下载掌阅APP，畅读海量书库
立即打开
能源是人类生存和发展的物质基础，是推动经济发展的动力和保障，同时能源发展带来的环境问题已经成为世界性问题。面对全球日益严重的能源和环境问题，提质增效、促进能源结构转型，大力推进化石能源清洁高效利用和发展可再生能源，促进多能互补，融合发展，已成为世界各国保障能源安全、应对气候变化、实现可持续发展的重要举措。经济全球化、全球能源格局深入调整、气候问题日益迫切等新形势，对我国能源未来发展提出了新的挑战和要求。
可再生能源发电是我国重点发展、具有全球竞争力的战略性新兴产业之一。当前，中国与世界主要国家均加快向“清洁、低碳、安全、高效”的可持续能源系统转型。可再生能源装机和在终端能源消费中的比例持续增加，美国、德国、丹麦等国家分别提出了到 2050 年可再生能源占电力消费的比重达到 80%~100%的发展目标，开始探索以可再生能源为主的新型能源体系。
风力发电是可再生能源发电的重要形式，也是我国重点发展、具有全球竞争力的战略性新兴产业之一。风能发电装备技术的发展是实现可再生能源高比例应用和产业持续健康发展的重要依托。在风能、水能、太阳能、地热能、海洋能、生物能等可再生能源中，风能作为一种可持续的绿色清洁能源，以其资源丰富、洁净环保、技术日益成熟、发电成本低等优点，得到了突飞猛进的发展。近年来，风力发电在全世界范围内得到了持续和高速的发展，我国的风电行业更是得到了规模化、超常规的飞速发展，风力发电绿色能源的兴起已经成为低碳经济的重要标志之一 [1,2] 。
近十几年来，风电技术相对成熟，具有更高的成本效益和资源有效性，全球能源系统向可再生能源转型正在进行中，风能则是这一发展最主要的力量，已成为全球电力供应的主要支柱，是世界上增长最快的能源之一。风电装机容量指数增长，装机容量和增长率统计如图 1-1 和图 1-2 所示。
图 1-1 全球装机容量和增长率
图 1-2 中国装机容量和增长率
全球风能理事会（Global Wind Energy Council，GWEC）统计数据表明，2018 年世界风电累计装机容量达 592.1 GW，新装机容量为 53.9 GW，风电发电量占全球电力需求的 6%。截至 2017 年，风电装机容量复合增速达 20.24%，累计和新增装机容量排名前三位的国家是中国、美国和德国，分别占全球装机总容量的 31%、17%、10%和新增装机总容量的 37%、13%、13%。亚洲地区风电累计装机容量达 229 GW，位居第一，欧洲178 GW，北美 105 GW，拉美及加勒比海地区风电装机容量为 18 GW。亚洲地区，印度实现了 4.1 GW的强劲增长，但由于缺乏政策延续性，其增长前景堪忧；巴基斯坦、泰国、越南等国都显示出显著的增长，日本和韩国也出现了不同程度的增长。
从全球电力生产结构的变化趋势看，化石燃料和核能发电的占比逐年下降，水电占比长期维持在 16.6%。风电是目前发展最快的可再生能源，在世界范围内仍有很大的发展空间。随着技术的不断进步和规模经济的体现，风电成本实现了快速下降。全球范围内，在 2013 年前后陆上风电的平准化度电成本（Levelized Cost of Energy，LCOE）已经低于煤电的发电成本，即初步实现并网侧的平价上网，具备了对传统火电的替代能力。2017 年，全球陆上风电平准化度电成本仅为6 美分/千瓦时，其中2017 年以来新建陆上风电平均成本仅为 4 美分/千瓦时。摩洛哥、印度、墨西哥和加拿大等国家，风电价格在 0.03 美分/千瓦时左右。
全球风电场建设出现从陆地向近海发展的趋势。相比陆上风电，海上风电具备风电机组发电量高、单机装机容量大、机组运行稳定以及不占用土地、不消耗水资源、适合大规模开发等优势。同时，海上风电一般靠近传统电力负荷中心，便于电网消纳，免去长距离输电的问题。经过近二十余年的发展，从全球范围来看，海上风电技术日益成熟，过去制约其快速发展的技术壁垒高、建设难度大、维护成本高、整机防腐要求强等弊端得到逐步改善。2017 年，全球海上风电新增装机容量 4.3 GW，累计装机容量达 18.8 GW。其中，欧洲十一国贡献了 84%（15.8 GW）的累计装机容量，其余 16%装机中大部分位于中国，少部分位于越南、日本、韩国和美国。英国是全球最大的海上风电市场，占全球累计装机容量的 36%，德国以 29%的份额位居第二位，中国以 15%的份额位居第三。自第一座海上风电场投运以来，海上风电成本的下降幅度超过了 30%。2017 年，在德国的招标中出现了全球首个“无须补贴”的海上风电项目，装机容量达到 1 GW，其电价将不会超过电力市场的批发价格。
由中国风能协会（China Wind Energy Association，CWEA）发布的统计数据表明，2018年我国风电新装机容量达到25.9 GW，同比增长率为31.7%，累计装机容量214 GW，同比增长 13.7%，无论是累计还是新增装机容量，我国都已成为全球规模最大的风电市场。截至 2017 年，我国风电新增并网装机容量占全部电力新增并网装机容量的 14.6%，累计并网装机容量占全部发电装机容量的 9.2%。风电新增装机容量占比近几年均维持在 14%以上，累计装机容量占比则呈现稳步提升的态势，全国风电发电量 3 057 亿千瓦时，占全部发电量的 4.8%，发电量逐年增加，市场份额不断提升，风电已成为继煤电、水电之后我国第三大电源。在 2015 年新增风电装机 32 GW后，风电装机连续两年回落，其主要原因是弃风限电、电价下调和海上风电的影响。自“十一五”规划以来，在《中华人民共和国可再生能源法》和相关政策的扶持和推动下，我国的风电行业取得了卓越成就。目前，我国的风电行业发展已逐步规范化、稳定化，在风电技术方面不断取得创新，设计更加细分化和智能化，生产了多种适合于不同气候和环境条件的特殊定制风电机组。风电机组不断大型化，2.5 MW的机组已成为市场主流，3 MW及以下的机组技术已经较成熟，6~8 MW的机组和海上风电技术发展迅速发展，已经有海上产品投入试验，并将出现海上风电的爆发式增长。截至 2018 年前三季度，我国海上风电装机容量达 3 GW。“十三五”期间，预计海上风电新增装机容量达 4 GW。
自 2009 年中国成为世界第一大能源消费国，以煤为主的能源结构带来了严重的生态环境问题，党的十八大提出了“推动能源生产和消费革命”，十九大提出“坚持新发展理念”，坚持绿色发展，推进能源行业变革，反映出国家转变能源发展方式的重要性和急迫性，以风电为代表的可再生能源迎来历史性发展机遇。现阶段，我国风电行业发展模式从“重规模、重速度”到“重效益、重质量”转变。“十三五”期间，我国风电产业将逐步实行配额制与绿色证书政策，并发布了国家五年风电发展的方向和基本目标，明确了风电发展规模将进入持续稳定的发展模式。截至目前，我国风电行业经历了两轮高速发展时期。第一阶段从 2005 年开始，到 2010 年结束，之后经历了两年的调整，从 2013年年中开始，我国风电行业摆脱下滑趋势，在行业环境得到有效净化的形势下，开始了新一轮有质量的增长，并在 2015 年创新高，随后受前期抢装透支需求的影响，2016、2017 年连续两年装机容量下滑，但 2017 年降幅趋缓。在新的电价下调截止时间临近导致的“小抢装”、“三北”地区弃风限电改善恢复投资、分散式风电崛起、海上风电发展等多因素驱动下，2018 年开始，新增装机容量重回高增长。随着开发布局的不断优化，配套政策的有效执行，以及风电技术水平的显著提升，短期内中东部和南方地区风电投资需求不断增加，未来“三北”地区的发展空间仍然十分巨大，早期风电机组临近退役，存量市场替代空间打开，分散式风电崛起，助力行业增长，绿证认购启动，保障风电渗透率持续提升。
近年来，虽然我国的风电事业得到了迅猛发展，具有规模化、商业化发展的巨大潜力，但因为起步较晚，总体发展水平还远远落后于国外，在研发和生产过程中还有许多基础理论、工程设计和关键技术等问题需要迫切解决，风电发展面临着新的矛盾和挑战。我国风电装机容量虽然已位居世界第一，但在能源结构中所占比例还很低，低于丹麦（44.4%）、德国（20.8%）、英国（13.5%）等国家；弃风限电的问题有待解决；风电制造业存在轻质量重产能的问题；风电系统整体设计及关键零部件制造能力还较薄弱，在很大程度上依靠引进，缺乏自主研发能力；许多生产厂商其技术的成熟性还需要实践考验；对恶劣气候条件的适应性、核心控制策略、非理想电网条件下运行的控制技术等方面，还存在很多需要改进的地方。
因此，掌握风力发电的相关理论及其关键技术，对促进风力资源合理有效地开发利用、开展自主创新的发展道路、形成具有自主知识产权的核心技术、保障我国风电事业的快速健康发展具有重大意义。
诊断（Diagnosis）一词原是医学名词，是医生收集病人症状，并根据症状进行分析处理，以判断患者的病因和严重程度，从而确定对患者的治疗措施与治疗方案的过程。设备故障诊断技术引用上述概念，是指利用各种检查方法和监测手段，通过对设备运行中各种特性的测量，了解及评估设备在运行过程中的状态，从而能在早期发现故障的技术。其中，特征量的收集过程称为状态监测。诊断是指特征量收集后的故障分析判断过程。设备的故障诊断有在线诊断和离线诊断，其目的都是及时发现设备的潜在故障，通过分析故障形成原因或故障机理，预防故障的进一步发生、发展，尽可能地排除设备故障，保证设备安全稳定运行，可靠发挥设备功能 [3] 。
故障诊断始于设备故障诊断，发展于 20 世纪 60 年代，它包含两方面内容：一是对设备的运行状态进行监测；二是在发现异常情况后对设备的故障进行分析、诊断。设备故障诊断是随设备管理和设备维修发展起来的。自 1961 年美国开始执行阿波罗计划后，因设备故障造成的一系列事故促使在美国宇航局的倡导下，1967 年由美国海军研究室主持成立了美国机械故障预防小组，并积极从事技术诊断的研究工作。20 世纪六七十年代，英国机器保健和状态监测协会开始研究故障诊断技术，在摩擦磨损、汽车和飞机发电机监测和诊断方面具领先地位。1971 年日本的新日铁开始研发诊断技术，1976 年达到实用化，日本诊断技术在钢铁、化工和铁路等领域处领先地位。我国在故障诊断技术方面起步较晚，1979 年才初步接触设备诊断技术，目前在化工、冶金、航空、电力等领域有较好的应用。
由于故障诊断技术是在基本不拆卸设备或设备运行中，了解设备的使用状态，确定设备正常与否，进而辨别设备的早期故障原因，并制定相应的处理措施，因此对于提高设备安全经济运行具有重要意义。经过多年的研究和现场运行考核，国内外很多公司已成熟地开发了设备状态监测与故障诊断系统，并广泛应用。如美国西屋公司的GEN AID系统，使得克萨斯州的 7 台发电机组强迫停机率由 1.4%降至 0.2%，平均可用率由 95.2%提升至 96.1%；英国CEGB公司下属的 550 MW和 660 MW发电厂因机组故障每年损失 750 万英镑，应用故障诊断技术后，通过对机组振动故障原因的 5 次正确分析，获得直接经济效益 293 万英镑。设备故障诊断技术经过半个世纪的发展，在理论上和实际上均取得很多进展。经过 30 多年的研究与发展，故障诊断技术已应用于飞机自动驾驶、人造卫星、航天飞机、核反应堆、汽轮发电机组、大型电网系统、石油化工过程和设备、飞机和船舶发动机、汽车、冶金设备、矿山设备和机床等领域。
故障诊断技术已有 30 多年的发展历史，但作为一门综合性新学科——故障诊断学，还是近些年发展起来的。从不同的角度出发，有多种故障诊断分类方法，各有特点，归纳如下：
从动力学角度出发研究故障原因及其状态效应，针对不同机械设备进行的故障敏感参数及特征提取是重点。
主要有时域特征参数及波形特征诊断法、时差域特征法、幅值域特征法、信息特征法、频谱分析及频谱特征再分析法、时间序列特征提取法、滤波及自适应除噪法等。今后应注重实时性、自动化性、故障凝聚性、相位信息和引入人工智能方法，并相互结合。
模糊诊断是根据模糊集合论征兆空间与故障状态空间的某种映射关系，由征兆来诊断故障。由于模糊集合论尚未成熟，诸如模糊集合论中元素隶属度的确定和两模糊集合之间的映射关系规律的确定都还没有统一的方法可循，通常只能凭经验和大量试验来确定。另外，因系统本身不确定的和模糊的信息（如相关性大且复杂），以及要对每一个征兆和特征参数确定其上下限和合适的隶属度函数，其应用有一定局限性。但随着模糊集合论的完善，该方法有较光明的前景。
依据设备运行或激振时的振动信息，通过某种信息处理和特征提取方法来进行故障诊断。应用时应注重引入非线性理论、新的信息处理理论和方法。
故障树分析诊断法是一种图形演绎法，把系统故障与导致该故障的各种因素形象地绘成故障图表，能较直观地反映故障、元部件、系统及因素、原因之间的相互关系，也能定量计算故障程度、概率、原因等，应注重与多值逻辑、神经元网络及专家系统相结合。
该方法从系统的角度来研究信息的关系，即利用已知的诊断信息去揭示未知的诊断信息。它利用灰色系统的建模（灰色模型）、预测和灰色关联分析等方法进行故障诊断，有自学习和预测功能。由于灰色系统理论本身还不完善，如何利用已知信息更有效地推断未知信息是一个难题。
该方法是近年来故障诊断领域最显著的成就之一。它的内容包括诊断知识的表达、诊断推理方法、不确定性推理以及诊断知识的获取等。目前存在的主要问题是缺乏有效的诊断知识表达方式，不确定性推理方法，知识获取和在线故障诊断困难等。应注重与模糊逻辑、多值逻辑、故障树、机器学习和人工神经网络等理论和方法的结合与集成。
模式识别法是一种十分有用的静态故障诊断方法，它以模式识别技术为基础，其关键是故障模式特征量的选取和提取。现有许多模式分类器，如线性分类器、Bayes分类器、最近邻分类器等。该方法的诊断效果在很大程度上依赖于状态特征参数的提取、样本的数目、典型性和故障模式的类别、训练和分类算法等，应注重新聚类算法、自动学习识别方法及与ANN相结合。
神经网络应用于故障诊断是最成功的应用之一。由于神经网络具有原则上容错、结构拓扑鲁棒、联想、推测、记忆、自适应、自学习、并行和处理复杂模式的功能，使其在工程实际存在着大量的多故障、多过程、突发性故障、庞大复杂机器和系统的监测及诊断中发挥较大作用。在众多的神经网络中，尤其以基于BP算法的多层感知器神经网络理论最坚实，应用最广泛且最成功。神经网络故障诊断方法易实现对非线性系统的故障诊断。重点研究在线学习算法、知识表达和鲁棒学习算法等。
该方法以现代控制理论和现代优化方法为指导，以系统的数学模型为基础，利用观测器（组）、等价空间方程、Kalman滤波器、参数模型估计和辨识等方法产生残差，然后基于某种准则或阙值对该残差进行评价和决策。基于模型的故障诊断方法能与控制系统紧密结合，是监控、容错控制、系统修复和重构的前提。目前该领域研究的重点是线性和非线性系统的故障诊断的鲁棒性、故障可检测和可分离性、利用非线性理论（突变、分叉、混沌分析方法）进行非线性系统的故障诊断。
故障诊断理论和方法和分类虽然很多，但可归纳为两类：①基于非模型的故障诊断理论和方法，如信号空间特征、模态和信息处理方法的诊断理论与方法；基于知识推理、人工智能、专家系统的诊断方法；基于模式识别和神经网络的诊断方法。②基于系统数学模型和现代控制理论、方法的故障诊断理论和方法，也包括相互间的结合和集成。
机械设备故障诊断技术是一项综合信息处理技术，建立于故障诊断基础理论、故障技术和诊断方法、信息技术、信号处理、测试技术等多种基础学科和工程技术基础上，融合了多学科理论，是一项具有基础理论新、实施技术多、工程应用广等特点的高新技术。机械设备故障诊断技术是通过监测设备在运行过程中的状态信息，对采集信号进行分析处理，对机械设备进行状态识别，并对故障进行预测，由此实施相应措施的技术。故障诊断技术需要通过测量设备的某些特征参数，对设备是否出现故障做出简单诊断，还需要对故障信息进行精密诊断，确定故障的性质、部位、程度、类别、产生机理等。
随着科学技术和现代化工业的迅速发展，机械设备日趋大型化、高速化、自动化、智能化、集成化。设备和零部件在生产中的地位越来越重要，对设备的管理水平也有更高的要求。能否保障关键设备的正常运行，将直接关系到各行业的发展。机械设备的维修经历了事后维修、预防维修、生产维修、维修预防、状态监测和智能维修等阶段 [3] 。
最早的事后维修阶段，是在设备发生故障后再进行拆检或更换零部件，此时设备本身的复杂程度和技术要求水平都相对较低，一旦发生故障，只能被迫停机修理。在这种情况下，设备的某些运行参数使用余量已消耗殆尽，从而导致故障发生。事后维修往往具有被迫停机的性质，设备意外故障较多，进而影响生产效率，增加维修成本。
随着科学技术的发展，机械设备本身的技术复杂程度有所提高，设备故障或事故产生的影响随之显著增加。为了减少停工维修时间，出现了预防维修方式。这种维修方式是一种以预防为主的维修方式，以设备的可靠性为中心，依据设备运行状态的恶化程度，设定最佳的维修周期、维修时间、维修规模，对设备进行预防性更换或维修。这种维修方式避免了事后维修的弊端，但也在一定程度上造成了设备的过度维修。
这种维修方式，从经济性角度依据设备的重要性进行组织维修，对经济及生产重要性高的设备采用预防维修方式，影响较小的设备采用事后维修方式。既可以保障对重点设备重点维修，也可大大降低维修费用。
维修预防是机械设备维修体制的一项重大突破。无论采用事后维修、预防维修，还是生产维修方式，对设备运行使用和修理起决定性作用的其实还是设备本身的质量。维修预防方式，将维修问题纳入设备的设计和生产制造阶段，不仅能够提高设备的可靠性和维修的便利性，又能够在运行使用时减少或避免故障，即便故障发生，也能够顺利对设备进行维修。
随着信号处理和信息技术在生产应用中的发展，机械设备维修领域出现了更科学的维修方式。状态监测维修方式对设备的状态进行实时监测，实现自动预警，并依据状态监测结果实施维修。
20 世纪 80 年代后，随着人工智能、神经网络等技术的发展，机械设备故障诊断技术智能化水平不断提升，以模块置换装置和自动诊断系统实现对设备的智能维修成为趋势。
机械设备运行的状态千差万别，出现的故障也是多种多样，采用的诊断方法也各不相同。在众多的诊断方法中，最常用的诊断方法有基于物理和化学分析的诊断方法、基于信号处理的故障诊断方法以及基于模型的故障诊断方法等。
它是通过观察故障设备运行过程中的物理、化学状态来进行故障诊断，分析其声音、气味、温度的变化，再与正常状态进行比较，凭借经验来判断设备是否故障。如对发动机排出的尾气进行化学成分分析，即可以判断出柴油机的工作状态。
它是对故障设备工作状态下的信号进行诊断，当超出一定的范围即可判断为出现故障。信号处理的对象主要包括时域、频域以及峰值等指标。运用相关分析、频域、小波分析等信号分析方法，提取方差、幅值、频率等特征值，从而检测出故障。如在发动机故障领域中常用的检测信号是振动信号和转速波动信号。
基于模型的故障诊断方法，是在建立诊断对象的数学模型的基础上，根据模型获得的预测形态和所测量的形态之间的差异计算出最小冲突集，即被诊断系统的最小诊断。其中，最小诊断就是关于故障元件的假设。基于模型的诊断方法不依赖于被诊断系统的诊断实例和经验，将系统的模型和实际系统冗余运行，通过对比产生残差信号，可有效剔除控制信号对系统的影响。通过对残差信号的分析，即可诊断出系统运行过程中出现的故障。
设备故障诊断技术与当代前沿科学的融合是设备故障诊断技术的发展方向。近几年来，随着故障树分析、专家系统、模糊诊断、人工神经网络等新的诊断技术不断出现，故障诊断技术朝着传感器的精密化、多维化，诊断理论、诊断模型的多元化，诊断技术智能化的趋势不断发展。
故障树分析诊断方法基于研究对象结构和功能特征的行为模型，它是一种定性的因果模型，是一种体现故障传播关系的有向图。诊断对象最不希望发生的事件为顶事件，按照对象的结构和功能关系逐层展开，直到不可分事件为止，把系统故障与导致该故障的各种因素形象地绘成故障图表，直观地反映故障、系统及因素、原因之间的相互关系，也能定量计算故障程度、概率、原因等。故障树分析法最初用于系统的可靠性设计，现已广泛用于故障诊断领域。该方法直观、快速诊断、知识库很容易动态修改，但其缺点是受主观因素影响较大，诊断结果严重依赖于故障树信息的正确性和完整性，不能诊断不可预知的故障。
故障诊断专家系统是一种基于知识的人工诊断系统，是利用专家经验，从大量的样本中提取故障特征，描述故障和征兆之间的关系网。在进行故障诊断时，根据已知事实，基于推理机通过故障原因与征兆进行匹配。它是研究最多、应用最广的一类智能诊断技术，主要用于没有精确数学模型或很难建立数学模型的复杂系统。目前，在采用先进传感技术与信号处理技术的基础上研发的故障诊断专家系统，将现代科学的优势与领域专家丰富经验和思维方式的优势结合起来，已成为故障诊断技术发展的主要方向。
工程机械的状态信号传播途径复杂，故障与特征参数间的映射关系模糊，再加上边界条件的不确定性、运行状况的多变性，使故障征兆和故障原因之间难以建立准确的对应关系，用传统的二值逻辑显然不合理。因此选用隶属度函数，用相应的隶属度来描述这些症状存在的倾向性。基于模糊数学的故障诊断方法就是通过某些症状的隶属度和模糊关系矩阵来求出各种故障原因的隶属度，以表征各种故障的倾向性，从而减少众多不确定因素给诊断工作带来的困难。
神经网络是一种信息处理系统，是为模仿人脑工作方式而设计的，它带有按一定方式连接和并行分布的处理器，由工程机械各个系统的信息提取故障特征，通过学习训练样本来确定故障判决规则，从而进行故障诊断。用于故障诊断的神经网络，能够在出现新故障时通过自学不断调整权值，提髙故障的正确检测率，降低漏报率和误报率。神经网络具有对故障的联想记忆、模式匹配和相似归纳能力，以实现故障和征兆之间复杂的非线性映射关系。对于多故障、多过程的复杂工程机械以及突发性故障或其他异常现象，其故障形成的原因与征兆的因果关系错综复杂，借助神经网络系统来解决是行之有效的。
机械设备故障诊断技术今后的发展方向势必是将设备故障诊断技术与其他先进学科相融合；与精密化、多维化的多元传感器信息技术相融合；与先进的信号处理方法相融合；与非线性方法相融合；与现代智能方法相融合。
设备故障诊断技术虽然取得了较大进展，有些方面已有较成熟的理论和方法，但仍存在许多不足，特别是对复杂的大规模非线性系统故障诊断方法的研究，更有待深入探索。在技术方面，现有的不同等级和各种类型的故障诊断装置，能在不同程度上对被测对象进行故障诊断，但与实际的需求相比，还有很大差距。
大多数故障诊断系统虽然能以很快的速度对被测对象自动进行故障诊断，但是由于设备越来越复杂，加上电路的非线性问题，检测点和施加的测试信号是受限的，可控性和可测性受到影响，同时造成故障诊断的模糊性和不确定性。另外，在模拟电路中，元器件的故障参数是一个连续量，因此测量响应的数据引入误差是不可避免的。
一是现有的诊断系统通常只搜集被测对象当前状态信息，而对其过去的状态和已做过的维护工作的信息、故障诊断系统本身的状态信息未加考虑；二是对被诊断电路，其测试信号大多是电信号，而对其他性质的信息测试较少，如温度、图像、电磁场信号等。因此，根据诊断结果提出的维护措施有时不够准确有效。
一是自动获取知识能力差。知识获取长期以来一直是专家系统研制中的“瓶颈”问题，对于故障智能诊断系统来说也是如此。目前多数的诊断系统在自动获取知识方面的能力还比较差，限制了系统性能的自我完善、发展和提髙。二是知识结合能力差。近年来，国外专家在对诊断与维修领域的专家系统的研究中，越来越多地强调使用知识结合能力。然而在如何将领域问题的基本原理与专家经验知识结合得更好的方面，所做的工作还很少，使得这些系统不能具备与人类专家能力相似的知识或能力，影响系统发挥更大的效能。三是对不确定知识的处理能力差，诊断系统中往往存在大量的不确定性信息，这些信息或是随机的，或是模糊的，或是不完全的。如何对不确定性知识进行表达和处理，始终是诊断领域研究的热点问题 [5] 。
随着我国风电装机容量的井喷式增长，风电事业取得了突飞猛进的发展。然而风电行业迅猛发展的主要标志仅体现于风力发电的装机容量上，机组倒塌、飞车、火灾、振动等各类重大事故还时常发生 [6,7] （如图 1-3 所示），机组额定功率下平均每年运行时间远远低于 2 000 小时。随着风电装机容量的不断扩大以及机组服役年限的增长，近年来风机事故频发，越来越多的问题暴露于眼前。这些事实充分揭示了我国风电事业的发展面临着关键零部件及整机测试技术、故障诊断技术较落后的瓶颈问题。
图 1-3 风力发电场机组事故
伴随装机容量的不断扩大，机组的运行维护需求越来越大，运维市场规模随之不断扩大，风电运维成为风电产业重要的后市场。由于经验不足，我国风电行业早期发展过于激进，导致机组在风场实际运行中出现运行不稳定、故障频发等问题，加上质保验收环节缺乏统一标准和明确机制，导致整机制造商和运营开发商博弈不断，风机出现质保困难。早期安装的机组，随其运行多年，质量问题将会逐步显现，故障率随之大大提高，尤其是每年逐步增加的过保期的机组，其运行维护问题有待解决。在有些故障情况下，昂贵的维修费用和停机带来的生产损失，使得运营商们做出妥协，在故障不十分严重的情况下继续使机组维持运行，这也在很大程度上增加了安全隐患。
据相关研究机构的统计，2013 年我国有 45 GW风机出质保，2014 年出质保风机达到 62 GW，2015 年和 2016 年，每年约有 16~18 GW风机到达质保期限，2017 年和 2018年其增长规模分别达到 27 GW和 32 GW，至 2020 年累计约达 190 GW。按照年利用小时数 2 000 小时，每千瓦时运维费用 0.05 元计算，未来三年内风电运维市场总量将高达 250 亿元左右。2013 年我国风电运维市场规模约为 67 亿元，2014 年为 82 亿元，2015 年为 91 亿元，2016 年为 108 亿元，2017 年为 124 亿元，近年均保持 10%以上的增长速度，2012 年至 2017 年我国风电运维市场规模、2018 至 2025 年运维市场规模预测如图 1-4 所示。
图 1-4 风电运维规模及预测
2018 年 5 月，国家能源局发布《关于 2018 年度风电建设管理有关要求的通知》，并提出以竞争方式配置风电建设项目，这意味着风电平价上网时代即将到来。在平价上网时代，度电成本降低，运维成本压力也随之变大，加之一直以来不容忽视的风机事故，风电运维后市场的发展困难重重。相关部门在对风机事故的原因进行总结后发现，事故发生的原因多样，其中机组设备质量不过关、机组研发、运维脱节等是造成事故的主要原因。不少风电企业为了在激烈的竞争中获胜，通过获取价格偏低的组件来降低成本，造成质量隐患。
风机的全寿命周期约 20~25 年，而其质保期只有 5 年，也就是说，风电场需要额外做好 15~20 年的运维工作。目前，风电运维主要依靠工作人员进行现场检查及故障预判，以排除安全隐患。风电场大多分布在人迹罕至的偏远地区，单纯靠人工蹲点维护，不仅运维成本极高，也容易因人员水平不一而导致损失。从设备角度来讲，缺乏风机机组运行维护的标准；从人员角度来讲，缺乏人员规范化培训的标准。因此，运维管理、安全管理水平不高，风机事故频发。此外，由于风电运维行业正处于“混战期”，尚未建立行业标准，业内服务公司水平良莠不齐，我国风电运维行业正面临着严峻的现实。
风电运维市场前景巨大，“诱人的蛋糕”引诱开发商、整机商以及第三方企业纷纷涉足这一领域。开发商主要进行风电场投资，关注风电场的整个生命运维周期，却无法掌握风电设备的核心技术；整机商手中握有风电设备的核心技术，但其只负责质保期内的风电机组现场运维工作，风机运维并不是其主要工作；第三方企业则专注于风机设备的检修及状态分析，但技术水平参差不齐、服务质量堪忧。由此看来，整个运维后市场形势混乱、“三方割据”，规范化、标准化水平较低。风电平价上网的步伐越来越近，但风电平价上网导致的价格降低或许会对整机商造成压力。在寻求价格降低的同时，风机运维成本的压力将会加大，这对风电运维的发展亦会是一大阻碍。
风力发电技术是一项综合技术，它涉及机械工程、能源动力工程、电气工程、力学工程、计算机及信息工程、电力电子变流技术等多个学科，其科技含量高，技术难度大。随着风力发电机组单机容量的不断提高，这种大型旋转设备朝着大型化、自动化、高速化的方向发展，其结构和组成更加复杂，设备之间的联系也更加紧密。加之风电机组工作环境恶劣，在严寒、酷热、雷电、盐雾、潮湿、雷电、台风等气候条件下长期运行，来自内部和外部的种种因素使其运行工况复杂多变，导致设备使用寿命大大缩减，有时一个数据错误或者一种信息疏忽，不仅会使得自身部件出现故障，还可能引起连锁反应，影响周围其他设备的正常运行，从而引发重大事故。
因此，故障监测和故障诊断技术显得更为重要。在机组运行过程中，应用先进的故障诊断技术，能够实现设备和零部件的预知性维修和保护，延长设备寿命，提高经济效益。实现风电机组零部件及整机的跟踪监测、故障诊断和运行维护，是提升风力发电设备的质量，确保风电行业安全稳定、健康发展的重要环节。要使得规模化发展的风电行业成为名副其实的绿色清洁能源、替代能源、节能减排的生力军，进一步规范风电市场、严格管控风力发电机组产品质量，提高可靠性和安全性，还需要在风力发电测试技术及故障诊断等方面开展卓有成效的工作。
风力发电机组这种大型旋转机械中使用了大量的轴承部件，如发电机主轴轴承、发电机两端轴承、增速箱内轴承，以及变桨、偏航、通风等所用的电机轴承等。轴承是机组支撑和传递动力的精密零件和核心部件，更是最易损坏的零部件之一。轴承在运转过程中，不可避免地会受到摩擦、力、热、冲击、振动等多种因素的影响，而产生磨损变形、表面脱落、裂纹、压痕、胶着、灼伤、断裂等损伤，从而导致运行状态异常，其中任一未被及时监测或排除的异常都将可能演变为故障或事故，影响设备精度，严重时可能导致整个机组的损伤，甚至造成人员伤亡，带来巨大经济损失。旋转机械的多数故障都与轴承密切相关，轴承的运行状态将直接对整个风电机组的运转产生重要影响。相关统计数据表明，在旋转机械故障中，轴承的故障大约占 30%。由于设计不当、零部件的加工和安装工艺不精，或者轴承的服役条件欠佳、突变载荷的影响，使得轴承在运转过程中产生各种各样的缺陷，并且在继续运行中缺陷进一步扩展，使得轴承运转状态逐步恶化，甚至完全失效。采用故障监测与诊断技术后，其事故的发生率可以降低 75%，且可使维修费用减少 25%~50% [8] 。
风力发电机组的轴承是主要的承载部件，检修时需从机箱拆卸搬移至地面解体修复，每次检修将会花费巨大人力物力。在工程实际中，大型机械零部件的维修与保养通常采用传统的定期检修方式，依据统计资料和经验，主要由设备的设计寿命来确定维修时间间隔。国家标准规定，轴承在正常工作条件下其寿命不得少于 20 年，这相当于风电机组持续运转 17.5×10 4 小时。根据零部件使用的位置不同，还规定了各处轴承10%失效率的最小额定寿命标准，高速轴、高速中间轴、低速中间轴、行星轮轴、低速轴其额定寿命标准为 3×10 4 小时~10×10 4 小时（3~10 年）。因此，在检修中可能出现以下情况：有的轴承早已超过设计使用寿命周期，但仍然照常运行，对其进行定期的拆卸检修，往往会产生过剩检修而引起不必要的人力浪费和财力损失。而有的轴承还未到设计使用寿命周期就提早出现了故障，若不及时检修更换，将会留有安全隐患，引起难以预估的随机偶然事故。
近年来，对“故障诊断”及“轴承故障诊断”问题的研究越来越受到人们的重视和关注，这两个关键词在知网的学术关注度统计如图 1-5 所示。滚动轴承作为旋转机械通用的核心零部件之一，又是易磨易损的故障频发部件，对其进行的故障监测和故障诊断技术方法是工程应用领域长期高度关注的课题 [9-15] 。
图 1-5 “故障诊断”和“轴承故障诊断”的学术关注度统计
综上可知，在风力发电机组运行过程中，对轴承进行状态监测、故障预警与诊断具有极其重要的意义。尤其是早期故障的预测和诊断，能够及时发现故障征兆，及早采取预防措施，减轻故障程度和减小故障范围，最大限度地降低故障引发的经济损失；通过故障状态实时监测，记录和保存故障数据和信息，便于事后分析查明故障原因，为后期的运行和维护提供依据，防范同类故障再次发生，同时对轴承部件进行合理保养和维护，使零部件的寿命得到充分延长，能够延长其使用寿命，延长检修周期，减少维修费用，提高维修精度和速度，降低维修费用，节约成本，提高经济效益；通过故障诊断，分析轴承设备的运行状态和故障机理，能够更充分地掌握和了解其工作特性，为优化整个系统的结构和控制策略提供可靠的理论依据；预知维修制度的逐步实现及其推广和应用，能够改变原有设备维修制度，它也是企业提高设备综合管理水平的标志之一。因此，对轴承进行故障诊断研究，对保障生产安全、优化系统结构、改善机组性能、提高产品质量、促进地区经济发展都具有极其重大的现实意义。