基于大數據統計的海上風電機組遠程故障診斷分析

吳曉晨　郭小青

[摘? ? 要] 本文簡單分析了大數據統計在遠程故障診斷中的作用，并以遠程故障診斷系統的設計背景入手強調了系統設計的必要性。同時，結合江蘇海上龍源風力發電有限公司的生產實踐經驗，提出了一種基于大數據統計的海上風電機組遠程故障診斷系統設計方案，并著重對其中基于大數據統計的遠程故障診斷的實現展開闡述。

[關鍵詞]大數據統計;海上風場;風電機組;遠程故障診斷

[中圖分類號]TM315 [文獻標志碼]A [文章編號]2095–6487（2020）06–00–03

Analysis of Remote Fault Diagnosis of offshore Wind Turbines

Based on Big Data Statistics

Wu Xiao-chen， Guo Xiao-qing

[Abstract]This article briefly analyzes the role of big data statistics in remote fault diagnosis， and starts with the design background of remote fault diagnosis system and emphasizes the necessity of system design. At the same time， combined with the production experience of Jiangsu Offshore Longyuan Wind Power Co.， Ltd.， a design scheme of remote fault diagnosis system for offshore wind turbines based on big data statistics is proposed， and the implementation of remote fault diagnosis based on big data statistics is emphasized. Elaborate.

[Keywords]big data statistics; offshore wind farm; wind turbine; remote fault diagnosis

在風力發電，特別是海上風力發電中，發電機組所面對的工況相對惡劣，風電機組的可利用率與使用年限呈現出明顯降低的趨勢。在這樣的條件下，某一數據出現錯誤也極有可能引發重大事故?；诖耍仨氁獙︼L電機組的運行展開實時性監測，實現對其故障情況的遠程診斷，以此維護整個海上風電場的安全性。所以，設計一種基于大數據統計的海上風電機組遠程故障診斷系統極為必要。

1 大數據統計在遠程故障診斷中的作用分析

大數據統計主要依托人工智能、信息技術以及統計學原理，對數據進行收集、整理與分析，最終形成決策。在海上風電機組的遠程故障診斷中，大數據分析實現對發電機組運行數據的采集與分析，以此為基礎完成對可能發生故障位置的確定，形成更為精準的故障情況判斷。

基于大數據統計的遠程故障診斷可以劃分為以下幾步驟：數據的準備與篩選-數據的預處理-數據縮減-確定目標及算法-數據挖掘-模式識別-形成故障診斷，經過整合可以歸納為兩大環節，即采集與存儲數據，為后續的故障判斷提供充足的數據信息支持;深入挖掘數據中包含的價值信息，實現對故障的定位與診斷。

在大數據統計的支持下，可以針對海上風電機組完成大規模數據庫的構建，以此實現數據導入、訪問、分析及處理，整體提升數據分析的效率效果。同時，形成對海上風電機組故障的智能化、及時判斷，維護海上風電場的安全。

2 海上風電機組遠程故障診斷系統的設計背景分析

在海上風力發電中，發電機組所面對的工況相對惡劣，環境條件復雜程度更高，且電網條件更加嚴格，某一數據出現錯誤、某一信息受到忽略也極有可能引發重大事故，促使風電機組的可利用率與使用年限呈現出明顯降低的趨勢。同時，由于風場的選址受到地理條件及風能資源的限制，各風場之間的距離可能會非常遙遠，特別是對于海上風場的情況。在這樣的前提下，如何方便快捷地對各風場運行狀況進行監測和分析，強化對海上風電機組的遠程故障診斷受到重點關注?；诖?，本文依據風力發電機組遠程狀態監測與故障診斷的需求，提出一種基于大數據統計的海上風電機組遠程故障診斷系統技術方案。

3 基于大數據統計的海上風電機組遠程故障診斷系統設計

3.1 系統總體結構設計

依托風電機組的技術特點，形成了以遠程在線狀態監測和分析診斷以及風電設備狀態監測分析為主要手段的海上風電機組遠程故障診斷系統。在該方案中，引入了大數據統計技術、互聯網技術以及先進監測技術等，完成對風電機組的遠程故障診斷、修復。該系統是基于INTERNET網絡/內部虛擬網建立的一個集數據采集傳輸和管理、機組狀態監測、事件報警管理、故障分析診斷、設備性能評估的系統。在系統中，現場一層是由傳感器、數據采集單元Drivetrain DAU、現場服務器等構成，本地診斷中心Local Care Centre組成的系統，每一臺本地診斷中心LocalCare Centre都可以經Internet向遠程診斷中心服務器上傳數據。

在本系統的運行中，主要完成以下兩項風電機組運行信號的監測，即風力發電機組振動監測、風力發電機組油液監測。在監測風力發電機組振動情況時，設定的測點包括：機組主軸承、齒輪箱輸油軸，監測信號數量為2，使用的傳感器為專用低頻加速度傳感器;齒輪箱外側圈、輸出軸，監測信號數量為2，使用的傳感器為加速度傳感器;發電機前后軸承，監測信號數量為2，使用的傳感器為加速度傳感器;齒輪箱輸出軸轉速，監測信號數量為1，使用的傳感器由監控系統接入或測速傳感器;發電機功率，監測信號數量為1，使用的傳感器由監控系統接入。在監測風力發電機組油液情況時，設定的測點包括：油質監測，監測信號數量為1，使用的傳感器為油液監測傳感器;油液金屬顆粒監測，監測信號數量為1，使用的傳感器為油液監測傳感器。

3.2 系統硬件設計

3.2.1 數據采集監測站（Drivetrain DAU）

其屬于智能化數據采集系統，主要將多種傳感器信號轉化為A/D就可以接受的信號，性能參數如下所示：連接信號包括加速度傳感器信號、油液監測信號、過程量信號、鍵相信號;供電要求為AC85-256 V;工作溫度為-40～70℃。

3.2.2 數據服務器

數據服務器主要承擔的工作任務包括：數據的長期存儲與管理、基于 B/S結構的數據傳輸功能、專業的診斷分析圖譜、系統管理及設置。

3.2.3 傳感器

結合前文的分析能夠了解到，在本系統中設定的傳感器大多為加速度傳感器，其性能參數主要如下：最大線性測量程穩定在±5 g左右;靈敏度控制在1000 mV/g;諧振頻率穩定在12 kHz;工作頻響范圍為0.3～4 kHz;幅值非線性度不高于5%;工作溫度控制在0～130℃之間。

3.3 系統各功能單元設計

3.3.1 實時監測功能單元

該功能單元主要承擔著監測并同步顯示風電機組實時運行情況的任務，主要以圖表、數值、曲線等形式展示相關數據信息，完成在線監測與分析，并從多角度顯示風電機組的顯示運行狀態。此時，現場工作人員可以獲取到的數據圖表形式包括：總貌圖、棒圖、波形頻譜圖、沖擊譜圖、趨勢跟蹤圖。

3.3.2 分析診斷功能單元

以風電機組齒輪、軸承位置發生故障為例進行說明，由于在該位置出現故障后，其靈敏程度的差別相對明顯，因此可以依托傳感器的信號傳遞以及后續數據分析完成故障診斷。在齒輪、軸承發生輕微磨損故障后，所產生的沖擊信號幅度偏低，且持續時間更短，因此不適合使用傳統的信號處理方式?；诖?，引入了沖擊能量技術（引導信號通過帶通濾波剔除低頻信號;引導所得高頻信號通過峰檢波器實施整流濾波;對獲得信號展開FFT運算，形成沖擊譜圖），完成對風電機組齒輪、軸承早期損壞的診斷，避免產生更為嚴重的負面影響。

3.3.3 數據管理功能單元

該功能單元主要承擔著記錄數據、傳輸數據、備份數據的任務，并為現場工作人員、專家進行風電機組運行數據的提取、檢索提供入口。在進行數據的記錄過程中，主要應用了按年、月、周、日的存儲辦法，為建立機組運行的日常歷史資料、形成趨勢跟蹤圖提供全面且真實的數據支持。同時，在該功能單元中，引入了事故黑匣子功能，當風電機組發生運行事故后，此功能可以為工作人員提供事故發生前后長時間段內的機組動態運行數據，且可以形成趨勢跟蹤圖，方便工作人員分析事故發生原因并及時完成準確有效的處理。另外，出于對數據傳輸穩定性的考量，在本地緩存區域內可以完成對一段時間內機組運行數據的保留，防止由于網絡中斷而導致監測數據丟失的問題發生。

3.3.4 遠程監測與診斷功能單元

該功能單元主要承擔著監測風電機組實際運行情況以及完成機組的遠程故障判斷、自我修復的任務，具體實現在下文中詳細闡述。

3.4 基于大數據統計的遠程故障診斷的實現

3.4.1 主要方法

在對機組設備展開運行監測的過程中提取運行數據，分析運行規律，以此為基礎確定出風電機組的實際運行情況，并完成對機組設備中隱含或已經存在故障的判斷。此時，可以將遠程故障診斷的決策模型設定為RDDM={M，K，D，E，P}，其中，M代表著故障判斷方法的集合;K代表著故障診斷中所涉及到的知識;D代表著風電機組設備的原始數據信息;E代表著實驗設施;P代表著專家知識的集合。此時，機組遠程故障診斷的決策目標可以用maxC=f（RDDM）-f（{M，K，D，E，P}）進行表達。其中，C代表著故障診斷效益。

在系統中融入大數據分析技術，可以實現對更為完善的知識、更先進技術的應用，對多類型數據信息展開歸納分析，最終獲取與風電機組故障診斷相關的控制規則。此時，該系統的遠程故障診斷流程為：對風力發電機組的運行數據進行采集;實施大量運行數據的處理與分析;形成故障診斷，并將相應故障信息傳遞至故障處理模塊、本地數據庫以及數據通信模塊，完成故障信息記錄保存的同時自動展開故障處理，并向相關工作人員發出故障提示及其信息。

3.4.2 遠程故障診斷步驟

在海上風電機組中設置多種傳感器，采集其運行狀態數據，并實時傳遞至數據采集站中，完成對風電機組故障征兆信息的備份;網絡信息與推理判斷服務器為診斷中心作出正確的故障診斷決策提供數據支持，在監控分析軟件、故障診斷軟件的共同作用下，診斷服務器實現本地數據庫服務器中數據信息的提取，完成風電機組故障情況的遠程診斷，并將相應診斷結果反饋至現場工作人員。

系統實際的運行中，若是判斷風電機組的故障情況具有極高的復雜性，則可以向系統中心發出信號，并由系統中心向遠程診斷中心發出申請;依托互聯網，行業專家可以完成對相應故障的診斷、分析以及處理，并將結果反饋至診斷中心以及現場工作人員。對于診斷服務器來說，主要參考征兆信息，展開對風電機組故障診斷的推理，并在獲取推理結果后立即傳遞至網絡服務器;網絡服務器根據相應信息形成有關風電機組故障診斷結果的網頁，授權用戶可以通過登錄系統獲取相關電子版診斷報告。

作為局域網的服務器直接面向海上風電場局域網，基于此，現場工作人員可以通過網絡瀏覽器完成對風電機組振動情況、運行變化情況的監測;遠程故障中心中的服務器與本地診斷中心服務器的功能具有一致性，其中的數據庫服務器內保存著所有風力發電機組的運行數據，促使數據共享成為現實;推理機承擔著對相應共享數據展開分析與診斷推理的任務，確保海上風電場中的所有風電機組均可以享受專家級別的故障診斷服務，避免故障誤判、錯判等問題的發生，提高遠程故障診斷的效率效果。另外，在本系統的運行中，若是診斷中心無法迅速、準確完成風電機組故障的遠程診斷以及修復，則能夠在互聯網的支持下，向遠程故障診斷中心發出求助信息，由行業專家接手風電機組遠程故障診斷以及處理的工作。

4 結束語

綜上所述，在海上風力發電中，發電機組所面對的工況相對惡劣，必須要對風電機組的運行展開實時性監測，實現對其故障情況的遠程診斷。依托數據采集監測站、數據服務器、傳感器的布設，結合實時監測功能、分析診斷功能、數據管理功能的實現，并依托大數據分析技術完成遠程故障診斷，降低了風電機組運行故障的發生概率。

參考文獻

[1] 王紹平，王冰，曹智杰，等.海上風電機組分布式控制系統故障診斷與定位研究[J].可再生能源，2020，38（10）：1343-1348.

[2] 杜尊峰，朱海明，唐廣銀，等.基于灰色理論的海上風電機組齒輪箱故障模式及影響分析[J].水利水電技術，2017，48（2）：164-169.

[3] 漆召兵， 徐衛利， 陳巖，等. 基于大數據統計的海上風電機組遠程故障診斷研究[J]. 中外企業家， 2017（18）：195.

[4] 趙曉明， 孫希德. 基于大數據的風電設備遠程故障監測與診斷系統研究[J]. 貴州電力技術， 2019，22（4）：22-29.

[5] 黃猛. 基于大數據和機器學習模型的風力發電機組健康管理研究[J]. 機械制造， 2017， 55（8）：37-39.

[6] 丁丁. 基于大數據的風電設備遠程故障監測與診斷系統探究[J]. 探索科學， 2019（8）：225-226.

[7] 裴愛國， 何登富. 海上風電大數據發展研究——以廣東省海上風電大數據中心建設為例[J]. 南方能源建設， 2018，18（2）：25-29.

[8] 于青民. 基于大數據分析的風力發電機健康監測研究[D].? 北京：北京理工大學，2017.

[9] 黃海. 基于專家系統的雷達遠程故障診斷研究[J]. 航天雷達， 2013， 30（2）：15-18.

[10] 劉建輝， 胡立紅， 劉瓊. 遠程協同故障診斷綜述及研究[J]. 繼電器， 2006（4）：78-79.