基于人工智能技術的風機健康診斷研究

劉文斌，王剛

（1.中國電建集團中南勘測設計研究院有限公司，湖南長沙，410014；2.國家電投集團內蒙古能源有限公司新能源部，內蒙古通遼，028000）

0 引言

原有的國家發展體制下是以能源消耗為代價，通過能源與經濟成本的有效轉換，實現工業產業高速發展，以提高國家整體競爭實力。伴隨著能源的日益開采，其本身所呈現出的固定屬性將逐漸削弱，這就造成不可再生資源在行業領域中呈現出一個逆變現象，即為相關行業的高速發展下，是以能源消耗為代價來實現可持續增長的，但是在能源的逐步縮減下其所呈現出的價值與行業高速發展趨勢來講，將呈現出遞減屬性。在此背景下，大部分國家依托于先進技術，對具有可再生性致的自然能源進行利用，以緩解經濟高速發展之下對不可再生資源的利用壓力。

風力能源具有一定的可再生性質，在科學技術高速發展下，風力發電站的建設可以有效將風力能源通過機械裝置轉變為電力能源供地區用電，此類能源之間的轉換?？梢栽诓糠址矫嫣娲鹆Πl電站的功效。據相關數據顯示，截止到2019年末，全球風力發電總功率達到829253MW。且伴隨著風力發電設備裝機數量以及裝機容量的不斷增長，整個發電功率也將呈現出逐年遞增的趨勢。從我國風力發電能源產業的發展形勢來看，2019年我國發電產業的裝機數量位居全球第一，隨著智能技術信息技術等應用，風力發電行業所產生的總電量正逐漸拉近與傳統火力發電產業。從風力發電原理來看，其主要是通過風機設備的應用實現機械能到電能的轉換，其本身受限于風能所具備的波動性與間歇性特點，在風力電能導入與導出的過程中，其必須遵循一個電力供需平衡狀態，以保證電力終端用戶與電力能源的產生，達成一個均衡的供需效果，以此來提高實際供電質量。但風機設備在長時間應用過程中，其屬于24小時不間歇的工作狀態，當外部風力較大時，其所產生的負荷效果較高，這就造成風機設備內的相關組件，在長時間高負荷的運轉下呈現出自然磨損的狀態，如未能針對此類設備進行定期運維處理的話，則必然造成設備在運行過程中出現因自身質量參數與整個設備運行參數之間的不對稱問題，降低整體的運行質量。本文則是針對風機健康診斷系統進行探討，分析出設備在運行過程中所呈現出的功能屬性及各類參數等，然后結合現有的風機設備運行狀況界定出不同操控狀態下，分析出健康診斷原理，降低設備運行中的故障產生幾率，以提高風力發電質量。

1 風機健康診斷的相關概述

風力發電所起到的環保性與節能性，對于社會發展具有重要的促進作用。在可再生資源的應用下，其本身所呈現出的能源轉化特性具有持續性效果，這也是風力發電行業各個國家所重視的主要原因。風資源取之不盡，用之不竭，其在不同地理環境下所呈現出的動力具有一定差異性，例如沿海地區、平原以及高原地區，風力發電的功能具有一定的差異性特點。為此，風力發電行業在進行選址時，必須依托于整個風力能源所呈現出的電能轉化數值，然后結合經濟成本界定出更為合理的方案，以保證風力發電項目在短時間內可以完成資金回籠，為企業創造更大的經濟價值。從風機設備運行方面來看，此類設備作為風能轉化為電能的核心組件，但在長時間的預覽下，此類設備本身將呈現出一定的消耗性，這就造成設備本身健康狀態產生持續性走低的趨勢，當此類功能無法達到設備預期運行需求，則必然造成設備在運行過程中的停滯或者故障問題。對此，必須分析出設備在運行過程中所呈現出的健康屬性，然后結合設備在固有周期內的健康特征對設備運行狀態進行預測，然后將現場運行參數、系統初始參數進行特征總結與比對，結合智能算法、神經網絡算法等，對此類參數所呈現出的數據特征進行模型預測，這樣才可進一步界定出具有健康功能的模型體系。結合模型在整個系統運行中所起到的效用記錄出當前設備在工作狀態時健康指標是否達到預期設定需求，這樣同一個數據相似度下，可以保證整個設備運行過程中的數據特征及相關參數可以維系在一個恒定指標內，可實現對設備健康狀態的一種動態化評估。通常來講，設備在運行過程中可以分為兩獨立屬性的特征，且此類特征在設備運行過程中的交互點是以設備健康狀態為基準進行實時測評的，第一，通過模型預測出設備運行過程中的健康狀態值，第二則是設備在運行過程中性能衰弱起始點延伸點。這兩類獨立的屬性在健康狀態的統籌下，其將轉變為實時預測效率健康狀態及預期失效狀態等，且通過健康值基準的比對，可以鑒定出不同操控試下設備所呈現出的基準參數是否滿足當前運行需求。從另一方面來看，可以將其界定為分析設備運行過程中，其本身性能的衰減所產生的特征將伴隨著設備本身的健康值，進行一種動態化的分布，通過設備表象特征與健康特征的對接，了解到當前健康值在失效狀態、正常狀態或者是故障狀態下所呈現出的矢量特點，然后結合一個軌跡的出發點預測出當前設備在運行過程中在哪一個時間產生具體的故障或者是問題，這樣以動態結合性的數據分布，便可進一步恒定出不同操控視閾下設備故障點的產生動機或者是具體產生時間，進而為技術人員提供數據支撐。

2 基于人工智能技術的風機健康診斷平臺功能

人工智能技術是指人們思維與計算機科學技術的結合，令整個系統在操控過程中可以按照人們的思維方式去解決數據問題。人工智能平臺所具備的功能具有多元化特點，例如算法功能、自主學習功能、語言處理、識別功能、視覺功能、可視化功能等，通過在相關系統中的功能實現其整個數據對接過程，在運行過程中可以通過模型的建設完成多線程操控，這樣人工智能平臺的操控可以真正實現數據處理數據分析，數據指令運行的相關操控以此來保證，在固有的數據模型下，可以將不同數據信息的運行模式進行精準分類，形成一個具有學習意識的數據框架，以提高智能處理效率。

第一，在數據接收功能方面。人工智能平臺支撐下的風機健康診斷系統，可以對多種數據進行同步接入，且整個數據庫中的模型建設關系維系在一種基準格式內，例如 orc格式、csv格式等，且此類數據格式在識別某類信息，是可以按照信息質量及傳達形式進行自動化分析與歸類，以保證數據存儲以及接入形式的精準性。

第二，在數據探索功能方面。整個智能平臺在操控過程中對原始數據及運行數據進行特征分析時，其是按照數據固有的結構屬性進行規律性查詢，通過不同維度的分析可以進一步鑒定出數據模型所呈現出的屬性然后后續處理及模型等方面提供數據支撐。與此同時，當數據探索功能作用到可視化界面所呈現出的屬性，可以有效降低數據接入時間，從而將更多的實現應用到數據分析過程中，這樣便可有效檢測出數據在運行過程中是否存在誤差問題。且此類數據檢測時間是由數據接入所容納出的時間進行有效替代的，提高數據處理效率。此外，在數據檢測過程中，其并不僅僅局限于單一的線性化數據，同時也可對非線性結構化數據等進行羅列與分析，保證在具有連續性離散型的數據測定過程中，可以按照相關屬性正確執行某一類操控工具，以提高整體檢測質量。

第三，數據預處理功能。人工智能平臺支持下的數據預處理功能，可以通過不同場景羅列出數據本身所具備的基礎特征，然后通過不同運行模式對數據信息進行清洗處理、規約處理以及轉換處理等，這樣不同信息在同一結構下進行同步交互處理時，則可以通過數據模型的節點構筑，對信息本身進行相關查證，以此來保證模型數據支撐下的信息傳輸模式及運算模式，為后續相關操作提供精準的數據支持。

第四,特征功能方面。此類特征功能主要是針對平臺本身所具備的數據屬性進行分析，然后通過評估選舉以及生成模式，對數據內部所呈現出的中心特點進行特征索取，此過程可以看成是數據在固有的程序中所呈現出的區中心化特點，然后結合離散化及編碼程序的設定，為數據本體賦予一個具有特征功能的信息標記，以此來保證后續評估操作中的數據識別質量。

第五,算法功能方面。此類算法是按照人工智能技術所支撐的自主學習算法進行一系列的數據整合模式，例如分布式算法、單機算法、回歸算法、聚類算法、時序算法等，其本身所呈現出的數據特征是按照一定邏輯順序在固有的數據模型中進行統計與分析，然后結合神經網絡技術、模糊識別理論、圖像索取技術等，實現數據模型支撐下的數據操控。

第六,模型管理功能。人工智能平臺支持下的模型管理是按照固有的屬性及服務特征對當前系統運行中的數據產生行為，進行一種在線化的查證，且此類形式可以按照數據信息本身所產生的流調方向進行定期化及周期化的查證。然后將此類查證信息界定為管理指標，為后續系統功能的實現路徑提供基準管理方向。

3 基于人工智能技術的風機故障預測

從現階段風力發電場的布局特點來看，其本身是通過不同發電設備之間的鏈接，建構出一個具有融合屬性的發電系統，保證不同場站運行過程中可以對相關參數進行實時監控，提高數據信息檢測的精準性與時效性。從發電廠設備組成來看，數據信息采集系統與數據信息監控系統均是由承接風力設備制造的企業提供的，其本身具有一定的獨立性特點，且不同廠家的系統呈現出互不交融的屬性，這也是風力發電設備，在前期采購、中期應用、后期運維呈現出單一屬性的主要因素。從人員配比形式來看，風力發電站在區域內呈現出一定的集中特點，且每一個風力發電設備之間的距離較遠，這就造成工作人員在日常監管過程中需要對單體設備進行實時化監控，其在一定程度上。造成人力資源的浪費。而通過人工智能技術的實現，將整個發電區域內的設備，構筑出一個基于數據信息傳輸的集成操控系統，通過此類系統將主站信息與分站信息進行數據對接，產生具有遠程操控指令的系統處理模式，可有效緩解人力資源的投入比以智能化的形式對系統運行進行實時化監控，以此來提高電力企業的生產效益。

基于人工智能技術的風機故障預測系統，主要是以健康指標為基準，對風機在某一時間段內的運行故障進行分析與診斷，以此來通過數據信息正確映射出當前系統運行所呈現出的故障特點。從分級診斷所呈現出的故障來看，整個診斷過程分為下列四點。

3.1 風機數據讀取

此類數據平臺的建設是以可視化為載體，構筑出基于人工智能所形成的數據模型，進一步將信息映射到系統交互平臺中，為人們提供可視化的信息。在數據讀取過程中，其主要是通過scada控制系統，在固定的時間周期內進行數據采集。當然是采集過程，可以通過數據信息的變量形式界定出不同的采集周期，例如10秒、15秒或者是30秒，通過采集數據參數界定出電機功率、電機轉速值以及溫度值、風速值之間的參數屬性，這樣便可將此類參數結合系統運行狀態構筑出一個具有指標屬性的模型，進而對整個風機設備運行模式進行動態化的監測，以此來保證在故障產生的第一時間進行預警處理。數據采集過程中，其所呈現出的通訊屬性具有多元化特點，其不單一的局限在某一個協議之內，而是通過系統所支撐下的職能運行體系，對不同數據結構進行同步處理，保證在當前風電場系統運行過程中，大數據傳輸路徑可以維系在一個多通道的模式下進行數據傳輸，。除此之外，在數據奪取過程中可以通過緩存功能的實現，對設備進行期間所呈現出的數據信息進行緩存，然后通過采集模塊將回傳到的信息進行斷點純屬處理保證三天之內或者是七天之內的數據信息可以實時調遣，以滿足數據傳輸功能，進而為后續故障診斷工作的開展提供數據支撐。

3.2 風機數據清洗

風機健康系統診斷過程中，其所呈現出的數據傳輸特性主要是由風機設備，外部傳感器對當前運作狀態所產生的數據信息進行收集并回傳到主操控系統中。然而從數據在傳輸過程中呈現出的時效性特點來看，其本身在固定的時間節點內無法形成同步處理，或者是數據信息在某一個時間點無法對齊，這就造成數據在傳輸過程中存在一定的缺失現象。除此之外，不同類型的設備在運行過程中數據傳輸模式受到整個系統操控閾值的影響，數據信息在處理過程中無法對無用信息進行邏輯化清理，進而產生數據信息在運行過程中的滯后性問題。而風機數據清洗處理工作的開展則是建立在整個數據處理流程之上，通過流調式的處理方式，將數據信息在傳感器中的傳輸值進行一個持續性的輸入處理，保證整個數據在系統中羅列時，具有邏輯性特點且持續性的數據輸入，可以對數據流本體產生一定的驅動效果。這樣在進行數據核算時，此類持續性的效果將產生一個實時計算體系，進而提高實際清洗效率。除此之外，在系統接入過程中，不同風機設備在運行過程中，每秒鐘產生的數據信息可達到15萬點左右，而通過數據清洗的流調功能，可以對整個時間段內所產生的信息進行集中式分析與檢測，如果在同一時間節點下的信息超出系統固有的處理能力時，則可以自動將此類信息轉變為離線批量操作處理模式，這樣便可進一步提高數據處理的時效性，保證在多節點操控模式下，數據信息可完成實時化的質量檢測。

3.3 模型檢測

上文中我們所提到的風機健康診斷系統是以模型為切入點，對當前系統運行過程中呈現出的健康狀態進行指標分析，然后結合模型中固有的數據參數界定出不同操控狀態下，風機運行狀態的分布閾值是否達到健康狀態基準，進而確定出風機設備運行過程中存在的故障問題。對此，模型檢測過程中，其所呈現出的分布特點主要是結合數據本身的閾值界定出不同操控數據下數據信息在固有模型中所產生的邏輯信息，然后按照相應的數據處理效率，對不同時間節點下的數據模型進行切片處理，然后以模型本身的程序對接屬性，對信息本體進行擬合處理，這樣通過切片所達到的處理協議便可進一步模仿出不同操控模式下，模型曲線在風機健康系統中是否完全擬合，如果此類參數具有擬合屬性，則代表著風機處于健康狀態，如果擬合值超出系統預設的參數值時，則表明此類數據模型在當前時間點或者是后續時間點鐘具有一定的故障問題，其將影響風機健康運行質量。通常來講，依托于模型檢測，可以對當前風機運行系統進行實時化的檢測，在人工智能技術的支撐下，整個數據模型檢測工作的開展可以完成自主化、預期化的檢測工。然而，從風機在某一時間節點下運行數據所產生的冗余性問題來講，如果設備長時間將信息處理效率維系在一個固定時間點時，且此類時間點就有一定的復合性問題，將加大資源消耗治療，甚至是在一定程度上加劇著計算機系統的磨損效率，一旦計算機系統發生故障時，則必然造成整個檢測工作無法在預期時間內完成相關操作。對此，可以通過每日模型的生成對風機設備進行健康檢測，在進行每日模型檢測時期，可以有效將同一時間節點下的數據信息處理進行離線解析，這樣便可進一步分化長時間、高負荷運作模式下計算機系統的工作壓力。與此同時，通過24小時風機處理周期工作的落實，可以對信息本身進行更為精準的邏輯化清理，然后將清洗后的模型至于數據基礎模型中進行檢測。此時，將檢測后的信息進行切片處理并與模型算法切片進行擬合分析解讀出當前操控狀態下數據模型所呈現出的線性特點，是否與評估模型相一致，通過規劃曲線的相似值分析出風機設備，在當前24小時周期內是否完成正常工作機制，進一步確保當前數據操控下，整個信息處理工作的精準性。

3.4 故障預測

風機設備的運行主要是通過外界風的作用力帶動葉片的轉動，然后產生機械能到電能之間的轉換。但在此過程中，如果外界環境處于平穩狀態時，葉片未能得到風作用力的驅動效果，風機也將處于靜止狀態，不會產生功率作用值。此種間歇性的運行模式，在一定程度上將加大故障預測難度，例如持續一周或許是一個月的大風天氣，又或者是持續一天或者是幾個小時的大風天氣，在具體運行過程中，風機設備所呈現出的故障機制也具有不確定性特點。在人工智能系統的支撐下，大多數設備運行是以遠程集控系統為主，將區域內的風機設備運行信息綜合到主系統中進行模塊化處理，在此過程中不同區域內所受到的風力影響值也具有一定的差異性。為此，在故障預測過程中必須結合系統運行屬性，然后以設備在固有時間內所能達到的運行效果確定出相關部件運行的最大極限值，結合分析設備槳葉及發電機在一定周期內的同步屬性，界定出不同操控時差下，風機所呈現出的系統能源支持量是否可以滿足其在故障周期內的數據映射指標，這樣通過故障時間的估算進一步確定出在不同時間段內，外界環境對系統數據值所造成的影響，通過數據模型進行信息換算處理，保證風機設備內的變頻裝置、電機裝置以及外部葉片轉動效率之間的數據對接精準率。當然在此過程中可以按照大數據挖掘技術、預測技術等，構筑出具有線性特征的數據模型，其可在實際故障及預測分析過程中起到一定的優化效應，如果單一的是由系統運行故障所導致的電機問題，則可以通過人工智能系統支撐下的專家診斷功能的硬性運作模式進行數據優化處理，以此來提高整個系統運作的智能性及穩定性，強化整體工作效率。