基于大數據的風力發電機組故障診斷研究

王春佳

（西南交通大學希望學院，四川成都 610400）

0 引言

隨著我國風電規模的不斷擴大，風電機組越來越先進，其機械構成越來越精密，各零部件之間的耦合也越來越復雜[1]。其一旦發生故障，必將帶來巨大的損失與維修成本。傳統的維護維修手段一般分為兩種，一種是產生故障之后進行維修，一種是定期的經常性的進行停機檢修[2]。這兩種維護方法均存在一定缺陷，前者存在維護滯后與維護不足的問題，一旦發生故障其后果往往是巨大的、難以挽回的[3]；后者則存在維護過剩的缺陷，容易造成人力與物力的無意義浪費[4]。因此，近年來風力發電機組的故障診斷與狀態預測逐漸受到國內外學者的廣泛關注[5]。同時風力發電機組一旦產生故障，其在維修方面的成本管控尤為重要。本文基于數據驅動的思想，對風力發電機組故障診斷與狀態預測進行研究，分析其在成本管控方面的應用。

1 風力發電機組運行狀態的影響因素

傳統的風力發電機組的維護只涉及其運行狀態，但是由于風電機組的零部件數量眾多，其生產、運輸、安裝等方面均有可能影響其運行狀態，其影響因素貫穿了其整個生命周期：在設計階段，主要有物理特性、疲勞特性等因素以及風輪幾何參數、葉片材料、內部結構等結構因素；在生產階段，則為配套問題、采購不當以及部件質量低等裝配問題；在運輸階段，其影響因素則為存儲不當、運輸損耗等人為因素；在安裝階段，則存在著安裝誤差等人為因素；在運行階段，影響因素更加廣泛，如周邊環境、地形和海況等地理因素，鹽霧、風速、溫度、大氣壓強和空氣濕度等氣象因素，風湍流等隨機性載荷因素以及主軸的上傾角、葉片重力、塔影效應、偏航誤差和風剪切等確定性載荷因素，另外還有電網負荷變化、電壓脈沖、瞬時短路和轉差等電氣因素；在維修階段，則有著維護不當以及未實時維護等因素。

2 風力發電機組故障診斷與狀態預測

風力發電機組自設計階段起，就會產生大量的數據信息，數據資源已經成為風力發電機組的核心資源。通過數據驅動的手段，可以建立起精準有效的風力發電機組物理模型，通過運行參數可以有效精準地預測其未來的運行發展趨勢，實現對故障的預測與診斷。

圖1 是一種傳統的狀態預測技術框架，由于風力發電機組在運行時時刻處于動態平衡之中，因此其監測信號在一定范圍內波動，當信號波動超出其固有的范圍即可認定發生了故障。通過特征提取的方式可以提取故障發生時的信號特征并存儲于歷史數據中，方便下次數據異常時進行比對，以確定故障信息。其應用到的數據驅動方式多數為回歸預測、時間序列、支持向量機和神經網絡等模型。

圖1 狀態預測的技術框架

基于數據驅動的風力發電機組故障診斷與狀態預測如圖2所示。通過布置大量的傳感器，將其測量到的數據進行預處理，這是考慮到風機在運行過程中，受氣候環境以及自身因素的影響，容易發生“噪聲”“干擾”等錯誤數據，需要將其剔除。對上傳的數據進行特征提取，建立好預測模型。通過設備的參數以及歷史統計數據對比，可以對現有的數據進行狀態的監測與健康評估。該健康評估可以劃分為兩個狀態，即未來健康狀態以及剩余使用壽命，以方便決策層對風力發電機組進行維護決策。一旦數據發生異常即發生故障，則可以迅速從歷史數據中調出相關解決方式進行維修指導。

圖2 基于數據驅動的故障診斷與狀態預測的技術框架

3 大數據在風力發電機組成本管控方面的優勢

大數據時代的到來必將帶來風力發電機組全系列運營的深刻變化，除了故障的診斷與狀態的預測，大數據同樣可以應用于風力發電機組的故障維修成本運營。大數據不應僅僅應用于技術維修領域，應當覆蓋整個風力發電機組的方方面面甚至包括成本管控。

例如，傳統模式的財務管理系統大多數以具體問題、具體的維修、采購需求等為中心，只能根據業務往來與其上游與下游系統進行控制、延伸。其上游與下游系統多為自身平時、歷史積累的供應商報價數據以及相關產品需求。數據的流通僅限于系統內部的流動，并不對外開放，也無法實現與外部及時有效的信息交互（圖3）。

圖3 傳統的成本管控工作方式

例如，現場維修管理部門根據故障維修進度、技術要求等因素，需要購買更新現場設備部件，進行需求提報，由技術人員以及現場工藝人員進行審核確認，財務、供應商管理系統再進行人工詢價、供應商報價、比價等過程，確定供應商，如果需要開發新的供應商還需要進行供應商資質審核等流程，進而進行合同的簽訂、零部件驗收、設備驗收等，整個流程緩慢，容易卡頓、耽誤故障維修及后續生產經營。這是因為在成本管控過程中，傳統的工作方式大多數依靠內部系統的流轉與已有供應商的報價進行。對于一些更加優質的報價，可能會因為時間關系、未開發供應商的關系導致未能及時納入管理、錯失良機，導致成本提升。

在大數據技術的支持下，可以同步進行海量數據的多維度處理，以變革傳統的成本管控工作方式。可以考慮引入不同的外部系統實現信息互通，杜絕信息孤島效應（圖4）。不僅財務系統與業務需求系統之間可以進行數據比對，其各自之間也可以和與其相對應的外部系統進行數據比對。例如，現場發生故障后，經過大數據分析原因，得到相關的故障處理指導，急需購買相關設備，則業務系統可以同時在歷史數據中進行查詢，同時也可以在外部系統如其他風電機組的數據庫中尋找類似需求案例；而財務系統既可以在自身的供應商庫中進行檢索、要求供應商報價，也可以同步在外部系統中進行比對，快速解決問題，最終全方位覆蓋整個風電機組成本的管控工作。

圖4 大數據背景下風電機組成本管控工作方式

4 結論

風力發電機組愈發復雜精密，一旦發生故障停機將會給整個機組帶來巨大損失。本文從設計、生產、運輸、安裝、運行、維修等全流程討論影響風力發電機組運行狀態的因素，通過數據驅動的手段建立起精準有效的風力發電機組物理模型，探究風力發電機組的故障診斷與狀態預測技術框架。同時探究大數據在風電機組成本管控系統的應用手段，創新性地提出引入不同的外部系統、實現信息互通的成本管控方式，為風力發電機組的運行維護、成本管控提供參考。