風電機組預警技術

王子鶴 朱懷英

摘 要：進入工業物聯網，互聯網+的時代，風電運維也掀起了轉型為智能服務的大潮。其核心就是對風電機組部件的運行數據進行分析并應用在運維服務的各個環節上。而數據分析的核心便是數據的特征工程和設備的健康預測。

特征是數據分析的原材料，對最終模型的影響是非常重要的。如果數據能很好地進行特征提取，模型就能達到非常滿意的程度。特征提取分為人工特征提取和自動特征提取。傳統的方法大多都是人工特征提取，專業人士根據經驗通過特殊的算法來做出失效的判斷，這不僅非常重要，也是發展的重要階段。然而，風電機組失效不僅是一個涉及多學科的很復雜的問題，而且部件數量規模巨大，應用的環境也非常多樣。這就預示著不可能找到單一的方法做出準確的判斷。

為了提升健康預測的水平，既需要高質量的特征，又需要不斷的提出新特征，增加特征的數量。這就需要不斷的深入理解問題和獲取額外的數據源。如果能夠實現自動特征提取包括組合特征會大大增加特征的數量，會遠遠超越人工提取的規模和速度，從而獲得更好的預測模型。

關鍵詞：機組健康；預警；葉片；疲勞；TFIDF

1 機組預警

所謂機組故障，一般是指機組失去或降低其規定功能的事件或現象，表現為機組的部件失去原有的精度或性能，使機組不能正常運行、技術性能降低，致使機組中斷生產或效率降低而影響發電。

機組在使用過程中，由于磨擦、外力、應力及化學反應等作用，部件會逐漸磨損和腐蝕、斷裂等導致因故障而停機或大部件損壞。加強機組保養維修，及時掌握部件損壞情況，在部件進入故障前，進行隱患排查、修理以及更換，就可防止故障停機或部件損壞所造成的經濟損失。

隱患也是一種問題，是側重安全、費用以及提前預判上的考慮而建立的術語，通常是指機組失去了最優性能的狀態或機組帶“病”運行。

2 葉片疲勞模型分析

葉片是風電機組的關鍵大部件之一，由于其外形大，工序復雜，鋪層過程中很容易產生褶皺。當玻璃纖維鋪設松散時，就會出現復合層褶皺，如果玻璃纖維方向偏離15度，材料的載荷強度會降低50%。褶皺出現在主復合層將造成葉片的開裂。葉片的根部是所有載荷的匯集區，載荷大，受力復雜，最可能出現皺褶。透光就是葉片內部開裂的表現形式。有實驗表明，當褶皺的高寬比達到0.1時，葉根位置疲勞強度隨循環次數增加，呈顯著下降趨勢。

外因是通過內因起作用的，內因才是失效的本質。首先，外因的表現形式有很多，如風速，風向，振動，下雪，結冰，湍流（地形）等等。各種外因的影響因子或影響權重亦有不同（如下面調查的情況），很可能是動態的。其次，是外因觸發了失效，很多數據顯示葉片失效是批次爆發的，而且幾乎是在同一時間發生的。

更重要的是，為什么說，內因才是失效的本質呢？葉片是由玻璃纖維材料或其它材料組成，有著特殊的氣動外形，需要不斷地在各種氣候條件下周期性和非周期性運動。這就是葉片的本質。葉片失效是必然的，只是其生命周期的長短不同。葉片為什么會失效呢？理論上是這么解釋的：第一，在葉片生產制造和流通的過程中，很難保證葉片完全沒有質量問題（包括材料，工藝，設計，運輸，及安裝調試等）；第二，在外在客觀的氣候條件下，經過長期的周期性和非周期性運動，葉片材料內部發生了變化，即產生了微觀裂紋。隨后，微觀裂紋以指數的方式變大，最終產生可觀察的裂紋。當然，在產生微觀裂紋后或足夠大的裂紋，外界因素將變成主導因素。這也就解釋了，只觀察外界因素的模型，會產生很多誤報或漏報。

多數的方法是使用周期性載荷，采用載荷傳感器和線性累積來實現的，對于很多具體的場合并不適用。第一，很多導致失效的因素并不是周期性載荷，例如，湍流，電流和電壓，溫度等。利用機器學習的方法提取各種隨機載荷也非常重要。第二，采用載荷傳感器的研究方法也不夠實用，因為風機運行的實際環境差別太大，很難通過研究具體案例然后推廣到各種氣候地域環境的風電場。鑒于以上的各種原因，我們提出一種新的葉片開裂的預測方法，通過機器學習的方法從傳感器的瞬態數據中提取隨機載荷，然后在通過線性累積來生成疲勞曲線。通過監測疲勞曲線來預測葉片的開裂及嚴重程度，來達到預測性維護的目的。

TFIDF是一種用于自然語言處理（Natural Language Processing）的常用算法。TFIDF是一種統計方法，用以評估一字詞對于一個文檔集或一個語料庫中的其中一份文檔的重要程度。詞的重要性隨著它在文件中出現的頻次成正比增加，但同時會隨著它在語料庫中出現的頻率成反比下降。TFIDF加權的各種形式常被搜索引擎應用，作為文檔與用戶查詢之間相關程度的度量模型。除了TFIDF以外，網絡搜索引擎還會使用基于超鏈分析的PR（PageRank）算法，以確定文檔在搜索結果集的排序。

如果一個特征在某個樣本中出現次數越多，那么這個特征應該被認為越重要。如果一個特征在越多的樣本中出現，那么這個特征區分樣本的作用就越低，于是其重要性也應當相應降低。

疲勞線性失效理論

該理論指出，對于循環載荷的每一次作用，其對構件造成的損傷可以線性疊加。假設在某一級應力水平作用下，當前作用載荷應力水平下的疲勞壽命為N，發生疲勞斷裂時所吸收的總功為W，而只有部分損傷時吸收的功是Wi，循環次數定義為ni，材料定義為N的話，則有Wi[]W=ni[]N。Miner理論對于疲勞損傷累積理論需要回答的三個問題如下：

式子中a的值由試驗確定，其它參數的意義與原理論相同。在一些疲勞試驗中，得出a的平均值為0.68，取整為0.7。

利用TFIDF方法從瞬態數據提取了葉片經歷的隨機載荷的特征，并通過線性疲勞累積損傷生成每個機組葉片的健康風險曲線，該模型可以初步得出結論如下：

（1）葉片開裂可以預測，并可以達到70%的準確度和45%的召回率，而且預測的提前量可以很好支持預防性或預測性運維；

（2）葉片斷裂似乎與葉片開裂關系不大，當然也可能是葉片斷裂的案例較少；

（3）葉片批次選擇基本服從隨機分布；

（4）變槳軸承批次質量問題也服從隨機分布；

（5）不同廠家葉片開裂的特征是一樣的，只是頻次不同；

3 總結

隨著信息技術和計算機技術的發展，大量的科研成果被應用到機組健康預測和故障預警的研究當中，而與此同時，信息技術和計算機技術有關學科的自身內涵也得到了完善和延拓。數據處理技術、健康預測的智能化研究勢必要進入一個新的發展階段。總之，機組健康預測及故障預警必須依賴于多學科在多層次上的協作與協調，取長補短，在邊緣學科上求發展。而生產維修部門、管理部門、使用部門與技術部門要密切配合，才能將這一技術深入推廣，真正為風電智能運維以及預防性維護的建設發展發揮作用。

參考文獻：

[1]袁曉東.機電設備安裝與維護.北京理工大學出版社.

[2]夏虹.設備故障診斷技術.哈爾濱工業大學出版社.

[3]王晶晶，吳曉鈴.風電齒輪箱的發展及技術分析.

[4]方永峰，陳建軍，馬紅坡.多種隨機載荷下的結構動態可靠性計算.

[5]劉曉波，黃其柏.轉子葉片裂紋擴展故障診斷實驗研究華中科技大學學報：自然科學版.

[6]王磊，高瑞珍，陳柳，宋永瑞.風電系統故障診斷與容錯控制.科學出版社.