彭華東，陳曉清，任明，楊代勇，董明,2

（1.電力設(shè)備電氣絕緣國家重點實驗室，西安交通大學(xué)，陜西 西安 710049；2.西北電網(wǎng)有限公司 博士后工作站，陜西 西安 710075）

風(fēng)力發(fā)電是世界上公認(rèn)的最接近商業(yè)化的可再生能源技術(shù)之一[1]。在當(dāng)今強調(diào)保護環(huán)境、可持續(xù)發(fā)展的背景下，不消耗化石燃料、無環(huán)境污染的風(fēng)力發(fā)電被認(rèn)為是最清潔的能源利用形式。在過去的10年里，由于年平均增長率接近28%，風(fēng)力發(fā)電已成為世界上增長最快的可再生能源[2]。

隨著風(fēng)能的快速發(fā)展和大規(guī)模風(fēng)電機組的投入運行，且由于大部分機組安裝在偏遠(yuǎn)地區(qū)，負(fù)荷不穩(wěn)定等因素，我國不少風(fēng)電機組都出現(xiàn)了運行故障，直接影響了風(fēng)力發(fā)電的安全性和經(jīng)濟性。為保持風(fēng)電的長期穩(wěn)定發(fā)展，增強它與傳統(tǒng)能源的競爭力，必須不斷降低風(fēng)力發(fā)電的成本（包括制造安裝成本和運行維護成本）。服役超過20年的風(fēng)電機組，其運行維護費用估計占能源成本的10%～20%[3]；海上風(fēng)電機組由于運行環(huán)境更惡劣、維護操作更困難，這個比例更是高達30%～35%[4]。2004年丹麥Horns Rev海上風(fēng)電場的多臺機組出現(xiàn)了電機失效等技術(shù)故障，更換風(fēng)機并運至陸上維修，直接導(dǎo)致設(shè)備供應(yīng)商年度虧損近4 000萬歐元。

因此，風(fēng)電機組的狀態(tài)檢測和故障診斷顯得尤為重要，是保證機組長期穩(wěn)定運行和安全發(fā)電的關(guān)鍵。風(fēng)電機組故障診斷利于降低故障率、減少維修時間、增加年發(fā)電量和提高風(fēng)電場的經(jīng)濟效益；利于發(fā)現(xiàn)早期故障，不僅能為機組維護人員安排備用器件和物資提供必要的時間，而且也能為設(shè)計人員提供指導(dǎo)和意見。隨著人工智能技術(shù)的發(fā)展，特別是知識工程、專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)等在診斷領(lǐng)域的進一步應(yīng)用，故障智能診斷已逐漸成為現(xiàn)實。本文將在介紹風(fēng)電機組結(jié)構(gòu)、常見故障和狀態(tài)監(jiān)測技術(shù)的基礎(chǔ)上，深入討論如何應(yīng)用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建智能診斷系統(tǒng)，并給出可行的系統(tǒng)設(shè)計方案和軟件實現(xiàn)流程圖。

1 風(fēng)電機組結(jié)構(gòu)

風(fēng)電機組通過葉輪捕獲風(fēng)能，傳動系統(tǒng)將風(fēng)能傳遞到發(fā)電機，發(fā)電機在電氣控制系統(tǒng)的調(diào)節(jié)下發(fā)出高質(zhì)量的電能，并網(wǎng)型發(fā)電機通過變流器和變壓器接入電網(wǎng)，向電網(wǎng)饋電。風(fēng)電機組從整體結(jié)構(gòu)上分為直驅(qū)型和齒輪箱升速型，實際應(yīng)用中較多采用后者。常見的升速型水平軸風(fēng)電機結(jié)構(gòu)如圖1所示[5]，主要由風(fēng)輪、變槳機構(gòu)、傳動系統(tǒng)、偏航系統(tǒng)、發(fā)電機、控制系統(tǒng)、機艙和塔架等構(gòu)成。

圖1 水平軸升速型風(fēng)電機結(jié)構(gòu)

2 常見故障和機理分析

風(fēng)電機組多安裝在高山、荒野、海灘、海島等風(fēng)口處，常年經(jīng)受無規(guī)律的變向變負(fù)荷的風(fēng)力作用以及強陣風(fēng)的沖擊和酷暑嚴(yán)寒極端溫差的影響，從而導(dǎo)致其故障頻發(fā)。

風(fēng)電機組常見的故障類型有很多。對于不同風(fēng)電場，其地理位置、風(fēng)況、風(fēng)機類型和運行情況都有所不同，從而導(dǎo)致機組的故障類型不同。圖2是瑞典風(fēng)電場2000—2004年間故障數(shù)據(jù)的統(tǒng)計圖?？梢?，電氣系統(tǒng)是機組中最常發(fā)生故障的部件，其次是傳感器和葉片/變槳裝置；齒輪箱故障是引起停機時間的最主要原因，其次是控制系統(tǒng)故障和電氣故障[6]。據(jù)統(tǒng)計，我國的風(fēng)場齒輪箱損壞率高達40%～50%，是機組中故障率最高的部件。以下僅分析幾種常見的主要故障。

圖2 瑞典風(fēng)電場2000—2004年間風(fēng)電機組各部件故障次數(shù)和時間分布

2.1 齒輪箱故障

齒輪箱是升速型風(fēng)電機的重要組成部件，其作用是將風(fēng)輪在風(fēng)力作用下所產(chǎn)生的動力傳遞給發(fā)電機并使其得到相應(yīng)的轉(zhuǎn)速。根據(jù)風(fēng)輪和發(fā)電機的特點，機組的質(zhì)量、剛度以及傳動軸的耦合、潤滑等情況，齒輪箱在使用過程中將承受靜態(tài)和動態(tài)載荷，從而可能產(chǎn)生各種類型的故障。由于制造安裝、操作維護、潤滑、承載大小等方面的條件不同，故障發(fā)生的時間和程度有很大差異。統(tǒng)計表明[7]，齒輪箱中各類零件損壞的比例為：齒輪60%、軸承19%、軸10%、箱體7%、緊固體3%、油封1%。通常齒輪投入使用后，由于齒輪制造不良或操作維護不善，會產(chǎn)生各種形式的失效，各部件常見的失效形式見表1。

表1 齒輪箱各部件常見的失效形式

2.2 電氣系統(tǒng)故障

風(fēng)電機組的電氣系統(tǒng)通過變頻器等電氣設(shè)備與電網(wǎng)連接，向電網(wǎng)輸送電能，同時控制電能參數(shù)?，F(xiàn)代設(shè)計通過變頻器等電氣設(shè)備來控制功率和頻率，實現(xiàn)風(fēng)電機組的軟并網(wǎng)。在大功率并網(wǎng)型風(fēng)力發(fā)電系統(tǒng)中，雙饋型電機轉(zhuǎn)子側(cè)變頻調(diào)速恒頻發(fā)電系統(tǒng)性價比較高，近年來被廣泛應(yīng)用。雖然電氣系統(tǒng)的投資僅占風(fēng)電機組全部投資的1%，但是其故障率卻高達17.5%[8]。電氣系統(tǒng)部件較多，故障種類也較多，主要有短路、過電流、過載、過電壓、欠電壓、過溫、接地、無法啟動變頻器等故障。

2.3 發(fā)電機故障

發(fā)電機的作用將旋轉(zhuǎn)的機械能轉(zhuǎn)化為電能，其型式較多，目前國內(nèi)外采用最多的是雙饋式異步發(fā)電機。風(fēng)機中最容易發(fā)生故障的部件是軸承、定子和轉(zhuǎn)子；對典型的異步發(fā)電機而言，三者的故障率分別為40%、38%和10%[9]。定子和轉(zhuǎn)子故障主要包括匝間繞組開路、單個或多個繞組短路、定子繞組連接異常、轉(zhuǎn)子導(dǎo)條和端環(huán)斷裂（籠型轉(zhuǎn)子）、靜態(tài)或動態(tài)氣隙偏心等。異步電機出現(xiàn)故障時可能出現(xiàn)以下現(xiàn)象：內(nèi)部電氣不對稱，氣隙磁通和相電流諧波分量增加，轉(zhuǎn)矩波動增強、均值下降，電機損耗增加、效率降低，繞組過熱等。此外，油溫過高、振動過大、軸承過熱、有不正常雜聲和絕緣損壞也是發(fā)電機的常見故障。

3 風(fēng)電機組狀態(tài)監(jiān)測和故障診斷

3.1 狀態(tài)監(jiān)測技術(shù)

早期，風(fēng)電場多采用事后維修方式，即部件失效后才進行維修。隨著裝機容量的快速增加，風(fēng)電場更多采用預(yù)防性維修（PM）。多數(shù)經(jīng)營者采取定期檢查測量結(jié)合歷史經(jīng)驗分析的方式對機組狀態(tài)進行評估。上述監(jiān)測方式有2個缺點：一是檢查費用昂貴，需要停機和進入機組內(nèi)部；二是只能定期評估，很難及時全面地了解設(shè)備運行狀況。近年來，由于狀態(tài)監(jiān)測和故障診斷技術(shù)的發(fā)展，預(yù)測性維修（PDM）和基于狀態(tài)的維修（CBM）得到了更多的應(yīng)用。

風(fēng)力發(fā)電機組的狀態(tài)監(jiān)測技術(shù)主要分為以下幾種：振動分析、油液監(jiān)測、熱成像技術(shù)、過程參數(shù)監(jiān)視、性能參數(shù)檢查。其他還包括材料的物理狀態(tài)檢查、應(yīng)變測量、聲學(xué)監(jiān)測、電學(xué)效應(yīng)、目視檢查、傳感器自我診斷等技術(shù)。其中，應(yīng)變測量、聲發(fā)射和振動監(jiān)測可用于檢測葉片故障趨勢；基于參數(shù)估計的方法可用于變槳系統(tǒng)的狀態(tài)監(jiān)測；基于不同傳感器的振動分析主要用于齒輪箱的狀態(tài)監(jiān)測，最常用的傳感器有加速度傳感器和位移傳感器，后者的作用是檢查主軸在低速運行時的情況；聲發(fā)射技術(shù)還可用于檢測由摩擦引起的部件表面應(yīng)力的突變，尤其能提早發(fā)現(xiàn)齒輪出現(xiàn)點蝕、裂縫等潛在故障；溫度監(jiān)測可用于檢查發(fā)電機定子和轉(zhuǎn)子繞組的運行情況，轉(zhuǎn)矩測量可用于傳動系統(tǒng)的故障檢測。

齒輪箱是風(fēng)電機故障頻率最高的部件，表2總結(jié)了齒輪箱狀態(tài)監(jiān)測的典型技術(shù)，并分析了它們的優(yōu)缺點[8]。

表2 齒輪箱狀態(tài)監(jiān)測技術(shù)

3.2 故障診斷技術(shù)

風(fēng)電機的故障診斷方法有很多種，主要包括傳統(tǒng)診斷方法、數(shù)學(xué)診斷方法和智能故障診斷方法。傳統(tǒng)診斷方法大多是基于狀態(tài)監(jiān)測技術(shù)的數(shù)據(jù)分析，現(xiàn)多采用與其他方法相結(jié)合的方式對故障進行診斷。數(shù)學(xué)診斷方法主要包括模式識別、基于概率統(tǒng)計的時序模型診斷、基于距離判據(jù)的故障診斷、模糊診斷、灰色系統(tǒng)診斷、故障樹分析、小波分析以及混沌分析與分形幾何。智能診斷方法主要包括模糊邏輯、專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、遺傳算法等。根據(jù)Frank PM[10]的觀點，故障診斷方法可根據(jù)圖3進行分類。

圖3 故障診斷方法分類

風(fēng)力機故障診斷屬于旋轉(zhuǎn)機械故障診斷的范疇，其內(nèi)容主要包括主傳動鏈上主軸、齒輪箱、發(fā)電機的故障診斷。文獻[11]中介紹了風(fēng)電機組故障檢測技術(shù)，基于頻譜分析法討論了輪轂移動和發(fā)電機振動的影響。文獻[12]基于多層電路理論，建立了雙饋型異步發(fā)電機（DFIG）定子繞組短路模型，并詳細(xì)分析了故障電流的變化，提出電流相角差可作為故障診斷特征。文獻 [13]分析了永磁同步發(fā)電機（PMSG）多相突然對稱性短路的情況，文獻[14]結(jié)合負(fù)序分析和神經(jīng)網(wǎng)絡(luò)方法，研究了永磁同步發(fā)電機單相繞組短路的故障診斷方法。文獻[15]研究了一種特殊的離散小波變換法在DFIG電氣和機械故障中的應(yīng)用，實驗測試表明此方法在瞬態(tài)工況的條件下能對故障進行明確的診斷。文獻[16]利用自組織模糊神經(jīng)網(wǎng)絡(luò)模型，提出了基于長期預(yù)測的非線性系統(tǒng)降階模型的故障檢測方法。文獻[17]研究了人工神經(jīng)網(wǎng)絡(luò)技術(shù)在風(fēng)電機組變速箱故障智能診斷中的應(yīng)用，認(rèn)為BP神經(jīng)網(wǎng)絡(luò)是解決復(fù)雜狀態(tài)識別問題的有效方法。文獻[18]基于齒輪箱的故障分類，利用小波神經(jīng)網(wǎng)絡(luò)分析了齒輪箱的振動頻譜；相比于早期的快速傅里葉分析（FFT）和包絡(luò)分析工具，小波分析更有利于提取故障特征。

4 風(fēng)電機組故障智能診斷

4.1 診斷方法的選擇

目前應(yīng)用于旋轉(zhuǎn)機械故障診斷較為廣泛的方法是專家系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)[19]。專家系統(tǒng)用于旋轉(zhuǎn)機械的故障診斷較成功，但在實際應(yīng)用中仍然存在以下主要缺陷：建立知識庫及驗證其完備性比較困難；容錯能力較差，缺乏有效的方法識別錯誤信息；大型專家系統(tǒng)的知識庫的維護難度很大；在復(fù)雜故障診斷任務(wù)中會出現(xiàn)組合爆炸和推理速度慢的問題。與專家系統(tǒng)相比，基于人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network,ANN）的故障診斷方法具有魯棒性好、容錯能力強和學(xué)習(xí)能力強等特點。

從風(fēng)力機故障診斷的實際應(yīng)用考慮，風(fēng)力發(fā)電在國內(nèi)的發(fā)展尚處于起步或較早狀態(tài)，早期投入的風(fēng)電機組也正處于故障發(fā)生的頻繁期，對故障維護檢修的經(jīng)驗仍處于摸索積累階段，因此構(gòu)建大規(guī)模比較完備的專家?guī)焐胁怀墒?。而神?jīng)網(wǎng)絡(luò)雖然也存在需要完備樣本的條件，但對故障樣本的搜尋相對比較簡單。另外對風(fēng)電場機組的檢測需要較強的容錯能力和實時性，即要對機組的運行情況進行在線診斷并發(fā)出警報，盡量避免故障情況的誤報。因此，應(yīng)用神經(jīng)網(wǎng)絡(luò)進行風(fēng)電故障診斷將是一個很好的選擇。雖然神經(jīng)網(wǎng)絡(luò)在風(fēng)電領(lǐng)域中的應(yīng)用實例并不多，但在機械故障診斷中的應(yīng)用已十分廣泛，尤其是對齒輪箱、發(fā)電機的診斷有很多成功的經(jīng)驗可循?；谝陨显?，下面具體介紹如何利用神經(jīng)網(wǎng)絡(luò)構(gòu)建風(fēng)電機組智能診斷系統(tǒng)。

4.2 預(yù)警和診斷系統(tǒng)設(shè)計

根據(jù)神經(jīng)網(wǎng)絡(luò)技術(shù)在旋轉(zhuǎn)機械故障診斷方面的研究總結(jié)[16-17,20-22]，擬定如圖4的風(fēng)電機組預(yù)警和診斷方案。

圖4 風(fēng)電機預(yù)警系統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

預(yù)警系統(tǒng)采用3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)的擬定輸入為風(fēng)向、風(fēng)速、風(fēng)輪轉(zhuǎn)速、電機轉(zhuǎn)速、輸出功率、功率因數(shù)、發(fā)電頻率、發(fā)電機溫度、齒輪箱油溫、液壓系統(tǒng)壓力等10個參量，在實際的設(shè)計中選取敏感度較高的參數(shù)作為輸入量，可根據(jù)運行數(shù)據(jù)進行調(diào)整；輸出為機組正常、齒輪箱異常、發(fā)電機異常、偏航系統(tǒng)異常4個量。根據(jù)風(fēng)電場運行數(shù)據(jù)，取得機組在齒輪箱異常、電機異常、偏航系統(tǒng)異常和正常四種狀態(tài)下的樣本值，即預(yù)警和報警樣本值。神經(jīng)網(wǎng)絡(luò)輸出節(jié)點為4個，分別對應(yīng)機組正常、齒輪箱異常、發(fā)電機異常和偏航系統(tǒng)異常，節(jié)點輸出值的范圍為[0,1]，輸出值越大代表異常的可能性越大。

應(yīng)用神經(jīng)網(wǎng)絡(luò)模型進行故障預(yù)測和診斷過程分為兩部分：網(wǎng)絡(luò)模型學(xué)習(xí)訓(xùn)練和模型的應(yīng)用[23]。前者在離線時通過目標(biāo)樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)、調(diào)節(jié)網(wǎng)絡(luò)權(quán)值，從而得到實用的網(wǎng)絡(luò)模型。當(dāng)訓(xùn)練輸出與預(yù)期輸出之差在容許范圍內(nèi)時，表明網(wǎng)絡(luò)已訓(xùn)練好，然后分析目標(biāo)樣本確定各節(jié)點的輸出閾值。各異常狀態(tài)對應(yīng)節(jié)點輸出的最小值作為該節(jié)點輸出的第一閾值；各異常狀態(tài)對應(yīng)節(jié)點輸出的平均值作為該節(jié)點輸出的第二閾值。

模型的應(yīng)用即利用訓(xùn)練得到的診斷模型對運行數(shù)據(jù)進行故障診斷和預(yù)測。用實時測量數(shù)據(jù)代替網(wǎng)絡(luò)的輸入，用已訓(xùn)練好的模型實時計算輸出，若某節(jié)點的輸出大于第一閾值，小于第二閾值時，對該類故障給予預(yù)警，提醒工作人員注意；當(dāng)節(jié)點輸出超過第二閾值時，發(fā)出報警信號，認(rèn)為該類事故發(fā)生。故障診斷預(yù)警模型的運行流程見圖5。

圖5 故障診斷模型運行流程圖

4.3 數(shù)據(jù)庫結(jié)構(gòu)

風(fēng)電機組預(yù)警診斷系統(tǒng)作為一套完整的軟件不僅要具有訓(xùn)練和診斷功能，還需要其他一些輔助功能：實時診斷、實時曲線、實時監(jiān)控、歷史數(shù)據(jù)查詢、診斷數(shù)據(jù)查詢、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、數(shù)據(jù)管理等。此系統(tǒng)用于對不同風(fēng)電場不同機組的運行狀況進行診斷，因此包含了對遠(yuǎn)程數(shù)據(jù)庫和本地數(shù)據(jù)庫的操作。其中本地數(shù)據(jù)庫用于存儲神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本、訓(xùn)練得到的網(wǎng)絡(luò)模型、用戶信息、閾值參數(shù)等；遠(yuǎn)程數(shù)據(jù)庫主要用于保存系統(tǒng)診斷所需要的風(fēng)電機組的參數(shù)數(shù)據(jù)（即機組運行的實時數(shù)據(jù)）以及實時診斷的計算結(jié)果等。數(shù)據(jù)庫存取流程和本地數(shù)據(jù)庫結(jié)構(gòu)圖如圖6所示。

圖6 數(shù)據(jù)庫操作流程和本地數(shù)據(jù)庫結(jié)構(gòu)圖

系統(tǒng)對故障樣本的訓(xùn)練在本地完成。通過調(diào)用本地的樣本庫進行訓(xùn)練，為每臺機組訓(xùn)練得到一套診斷模型，并將該模型儲蓄在本地。從故障預(yù)警系統(tǒng)開始運作起，實時監(jiān)控模塊將會從遠(yuǎn)程數(shù)據(jù)庫中讀取實時數(shù)據(jù)和用戶信息，然后根據(jù)用戶信息從本地數(shù)據(jù)庫中調(diào)用該用戶的診斷模型，對讀取到的實時數(shù)據(jù)進行診斷計算，診斷結(jié)果顯示該機組此時是否出現(xiàn)故障，并將該結(jié)果保存回遠(yuǎn)程數(shù)據(jù)庫中以備后續(xù)功能調(diào)用。實時曲線模塊從遠(yuǎn)程數(shù)據(jù)庫中讀取機組異常數(shù)據(jù)進行實時繪制曲線；歷史數(shù)據(jù)查詢、診斷結(jié)果查詢等功能主要根據(jù)設(shè)定的時間日期等參數(shù)從遠(yuǎn)程數(shù)據(jù)庫中選出符合條件的數(shù)據(jù)。

4.4 軟件實現(xiàn)

根據(jù)神經(jīng)網(wǎng)絡(luò)用于故障診斷的原理，在軟件的使用方面設(shè)置了學(xué)習(xí)模塊和診斷模塊。為適應(yīng)學(xué)習(xí)和計算的不同需要，兩條模塊采用不同的組織形式。軟件操作方式擬采用樹狀按鈕的設(shè)置模式，既可瀏覽軟件各功能全貌，又可方便操作各個功能模塊。設(shè)計原則簡單方便、易于理解，各個功能模塊化，操作直觀快捷，安全性區(qū)分好。軟件整體設(shè)計流程圖如圖7所示。

圖7 故障診斷系統(tǒng)軟件實現(xiàn)流程圖

軟件實現(xiàn)主要包括算法實現(xiàn)和系統(tǒng)實現(xiàn)兩部分。算法實現(xiàn)為神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法和實時診斷算法；系統(tǒng)實現(xiàn)為整個軟件系統(tǒng)的功能，包括診斷模塊、訓(xùn)練模塊、系統(tǒng)框架、曲線繪制模塊、數(shù)據(jù)查詢模塊、數(shù)據(jù)管理模塊的軟件實現(xiàn)等。軟件設(shè)計完成后，還應(yīng)進行測試，包括獨立運行測試和融合測試，其目的是確保各模塊實現(xiàn)各自的功能，相互之間通信正常，不出現(xiàn)非法干擾。

5 結(jié)語

隨著風(fēng)能在世界范圍內(nèi)的快速發(fā)展，不少風(fēng)電機組都出現(xiàn)了大量運行故障，如何降低發(fā)電成本、保證機組的運行可靠性已成為一個亟待解決的問題。風(fēng)電機組是一個復(fù)雜的機電綜合系統(tǒng)，目前齒輪箱故障、電氣系統(tǒng)故障和發(fā)電機故障是最主要的三種故障，往往征兆與故障之間存在多種映射關(guān)系，針對風(fēng)電機組進行狀態(tài)監(jiān)測，進而開展故障診斷仍存在較大的困難。因此構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機組故障智診斷系統(tǒng)，擅長發(fā)掘故障信息中的隱含知識，不僅可對故障進行有效診斷與分類，還有利于降低機組故障率、減少維修時間、提高風(fēng)電場的經(jīng)濟效益。

[1]Mid and Long Range Plan for Renewable Energy Development[R].Chinese Committee for National Development and Reform,2007.

[2]Highlights of the World Wind Energy Report 2008[R/OL].World Wind Energy Association.http://www.wwindea.org/home/index.php.

[3]WALFORD C A.Wind Turbine Reliability:Understanding and Minimizing Wind Turbine Operation and Maintenance Costs[R].Sandia Report,SAND2006-1100,2006.

[4]WILKINSON M R,SPIANTO F,KNOWLES M,et al.Towards the Zero Maintenance Wind Turbine[C]//Proceedings of 41st International Universities Power Engineering Conference,2006,1:74-78.

[5]AMIRAT Y,BENSAKER MEH，WAMKEUE R.Condition Monitoring and Fault Diagnosis in Wind Energy Conversion Systems:a Review [C]//Proceedings of the International Electric Machines and Drive Conference,2007:1434-1439.

[6]RIBRANT J,BERTLING L M.Survey of Failures in Wind Power Systems With Focus on Swedish Wind Power Plants during 1997-2005[J].IEEE Transactions on Energy Conversion,2007,22（1）:167-173.

[7]李虎,柳亦兵.大型風(fēng)電機組振動狀態(tài)監(jiān)測系統(tǒng)開發(fā)[D].北京:華北電力大學(xué),2009.

[8]LU Bin，LI Yaoyu，LI Xin，et al.A Review of Recent Advances in Wind Turbine Condition Monitoring and Fault Diagnosis[J].IEEE Power Electronics and Machines in Wind Applications,2009:109-115.

[9]POPALM,RITCHIEE,BOLDEA I,etal.Condition Monitoring of Wind Generators[J].IEEE Industry Applications Society Annual Meeting,2003,3:1839-1846.

[10]FRANK P M.Fault Diagnosis in Dynamic Systems Using Analytical and Knowledge-based Redundancy:a Survey and Some new Results[J].Automatica,1990,26（3）:459-474.

[11]CASELITZ P,GIEBHANDT J.Development of a Fault Detection System for Wind Energy Convertors[J].EUWEC,1996.

[12]LU Q F,CAO Z T,RITCHE E.Model of Stator Inter-turn Short Circuit Fault in Doubly-fed Induction Generators for Wind Turbine[C]//IEEE 35th Annual Power Electronics Specialists Conference,2004,1（6）:932-937.

[13]QIAO Mingzhong.The Analysis of Abrupt Symetry Short Circuit of multi-phase PMSG[J].Journal of Electrical Engineering Technology,2004,19（4）.

[14]QUIROGA J,CART ES D A,EDRINGTON C S.Neural Network Based Fault Detection of PMSM Stator Winding Short Under Load Fluctuation[J].EPE-PEMC,2008:793-798.

[15]AL-AHMAR E,BENBOUZID MEH,AMIRAT Y,et al.DFIG-Based Wind Turbine Fault Diagnosis Using a Specific Discrete Wavelet Transform[C]//Proceedings of the 2008 International Conference on Electrical Machines,2009,1（4）:1175-1180.

[16]ZHAI Yongjie,DAI Xuewu,ZHOU Qian.Fault Detection for Gas Turbines Based on Long-term Prediction using Self-organizing Fuzzy Neural Networks[J].Proceedings of the Sixth International Conference on Machine Learning and Cybernetics,2007,1（7）:1120-1125.

[17]YANG Shulian,LI Wenhai,WANG Canlin.The Intelligent Fault Diagnosis of Wind Turbine Gearbox based on Artificial Neural Network[J].Proceedings of International Conference on Condition Monitoring and Diagnosis,2008:1327-1330.

[18]HUANG Qian,JIANG Dongxiang,HONG Liangyou,et al.Application of Wavelet Neural Networks on Vibration Ffault Diagnosis for Wind Turbine Gearbox[M].Lecture Notes in Computer Science.Advances in Neural Networks,2008,5264:313-320.

[19]張承亮.旋轉(zhuǎn)機械故障診斷方法概述[J].科技情報開發(fā)與經(jīng)濟,2008,18（26）:191-193.

[20]ZAHER A S,MCARTHUR SDJ.A Multi-Agent Fault Detection System for Wind Turbine Defect Recognition and diagnosis[C].IEEE Lausanne Power Tech,2007,1（5）:22-27.

[21]陰妍,鮑久圣.基于神經(jīng)網(wǎng)絡(luò)和VB程序的旋轉(zhuǎn)機械故障診斷系統(tǒng)[J].設(shè)備管理與維修,2008,11:44-46.

[22]ECHAVARRIA E,TOMIYAMA T,HUBERTS HW,et al.Fault Diagnosis System for an Offshore Wind Turbine using Qualitative Physics[C].EWEC,2008.

[23]韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[M].北京:化學(xué)工業(yè)出版社，2002.