基于數據挖掘風力發電設備故障遠程診斷探究

賈建華

（山西同煤新能源有限公司，山西太原030000）

能源危機、環境污染和生態破壞問題的不斷加重，使得可持續發展成為社會發展的主旋律，各國都開始重視對于清潔可再生能源的開發應用，太陽能發電、水電和風電等得到了迅速發展，不過同時也暴露出一些技術方面的問題。以風電為例，機組本身極高的運行維護成本，對于其經濟效益產生的巨大影響，而且風電設備一般設置在偏遠、不存在高大建筑遮擋的區域，機艙位置處于70－90m的高空，運行維護難度大，一旦出現故障，很難及時進行處理。想要對風電設備的運行狀態進行跟蹤監測，可以引入大數據中的數據挖掘技術，通過遠程診斷的方式，預測設備故障趨勢，降低故障維護費用。

1 相關研究

現階段，一般在設置大型風電機組時，從保障機組穩定可靠運行、降低風險隱患的角度，需要為機組配備專門的控制器，在實現就地控制的同時，也具備相應的機組運行數據采集以及故障告警信息傳輸功能，通過就地控制器與中央控制系統的可靠連接，還可以遠程監控風電機組的運行情況。通過設置專家系統以及智能診斷系統的方式，可以對風機設備的故障進行有效診斷，但是無論是專家系統還是智能診斷，在實施應用中都存在推理過程困難的問題，實際應用效果并不理想。對此，有研究人員提出，可以在風電機組故障診斷中，引入相應的數據挖掘技術，借助該技術挖掘出機組故障的特征參數，然后對照故障數據庫中收錄的故障規則，實施機組故障的遠程診斷，可以將故障診斷的過程看作是一種特殊的模式獲取及匹配過程，借助相應的數據挖掘技術，針對故障診斷中遇到的各種問題進行分析和解決。在這個過程中，技術人員需要重視相關技術的研究和應用，結合實際情況來對風險機組故障診斷方案進行相應的完善。

2 基于數據挖掘的風力發電設備故障遠程診斷系統

數據挖掘需要以相應的數據倉庫作為對象和平臺，其本身屬于一種比較特殊的數據分析手段，以人工智能、機器學習和統計學等學科理論為支撐，數據挖掘技術可以反映不同數據所具備的特征，將數據中蘊含的有用信息提取出來。數據挖掘的過程包含了幾個關鍵環節，如數據準備、數據選擇、數據處理等能夠完成數據倉庫的構建，為后續的知識發現做好準備，目標確定、算法確定、數據挖掘以及模式識別則能夠挖掘出有用信息。數據倉庫與數據挖掘之間存在得十分密切的聯系，典型的數據倉庫需要具備數據導入、數據集市和訪問工具。將數據挖掘技術應用到故障遠程診斷中，能夠提升數據分析的效率，實現故障診斷的智能化。在對基于數據挖掘的風力發電設備故障遠程診斷系統進行構建時，需要關注幾個核心內容。

2．1 確定決策模型

遠程故障診斷系統必須能夠從相應的監測信息，找出信息所具備的潛在規律性，將有用數據局提取出來，借助這些數據來判斷風電機組的實際運行情況，看機組是否存在故障或者隱患。在該系統中，采用的決策模型是 RDDM＝｛M，K，D，E，P｝模型，在該模型中，M表示診斷技術方法集合，K表示故障診斷所需的知識集合，D表示設備原始信息數據集合，E表示實驗設施，P表示專家知識集合。數據挖掘技術能夠通過對診斷知識和技術方法的不斷完善，從海量數據信息中，找出與真實情況最接近故障原因，選擇科學的診斷方法來對故障進行診斷。

2．2 系統硬件結構

風電設備故障遠程診斷系統中，下位機的主要作用，是利用相應的傳感器設備來對風電機組的狀態信息進行收集，然后運用數據采集模塊，將信息放大，同時進行濾波處理，再結合相應的特征信號，初步完成故障診斷工作。在這個過程中，下位機會將采集到的數據信息傳輸到本地診斷中心，由上位機進行同步分析和處理。本地數據服務器在完成下位機傳輸的數據信息后，會將其寫入到數據庫中，對機組故障征兆信息進行備份，同時也能夠為WEB應用服務器和推理診斷服務器的正常運行提供可靠的數據支持，在實際運行中，通過故障診斷軟件與監測分析軟件的相互配合，診斷服務器可以從數據庫中提取相應的數據信息，用于風電機組的故障診斷工作，在得到診斷結果后，會對其進行初步檢驗，然后傳輸為風電場工作人員，幫助其對故障進行進一步的檢查和處理。即便故障本身比較復雜，在遠程診斷中心的協助下本地中心也能夠進行處理。遠程故障診斷中心中各個服務器的功能與本地診斷中心的服務器類似，數據服務器中保存有不同風電場不同類型風電設備的運行數據，可以實現數據信息的共享。

2．3 系統軟件設計

2．3．1 平臺數據挖掘結構

系統中的知識庫是一種基于征兆事實庫以及數據挖掘診斷規則的混合系統，不同診斷機制之間可以實現優勢互補。在系統中，征兆事實庫中存儲的是經過數據庫處理后提取出的能夠用于系統推理的征兆事實。經過授權的用戶可以利用HTML，在平臺中輸入相應的故障診斷信息，相關功能模塊會自動完成故障診斷工作，然后對照所有的診斷方法，得到綜合決策，對故障類型進行判斷。風電機組故障遠程在線診斷能夠從大量的機組運行監測信息中，找出潛在規律，對機組運行狀態做出智能判斷，從而找出隱含或者已經存在的故障。數據挖掘能夠不斷充實診斷知識庫，以先進算法為支撐，對故障的原理以及診斷規則進行明確，而在這個過程中，系統會在整理好的原始數據中，對主體相關信息進行挖掘，同時做好算法設計工作，針對提取出的數據信息進行檢驗，和預期目標進行對比，若結果偏差較大，則系統會自動返回到算法設計環節，重新選擇算法，若結果比較理想，則系統會直接返回數據整理環節，擴大數據集的同時，開展新一輪數據挖掘。

2．3．2 系統軟件體系結構

在風電機組故障遠程診斷系統中，軟件采用的是B／S模式，該模式包含了表示層、功能層和數據層三層結構，其中，表示層的核心功能是用戶接入，表現為客戶端瀏覽器。功能層包含了WEB服務器和推理服務器，是應用的主體部分，能夠連接用戶和數據庫，在用戶發送請求時，功能層的作用，是與數據庫和應用程序連接，然后對照用戶的實際需求，面向數據庫，提出相應的數據處理申請，將數據庫提供的數據信息傳輸到客戶端，數據層的主要作用，是對數據進行存儲和提取。在系統軟件設計中，將現場分析系統和遠程診斷系統結合，借助設置在本地服務器的現場分析系統，可以幫助運行管理人員對風電機組的運行參數和振動數據進行實時監測，也可以對振動數據的波形、頻譜等進行分析和處理。同時，利用設置在遠程服務器中的遠程診斷系統，可以為互聯網用戶提供服務，具備遠程監測、遠程診斷等功能。授權用戶能夠通過網絡訪問服務器，對機組的運行狀態進行遠程監測，也可以對機組運行的歷史狀態進行查看。當發現機組運行中存在數據異常時，可以啟動相應的故障診斷軟件，配合專家數據庫，實現對于機組狀態的遠程診斷，診斷的結果被反饋到現場運行分析系統中。

3 結束語

總而言之，通過將數據挖掘技術應用到風電設備故障診斷領域的方式，能夠對現有故障診斷方法在實際應用中存在的缺陷和問題進行彌補，提升現場生產數據的使用效率?；跀祿诰蚣夹g的風電設備故障遠程診斷系統能夠面向專業工程技術人員和領域專家，在具備實時在線監測功能的同時，強調網絡化和數據的完備性，有著更好的分析診斷功能。系統采用的是B／S三層開放模式，配合軟件復用技術編程模式，集成性和安全性良好，可以實現對故障的遠程診斷，在推動遠程監測和遠程診斷技術的發展方面，具備一定的參考價值。