风机出现故障引发设备问题往往让人头痛不止，如何能够提前诊断并及时解决故障提高效益呢？今天和大家一起来关注下风机故障诊断的方法。
故障诊断在工业过程中非常重要，因为工业过程非常强调生产过程的安全、设备运行的持续可靠和产品的高质量。故障诊断就是来发现可能导致工业过程出现问题的因素，进而解决以延长设备服务时间。一个成熟的故障诊断体系需包含预测运维部分，让问题提前得到解决。
因为风机需减少产能损失，所以故障诊断对于风机来说同样非常重要，研究者们提出了许多故障诊断预测的方法。Isermann和Balle(1997)指出，风机故障诊断可分为基于模型的方法和基于信号的方法，但是当系统越来越复杂，使用模型和信号的方法都无效时，基于人工智能的方法就发展起来了。
基于模型的方法
基于模型的方法可用来发现一些特殊的系统故障。从实现的角度可以分为通过数值计算实现，以及通过知识学习的方法实现。参数估计、状态监测，都是常用的模型方法，模型方法有时也会用到推断和分类算法。
Zaggout(2013)使用发电机控制信号来发现双馈发电机中的转子和定子不对称，并开发了一套名为MTCMTR的Matlab模型，可以监控风机各个子部件电气和机械部分的运行情况。
基于信号的方法
基于信号的方法是通过分析输出信号来诊断故障。发生故障的信号通常具有一定的特征，从时域或频域的角度进行分析，可以发现风机齿轮箱和其他部件的初期故障。
Crabtree(2011)使用迭代局部离散傅里叶变换方法（IDFT）开发了一套支持非平稳信号的处理方法，并且在Durham的WTCMTR系统上对下面3种故障进行了实验：转子不对称、高速轴不平衡、高速齿轮损坏。Crabtree还做了IDFT方法和小波变换方法的对比实验，证明IDFT方法计算速度更快，结果更精确。
Feng(2011)使用SCADA和CMS数据，做了风机齿轮箱和发电机的故障预警研究，从故障会导致温度升高的基本原理出发，得到温度、效能和输出电量的关系，并开发了一套使用油温和轴承温度来检测齿轮箱故障的算法。Feng的研究说明了通过简单的算法，可以从SCADA信号中发现齿轮箱的早期故障，再通过CMS的信号分析，可以得出具体的错误信息。最后，Feng建议应该同时使用SCADA和CMS系统进行风机的故障预警。
Zappala（2013）使用边带功率算法(SBPF)对CMS的齿轮箱故障自动检测做了研究，并且在WTCMTR系统中进行验证。结果表明，该算法可以从齿轮的非平稳运行状态中识别出齿轮故障。将SBPF写入CMS系统后，该算法可以自动解释接收到的信号，还降低了过去对运维人员个人判断经验的依赖。
专家系统与人工智能方法
某些时候需处理的对象过于复杂，基于模型的方法和基于信号的方法都无法有效使用的情况下，例如同时发生的一些故障造成了不同的影响，这时就可以用统计学习的方法进行故障诊断。常用的统计学习的方法有概率法、模糊逻辑、人工神经网络、贝叶斯网络。统计学习的方法有一个特点，就是需要大量历史数据。
海上风电场状态监测项目(Wiggelinkhuize,2007)是由多个研究机构参与的风电项目，项目旨在开发包含多个数据分析算法的高效风机状态监测系统。这些算法被集成到SCADA中指导运维，但是并未获得很好的验证。
Yang和Jiang（2011）研究指出，SCADA是最简单的，并且是风机运行得到可靠性保障的成本最低的方法。
Singh（2007）使用人工神经网络对风机发电量进行预测，并且发现除了风速和风向外，空气密度、地势等因素，都对发电量有影响。Singh还将神经网络方法与传统的发电量预测方法进行对比，发现神经网络方法的预测结果更接近真实值。虽然Singh的方法不针对故障检测，但是没有人为干预的发电量异常情况也是风机故障的重要表现。
2006年，Garcia开发了一个叫做SIMAP的系统，该系统使用神经网络来检测齿轮箱故障，通过对正常齿轮箱的运行数据进行学习从而构建出一套异常检测模型，系统还包含一个含有3个规则的模糊专家系统，并可以实现自动运维日历管理，可以在检测出故障后自动做出运维决策。这个系统可提前2天预测出齿轮箱的故障，然而对于海上风电场来说，提前2天时间还是太短。
Zaher(2009)开发了一个基于神经网络的自动分析系统，用来检测风机主要部件的早期故障。这个系统还可在综合分析SCADA数据之后，将主要的结论提交给运维人员。
Qiu(2012)用KPI的方法对672(个·年)风机的研究，发现它们的平均报警发生的频率在每10分钟4-20次，频率最大的时候可达到每10分钟390-1500次。Qiu采用了时间序列和概率的分析方法进行故障预测，发现这两种方法有一定的有效性。
Chen（2011）使用神经网络对10(个·年)风机的变桨系统故障进行模式识别。Chen使用3个评判条件来识别变桨系统故障，据此设计了3层BP神经网络，并对不同神经元个数的隐藏层进行了学习选择，训练后的网络有50个隐藏层神经元。经验证，识别变桨系统故障的准确率为47% 。研究结果表明神经网络对识别风机故障有一定的作用，但是想要达到较好的效果则需各种情况下的大量故障数据作为训练集。
Gray和Watson(2010) 对400(个·年)风机3种运行状态下的齿轮箱进行了研究。作者的理论依据是“随着齿轮箱的运转，在不同的环境和负载下会发生一些不可逆转的微小变化”，然而，如果使用这个方法的话，就要对各种条件不同荷载下的齿轮箱运行特征有深入研究。
Kusiak和Li(2011)总结了一套使用SCADA数据预测风机故障的方法论，方法论包括三个层次：1）识别出现有的故障，2）预测出严重故障，3）预测出特定的故障。Kusiak使用神经网络、组合神经网络、提升树、支持向量机、分类回归树，分别对上面三个层次进行测试，发现很多时候可以提前60分钟预测出故障，但是也发现，无论用哪种算法，预测的精确性都不高，一个重要的原因是这些算法都需要大量的历史故障数据做支撑。
结论
综上所述，可以得到以下结论：
1. 因为风机系统复杂，各部件之间的关系错综复杂，所以很多风机故障诊断研究都是针对某个具体问题或者某个具体的风机部件。
2. 针对齿轮箱和发电机的故障预测，很多都是基于手头上的数据测试得出。这些预测方法是否可在实际工作中有效应用，无从得知。
3. 上面的这些研究都是针对某种地形条件下的某种机型，没有对其他机型和其他地形情况做推广验证，所以无法保证方法普遍的适用性。
参考文献：
[1]Isermann, R. and Balle, P. (1997). Trends in the application of model-basedfault detection and diagnosis of technical processes. Control engineeringpractice 5(5): 709-719.
[2]Zaggout, M. N. (2013). Wind Turbine Generator Condition Monitoring via theGenerator Control Loop. School of Engineering and Computing Sciences,DurhamUniversity. PhD Thesis.
[3]Crabtree, C. J. (2011). Condition Monitoring Techniques for Wind Turbine.School of Engineering and Computing Science, Durham University. PhD Thesis.
[4]Feng, Y., Qiu, Y., Crabtree, C. J., Long, H. and Tavner, P. J. (2011). Use ofSCADA and CMS signals for failure detection and diagnosis of a wind turbinegearbox. EWEA.
[5]Zappalà, D., Tavner, P., Crabtree, C. and Sheng, S. (2013). Sideband Algorithmfor Automatic Wind Turbine Gearbox Fault Detection and Diagnosis. EWEA. Vienna.
[6]Wiggelinkhuize, E. J., Rademakers, L. W. M. M., Verbruggen, T. W., Watson, S.J.,Xiang, J., Giebel, G., Norton, E. J., Tipluica, M. C., Christensen, A. J.and Becker, E. (2007). "Conmow Final Report." Retrieved Feb, 2012.
[7]Yang, W. and Jiang, J. (2011). Wind turbine condition monitoring andreliability analysis by SCADA information. Mechanic Automation and ControlEngineering (MACE), 2011 Second International Conference on, IEEE.
[8]Singh, S., Bhatti, T. and Kothari, D. (2007). Wind power estimation usingartificial neural network. Journal of Energy Engineering 133(1): 46-52.
[9]Garcia, M. C., Sanz-Bobi, M. A. and del Pico, J. (2006). SIMAP: IntelligentSystem for Predictive Maintenance: Application to the health conditionmonitoring of a windturbine gearbox. Computers in Industry 57(6): 552-568.
[10]Zaher, A., McArthur, S., Infield, D. and Patel, Y. (2009). Online wind turbinefault detection through automated SCADA data analysis. Wind Energy 12(6):574-593.
[11]Qiu, Y., Feng, Y., Tavner, P., Richardson, P., Erdos, G. and Chen, B. (2012).Wind turbine SCADA alarm analysis for improving reliability. Wind Energy 15(8):951-966.
[12]Chen, B. and Zappala, D. (2011). "Survey of commercial SCADA analysistool."
RetrievedSep, 2011, from http://www.supergen-wind.org.uk/.
[13]Gray, C. S. and Watson, S. J. (2010). Physics of failure approach to windturbine condition based maintenance. Wind Energy 13(5): 395-405.
[14]Kusiak, A. and Li, W. (2011). The prediction and diagnosis of wind turbinefaults.
RenewableEnergy 36(1): 16-23.