基于遠(yuǎn)程診斷平臺(tái)的風(fēng)力發(fā)電機(jī)組故障預(yù)警技術(shù)研究

王 非，馬 雁

（1.國(guó)家電投集團(tuán)河南電力有限公司技術(shù)信息中心，河南 鄭州 450000；2.鄭州電力高等專科學(xué)校電力工程學(xué)院，河南 鄭州 450000）

近年來，隨著風(fēng)電機(jī)組容量不斷增加、規(guī)模不斷擴(kuò)大，對(duì)機(jī)組安全、可靠、經(jīng)濟(jì)運(yùn)行的要求日益提高。傳統(tǒng)的監(jiān)測(cè)方式已經(jīng)無法滿足“風(fēng)電場(chǎng)群集中控制，少人值守，無人值班”管理新模式，嚴(yán)重制約風(fēng)電企業(yè)經(jīng)濟(jì)運(yùn)營(yíng)能力提升。以管控一體化的思想作為主線，建立風(fēng)電機(jī)組遠(yuǎn)程預(yù)警平臺(tái)，實(shí)現(xiàn)風(fēng)電機(jī)組海量信息的遠(yuǎn)程化、精細(xì)化、自動(dòng)化處理，實(shí)現(xiàn)精確的遠(yuǎn)程監(jiān)測(cè)和故障預(yù)警。

1 基于人工智能的趨勢(shì)預(yù)警技術(shù)

趨勢(shì)預(yù)警是對(duì)電廠、設(shè)備、生產(chǎn)過程的一種狀態(tài)監(jiān)視和預(yù)測(cè)技術(shù)。與傳統(tǒng)以閾值報(bào)警為技術(shù)路線的預(yù)警診斷技術(shù)相比，該技術(shù)能夠在漸變性故障發(fā)生之前，劣化趨勢(shì)達(dá)到一定程度前給出早期預(yù)警，提供充足的時(shí)間窗口，安排必要的行動(dòng)計(jì)劃。該技術(shù)能夠在各種運(yùn)行工況下持續(xù)監(jiān)視所有設(shè)備和生產(chǎn)流程，可用于監(jiān)視負(fù)荷變化工況和機(jī)組啟停工況，并能在到達(dá)臨界點(diǎn)之前發(fā)現(xiàn)那些蠕變的缺陷。趨勢(shì)預(yù)警核心技術(shù)是以神經(jīng)元網(wǎng)絡(luò)為基礎(chǔ)加上人工智能算法、深度學(xué)習(xí)算法的機(jī)器學(xué)習(xí)技術(shù)，建立模型并進(jìn)行必要的歷史數(shù)據(jù)學(xué)習(xí)和訓(xùn)練。在投運(yùn)后該模型就可以自動(dòng)分析計(jì)算出設(shè)備在當(dāng)前工況下的正常運(yùn)行區(qū)間，只要當(dāng)前實(shí)際運(yùn)行數(shù)據(jù)超出了這個(gè)正常運(yùn)行區(qū)間系統(tǒng)就會(huì)自動(dòng)產(chǎn)生報(bào)警。能夠及早發(fā)現(xiàn)監(jiān)視設(shè)備的潛在故障，從而盡早進(jìn)行分析處理，確定必要的運(yùn)行或者檢修措施，從而盡可能地減少損失，防止非停事故的發(fā)生。

如圖1 所示，基于遠(yuǎn)程診斷的報(bào)警不再只是在絕對(duì)限值被超過時(shí)才產(chǎn)生，而是大大提前，只要當(dāng)測(cè)量值偏離了正常運(yùn)行值時(shí)候就被及時(shí)產(chǎn)生。

2 遠(yuǎn)程診斷平臺(tái)體系結(jié)構(gòu)

遠(yuǎn)程診斷平臺(tái)由電廠側(cè)和診斷中心側(cè)組成，按照功能架構(gòu)分為四層：數(shù)據(jù)采集層、數(shù)據(jù)存儲(chǔ)層、業(yè)務(wù)處理層、信息展示層。主要功能由多個(gè)業(yè)務(wù)子系統(tǒng)完成：遠(yuǎn)程診斷決策支持系統(tǒng)、集中預(yù)警處理系統(tǒng)、核心診斷系統(tǒng)、輔助診斷系統(tǒng)。

系統(tǒng)功能架構(gòu)如圖2 所示，整個(gè)系統(tǒng)包括數(shù)據(jù)采集層、數(shù)據(jù)存儲(chǔ)層、業(yè)務(wù)處理層和信息展示層。

3 風(fēng)電遠(yuǎn)程診斷平臺(tái)數(shù)據(jù)匯總與分級(jí)展示

通過風(fēng)場(chǎng)、風(fēng)機(jī)、設(shè)備部件等預(yù)警視圖自上而下，輔助運(yùn)行人員迅速發(fā)現(xiàn)預(yù)警密集的“重災(zāi)區(qū)”，并逐層定位至運(yùn)行異常的設(shè)備，及時(shí)采取有效措施。具體包括：在地圖上展示各風(fēng)場(chǎng)的實(shí)時(shí)預(yù)警密度，可視化呈現(xiàn)各風(fēng)場(chǎng)的預(yù)警嚴(yán)重程度；可通過地圖進(jìn)入具體的風(fēng)場(chǎng)，顯示總體預(yù)警趨勢(shì)、預(yù)警處理情況，以及各風(fēng)機(jī)的預(yù)警排名；可鉆取進(jìn)入具體的風(fēng)機(jī)視圖，通過圖表直觀展示本風(fēng)機(jī)各模型的預(yù)警分布、預(yù)警嚴(yán)重級(jí)別、變化趨勢(shì)；可進(jìn)入具體的設(shè)備模型，監(jiān)測(cè)實(shí)時(shí)數(shù)據(jù)，分析設(shè)備運(yùn)行情況、劣化趨勢(shì)。

4 風(fēng)電機(jī)組設(shè)備故障診斷模型的搭建

4.1 平臺(tái)建模方法

該平臺(tái)診斷模型對(duì)應(yīng)設(shè)備級(jí)，用戶可以利用平臺(tái)提供的模型生成和配置工具對(duì)需要進(jìn)行監(jiān)測(cè)診斷的設(shè)備或工藝過程進(jìn)行建模，選取影響該設(shè)備或工藝過程主要性能的一些相關(guān)聯(lián)測(cè)點(diǎn)，組成該模型下的測(cè)點(diǎn)集合，同時(shí)選擇合適的監(jiān)控模式。

4.2 模型及故障預(yù)警類別

根據(jù)風(fēng)電機(jī)組故障模式建立相應(yīng)設(shè)備模型，主要內(nèi)容包括：基于振動(dòng)信號(hào)，建立風(fēng)電機(jī)組傳動(dòng)系統(tǒng)故障診斷模型，實(shí)現(xiàn)監(jiān)測(cè)主風(fēng)電機(jī)組的傳動(dòng)鏈(主軸、齒輪箱、發(fā)電機(jī))上各軸、軸承、齒輪的運(yùn)行狀態(tài)，能夠發(fā)現(xiàn)軸承、齒輪箱及發(fā)電機(jī)故障的早期征兆，精確定位故障部件、故障類型以及嚴(yán)重程度；基于葉片應(yīng)變信號(hào)，建立風(fēng)電機(jī)組葉片故障診斷模型，實(shí)現(xiàn)監(jiān)測(cè)葉片早期結(jié)構(gòu)損傷；基于風(fēng)電機(jī)組潤(rùn)滑油檢測(cè)分析，建立風(fēng)電機(jī)組潤(rùn)滑油系統(tǒng)故障診斷模型，實(shí)現(xiàn)對(duì)油液水分、顆粒度、粘度等參數(shù)實(shí)時(shí)監(jiān)測(cè)；基于發(fā)電機(jī)定轉(zhuǎn)子電流信號(hào)，建立風(fēng)電機(jī)組發(fā)電機(jī)故障診斷模型，實(shí)現(xiàn)在線監(jiān)測(cè)發(fā)電機(jī)定轉(zhuǎn)子電流，并采用諧波分析等方法評(píng)估發(fā)電機(jī)當(dāng)前的運(yùn)行狀態(tài)。

4.3 建立多源信息融合的故障智能診斷知識(shí)庫

通過對(duì)風(fēng)機(jī)的重要部件（葉輪、齒輪箱、發(fā)電機(jī)、機(jī)艙、塔筒等）進(jìn)行監(jiān)測(cè)和分析，根據(jù)對(duì)應(yīng)的機(jī)器故障機(jī)理特性將機(jī)器故障劃分為轉(zhuǎn)子類、軸承類、齒輪類、電氣故障類等具體故障。充分利用成熟的故障機(jī)理信息建立征兆到故障之間的多維映射關(guān)系，通過產(chǎn)生式規(guī)則、決策樹、專家推理等技術(shù)實(shí)現(xiàn)計(jì)算機(jī)自動(dòng)的診斷與推理，提供初始的診斷結(jié)果與意見。

5 結(jié)語

基于遠(yuǎn)程診斷平臺(tái)的風(fēng)力發(fā)電機(jī)組故障預(yù)警技術(shù)研究，提高了風(fēng)電機(jī)組故障預(yù)警水平，增加了風(fēng)電機(jī)組的可利用率，評(píng)估風(fēng)電機(jī)組運(yùn)行狀況，提高風(fēng)電機(jī)組運(yùn)行可靠性。