.

IEEE Transactions on Energy Conversion 2002;17(September (3)):414–21.

[29] Wu¨ rfel M, Hofmann M. Monitoring of the properties of the rotor slip ring

system of doubly-fed induction generators. In: Proceedings of IEEE IEMDC’05;

2005. p. 295–9.

[30] Jeffries WQ, Chambers JA, Infield DG. Experience with bicoherence of electrical

power for condition monitoring of wind turbine blades. IEEE Proceedings on

Vision Image & Signal Processing 1998;145(June (3)):141–8.

Fig. 13. Typical sensor position [37].

Y. Amirat et al. / Renewable and Sustainable Energy Reviews 13 (2009) 2629–2636 2635

[31] Tsai CS, Hsieh CT, Huang SJ. Enhancement of damage-detection of wind

turbine blades via CWT-based approaches. IEEE Transactions on Energy Conversion 2006;21(September (3)):776–81.

[32] Cotton I, Jenkins N, Pandiaraj K. Lightning protection for wind turbine blades

and bearings. Wind Energy 2001;23–37.

[33] Kra¨mer SGM, Leon FP, Appert B. Fiber optic sensor network for lightning

impact localization and classification in wind turbines. In: Proceedings of IEEE

ICMFIIS’06; 2006. p. 173–8.

[34] Mohanty AR, Kar C. Fault detection in a multistage gearbox by demodulation of

motor current waveform. IEEE Transactions on Industrial Electronics 2006;53

(August (4)):1285–97.

[35] Eren L, Devaney MJ. Bearing damage detection via wavelet packet decomposition of the stator current. IEEE Transactions on Instrumentation & Measurement 2004;53(April (2)):431–6.

[36] Caselitz P, Giebhardt J, Kewitsch R. Advanced condition monitoring system for

wind energy converter. In: Proceedings of EWEC’02; 2002.

[37] European Commission/DG TREN. Advanced maintenance and repair for offshore wind farms using fault prediction and condition monitoring techniques.

Final report. NNE5/2001/710, FP5 Contract; 2005.

[38] Caselitz P, Giebhardt J. Rotor condition monitoring for improved operational

safety of offshore wind energy converters. Journal of Solar Energy Engineering

2005;127(May (2)):253–61.