數字孿生驅動的風電機組三維可視化監控與故障預警方法

楊偉新，樊小偉，孫榮富，孫雅旻，丁 然

(1 國網冀北電力有限公司電力科學研究院，北京 100045；2 國網冀北電力有限公司，北京 100052)

0 引言

風力發電作為重要的新能源發電技術之一,具有低碳清潔可再生等特點。數據統計顯示,2020年我國新增風電設備裝機達7 167萬千瓦,占新增發電裝機總量約37.55%[1]。隨著“雙碳”戰略目標的實施,我國風電設備的裝機量將保持持續增長趨勢。風電機組作為風電能源中重要設備,能否保證其正常運行不僅關系到發電穩定性,還影響著風電機組的運營成本。由于風電設備大多部署在風場豐富的偏遠地區,外部環境惡劣,致使風電機組的運維困難、成本較高。如何更高效、智能地對風電機組進行健康監測與運維已成為工業界與學術界關注的熱點問題[2]。

目前風電機組以雙饋機組為主流,其中齒輪箱作為雙饋風組傳動鏈中關鍵部件,其制造成本高且容易出現故障,導致運維成本較高。對風電機組運行狀態進行在線監測、故障預警與診斷可以提高風電機組運行的穩定性與故障清除能力,有助于開展針對性的風電機組維護計劃,減少突發性故障、降低設備運維成本。目前國內外學者圍繞風電機組運行狀態監測與故障預警方面已取得一些研究成果,主要集中在風電機組運行狀態監測與關鍵零件故障預警診斷方面。金曉航等[3]以數據采集與監控(SCADA)系統為基礎,建立風電機組生成對抗網絡與神經網絡對風電機組在線運行狀態進行監測,有效預測風電機組運行異常,避免故障進一步的惡化。肖成等[4]基于SCADA系統,建立改進的神經網絡用于風電機變槳系統的故障診斷。王皓等[5]利用風電機齒輪箱工作時振動信號,建立小波包和BP神經網絡,實現齒輪箱故障診斷,該方法僅從振動信號角度考慮故障問題,未考慮齒輪箱疲勞機理。Pang等[6]通過提取多維變量之間的多尺度空間相關性,建立短期記憶網絡訓練、學習多維變量空間特征的時間依賴性實現了風電機故障診斷。此外,提前對風電機組運行狀態異常預警及故障預測,可以避免異常進一步加深,減少不必要的停機,風電機組的故障診斷可以幫助運維人員快速查找故障原因,以便制定合理的維修任務。王超等[7]用互信息方法提取齒輪箱軸承溫度相關性高的特征,建立了長短期記憶神經網絡深度學習模型對風電機齒輪箱軸承溫度預測,實現了風機軸承故障實時預警。林濤等[8]建立了改進粒子群算法優化的BP神經網絡,利用齒輪箱溫度相關參數作為主要特征,分析風電機組的故障預警或故障異常。尹詩等[9]對機組運行工況進行辨識,利用隨機森林對模型預測殘差機組軸承預警,仿真結果表明具有較高的準確率。趙洪山等[10]提出了基于SCADA數據的逐層編碼網絡學習模型,利用指數加權移動平均值對模型實現軸承故障預測。劉帥等[11]提出一種將保局投影、核極限學習機和信息熵相結合的風電機組齒輪箱異常工況進行預警。已有的風電機組健康監測研究成果主要以SCADA為基礎,進行風電機組運行狀態監測與數據挖掘,實現了風電機組故障預警與診斷。

數字孿生作為信息空間與物理空間的深度交互融合,充分利用設備物理模型、各類傳感器、歷史等數據,通過虛實交互反饋、數據融合分析、決策迭代優化手段可以對復雜設備進行可視化實時監控、故障預測與服務決策[12]。目前圍繞數字孿生技術在能源互聯網[13]、電力設備[14-15]方面的研究已取得了一些成果。借助機器學習、數據挖掘等技術,數字孿生可以為風電機組健康監測全面化、精準化與智能化提供一個新的解決思路[16]。

因此,文中提出基于數字孿生的風電機組三維可視化監控與故障預警方法,設計基于邊緣協同的數據采集與治理方法,提高海量數據高效處理與加工能力,提升云端數據價值;基于WebGL技術實現風電機組服役生命周期內的三維輕量化、可視化實時監控,有效提高風電機組設備狀態監控的精準化與時效性;基于孿生數據與卷積神經網絡實現風電機組的故障預警,降低風電機組故障頻率,減少及避免嚴重故障的出現。總體而言,該方法可以提高風電機組設備健康管理智能化水平,降低風電機組設備的運維成本,為智能化風電建設提供有力支持。

1 基于數字孿生技術的風電機組三維可視化監控與故障預警系統框架

參照數字孿生五維模型框架[12]與能源互聯網數字孿生系統框架[13],構建基于數字孿生的風電機組三維可視化監控與故障預警系統框架如圖1所示,該系統架構由物理層、數據層、模型層和應用層4層構成[17]。

圖1 基于數字孿生的風電機組三維可視化監控與故障預警系統框架Fig.1 System framework of 3D visualization monitoring and fault warning for wind turbine based on digital twin

1.1 物理層

主要包括風電機組設備、傳感器、智能網關等物理設備,采用物聯網、通信等技術實時感知風電機組的關鍵運行數據。采集風電機組的主要參數如表1所示。為了提高風電機組運行數據的實時處理效率與云端數據價值,數據終端融入邊緣計算,對感知設備采集的數據進行預處理。此外,建立實體設備標識規則以滿足物理設備與數據之間的關聯映射,利用激光打標機、金屬條形碼/二維碼等技術對風電機組各層物理設備進行編碼標識。

1.2 數據層

數據層主要包含數據傳輸、數據處理和數據中心。數據傳輸包含通訊協議、傳輸方式等;數據處理利用邊緣設備對原始采集的數據進行解析、異常處理等;數據中心包括云端服務器與數據庫系統等,數據類型涉及風電機組運行的孿生數據、經驗知識、模型機理等數據,數據庫可選用SQL Server、MySQL、MongoDb、Redis等關系/非關系型數據庫管理軟件。

1.3 模型層

模型層主要包含風電機組的三維孿生模型、各類機理模型。其中三維孿生模型是風電機組設備的虛擬三維模型,包含零部件之間的裝配關系、運動副等信息。機理模型為風電機組工作原理、關鍵零部件疲勞機理、故障機理、風場動態載荷模型等。模型層為風電機組三維可視化監控、關鍵零部件故障預警、風向及風速預測等提供支持。

1.4 應用層

應用層包含風電機組運行狀態的三維可視化監控、關鍵零部件故障實時診斷、預測性維護決策優化等功能。主要技術包括Vue、Html、CSS、JavaScript、WebGL、Unity3D、MQTT、NET Core等。以孿生數據與三維孿生模型為基礎,對風電機機組運行狀態進行實時監測與控制,為故障預警、故障診斷、剩余壽命預測、預測性維護決策等提供有力支撐。

2 基于云邊協同的風電機組數據采集與治理

風電機組的數字孿生匯集了海量的運行數據與模型,具有數據量大、數據價值不高、高并發等特點,單純依靠云計算的中心化處理方式將影響數據時效性與挖掘價值,造成計算資源、存儲資源的極大浪費。為了提高數據時效性與數據價值,降低云端計算、存儲壓力,設計基于云邊協同的風電機組數據采集與治理方法,具體流程如圖2所示。該過程主要由邊端與云端兩部分組成,其中邊端主要是對風電機組原始數據進行加工、預處理;云端主要用于接收、存儲邊端傳輸的數據,為應用層提供服務。

圖2 基于云邊協同的風電機組數據采集與治理流程Fig.2 Data acquisition and management process for wind turbine based on cloud-edge collaboration

2.1 邊端

邊端即數據產生的源端,通常為風電機組設備與感知設備。將物理層中網關與控制器看作邊緣計算節點,賦予邊緣節點計算、小規模數據存儲和數據傳輸的能力,實現對原始數據采集、數據異常處理、閾值比對、數據篩選、存儲、上傳功能[19],具體表現為通過邊緣網關、邊緣控制器實現原始數據的邊緣計算,并將邊緣計算后的結果上傳至云端。在原始數據采集過程中異常值處理是數據采集常見問題,如何根據廠家設定的閾值將風電機組數據采集的錯誤值刪除后自動填補對數據時序完整性具有重要作用。根據風電機組數據特點,采用四分位數進行異常數據處理,即將所有數據從小到大排列并分成四等份[20]。其中,四分位距IQ是第三四分位數與第一四分位數的差,可表示為:

IQ=Q3-Q1

(1)

式中:Q3表示第三四分位;Q1表示第一四分位。

四分位距越大表示數據的離散程度越大,當樣本數據中存在異常值時,可以根據四分位距來確定樣本數據中的異常值上下限范圍[Fd,Fu],其計算表示為:

[Fd,Fu]=[Q1-1.5IQ,Q3+1.5IQ]

(2)

2.2 云端

云端即云服務器端,主要包括云服務器數據中心與應用軟件。云端用于接收經過邊端治理的低冗余、高質量的數據,基于數據挖掘與風電機機理模型,能夠實現風電機組的實時監測、故障預警、運營維護等功能。

2.3 協同

協同包含資源協同、數據協同和服務協同。資源協同涉及邊緣設備能夠提供計算、存儲、網絡等基礎資源,能夠獨立調配本地資源;同時接收、執行云端下發的資源調度,如風電機異常數據閾值、數據清洗等。數據協同則指邊緣設備能夠進行數據采集,按照設定的模型或規則對原始數據治理、清洗等,并將處理后的結果與數據發送至云端;云端則對邊緣端發送的海量數據進行存儲、分析與知識挖掘。云邊的數據協同,可以保證數據按照業務邏輯在邊端與云端之間有序流轉,最大程度利用數據價值。服務協同涉及云端對風電機組相關的模型訓練、運行之后,可以將模型或服務發送至邊緣節點設備,邊緣設備按照模型推理或執行服務等[21]。

3 基于Web的風電機組三維可視化監控

風電機組設備的數字孿生是物理設備、三維模型、信息系統與孿生數據的集成融合,物理設備與虛擬設備通過信息系統、孿生數據,實現實時的虛實映射。文中三維模型為風電機組物理設備的三維孿生模型,利用三維建模軟件、Unity3D、三維快速掃描儀等方式建模,包含裝配關系、運動副等信息。為了滿足Web端應用程序需求,需要將上述三維模型進行輕量化處理;然后將輕量化三維模型集成在Web應用系統。物理設備與三維模型之間的數據實時映射通過MQQT、SignalR等技術將云端數據中心或邊緣節點的數據實時訂閱或推送至應用程序,實現三維模型與孿生數據的同步集成與融合。基于Web的風電機組三維可視化實時監控過程如圖3所示。基于Web的三維可視化監控可以幫助用戶方便地監控風電機組設備的裝配拓撲、幾何形狀和運行狀況,無需瀏覽器安裝任何插件,可以克服空間與平臺的限制。

3.1 風電機組三維模型輕量化處理

三維模型輕量化處理是基于Web的風電機組三維可視化監控的基礎與前提。通常情況下三維模型是利用三維建模軟件產生的,模型格式多樣且不能被WebGL直接解析。由于風電機組的三維模型裝配關系復雜、數據規模大,導致其在Web瀏覽器加載緩慢,影響用戶的時效與體驗。三維模型輕量化處理過程為:

1)三維模型預處理。獲取所有幾何對象并刪除重復對象,根據其材質信息生成相應的材質對象,通過模型樹獲取對應的場景樹。

2)幾何對象預處理。獲取離散三角形和離散線段數據,其中離散三角形數據包括頂點數據、UV數據、矢量數據和索引數據;離散線段數據包括頂點數據和索引數據。

3)離散三角形的索引數據排序和縮減。離散三角形的向量按照象限進行分組,并處理成整數,以減少向量數據存儲的字節數。

4)減少離散線段的索引數據,將所有幾何對象處理成塊。

5)利用Lempel-Ziv-Markov chain-Algorithm算法對所有幾何對象的塊進行壓縮,并生成后綴為Bin的文件。將所有與幾何對象的屬性、動畫樹、場景樹相關數據處理成Json格式,生成后綴為Js的主文件,記錄幾何對象、材質對象、場景樹結構、動畫樹結構、用戶自定義數據等數據。

圖3 基于Web的風電機組三維可視化實時監控流程Fig.3 Web-based 3D visualization real-time monitoring process for wind turbine

3.2 基于WebGL的三維可視化監控

WebGL是Web瀏覽器中渲染三維圖形的技術,基于WebGL可以將輕量化處理的三維模型快速顯示在Web瀏覽器。利用邊端與云端協同機制,通過MQTT、TCP/UDP協議,將采集的數據實時集成在輕量化三維模型中并將控制信息反饋于邊緣節點設備,從而實現風電機組的三維可視化監控。

4 基于孿生數據與深度學習的風電機組故障預警

由于風電機組系統復雜且故障種類繁多,其關鍵零部件運行狀態與環境信息異常,可以為風電機組故障預警提供參考與數據支持。基于孿生數據,可以對風電機組運行狀態、關鍵零部件運行參數及環境信息進行實時監測。通過對關鍵零部件的振動、轉速、溫度、發電時長、故障等數據進行深度挖掘,發掘關鍵零部件運行數據的異常信息,可以實現風電機整機及關鍵零部件的故障預警[19],如根據變槳系統的運行數據可以為其提供故障預警,發電機轉速、軸承溫度、發電機溫度等數據異常或告警可以為發電機提供故障預警。

在風電機組孿生數據環境下,結合關鍵零部件性能退化、疲勞、失效等機理模型,利用CNN-LSTM混合神經網絡對風電機組關鍵零部件故障進行預警,為風電機組定期或預測性維護提供依據,基于孿生數據與深度學習的風電機組故障預警流程如圖4所示。該過程主要包含孿生數據與機理模型、風電機組運行參數告警和關鍵零件故障預警等部分。

圖4 基于孿生數據與深度學習的風電機組故障預警流程Fig.4 Fault warning process of wind turbine based on twin data and deep learning

4.1 風電機組運行參數告警

基于風電機組運行參數與環境參數的孿生數據,提取關鍵特征變量;分析關鍵特征變量與故障異常之間的關聯性,設置自適應的故障預警閾值;對所采集的數據進行數據異常告警并為故障預警提供數據支持。

4.2 關鍵零件故障預警

利用關鍵零部件故障的大量歷史信息,結合風電機關鍵零件性能退化機理模型,挖掘風電機組關鍵零部件性能退化相關的關鍵因素,如風場信息、發電時長、振動信號等;構建CNN-LSTM混合神經網絡,以提取的多維時序關鍵特征變量作為CNN-LSTM網絡輸入,故障類型作為CNN-LSTM網絡輸出;利用風電機組故障歷史數據集訓練、學習CNN-LSTM神經網絡,從而實現風電機組關鍵零部件故障預警。依據故障預警,綜合考慮時間、空間、人員等多因素,以風電機組最短停工為前提,優化調度制定合理的預測性維護計劃。文中以風電機前軸承故障預警為對象,建立基于CNN-LSTM風電機前軸承溫度預測模型,通過對風電機前軸承溫度進行預測,進而實現其故障預警。

4.2.1 基于CNN的數據特征提取

風電機前軸承故障原始數據維度高,且存在冗余和低關聯特征維。卷積神經網絡(convolutional neural networks,CNN)能夠通過卷積池化提高對數據的特征提取能力[22]。

利用卷積核的卷積運算可以獲取多個卷積特征圖,有效提取出原始輸入數據的關鍵特征,卷積運算表示為:

(3)

式中:Kl(j′)為第l層第i個卷積核中的第j′個權值;xl(j+j′)為第l層第j個被卷積的局部區域中第j′個權值感知位置;c為卷積核的尺寸大小。

對卷積獲取的局部特征進行降采樣,不受反向傳播修改。通過池化層的特征壓縮,可以對特征矩陣進行降維,能夠很大程度上減少模型訓練的參數從而獲得主要特征。利用最大池化操作是將池化層中感知區域的最大值作為該池化層輸出,可表示為:

pl(i,t)=max(j-1)c+1≤t≤jw{al(i,t)}

(4)

式中:al(i,t)表示為第l層中第i個特征圖的第t個激活值;w為輸入寬度。

4.2.2 基于LSTM的故障預警

LSTM(long and short term memory)網絡具備善于處理故障數據時間序列的優勢,與傳統的循環神經網絡相比,LSTM結構中包含遺忘門、輸入門和輸出門,分別對上一層的端元狀態信息、當前輸入信息和本層的單元狀態信息進行篩選。通過3個“門”保留重要信息,實現“記憶”的長期記憶[23]。LSTM內部結構如圖5所示,LSTM可以有效處理CNN提取的特征向量,可實現風電機前軸承故障預警。

圖5 LSTM內部結構示意圖Fig.5 Schematic diagram of LSTM internal structure

其中遺忘門ft,輸入門it,輸出門ot,分別為:

ft=σ(Wf·[st-1,xt]+bf)

(5)

it=σ(Wi·[st-1,xt]+bi)

(6)

ot=σ(Wo·[st-1,xt]+bo)

(7)

(8)

當前時刻記憶狀態值ct為:

(9)

LSTM輸出ht為:

ht=ot·tanhct

(10)

LSTM模型輸入為CNN所提取的特征參數,輸出為當前時刻前軸承溫度,而通過CNN可以提取綜合前一時刻與當前時刻運行數據的特征參數。

通過CNN-LSTM可以對風電機前軸承溫度進行實時預測,提高前軸承故障預警精度,有效減少故障誤報、漏報問題。

5 系統實現與驗證

5.1 原型系統

為驗證所提方法,以Visual Studio為集成開發環境,結合PostgreSQL、HBase、Neo4J關系/非關系數據庫管理系統,設計開發基于Web的應用程序。該系統主要由基礎信息管理、可視化監控、故障預警診斷模塊、維護計劃模塊組成。其中,基礎信息管理主要是對風電機組、邊緣網關、邊緣控制器等信息的管理;可視化監控主要以三維模型方式對風電機組整機及零部件運行狀態參數、環境信息、邊緣網關等監測;故障預警診斷模塊主要是孿生數據實時驅動風電機組故障預警模型實現故障預警;維護計劃主要是根據風電機組故障預警、診斷信息,在有限資源與成本約束下制定合理的維護計劃,實現故障維修跟蹤等功能。系統的主界面如圖6所示。

圖6 系統的主要界面Fig. 6 Main interface of prototype system

5.2 三維可視化監控

利用WebGL技術,以三維模型實現風電機組的可視化監控,主要包括風電機組運行參數、電網信息、振動信息、轉速信息、溫度信息、環境參數等實時監測,同時通過設置風電機組參數、網關參數來控制終端設備。

5.3 風電機前軸承故障預警

利用CNN-STLM風電機前軸承故障預警模型,對某電機前軸承原始數據進行訓練、預測。其中,CNN模型包含卷積層(2卷積尺寸大小分為6×3,16×3)、池化層(1池化,尺寸大小為2×1)和全連接層(神經元數量為80)。LSTM模型包含輸入層、雙隱含層和輸出層,令輸入層神經元數為15,輸出層神經元數為1,輸出結果為風電機前軸承溫度值。

預測結果與真實值之間趨勢如圖7所示,模型預測結果與真實值的趨勢一致且數值比較吻合,所對應的殘差相對穩定。結合溫度閾值,從而可以實現風電機前軸承溫度告警、故障預警。

圖7 模型預測值與實際值對比Fig.7 Comparison of model predicted value with actual value

6 結論

為促進風電機組健康監測的全面化、精準化與智能化,設計了基于數字孿生的風電機組三維可視化實時監控與故障預警系統。構建了風電機組健康監測的數字孿生四層框架,詳細描述了風電機組數字孿生的關鍵技術與方法;給出了基于云邊協同技術的風電機組海量數據采集與治理方法;在此基礎上,實現了風電機組的三維可視化監控,并設計了孿生數據驅動的風電機組關鍵零部件故障診斷與預警模型。并以三維可視化方式對風電機組運行狀態實時監控,實現風電機組的運行異常及故障的預警與診斷,有效提高了風電機組運維效率,降低了風電企業的運維成本。與傳統SCADA方法相比,該方法能夠更加直觀、高效、智能地實現風電機組健康管理。后續工作將圍繞風電機組關鍵零部件剩余壽命預測、運行調度優化、發電預測量等方面做進一步的完善。