前言：在风力发电机组运行过程中，受自然界风速影响，转子叶片的转速会不断变化以维持运行的稳定性，但是在阵风作用下，叶片受外力影响可能会失去平衡，致使叶片遭受复杂的交变冲击载荷，甚至对风力发电机组整体运行造成不良的影响。在风力发电机组运行过程中，受人为因素与自然因素的影响，不可避免的发生各种运行故障，所以应该对风力发电机组进行定期的检修与养护，提升其运行质量，同时还要不断提升相关技术人员的职业技能，使其能够及时、有效解决风力发电机组各种运行故障，最大限度降低风力发电机组运行故障带来的经济损失。
1风力发电机组故障诊断技术
1.1以振动信号为依据的诊断技术
通常情况下，当风力发电机组出现运行故障是都会发出振动信号，相关技术人员可以根据振动信号，精准的识别风力发电机组故障发生的位置及原因。以振动信号为依据的诊断技术是当前最常用的一种风力发电机组故障诊断技术，该技术可以对风力发电机组的齿轮箱、轴承和叶片等部分进行有效的检测与诊断。例如，小波神经网络检测方法就是根据故障特征进行检测的，多用于齿轮箱的故障诊断，主要通过将信号分析与连续小波变换有效结合，提取齿轮箱微弱的故障信号，进而开展齿轮箱的故障诊断。根据风力发电机组故障诊断技术发展情况可知，故障诊断技术主要是通过对稳态条件下的振动信号进行离线分析来完成的，然而风力发电机组在实际运行过程中是动态且多变的，严重影响故障诊断结果的准确性，因此未来应该注重开发风电机组在线健康监测系统。
1.2以模式为依据的诊断技术
以模式为依据的风力发电机组故障诊断技术通过对风力发电机组的信号种类进行分析，建立时域、时频和频域的高维统计特征，并利用机器学习法可视化分析处理高维统计特征，进而有效诊断风力发电机组运行故障。近年有关专家利用无监督分类法分析重构的高维流行拓扑结构，并对相关部件的故障特征进行了有效的提取，该方法最大的优势就是在使用过程中保留了一定故障信号信息，防止诊断技术失误而损害故障部件的其他信息。栗茂林等人通过学习优化局部切空间，研发了一种以非线性学习为基础的模式故障诊断技术，能够对滚动轴承故障进行及时、科学的诊断，该诊断技术以无监督和有监督的模式识别方法为主，在实际使用过程中涉及诸多的算法，大大降低了诊断的精准性与效率性，因此还需不断创新并完善该诊断技术，使其更好的应用于风力发电机组故障诊断过程中。
1.3以电气信号为依据的诊断技术
由于电气信号微弱，常常被电机等设备的运作声音淹没，由此加大故障诊断难度。因此在采用该技术进行风力发电机组故障诊断时，应该保证信号接收及分析设备的先进性，能准确识别相关信号并找出故障信息。同时结合力学模型和数据，分析并总结故障问题。该模型通过将电机转矩波动与电信号有机结合，分析齿轮箱故障与信号之间的实际关系，模拟实际情况，准确定位故障位置。另外，在实际分析中，还可以利用维纳滤波器来清除噪声，进而判断机组中的轴承故障。还可以利用信号双谱分析方法、Hilbert模量频谱法诊部件故障。在实际应用中，相关技术人员可根据实际情况进行选择，科学诊断故障。该方法不需要额外购买传感器，经济效益好，诊断结果相对准确，具有良好的应用前景。
2风力发电机组故障预测技术
2.1机组电子系统故障预测技术
随着世界经济与科技的发展进步，各国逐渐认识到风力发电的重要性，纷纷加大风力发电技术及风力发电机组故障诊断与预测技术的研究力度，促使风力发电机组安全、平稳的运行，最大限度提高风力发电的经济效益与社会效益。电子系统故障是风力发电机组故障的一种，该故障虽然不会对风力发电机组造成大面积的损害，且不需要花费过多的维修费用，但是如果多次发生机组电子系统故障，也会在一程度上损害机组的使用寿命，同时加大故障预测的难度。要想有效开展机组电子系统故障预测工作，可以采用以下几种方法：一是系统植入。在电子系统创建与使用初期，不断完善电子系统，并植入独立的维护系统，进而独立开展电子系统的故障检测、检修等工作，降低预测的难度。二是创建保护功能。与系统植入方法大体一样，就是在机电系统结构中建立具有保护功能的模块，一旦出现故障，系统能够自动开启保护模式，降低故障对系统造成的损害。三是实时监控运行数据。实时、精准的监控电子系统运行数据，一旦发现数据异常能够立即向有关技术人员发出警告，相关技术人员可以通过分析异常数据，找到故障的原因并进行妥善的处理。四是建立应力或疲劳模型，有效预测机组电子系统故障状态与程度。
2.2机械结构系统故障预测技术
预测维修发电机组前期故障能够延长风力发电机组的使用时长，减少维修突发故障所用的成本，使风力发电机组在运行时表现得更加可靠。对风力发电机组机械结构系统而言，其组成除了轴承与齿轮箱外，还有叶片，机械结构系统会在多种因素限制下出现失效问题，使风力发电机组不得不长期停机，而且应该对不菲的维修资金进行支付。随着风力发电机组的不断发展，有关学者加大了研究风力发电机组的故障预测的力度，有研究表明，在实际预测风力发电机组故障的过程中需要将下列角度当作切入点，首先，对风力发电机组的动态部件在运行时的状态进行分析，能够使用HMM模型与半Markov模型来推理轴承的退化状态与退化程度，进而对轴承的可使用时长进行判断。其次，按照有关的数据密度对风力发电机组的寿命状况进行判断，能够使用Gamma 过程对设备的运行数据进行分析，对设备的使用时长的几率分布状况进行研究。再次，对设备的噪声状况进行分析，借助相对均根值对设备使用状态及设备性能进行计算，使用麦克风多测点的监测方法对设备的噪声变化状况进行分析，再利用小波分析法对设备故障的相关预测数据进行提取，完成预测工作。
结束语：
总而言之，如果风力发电机组发生运行故障，不仅会危及系统整体运行状况，还会加大人力、财力的投入，降低风力发电的整体效益。因此，在新时期发展背景下，为了更好的提升风力发电应用性能，应该深入研究风力发电机组的诊断与预测技术，创新在线监测系统，降低机组故障风险，充分发挥风力发电的经济价值与社会价值，促进我国风力发电事业健康的发展。
参考文献：
[1]刘敬智,宋鹏,白恺,姚万业,杨伟新.风力发电机组故障预测技术研究[J].华北电力技术,2016(12):49-54.
[2]金晓航,孙毅,单继宏,吴根勇.风力发电机组故障诊断与预测技术研究综述[J].仪器仪表学报,2017,38(05):1041-1053.
[3]龙霞飞,杨苹,郭红霞,伍席文.大型风力发电机组故障诊断方法综述[J].电网技术,2017,41(11):3480-3491.
[4]曾军,陈艳峰,杨苹,郭红霞.大型风力发电机组故障诊断综述[J].电网技术,2018,42(03):849-860.
[5]杨巍.风力发电机组故障诊断与预测技术研究综述[J].工程建设与设计,2018(04):77-78.
[6]朱振海.风力发电机组故障诊断与预测技术研究综述[J].工程建设与设计,2018(18):63-64.
[7]邢海军.风力发电机组故障诊断与预测技术研究综述[J].化工管理,2019(12):155-156.
[8]张燕春.风力发电机组故障诊断研究探讨[J].现代制造技术与装备,2020(01):176+180.