明陽智慧能源孫啟濤：風電機組健康管理與故障預測

2017-10-19 10:16:19 能見　點擊量：評論 (0)

2017年10月16日-19日，2017北京國際風能大會（CWP2017）在北京隆重召開。在中國國際展覽中心（新館）風電場智能運維專場，明陽智慧能源集團股份公司大數據中心數據分析部部長孫啟濤就風電機組健康管理與故障預測

2017年10月16日-19日，2017北京國際風能大會（CWP2017）在北京隆重召開。在中國國際展覽中心（新館）“風電場智能運維”專場，明陽智慧能源集團股份公司大數據中心數據分析部部長孫啟濤就“風電機組健康管理與故障預測”發表演講。孫總提出管理與故障預測系統需要數據采集的能力、分析建模的能力和智能化分析能力。

以下為演講內容：

孫啟濤：尊敬的各位專家，各位同仁下午好，我來自明陽智慧大數據中心。

首先是開篇一個引言，我想分享一個故事，這個故事估計有的人聽過，扁鵲應該是我國古代非常有名的醫生，我相信大家可能不是特別了解他有兩個哥哥，他的兩個哥哥分別從事醫學，醫學高明，有一天魏文王為扁鵲你們三個都是搞醫學的，你們誰的醫術最高的？扁鵲思考了一下說，在家里面，長兄醫術最高，中兄次之，我是最差的。

我說我的長兄治的是病情發作之初，中兄是治病于發作起初之時，他能夠在病情發作之時看出來，而我扁鵲治病是到病情發作之后，人們看到我做的手術，實際上我的醫術不如他們兩個。

相信這個故事我們反思一下，我們在風電管理和運維當中，我們扮演的角色是扁鵲的長兄、中兄還是扁鵲呢？相信我們都有很明確的答案，我們現在扮演的都是扁鵲的答案，當故障發生的時候我們才能有效地針對性維護，我們要通過故障預警，防患于未然，才是風電場運維的王道，在問題發現之初去進行維護。

如果我們要像扁鵲的長兄那樣需要什么樣能力？分別是數據采集的能力，不僅僅是傳感器的數據、氣象資源的數據，第二個要有非常強大的分析建模的能力。第三個層面的話，把我們前期采集到的數據通過大量的智能化分析之后，把它包裝形成一定的應用，這樣的應用系統大量的監控平臺，能量管理平臺，以及智能檢測平臺，來支撐前面我數據的分析應用。

第二部分，想跟大家談一下亞健康預警的研究，其實我們大家知道風電機組設備跟人一樣，不可能跟人一樣良好的狀態，一下到故障狀態，它是有一個過程，不是說我現在分享風電機組知識，下一刻我就生病狀態，是不可能的。

風電機組健康發電與故障之間的狀態是有一種亞健康運行模式，這個模式是怎么發現的？需要我們進一步研究。

這個是風電機組的四大部件，其實每一種大部件有非常特有的模式，下面我以齒輪箱為例子，實際上對于整個齒輪箱來說，我們現在是自下而上的分析過程，下面這個T就代表齒輪箱損壞的故障，如果我們能夠有效地識別它底層狀態，并且在底層狀態進行有效識別，并且防護的話，我們就能夠有效地避免問題。

那么剛才提到了齒輪箱我們是從上而上分析的，反過來說就是齒輪箱FMEA的分析，通過這些分析我們可以有效地識別出來大部件失效的模式。

明陽在整個大部件運行過程當中是采用兩種方法，第一種是專家經驗，那么這一種專家經驗是針對各個專業科室以及工程運維現場故障分析診斷的豐富經驗進行集成，建立故障預警模型。但是它依托于有強大的運維經驗。

同時為了避免這種情況產生，我們提供了大數據分析系統，第一個是利用統計學的方式，采用一些中位數、分位數、均值，來建立預警模型，第二個通過機器學習，人工智能、深度學習，通過歷史故障記錄，通過機器學習訓練，來實現提前預警。

目前我們做的整個對機組的葉片主軸、葉片、偏航系統、變槳系統分別建立了預警模型，同時我們對每個預警模型進行了分析，這樣的預警信息一旦推送到現場之后，必須在24小時之內進行第一時間處理，第四項情況就不是那么嚴重，對整個機組的健康運行，影響度是非常小的。

這也就是我們對于基于專家經驗，對每一個預警模型建立亞健康運行的范圍，我們如何識別亞健康的狀態。

第二部分，基于大數據分析技術，通過機器學習算法，建立非常多的數字模型，通過我們大數據分析的云平臺，實時地計算出你理論值和實際值進行比較，如果超出設定的范圍，超出合理范圍之后，這樣會第一時間發出預警信息，也就是大數據預警模型。

現在明陽智慧已經開展了十多種算法，舉幾個例子來說，基于分為數和中位數的算法，我們其實在今年5月份的時候，首先通過過去一年的歷史數據，進行了分為數和中位數的預算，我們再分析今年5月1號到5月7號的數據時發現，4號機組的齒輪箱某些標簽點異常狀況較為嚴重，通過專家判斷后認為機組潤滑散熱等出現問題，需要排查，因此發出警告信息。

需要說明的是，其實在我們發出預警信息之后，這臺4號機組在風電場同類型當中還是表現最優秀的，它平時表現非常好，但是很用可能它一出問題就是出一個大的，也就是說如果我們沒有這樣的技術，任由它自由發展，進一步導致就是潤滑油整個的不足，進一步導致齒輪箱的損壞。

這個是TF-IDF的方法，左邊這個圖，紅的0代表非故障的狀態，1代表故障的狀態，同時右邊兩個圖，上邊1號機組TF-IDF值比較高，3號機組狀態是正常的，1號機組是偏向于異常的。

系統應用的話，剛才我們提到我們建立了許多預警模型，包括亞健康的分析，提到了應用的開發，現在已經上線了亞健康預警檢測系統，在過去三個月當中，我們所有在線運行模型已經超過90%，按照預警等級，這些等級和故障情況可以有效識別你機組是什么狀態，或者計算出健康度現在處于什么樣的分數。

談完亞健康的話，想跟大家分享一下健康狀態評估的研究，我們現在基于劣化度的方法，有超小優越型，有中間型，還有越大越優的，這個我們有詳細專業的評價過程，我們首先確定一些參數，包括歷史度的參數，變量的類型，評估的等級，通過這些等級之后，我們一步一步通過我們實時采集的數據，計算出各個變量的劣化度，計算出各個部件的劣化度，然后計算出歷史度，然后做出評判，得出一個部件的評估結果，最后綜合而成一個整機的評估結果，最差的就是整機目前的狀態結果。

這個是我們在過去一個月當中齒輪箱、發電機、葉片，整個組成機組的劣化度。通過這個分析出是處于亞健康狀態，下一步怎么做呢？如何分析呢？其實這是一個問題，是什么原因和指標惡化，導致我們齒輪箱由一個良好狀態進入惡化的狀態。把每一個部件，每一個標簽點計算出的劣化度，每一個時間周期，健康周期，這樣一層層分析決策出來，就可以知道每一個部件相關聯的健康程度，也就是我們可以決策出來每個部件產生的健康范圍的范圍，那么當這個范圍出來的時候，我們就可以準確知道是什么問題。

這樣的話，基于劣化度部件狀態度，可以確定每個時間單位狀態變化標簽組合，通過前后狀態的切換，得到兩個時間單位的標簽組合差，最終根據決策數的分值，來判斷標簽點值變化，從而進一步通過這種決策，進一步定位到是哪一個原因造成的。

我并不是特別關注你現在部件所處的狀態，我們更加關注的是部件變化的過程，有的時候一些機組運行的狀態，并不是從A到B到C到D，也有可能是從A到C。

剛才提到了比較具體的技術，這些技術能夠支撐我們的運維服務，首先介紹一下明陽的大數據中心，我們在中山建立了大數據中心，它也是我們跟風電場互通互聯，這里是7×2小時值班，首先我們通過大數據平臺計算的數據，發送的隱患，實時推送到風電場，風電場根據計算出來的結果，跟工程技術專家團隊計算結果以后，再把數據發送到平臺，這樣不斷優化，模型不斷調優，準確率是不斷提升的。

其實剛開始進行機器學習的時候，準確率只有20%左右，反復的模型優化才逐漸達到比較可觀的準確度。

其實剛才說到發出的這些預警信息，是不是第一時間內得到維護？答案是不一定的，我們依托于明陽集團開發的天氣資源預測系統，這里是風資源的變化，包括溫度、氣壓、云層，尤其是海上海浪的變化，這些數據支撐有可以有效指導現場進行排查計劃。

比如現在需要排查一個隱患和預警的話，它不是那么著急，而且現在風資源特別大，我就可以通過根據情況來安排檢修維護。

尤其是南方的臺風，臺風來的時候我們要有效避免臺風帶來的損壞，同時我們也希望變廢為寶，利用到臺風。

智慧運維服務，我們現在所有工單都是實現自動化的推送，支持手機APP和PC端，這一個就是我們一個預警工單排查的詳細信息，以及排查的內容，包括你帶什么樣的工具，最后反饋一個模型的準確性，現場排查的原因，也就是說我們對于現場人員的支持，可以非常清晰地知道什么人在現場做什么事，每一個流程都需要上級審批的。

最后一個展望未來的話，我們希望通過風電大數據平臺，建立一個大數據智庫，包括我們整機制造廠商，以及行業協會，最終構成一個大數據生態圈，共享風電的良好發展，我的分享就以上內容，謝謝大家。

（發言為現場速記整理，未經本人審核）