在裝機規(guī)模不斷擴大及上網(wǎng)電價持續(xù)下降的背景下,粗放式的運維方式已不再適用于當前的風電市場。據(jù)統(tǒng)計,陸上風電機組的運營及維護費用可達到其收益的 15%~25% ,海上風電機組的運維成本則更高,可達到 20%~30%?？梢?探索先進的運維技術(shù)與精細化的管理方法是降低風電度電成本、提高風電場利潤與收益的有效方法。

　　風電機組的運維方式分為事后維修(Reactive Maintenance)、預(yù)防性維護(Preventive Maintenance)、預(yù)測性維護(Predictive Maintenance)。其中,預(yù)測性維護是公認的能夠有效降低運維成本的先進維修方法。隨著風電技術(shù)、物聯(lián)網(wǎng)、人工智能和大數(shù)據(jù)技術(shù)的發(fā)展,風電機組的狀態(tài)感知體系逐步完善,使得風電領(lǐng)域?qū)崿F(xiàn)預(yù)測性維護成為可能。為給風電運維領(lǐng)域?qū)嵤╊A(yù)測性維護提供參考,結(jié)合近年來風電機組預(yù)測性維護技術(shù)的發(fā)展和應(yīng)用情況,本文對風電領(lǐng)域預(yù)測性維護的最新研究進展進行了總結(jié),并分析了預(yù)測性維護的概念、框架和關(guān)鍵技術(shù)。同時, 探討了預(yù)測性維護技術(shù)在風電機組關(guān)鍵部件上的應(yīng)用情況。最后,對實踐中存在的問題與挑戰(zhàn)進行了討論,并提出了未來的研究方向。

　　預(yù)測性維護體系

　　1、預(yù)測性維護概念與內(nèi)涵

　　近年來,預(yù)測性維護作為重點研究方向,得到了國內(nèi)外學者的廣泛關(guān)注。對于預(yù)測性維護的概念,可以參考國標中的定義方法。根據(jù)《核電廠安全重要儀表和控制系統(tǒng)老化管理要求》(GB/T 29308—2012)標準 3 對預(yù)測性維護的定義,根據(jù)觀察到的狀態(tài)而決定的連續(xù)或間斷的預(yù)防性維修,以監(jiān)測、診斷或預(yù)測構(gòu)建物、系統(tǒng)或部件的條件指標。這類維修的結(jié)果應(yīng)表明當前和未來的功能能力或計劃維修的性質(zhì)和時間表。根據(jù)《智能服務(wù)預(yù)測性維護通用要求》(GB/T 40571—2021)標準 4 對預(yù)測性維護的定義,預(yù)測性維護是根據(jù)觀測到的狀況而決定的連續(xù)或間斷進行的維護, 以監(jiān)測、診斷或預(yù)測構(gòu)筑物、系統(tǒng)或部件的條件指標。

　　總結(jié)來說,預(yù)測性維護是一種基于狀態(tài)的維修,以狀態(tài)感知為基礎(chǔ),通過對系統(tǒng)或部件開展連續(xù)(或定期)的狀態(tài)監(jiān)測,判斷系統(tǒng)或部件的健康狀態(tài),并預(yù)測系統(tǒng)或部件狀態(tài)未來的發(fā)展趨勢或可能的故障模式,以此為依據(jù), 預(yù)先制定維修計劃。預(yù)測性維護的關(guān)鍵點包括：狀態(tài)感知、狀態(tài)監(jiān)測、故障診斷、趨勢預(yù)測或壽命預(yù)測、維修管理五個部分。其中,趨勢預(yù)測或壽命預(yù)測是最具挑戰(zhàn)性的工作。

　　2、應(yīng)用范圍

　　預(yù)測性維護是一種先進的設(shè)備維護方法,但并不適用于所有的系統(tǒng)或部件。預(yù)測性維護的核心是對狀態(tài)的發(fā)展趨勢進行預(yù)測,預(yù)測的前提是系統(tǒng)或部件的劣化是有趨勢或是緩慢變化的,對于毫無征兆的突發(fā)失效,預(yù)測性維護無能為力。同時,預(yù)測性維護的成本較高,對于頻繁發(fā)生但影響不嚴重的故障同樣不適用。以故障發(fā)生頻次與故障危害程度作為兩個評價維度,將故障進行分類,分類結(jié)果如圖 1 所示。

　　可見,在故障的 4 個區(qū)域中,I 區(qū)的故障危害大且發(fā)生頻次高,大概率為系統(tǒng)或部件存在設(shè)計缺陷或者質(zhì)量問題, 需要進行設(shè)計優(yōu)化。II 區(qū)的故障危害小且發(fā)生頻次高,需要保證備件供應(yīng)需求,確保維護的順利進行,同時需要判斷是否為集中性缺陷,準備必要的技改精維護以降低故障率。III 區(qū)的故障危害小且發(fā)生頻次低,采用事后維護的方法即可,此時可以提供維護專家支持,提高維護效率與維護質(zhì)量。IV 區(qū)的故障危害大且發(fā)生頻次低,該類故障非常適用于預(yù)測性維護,即使投入較高的成本,只要能夠有效降低或減少該類故障發(fā)生,就可以避免非常嚴重的經(jīng)濟損失與不可預(yù)測的后果?？偨Y(jié)來說,滿足 IV 區(qū)的故障,基本為關(guān)鍵部件,如葉片、主軸、齒輪箱、發(fā)電機、偏航系統(tǒng)、變槳軸承等大部件。

　　關(guān)鍵技術(shù)

　　1、預(yù)測性維護框架

　　預(yù)測性維護的框架結(jié)構(gòu)如圖 2 所示,包括狀態(tài)感知、狀態(tài)監(jiān)測與評估、故障診斷、壽命預(yù)測、維修管理。

　　2、狀態(tài)感知

　　為了實現(xiàn)風電機組的預(yù)測性維護,先進、可靠的狀態(tài)感知體系是重要的基礎(chǔ)保障。目前,在風電機組中通用的狀態(tài)感知系統(tǒng)包括：數(shù)據(jù)采集與監(jiān)控(supervisory control and data acquisition,SCADA)系統(tǒng)、狀態(tài)監(jiān)測系統(tǒng)(condition monitoring system,CMS)。SCADA 系統(tǒng)采集風電機組電氣數(shù)據(jù)、物理狀態(tài)數(shù)據(jù)及環(huán)境數(shù)據(jù),如風速、風向、電壓、電流、溫度、壓力、流量、加速度等關(guān)鍵參數(shù);CMS 采集風電機組傳動鏈的振動數(shù)據(jù),采樣頻率較高,一般為 12800Hz 或 25600Hz。此外,為了滿足特殊的監(jiān)測需求,會加裝音頻、視頻、油液、聲發(fā)射、超聲波等監(jiān)測設(shè)備。

　　3、狀態(tài)監(jiān)測

　　狀態(tài)監(jiān)測是對狀態(tài)感知系統(tǒng)實時采集的數(shù)據(jù)進行分析以識別設(shè)備的異常狀態(tài)。狀態(tài)監(jiān)測往往與故障診斷結(jié)合通過狀態(tài)監(jiān)測識別設(shè)備的異常狀態(tài),再采用故障診斷技術(shù), 進行異常定位與分類。狀態(tài)監(jiān)測可分為基于機理、基于知識模型、基于數(shù)據(jù)驅(qū)動的監(jiān)測方法。如根據(jù)設(shè)備運行機理設(shè)定溫度參考閾值,當超過溫度閾值時進行分等級報警;基于數(shù)據(jù)驅(qū)動的方法相對復(fù)雜,一般采用正常運行的數(shù)據(jù)集訓練正常行為模型,通過分析真實值與預(yù)測值的殘差確定設(shè)備是否偏離正常狀態(tài),實現(xiàn)機組的異常監(jiān)測過程。

　　4、故障診斷

　　故障診斷是判斷設(shè)備或系統(tǒng)的異常狀態(tài),識別故障類型、進行故障定位,進而為維護提供決策支持?？梢?故障診斷是在狀態(tài)監(jiān)測的基礎(chǔ)上進行故障研判與故障定位的過程。故障研判可以采用機理模型、專家系統(tǒng)、數(shù)據(jù)驅(qū)動方法來實現(xiàn)。其中,數(shù)據(jù)驅(qū)動方法是更為流行的方法。實際應(yīng)用中往往融合機理、專家系統(tǒng)、數(shù)據(jù)驅(qū)動等方法進行綜合診斷。比如,根據(jù)機理進行特征提取, 所提取的特征用于訓練機器學習模型,專家系統(tǒng)根據(jù)機器學習預(yù)測結(jié)果進行規(guī)則判斷,最終給出故障研判與故障定位結(jié)果。

　　5、壽命預(yù)測

　　壽命預(yù)測是預(yù)測性維護的核心部分,也是實現(xiàn)難度最大的部分。壽命預(yù)測是根據(jù)設(shè)備故障分類、故障定位情況, 對設(shè)備剩余使用壽命進行評估,希望在設(shè)備徹底失效前制定合理的維修策略,保障在可控的風險范圍內(nèi)延長設(shè)備使用壽命,提升設(shè)備使用價值。壽命預(yù)測方法分為退化模型方法、相似理論方法、數(shù)據(jù)驅(qū)動方法。退化模型又分為物理退化模型和經(jīng)驗退化模型。其中,經(jīng)驗退化模型更容易實現(xiàn),如采用帶衰退因子的威布爾模型構(gòu)建退化模型等。相似理論方法不需要對設(shè)備壽命的退化過程進行精準估計,其基本假設(shè)是同批次或同規(guī)格的同類型設(shè)備, 如果在相同或相似的工況下運行,則它們的失效機理將具有相似性。因此,待預(yù)測設(shè)備的剩余壽命可以根據(jù)歷史設(shè)備的壽命情況來近似計算。數(shù)據(jù)驅(qū)動方法主要采用機器學習、深度學習方法,結(jié)合歷史失效數(shù)據(jù)進行復(fù)雜模型訓練, 進而得到壽命預(yù)測結(jié)果。當然,結(jié)合退化模型與數(shù)據(jù)驅(qū)動的組合方法也是廣泛研究的方向,如果能夠在模型訓練中將機理或退化模型的經(jīng)驗知識加以利用,可能取得更加可靠的預(yù)測結(jié)果。

　　6、維修管理

　　維修管理是根據(jù)故障診斷、壽命預(yù)測的結(jié)果,結(jié)合實際生產(chǎn)需求,通過檢查、測試、修理及替換等方法保證設(shè)備的健康狀態(tài),提高設(shè)備可靠性,延長設(shè)備使用壽命。維修分為基本維修、中度維修、完全維修三種。維修管理是一個多目標優(yōu)化過程,通常以人員、環(huán)境因素、物資影響、停機損失、維修時間等作為邊界條件進行維修優(yōu)化。目前, 維修策略管理是重點研究方向,主要優(yōu)化方向包括結(jié)合庫 存管理的維修策略優(yōu)化、結(jié)合設(shè)備狀態(tài)的定檢策略優(yōu)化、結(jié)合故障預(yù)測或壽命預(yù)測的檢修策略優(yōu)化等。

　　風電機組預(yù)測性維護應(yīng)用現(xiàn)狀

　　廣義的預(yù)測性維護需要以設(shè)備壽命預(yù)測為核心,確定設(shè)備的維修管理方案。鑒于壽命預(yù)測的不確定性,預(yù)測性維護的實際應(yīng)用情況并沒有預(yù)期廣泛,而基于故障診斷并結(jié)合維修管理的狹義預(yù)測性維護方法在實踐中更容易實施。狹義的預(yù)測性維護是以狀態(tài)監(jiān)測為基礎(chǔ),強調(diào)故障診斷,通過連續(xù)的狀態(tài)監(jiān)測,判斷設(shè)備是否存在異常狀態(tài) 或是否有發(fā)生故障的趨勢,并在適當?shù)臅r間安排設(shè)備維修。因此,當前風電機組的預(yù)測性維護實踐大部分為狹義的預(yù)測性維護,且主要以葉片、主軸、齒輪箱、發(fā)電機等關(guān)鍵部件為研究對象。本節(jié)將以主軸、齒輪箱、發(fā)電機為例, 討論與總結(jié)預(yù)測性維護技術(shù)在風電機組關(guān)鍵部件上的應(yīng)用情況。

　　1、主軸系統(tǒng)

　　主軸系統(tǒng)是風電機組中核心旋轉(zhuǎn)部件,向前連接輪轂、向后連接齒輪箱,是將風能轉(zhuǎn)化為機械能的重要傳遞部件。因此,其承受著來自風輪、輪轂等部件的復(fù)雜交變載荷影響, 具有極高的故障風險。

　　主軸系統(tǒng)的主要組成部分包括：主軸、主軸承、潤滑系統(tǒng)、密封系統(tǒng)、軸承座等。其中,主軸、主軸承是故障頻發(fā)的關(guān)鍵部件,其監(jiān)測方式 16 包括應(yīng)力應(yīng)變、振動、油脂、溫度、音頻、圖像、紅外熱成像、超聲波監(jiān)測等;研究方法包括物理模型、數(shù)據(jù)驅(qū)動模型、機理與數(shù)據(jù)驅(qū)動混合模型, 以及上述方法混合方法。

　　主軸是風輪的轉(zhuǎn)軸,支撐風輪并連接齒輪箱,是主要的承力結(jié)構(gòu)。其常見的故障模式包括磨損、裂紋、斷裂等, 監(jiān)測方法包括振動、著色探傷、聲發(fā)射、超聲波等。文獻采用超聲波監(jiān)測手段研制了根因分析系統(tǒng)(RCA),用于風電機組主軸裂紋診斷。文獻提出一種主軸總成竄動在線 監(jiān)測方法,采用激光位移傳感器獲得主軸總成竄動監(jiān)測數(shù)據(jù),通過時間序列預(yù)測方法對其進行分析,建立了主軸總成竄動的 ARMA 模型。文獻利用有限元模型對裂紋信號識別中的問題進行仿真優(yōu)化,設(shè)計了從端面對主軸進行超聲檢測的方法。對于主軸的磨損、表面損傷,可以采用激光熔覆技術(shù)進行修復(fù)。激光熔覆技術(shù)利用高能密度的激光束將具有不同成分、性能的合金與基材表面快速熔化,在主軸表面形成合金層,進而達到主軸修復(fù)的目的。

　　主軸承是主軸的旋轉(zhuǎn)支撐部件,具有長壽命、高承載、高可靠性的要求。其常見的故障模式包括潤滑不良、磨損、疲勞剝落、壓痕、腐蝕、裂紋、斷裂等,監(jiān)測方法包括應(yīng)力應(yīng)變、音頻、圖像、紅外熱成像、聲發(fā)射、超聲波監(jiān)測等。文獻提出了在深度學習模型中引入物理信息來克服軸承疲勞壽命建模的一些局限性,建立融合物理信息的 RNN 網(wǎng)絡(luò),實現(xiàn)主軸承的疲勞壽命估計。文獻以振動信號為基礎(chǔ),提出了一種基于奇異值分解包(SVDP)基尼指數(shù)圖和自適應(yīng) Richardson-Lucy 解卷積(ARLD)的主軸承故障診斷方法,實現(xiàn)在強烈背景噪聲環(huán)境下對主軸承微弱故障的診斷。文獻基于 SCADA 數(shù)據(jù)提出了一種正常行為模型,采用健康狀態(tài)數(shù)據(jù)進行模型訓練,實現(xiàn)了主軸承異常行為的診斷分析。對于軸承的修理,可以采用表面改善處理技術(shù)進行軸承延壽,如激光熔覆法。此外,潤滑油脂可以有效降低主軸承摩擦阻力、減少軸承磨損。主軸承的大部分損傷與潤滑狀態(tài)關(guān)系密切,改善主軸承的潤滑狀態(tài),可以有效降低軸承損傷,進而延長主軸承的使用壽命。文獻總結(jié)了潤滑脂離線、在線監(jiān)測方法,包括元素含量法、紅外(或近紅外)光譜法、聲發(fā)射法等。

　　2、齒輪箱

　　齒輪箱是雙饋風電機組重要的增速結(jié)構(gòu),實現(xiàn)輪轂低轉(zhuǎn)速到發(fā)電機高轉(zhuǎn)速的增速過程,使得轉(zhuǎn)速滿足發(fā)電機所需的最小發(fā)電轉(zhuǎn)速。風電齒輪箱一般為三級結(jié)構(gòu),其結(jié)構(gòu)復(fù)雜,且長期處于變轉(zhuǎn)速、變載荷的工作狀態(tài),極易導致故障發(fā)生。其主要組成部分包括箱體、齒輪、軸承、傳動軸、減噪減震裝置和潤滑冷卻系統(tǒng)等。齒輪箱的失效機理復(fù)雜, 齒輪、傳動軸(低速、中速、高速)、軸承都會發(fā)生不同程度的磨損而導致齒輪箱失效。

　　根據(jù)齒輪箱關(guān)鍵部件診斷與維修方法,齒輪損傷是齒輪箱故障中占比較大的故障,其常見的故障模式包括齒輪點蝕、磨損、腐蝕、齒面膠合、剝落、斷齒等。較容易出現(xiàn)齒輪故障的部位有內(nèi)齒圈齒面、行星輪齒輪、中間軸齒面、高速軸齒面等。齒輪故障往往與軸承故障耦合在一起,在振動信號中表現(xiàn)為較強的非平穩(wěn)性與混沌性, 給齒輪故障診斷與故障溯源帶來一定困難。齒輪的監(jiān)測方法包括振動、油液、內(nèi)窺鏡檢查等。文獻提出了基于離散隨機分離(DRS)和改進 Autogram 的復(fù)合故障特征提取方法,用于風電齒輪箱齒輪 - 軸承復(fù)合故障診斷,能夠有效提高故障診斷效果。文獻提出了一種信號處理與機器學習結(jié)合的集成建模方法,數(shù)據(jù)處理部分采用改進的 Hilbert-Huang 變換進行時頻域特征提取,并整合時域特征與時頻域特征作為雙耦合稀疏貝葉斯極值學習機(PC-SBELM)模型的訓練數(shù)據(jù),最終構(gòu)建了齒輪箱診斷模型,在實際的風電齒輪箱系統(tǒng)上進行模型驗證,結(jié)果表明其可以準確地識別齒輪箱缺齒、裂紋和磨損等多種故障類型。文獻針對行星齒輪故障特征易混疊問題,提出了基于迭代前向搜索算法的自適應(yīng)傅立葉譜分割方法,實現(xiàn)自適應(yīng)經(jīng)驗小波變換對行星齒輪故障相關(guān)模式的提取,故障診斷效果優(yōu)于經(jīng)驗?zāi)B(tài)分析與譜峭度法。文獻采用 U-net 模型自動分割了時頻圖中與故障有關(guān)的特征區(qū)域,利用隨機森林算法構(gòu)建了齒輪箱齒面點蝕、嚙合不對中診斷模型。齒輪箱齒輪故障的防護與維修方案主要有潤滑油監(jiān)測與齒面修復(fù)及更換。潤滑油在齒輪長期嚙合過程中,可以有效減少齒輪、軸承和其他運動部件之間的摩擦和磨損,齒輪的早期磨損、腐蝕、點蝕、膠合等故障均與潤滑油的問題有關(guān), 如潤滑油被氧化、污染、含水量超標、磨粒增多等。采用在線或定期的油液監(jiān)測方法保障潤滑油的健康狀態(tài),可以有效降低齒輪故障風險。在齒輪嚙合過程中,添加在油液中的自修復(fù)添加劑能夠與金屬表面發(fā)生置換反應(yīng),生成新的類金屬保護層,提高齒輪的耐磨性,對齒輪的齒面磨損進行修復(fù),延長齒輪使用壽命。另外,可以對斷齒進行修復(fù)。然而,考慮到修復(fù)后的配合精度與安裝成本,對于齒輪的損壞采用直接更換齒輪軸組件更為合適,當出現(xiàn)嚴重多對齒輪損傷、齒圈斷裂時,需要更換整個齒輪箱。

　　軸承作為齒輪箱中的易損部件,其失效模式 35 包括潤滑不良、磨損、疲勞剝落、壓痕、腐蝕、裂紋、斷裂等, 其狀態(tài)監(jiān)測方法包括溫度、振動、油液、聲發(fā)射、圖像、紅外熱成像、超聲波監(jiān)測等,研究方法包括物理模型、信號處理、數(shù)據(jù)驅(qū)動模型、機理與數(shù)據(jù)驅(qū)動混合模型等。最具代表性的方法如：文獻提出了基于 VMD-SET 時變工況的風電機組齒輪箱無轉(zhuǎn)速計階次跟蹤方法,采用變分模態(tài)分解(VMD)濾波,并利用同步提取變換(SET)對齒輪箱振動信號進行時頻分析,通過仿真及實驗驗證了所提方法的優(yōu)越性和有效性 ;文獻針對數(shù)據(jù)驅(qū)動模型對全量退化數(shù)據(jù)的強依賴局限,提出了采用經(jīng)驗?zāi)Ｐ偷南闰炛R對原始有限樣本進行數(shù)據(jù)增強,再采用 PI-LSTM 深度學習模型進行模型訓練,實現(xiàn)了在有限退化樣本下的齒輪箱高速軸軸承剩余壽命預(yù)測功能;文獻采用改進杰森 - 瑞麗散度(JRD)對軸承數(shù)據(jù)進行后驗概率分布向量特征提取, 再利用相關(guān)向量機(RVM)預(yù)測軸承整個退化軌跡的相關(guān)向量,最后基于雙指數(shù)模型擬合相關(guān)向量,并結(jié)合差分整合移動平均自回歸模型(ARIMA)對擬合誤差進行修正, 實現(xiàn)了軸承剩余使用壽命的預(yù)測。軸承的防護、維修方案與齒輪類似,應(yīng)重點關(guān)注潤滑油的健康狀態(tài),保證油品健康, 保障軸承健康的潤滑環(huán)境?？梢栽跐櫥椭屑尤胱孕迯?fù)添加劑修復(fù)輕微的表面損傷,對于嚴重故障直接更換故障軸承即可。

　　齒輪箱的傳動軸分為輸入軸、中間軸、高速軸,是能量傳遞的載體,在支撐旋轉(zhuǎn)部件的同時,承受著較大的彎矩和轉(zhuǎn)矩。傳動軸的故障模式包括磨損、裂紋、彎曲變形、斷裂等。其中,磨損是傳動軸較常見的故障,一般發(fā)生在高速軸的軸承與軸相對運動部分,而彎曲變形與斷裂出現(xiàn)較少。傳動軸的監(jiān)測方法包括振動、著色探傷、聲發(fā)射、超聲波等。由于傳動軸故障在齒輪箱故障中頻次遠低于齒 輪、軸承故障,因此,傳動軸故障診斷與預(yù)測方法主要以溫度監(jiān)測、事故分析為主。文獻針對齒輪箱高速軸軸承 溫度超限問題,提出了一種重構(gòu)特征和寬度學習齒輪箱高速軸故障預(yù)警方法,實現(xiàn)了齒輪箱高速軸早期故障診斷。文獻基于 SCADA 數(shù)據(jù)采用 XGBoost 算法構(gòu)建了齒輪箱輸出軸正常行為模型,并調(diào)整殘差閾值和優(yōu)化最佳實踐窗口,實現(xiàn)了齒輪箱輸出軸故障預(yù)警功能。對于傳動軸的防護與維修,可以采用涂鍍工藝修復(fù)、激光熔覆等方法。其中,涂鍍工藝修復(fù)可以對單側(cè)磨損量小于 0.3mm 的軸進行修復(fù),磨損狀態(tài)嚴重的情況下可以采用激光熔覆方法進行修復(fù),延長傳動軸使用壽命,降低齒輪箱維修、更換成本。

　　齒輪箱箱體承受的載荷以靜載荷為主,其故障相對較少,且主要表現(xiàn)為加工精度、材料、密封工藝問題導致的箱體滲油、變形、局部裂紋、磨損等故障。其中,比較常見的故障是齒輪箱軸承裝配孔內(nèi)圓磨損。目前,箱體的監(jiān)測方法以定檢的人工巡視為主,發(fā)現(xiàn)表面裂紋后,可以采用磁粉探傷方法,判斷裂紋延伸情況。當出現(xiàn)箱體軸承內(nèi) 孔磨損時,可以采用鑲套修復(fù)工藝、冷熔脈沖焊等方法進行修復(fù)。

　　3、發(fā)電機

　　發(fā)電機主要由定子、轉(zhuǎn)子、軸承、滑環(huán)、電刷及潤滑系統(tǒng)組成,是風電機組中核心的能量轉(zhuǎn)化部件,長期工作在變工況、強電磁環(huán)境下,極易出現(xiàn)故障。與其他關(guān)鍵部件不同,發(fā)電機的失效模式不僅包含機械故障,還包括電氣故障。據(jù)統(tǒng)計,在風電機組故障中,軸承、定子、轉(zhuǎn)子故障率較高,分別為 40%、38%、10%。

　　發(fā)電機的機械故障主要集中在前軸承、后軸承、軸等關(guān)鍵部件。其中,以軸承的故障為主。發(fā)電機的軸承故障與主軸承、齒輪箱軸承類似,包括力學上的損壞、熱學上的損壞,如潤滑不良、磨損、疲勞剝落、裂紋、斷裂等。其主要監(jiān)測方法與主軸承、齒輪箱軸承類似,包括溫度、振動、聲發(fā)射、圖像、紅外熱成像、超聲波監(jiān)測等。文獻將 SCADA 實時監(jiān)測系統(tǒng)的振動數(shù)據(jù)、非振動數(shù)據(jù)和振動監(jiān)測系統(tǒng)的振動數(shù)據(jù) 3 類不同時間尺度數(shù)據(jù)進行融合,構(gòu)建了深度自編碼模型,實現(xiàn)了發(fā)電機軸承磨損故障診斷功能。文獻提出了一種雙階段注意機制的并行預(yù)測模型(PDAGRU),并與非參數(shù)不確定性量化方法結(jié)合,實現(xiàn)了發(fā)電機軸承的剩余壽命預(yù)測。此外,發(fā)電機軸承故障還包括特有的電學上的損壞,如軸承電流腐蝕。軸承電流腐蝕是軸電壓過大,超過油膜閾值電壓而產(chǎn)生放電的現(xiàn)象,造成軸承滾道、滾動體損傷。因此,諸多學者對發(fā)電機的軸承電流腐蝕監(jiān)測與預(yù)防展開了研究,其監(jiān)測方法包括基于振動信號、定子電流信號、軸電壓電流監(jiān)測等。文獻以定子電流為數(shù)據(jù)源,采用調(diào)制信號雙譜(Modulated signal bispectrum,MSB)的信號處理方法,對定子電流進行特征分析,實現(xiàn)了雙饋風電機組發(fā)電機軸承的早期腐蝕故障的監(jiān)測。文獻采用最小熵解卷積方法對振動數(shù)據(jù)進行信號處理,并結(jié)合包絡(luò)譜分析方法提取故障頻率,實現(xiàn)了軸承電腐蝕故障的識別診斷。文獻對發(fā)電機軸承電蝕故障的產(chǎn)生原因、故障形式及防護措施進行總結(jié),提出防護措施包括增加端蓋絕緣、接地碳刷,降低軸電壓,疏導軸電流,截斷軸承電流,采用高介電強度潤滑油等。

　　發(fā)電機的電氣故障主要集中在定子、轉(zhuǎn)子、繞組、滑環(huán)等關(guān)鍵部件。主要故障模式包括匝間短路、繞組溫度高、滑環(huán)故障、繞組短路、轉(zhuǎn)子偏心、永磁體退磁等,主要監(jiān)測方法包括電流、電壓、功率監(jiān)測等。文獻以雙饋機組的電刷滑環(huán)故障為研究對象,提出了一種基于希爾伯特 - 黃變換(Hilbert-Huang transform,HHT)的雙饋異步發(fā)電機電刷滑環(huán)燒傷故障診斷方法,以電流信號為輸入提取能量熵特征,并通過實驗驗證了特征與診斷模型的可行性。文獻采用熵加權(quán)法確定電流、無功功率的融合權(quán)重,將融合后的結(jié)果作為 GRU-CNN 模型輸入,建立了匝間短路故障診斷模型,實現(xiàn)直驅(qū)風電機組繞組匝間短路故障診斷。文獻以 SCADA 數(shù)據(jù)為基礎(chǔ),建立 XGBoost 與 LSTM 加權(quán)融合的組合模型,實現(xiàn)了風電機組繞組溫度預(yù)測,提前對繞組高溫故障進行預(yù)警。

　　問題與挑戰(zhàn)

　　1、技術(shù)挑戰(zhàn)

　　風電機組預(yù)測性維護中的技術(shù)挑戰(zhàn)主要表現(xiàn)在故障數(shù)據(jù)不足、樣本不均衡、壽命曲線的不確定性、復(fù)雜變工況、機器學習可解釋性、先驗知識與機器學習融合、多模態(tài)數(shù)據(jù)融合等。故障數(shù)據(jù)不足是基礎(chǔ)問題,決定了模型的準確率, 且電力數(shù)據(jù)的隱私性、安全性要求更高,數(shù)據(jù)共享與流通存在一定困難。同時,風電機組運行特性不僅存在復(fù)雜變工況問題,相同型號的風電機組運行環(huán)境、歷史工況、備 件更換記錄均不完備,故障案例庫的收集成本更高。加上傳統(tǒng)工業(yè)界對數(shù)據(jù)資產(chǎn)的認知較晚,導致歷史的寶貴故障案例只有記錄卻沒有與之對應(yīng)的運行數(shù)據(jù),嚴重缺乏故障發(fā)生、發(fā)展前后的運行數(shù)據(jù)。此外,預(yù)測性維護技術(shù)以避免更換部件、降低停機發(fā)電量損失、提高人員效率為價值體現(xiàn),不如提升發(fā)電量的價值變現(xiàn)更直觀,導致風電業(yè)主對預(yù)測性維護的價值并不十分認可。

　　針對以上問題,可以制定“用數(shù)據(jù)、養(yǎng)數(shù)據(jù)”的管理制度,進一步加強對數(shù)據(jù)資產(chǎn)的認識,形成一套故障案例庫收集、管理、存儲、標注、校核的完整體系,為后續(xù)的模型優(yōu)化與復(fù)雜大模型的應(yīng)用提供數(shù)據(jù)支撐。對于先驗知識與機器學習融合的問題,已有大量學者開展研究。如將領(lǐng)域經(jīng)驗、先驗知識形式化為特征工程,或者采用先驗知識簡化的物理模型進行樣本生成,將提取的特征或生成的數(shù)據(jù)作為數(shù)據(jù)驅(qū)動模型的訓練數(shù)據(jù),強化機器學習、深度學習的訓練過程。另外,可以將先驗知識整合到數(shù)據(jù)驅(qū)動模型訓練中,作為模型目標函數(shù)、學習規(guī)則的約束條件, 引導模型訓練過程。文獻提出了先驗知識與數(shù)據(jù)驅(qū)動融合的機器學習框架,稱為知信學習,機器學習訓練框架中由數(shù)據(jù)和先驗知識兩部分共同支撐模型訓練,先驗知識被有效表達。知識表達方法包括代數(shù)方程、微分方程、模擬結(jié)果、空間不變性、邏輯規(guī)則、知識圖、概率關(guān)系和人類反饋。對于多模態(tài)數(shù)據(jù)融合解決方案,可以結(jié)合多模態(tài)大模型的研究成果,嘗試在風電領(lǐng)域進行應(yīng)用,提升預(yù)測性維護的準確性。

　　2、對業(yè)主認知的挑戰(zhàn)

　　在風電機組預(yù)測性維護研發(fā)、實施過程中,包括模型開發(fā)者、業(yè)務(wù)專家、風電業(yè)主、研究人員等多個角色。每個角色對預(yù)測性維護的認知不同,導致預(yù)測性維護模型開發(fā)效果達不到業(yè)務(wù)專家、風電業(yè)主的預(yù)期,數(shù)據(jù)質(zhì)量與案例庫達不到預(yù)測性維護模型開發(fā)的要求,而產(chǎn)生希望落差, 進而影響預(yù)測性維護在風電領(lǐng)域的應(yīng)用落地。

　　在人工智能高速發(fā)展的沖擊下,特別是在 ChatGPT 的影響下,風電業(yè)主方很容易認為人工智能無所不能,對模型的準確率要求非常高,而忽略了工業(yè)領(lǐng)域故障樣本缺失、數(shù)據(jù)質(zhì)量不夠、狀態(tài)感知受限、復(fù)雜變工況等一系列模型開發(fā)的前提條件。在這種思想下,預(yù)測性維護的準確率被要求得極高,而實際模型的誤報率較高,過多的誤報進一步消耗了風電業(yè)主對預(yù)測性維護應(yīng)用的信心,嚴重降低了風電業(yè)主對預(yù)測性維護的期待。因此,加強對人工智能的認知,明確本企業(yè)數(shù)據(jù)資產(chǎn)質(zhì)量,才能進一步促進預(yù)測性維護在風電領(lǐng)域的健康發(fā)展。

　　對于模型開發(fā)方往往存在與業(yè)務(wù)專家分離的現(xiàn)象,特別是深度學習可以弱化對機理依賴的建模思想,更肆意增長了重模型研究而輕機理探索的趨勢。在風電領(lǐng)域,設(shè)備運行機理復(fù)雜,運行環(huán)境多變,將機理研究與模型探索并行, 讓模型開發(fā)者與業(yè)務(wù)專家建立有效溝通,可以得到更好的模型開發(fā)效果,提升模型開發(fā)效率。

　　3、管理方法的挑戰(zhàn)

　　目前,風電機組設(shè)備是由各發(fā)電集團運維中心或區(qū)域公司進行集中管理,對設(shè)備健康狀態(tài)進行預(yù)警,給現(xiàn)場維修人員下發(fā)工單,現(xiàn)場人員登機檢查,確認報警的準確性, 形成統(tǒng)一的閉環(huán)過程。這種管理方法是模型迭代更新的前提保障,不管是多先進的機器學習模型都需要不斷地迭代、優(yōu)化才能有更準確的預(yù)測效果,而每一次診斷確認至關(guān)重要。診斷的確認過程本質(zhì)是一次數(shù)據(jù)標注過程,正確的診斷結(jié)果可以增加一個故障案例,錯誤的診斷結(jié)果可以反映模型的缺陷。如果診斷錯誤是其他異常模式則意味著案例庫中增加了一個故障模式;如果是誤報,則意味著模型對該類故障的準確率需要調(diào)整。

　　目前,在預(yù)測性維護具體執(zhí)行時,存在現(xiàn)場確認不規(guī)范、檢查流程不明確等問題,且模型反饋系統(tǒng)不科學,需要探索出更科學的信息反饋填報方式。另外,對于現(xiàn)場人員的激勵體系不完備,診斷確認工作增加了現(xiàn)場工作量。因此, 可以從數(shù)據(jù)資產(chǎn)角度出發(fā),將診斷確認作為數(shù)據(jù)資產(chǎn)管理的一部分,將每個案例的發(fā)現(xiàn)與保護作為一項工作任務(wù)與績效考核機制。經(jīng)過不斷的數(shù)據(jù)積累與模型迭代優(yōu)化,預(yù)測性維護才能在風電領(lǐng)域真正發(fā)揮作用。

　　結(jié)論

　　預(yù)測性維護是一種綜合技術(shù),它將設(shè)備運行機理、狀態(tài)感知、物聯(lián)網(wǎng)、人工智能、大數(shù)據(jù)和云計算等領(lǐng)域的先進技術(shù)應(yīng)用于風電運維實踐,能夠有效降低風電運維成本, 是智慧風電場建設(shè)的重要組成部分。根據(jù)本文對預(yù)測性維護在風電領(lǐng)域最新研究進展進行的調(diào)研與總結(jié),風電領(lǐng)域預(yù)測性維護實際落地情況,以及實踐中存在問題與挑戰(zhàn)的分析,預(yù)測性維護既要用數(shù)據(jù),又要養(yǎng)數(shù)據(jù);既要研究先進算法,又要鉆研設(shè)備運行機理、失效機理;既要注重現(xiàn)場實測效果,又要結(jié)合實驗優(yōu)勢進行加速實驗。

　　參考文獻略.