基于動態(tài)數(shù)據(jù)的風(fēng)電機(jī)組維護(hù)效果評價方法研究

賈子文

（北京天潤新能投資有限公司 生產(chǎn)管理部，北京 100029）

0 引言

風(fēng)電機(jī)組運(yùn)行環(huán)境嚴(yán)酷，機(jī)組激勵狀態(tài)多變，高質(zhì)量的維護(hù)作業(yè)是保障機(jī)組設(shè)備持續(xù)、穩(wěn)定、高效運(yùn)行的關(guān)鍵[1]，[2]。全年檢修通過對每臺機(jī)組維護(hù)保養(yǎng)、故障消缺及技術(shù)改造，從場級層面排除設(shè)備安全隱患[3]。實(shí)現(xiàn)機(jī)組維護(hù)效果客觀評價，保障機(jī)組維護(hù)作業(yè)質(zhì)量可靠性是確保場區(qū)安全生產(chǎn)的重要手段。

很多學(xué)者對設(shè)備維護(hù)評價內(nèi)容開展了研究。高波[4]對設(shè)備評價體系及方法進(jìn)行了梳理，提出了以多指標(biāo)評價的分析思路。羅肖健[5]對設(shè)備各個運(yùn)行階段的壽命損耗特征進(jìn)行了分析，為設(shè)備維護(hù)評估準(zhǔn)則提供了重要參考。高萍[6]從設(shè)備可靠性角度出發(fā)，采用模糊綜合評判方法實(shí)現(xiàn)了影響水泵維修水平關(guān)鍵因素的識別，為設(shè)備維護(hù)作業(yè)改進(jìn)提供了技術(shù)支持。目前，設(shè)備維護(hù)評價方法主要包括層次分析法、包絡(luò)分析法、主成分分析法和人工神經(jīng)網(wǎng)絡(luò)法[7]～[10]。層次分析法依據(jù)主觀判斷和計(jì)算，可對分析對象進(jìn)行系統(tǒng)性評價判斷；包絡(luò)分析和主成分分析通過數(shù)據(jù)降維解析以保障評價結(jié)果的指向性；人工神經(jīng)網(wǎng)絡(luò)通過經(jīng)驗(yàn)積累和自主學(xué)習(xí)，大幅提高了算法的普適度。

雖然這些方法各具優(yōu)勢，但也存在如下弊端。

①主觀性強(qiáng)：大部分模型的數(shù)據(jù)源需要專家打分給出，導(dǎo)致分析結(jié)果無法對評價對象做出準(zhǔn)確描述，降低了評價結(jié)果的客觀性與針對性。

②解釋性差：大部分評價方法只通過截面數(shù)據(jù)對設(shè)備進(jìn)行靜態(tài)分析，缺少對設(shè)備全工況狀態(tài)特性變化的解析，致使多數(shù)設(shè)備評價方法只能給出簡單結(jié)論，無法根據(jù)結(jié)果給出具體指導(dǎo)意見以改進(jìn)維護(hù)作業(yè)。

本文提出了基于動態(tài)數(shù)據(jù)的風(fēng)電機(jī)組維護(hù)效果評價方法。該方法首先基于機(jī)組設(shè)備運(yùn)行特性，構(gòu)建機(jī)組維護(hù)效果評價體系；采用云模型進(jìn)行機(jī)組維護(hù)評價，確定整體技術(shù)路線；引入非線性狀態(tài)估計(jì)技術(shù)（NSET）對云模型進(jìn)行改進(jìn)，通過計(jì)算機(jī)組關(guān)鍵部件狀態(tài)殘差值，并進(jìn)行合理數(shù)值轉(zhuǎn)化，將各風(fēng)速段關(guān)鍵部件狀態(tài)轉(zhuǎn)化數(shù)值代替原始云模型中各專家打分值，作為模型輸入，提高了評價結(jié)果的客觀性。同時，以狀態(tài)特征為信息基礎(chǔ)的評價結(jié)果具有更強(qiáng)的解釋性，可為后續(xù)維護(hù)工作提供技術(shù)指導(dǎo)。

1 動態(tài)數(shù)據(jù)下的機(jī)組維護(hù)評價指標(biāo)體系

設(shè)備維護(hù)的基本任務(wù)是充分調(diào)用各種維護(hù)資源及手段，排除設(shè)備存在問題，使設(shè)備保持良好狀態(tài)[11]，[12]。本文以直驅(qū)風(fēng)電機(jī)組為對象展開分析，從描述機(jī)組關(guān)鍵部件運(yùn)行狀態(tài)的動態(tài)數(shù)據(jù)出發(fā)，以部件功能為基準(zhǔn)進(jìn)行屬性邊界劃分，構(gòu)建風(fēng)電機(jī)組維護(hù)效果評價指標(biāo)體系（表1）。

表1中，徑率系數(shù)Rp用來描述風(fēng)輪的風(fēng)能利用能力。

表1 機(jī)組維護(hù)效果評價指標(biāo)體系Table1 Evaluation index system of unit maintenance effect

式中：Pr為機(jī)組有功功率；R為機(jī)組葉輪半徑。

轉(zhuǎn)率系數(shù)Tp用來描述發(fā)電機(jī)能源轉(zhuǎn)換能力。

式中：Vr為主軸轉(zhuǎn)速。

三相電流最大偏差Ed用來描述發(fā)電機(jī)運(yùn)行的穩(wěn)定性。

式中：Emax為三相電流最大值；三相電流平均值。

為避免環(huán)境因素對評價結(jié)果帶來影響，表1中發(fā)電機(jī)溫度和軸承溫度均為與環(huán)境溫度的相對值。

2 云模型評價方法

2.1 云模型原理

云模型是模糊定性表述與定量表述之間的轉(zhuǎn)化模型[13]。設(shè)U為一個確定集合形成的論域，且表述概念C映射于該論域，U中的任一元素x表示定性概念的一次隨機(jī)實(shí)現(xiàn)，x相對C的隸屬度 μ為隨機(jī)數(shù)，同時存在穩(wěn)定傾向性，即：

將x在論域U上的分布稱為云模型，x稱為云滴。

云模型用期望值Ex、熵值En和超熵值He來表述其特征。其中，Ex為評語集各級置信區(qū)間的對稱軸，En為定性概念的模糊程度，He為云滴在空間的離散程度。

云模型通過正向云發(fā)生器和逆向云發(fā)生器實(shí)現(xiàn)模糊定性同語義定量表述映射關(guān)系的建立。其中，正向云發(fā)生器用來完成定性概念的量化，計(jì)算過程如下：

①生成正態(tài)隨機(jī)數(shù) σi，使其均值為En，方差為He，即 σi=NORM（En，He）；

②生成正態(tài)隨機(jī)數(shù)xi，使其均值為Ex，方差為 σi，即xi=NORM（Ex，σi）；

③計(jì) 算 隸 屬 度 μi=exp[-（xi-Ex）2/（kσ2）]，得 到一 個 隸 屬 度 為 μi的 云 滴，記 為drop（xi，μi），其 中k為常數(shù)，本文中k=2；

④重復(fù)①～③，直到生成所有云滴。

通過云正向發(fā)生器實(shí)現(xiàn)云圖繪制。例如，云數(shù)字 特 征（50，20.17，1）的 云 圖 如 圖1所 示。

圖1 云模型數(shù)字特征云圖Fig.1 Cloud model digital feature cloud map

逆向云發(fā)生器用于實(shí)現(xiàn)定量描述向定性表述的 映 射。樣 本 空 間X（x1，x2，…，xn）生 成 云 模 型 數(shù) 字特征的表達(dá)式為

2.2 評判集與標(biāo)準(zhǔn)云計(jì)算

評判集是基于評估指標(biāo)得到評估結(jié)果的集合，記 作E=（e1，e2，…，en），評 估 結(jié) 果 為[0，1]。

式 中：aei，bei為[0，100]上 的 常 數(shù)，且aei≤bei；q為e1在[aei，bei]上 的 映 射 關(guān) 系。

其中，置信區(qū)間定性語言的云數(shù)字特征計(jì)算模型為

式中：s為用來表述數(shù)據(jù)的隨機(jī)性，本文s=0.01。

設(shè)評判集結(jié)構(gòu)中存在m個評語結(jié)果，通過式（7）～（9）可 得 到 一 系 列 云 模 型 數(shù) 字 特 征（Exe1，Exe2，…，Exem；Ene1，Ene2，…，Enem；Hee1，Hee2，…，Heem）。

評價過程中，基于專家打分結(jié)果，利用逆向云發(fā)生器得到評估結(jié)果云。結(jié)果云由正向云發(fā)生器對標(biāo)準(zhǔn)云進(jìn)行隸屬度計(jì)算，將各評價結(jié)果隸屬度取平均值，即得到相似度。通過評價結(jié)果相似度差異確定頂層評估對象的評價結(jié)果。若評價指標(biāo)體系存在多層情況，則對中間層進(jìn)行云合成，即對各評估結(jié)果云進(jìn)行均值處理，得到頂層評估對象的云數(shù)字特征后，再進(jìn)行隸屬度和相似度計(jì)算，得出頂層評估對象評價結(jié)果。

3 基于NSET的云模型改進(jìn)

原始云模型需要主觀打分作為模型的輸入，弱化了評價結(jié)果的客觀性。機(jī)組動態(tài)數(shù)據(jù)是描述設(shè)備實(shí)際運(yùn)行狀態(tài)的基礎(chǔ)數(shù)據(jù)，數(shù)據(jù)信息量大、指向性強(qiáng)。所以，將動態(tài)數(shù)據(jù)同云模型結(jié)合，是解決問題的關(guān)鍵。NSET是以非線性為經(jīng)驗(yàn)的分析模型，模型特性同風(fēng)電機(jī)組運(yùn)行數(shù)據(jù)特征鍥合度較高，可對機(jī)組狀態(tài)進(jìn)行準(zhǔn)確描述[14]。本文通過NSET對云模型進(jìn)行合理改進(jìn)，將涵蓋機(jī)組狀態(tài)信息的特征數(shù)據(jù)作為評價模型的輸入，提高了評價結(jié)果的客觀性。

3.1 NSET機(jī)組狀態(tài)分析

假設(shè)風(fēng)電機(jī)組運(yùn)行狀態(tài)由n個關(guān)聯(lián)變量表征，在i時刻觀測到由該n個變量形成的向量，記為觀測向量，即：

記錄機(jī)組正常狀態(tài)一段時間下的m個歷史觀測向量，形成過程記憶矩陣。

D可實(shí)現(xiàn)對系統(tǒng)正常狀態(tài)整個運(yùn)動過程的描述，即模型數(shù)據(jù)樣本。輸入系統(tǒng)某一時刻的觀測向量Yobs，模型將返回預(yù)測向量Yest。其中，Yest與D存在如下關(guān)系：

由式（12）可知，Yest為D中所有觀測向量的線性組合。權(quán)重向量W由殘差ε的極小化解析確定。

殘差是權(quán)重向量的函數(shù)，對式（13）求權(quán)重向量偏導(dǎo)，并進(jìn)行極小化處理，可得：

式中：?為矩陣乘法運(yùn)算。

本文采用歐氏距離作為該運(yùn)算的表示形式。

距離值越接近0，說明兩向量越相似；反之，則說明向量間存在差異。

將 式（14）代 入 式（12），得 到 機(jī) 組 設(shè) 備 狀 態(tài) 預(yù)測結(jié)果。

正常狀態(tài)機(jī)組數(shù)據(jù)特征同D中的數(shù)據(jù)特征相似，將其作為輸入觀測向量導(dǎo)入NSET模型后，預(yù)測向量與輸入向量的空間距離接近，狀態(tài)殘差值較小；反之，殘差值會明顯變大，說明機(jī)組偏離正常狀態(tài)，可能存在故障。

3.2 殘差數(shù)值轉(zhuǎn)化

NSET的殘差值范圍沒有區(qū)間約束，而云模型的輸入通常為[0，100]。為實(shí)現(xiàn)模型對接，需要對殘差值進(jìn)行“百分制”轉(zhuǎn)化。

依據(jù)機(jī)組維護(hù)效果評價要求，對機(jī)組動態(tài)數(shù)據(jù)及不同口徑下的狀態(tài)殘差進(jìn)行描述，如圖2所示。

圖2中的標(biāo)識說明如表2所示。

表2 數(shù)據(jù)標(biāo)識說明Table2 Data identification description

設(shè)a為經(jīng)由NSET得到的實(shí)際殘差值，則圖中各標(biāo)識說明如下：

a1：A與B的殘差值，為“標(biāo)準(zhǔn)殘差”；

a2至a3：若a落入該區(qū)間，表示定檢后機(jī)組為無 故 障，本 文 令a2=1.2a1，a3=0.8a1；

a3至a4：若a落入該區(qū)間，表示定檢后機(jī)組狀態(tài)優(yōu)于定檢前的正常狀態(tài)；

a4：A自身的殘差值；

a5：A與E的殘差值，即機(jī)組定檢后依然存在故障；

a6：A與D的殘差值，通常情況下，a6值應(yīng)高于a2。當(dāng)a6低于a2或a1時，即和間，機(jī)組狀態(tài)一直保持良好。

將 機(jī) 組 維 護(hù) 效 果 評 價 分 為“優(yōu) 秀”（a4＜a≤a3）、“正 常”（a3＜a≤a2）和“未 達(dá) 標(biāo)”（a＞a2），分 數(shù) 記 做Pw。殘差數(shù)值轉(zhuǎn)化說明見表3。

表3 殘差轉(zhuǎn)化說明Table3 Residual conversion description

改進(jìn)云模型數(shù)據(jù)轉(zhuǎn)換過程如下所述：

①依據(jù)表1內(nèi)容，對機(jī)組部件動態(tài)數(shù)據(jù)按風(fēng)速段進(jìn)行劃分；

②應(yīng)用NSET計(jì)算機(jī)組部件在各風(fēng)速段下不同口徑的狀態(tài)殘差值；

③依據(jù)表3內(nèi)容，對狀態(tài)殘差值進(jìn)行“百分制”轉(zhuǎn)化；

④將各風(fēng)速段狀態(tài)殘差轉(zhuǎn)化值替換原始云模型中各專家的打分值；

⑤進(jìn)行云模型評估。

整個轉(zhuǎn)換過程如圖3所示。

圖3 改進(jìn)算法數(shù)值轉(zhuǎn)換流程Fig.3 Improved algorithm numerical conversion process

4 實(shí)例驗(yàn)證

為驗(yàn)證模型準(zhǔn)確性，以內(nèi)蒙古某風(fēng)場3.0MW直驅(qū)風(fēng)電機(jī)組為例，對該風(fēng)場4號和8號機(jī)組展開分析。該風(fēng)場于2021年12月1日開展全年檢，于2021年12月30日完成作業(yè)。依照表1內(nèi)容，進(jìn)行機(jī)組動態(tài)數(shù)據(jù)采集，數(shù)據(jù)通訊頻率為60s，動態(tài)數(shù)據(jù)時間段描述如表4所示。

表4 數(shù)據(jù)時段說明Table4 Description of data period

依據(jù)表3，將評語集分為 “優(yōu)秀”、“正常”和“未 達(dá) 標(biāo)”3個 等 級，置 信 區(qū) 間 為[0，100]。其 中，各等 級 置 信 區(qū) 間 分 別 為[90，100]，[60，90）和[0，60）。結(jié) 合 式（7）～（9）計(jì) 算 各 評 語 集 數(shù) 字 特 征，結(jié) 果 如表5所示。

表5 評判等級劃分Table5 Grading of evaluation

將表4中各時間段動態(tài)數(shù)據(jù)按照3.2節(jié)內(nèi)容對各口徑下的狀態(tài)殘差值描述進(jìn)行計(jì)算，兩機(jī)組在4～5m/s風(fēng)速下的發(fā)電機(jī)殘差值如表6所示。

表6 4～5m/s風(fēng)速發(fā)電機(jī)狀態(tài)殘差值Table6 Generator state residual in wind speed of4～5m/s

結(jié)合表3和表6內(nèi)容對狀態(tài)殘差進(jìn)行數(shù)值轉(zhuǎn)化，4號和8號機(jī)組各風(fēng)速段關(guān)鍵部件打分結(jié)果如圖4，5所示。由圖4，5可知：4號機(jī)組風(fēng)輪在風(fēng)速為3～9m/s時分?jǐn)?shù)較低，全風(fēng)速段下該機(jī)組發(fā)電機(jī)分?jǐn)?shù)均較低，說明4號機(jī)組經(jīng)過全年檢后，發(fā)電機(jī)存在故障，風(fēng)輪在中低風(fēng)速下運(yùn)行狀態(tài)異常；8號機(jī)組發(fā)電機(jī)和風(fēng)輪在風(fēng)速為3～9m/s時存在分?jǐn)?shù)下降趨勢。整體打分結(jié)果表明，8號機(jī)組的狀態(tài)要優(yōu)于4號機(jī)組。

圖4 4號機(jī)組打分結(jié)果Fig.4 Scoring results of unit4

圖5 8號機(jī)組打分結(jié)果Fig.5 Scoring results of unit8

基于打分結(jié)果，采用式（5）計(jì)算關(guān)鍵部件云數(shù)字 特 征（表7）。

表7 機(jī)組關(guān)鍵部件云數(shù)字特征Table7 Cloud characteristics of the unit key components

由表7可知：4號機(jī)組發(fā)電機(jī)和風(fēng)輪的云數(shù)字特征為“未完成”；8號機(jī)組各部件云數(shù)字特征表現(xiàn)為“正常”。

依照2.2節(jié)內(nèi)容，對表7中的數(shù)據(jù)進(jìn)行隸屬度和相似度計(jì)算，機(jī)組整機(jī)維護(hù)效果評價結(jié)果如表8所示。

表8 維護(hù)效果評價結(jié)果Table8 Maintenance effect evaluation results

兩機(jī)組維護(hù)效果數(shù)字特征云圖見圖6，7。

圖6 4號機(jī)組維護(hù)效果云圖Fig.6 Cloud chart of unit4maintenance effect

圖7 8號機(jī)組維護(hù)效果云圖Fig.7 Cloud chart of unit8maintenance effect

由表8和效果云圖可知，4號機(jī)組“未完成”結(jié)果相似度最高，8號機(jī)組“正常”結(jié)果相似度最高。說明4號機(jī)組維護(hù)后狀態(tài)較差，未達(dá)到維護(hù)作業(yè)要求，8號機(jī)組維護(hù)后狀態(tài)良好，達(dá)到了維護(hù)作業(yè)要求。

結(jié)合機(jī)組運(yùn)行報告，4號機(jī)組1月份出現(xiàn)發(fā)電機(jī)“磁鋼脫落”故障，該故障會削弱發(fā)電機(jī)出力能力，導(dǎo)致發(fā)電機(jī)運(yùn)行狀態(tài)變差。所以，4號機(jī)組發(fā)電機(jī)分值在全風(fēng)速段下均較低。

該風(fēng)電場在1月份出現(xiàn)全場“葉片覆冰”情況，此情況通常發(fā)生在冬季，且集中出現(xiàn)在風(fēng)速為3～9m/s時。葉片表面的冰層會嚴(yán)重影響風(fēng)輪氣動性能和機(jī)組發(fā)電能力。所以，在該風(fēng)速段下，兩機(jī)組風(fēng)輪和發(fā)電機(jī)分?jǐn)?shù)均較低。從故障類型角度來看，“磁鋼脫落”屬于機(jī)械類故障，可通過機(jī)組維護(hù)手段進(jìn)行消除；“葉片覆冰”屬于自然災(zāi)害故障，無法人為主動干預(yù)。綜合機(jī)組維護(hù)評價結(jié)果和運(yùn)行報告，建議該風(fēng)電場針對4號機(jī)組“磁鋼脫落”故障進(jìn)行維護(hù)作業(yè)調(diào)整；針對風(fēng)機(jī)“葉片覆冰”情況，建議對整場機(jī)組進(jìn)行葉片防覆冰技術(shù)改造，預(yù)防類似情況再次發(fā)生。

5 結(jié)論

本文通過對設(shè)備維護(hù)評價內(nèi)容的研究，針對評價結(jié)果主觀性強(qiáng)和解釋性差的問題，從風(fēng)電機(jī)組動態(tài)數(shù)據(jù)入手，引入NSET對云模型進(jìn)行改進(jìn)，結(jié)合實(shí)例案例，得出以下結(jié)論。

①風(fēng)電機(jī)組維護(hù)效果評價指標(biāo)體系的建立與云模型的引入，確定了風(fēng)電機(jī)組維護(hù)效果評價的數(shù)據(jù)對象與技術(shù)路線，為評價工作提供了可靠的理論依據(jù)。

②采用NSET對云模型進(jìn)行合理改進(jìn)，以描述機(jī)組設(shè)備運(yùn)行狀態(tài)的特征數(shù)據(jù)作為評價模型的輸入，提高了評價結(jié)果的客觀性。進(jìn)行實(shí)際案例分析結(jié)果表明，改進(jìn)后的模型能對機(jī)組維護(hù)效果做出準(zhǔn)確評價，同時，基于機(jī)組動態(tài)數(shù)據(jù)得到的評價結(jié)果具有較好的解釋性，可為后續(xù)維護(hù)作業(yè)提供合理的指導(dǎo)，具有一定的實(shí)用價值。