基于大数据的风电设备远程故障监测与诊断系统研究

发表时间：2020-06-02T09:03:38.787Z 来源：《当代电力文化》2020年第2期 作者： 葛剑峰[导读] 近年来，大型机电设备日趋得到广泛应用

摘要：近年来，大型机电设备日趋得到广泛应用。这些大型机电设备不仅自身造价昂贵，其维修成本也是相当惊人。设备损坏、精度劣化以及效率降低都可能造成巨大的损失，为有效保证设备的正常工作、加工质量和故障的预报，开展构建远程在线检测及智能故障诊断系统平台研究。通过风电设备远程监测与故障诊断平台建设实践，从系统功能、平台建设、故障分析等层面，论述了如何基于大数据实现对风机故障预诊断，提升风力发电机组监控与管理水平。 关键词：风电机组；监测系统；故障检测

风力发电目前面临最主要的问题是相对较高的运行和维护成本压力，主要是因为风电机组本身是一种可靠性低、相对复杂的机械设备，而且往往安装在偏远地区和高空，造成检查维护不方便，另一方面风电场内配备的技术人员少，专业能力低等因素，则会造成对风机故障预诊断能力较低。因故障、报警等引起频繁的停机导致一旦发生故障，其维修成本将远远高于其他的地面设备。目前部分风场风机主传动轴系故障频发，引发的齿轮箱、发电机、主轴承等故障现象迅速增长，而该类故障处理难度大、费用高、周期长、影响大的特点困扰着风电场的安全生产。近年来，大数据、云计算、人工智能等新一代信息技术的迅猛发展，必然推动风电设备远程监障诊断技术进步。 一、风电机组远程监测理论与方法

1、获取和分析实测大数据样本。通过远程在线样本获取及故障预报实验平台系统，进行获取和分析实测大数据样本的工作，主要利用实验平台系统中的现场传感器系统采集反映设备运行发展状态的实测大数据，利用实验平台系统中的实验室远程在线故障诊断中心进一步分析实测大数据样本。

2、动特性劣化发展趋势弱信息信号处理及预处理。采用基于数学形态学的形态滤波和形态小波信号分析方法，将多尺度广义形态变换算法用于劣化趋势弱信号的降噪处理和趋势特征成分提取，通过在不同尺度上的形态变换，达到既去除不同噪声成分，同时又保留和突出所有尺度上的故障趋势特征的目的。如: 分别用微粒群算法和人工免疫算法优化趋势特征选择和支持向量机参数，减少趋势特征和趋势参数选择的盲目性，减少趋势预测中人为因素的干扰，在有噪声存在的情况下，达到提高多类分类器的识别率和收敛速度的目的。

3、实测大数据趋势预测与机械动特性趋势预示相融合的趋势预示模型及系统的构建，构建实测大数据趋势预测与机械动特性趋势预示的信息融合趋势预示模型及系统，设计面向智能维护的能够实现这两种模型信息融合的智能互联融合模块;新型信息融合趋势预示模型及系统能够融合故障预测的数值规律信息与机械系统的物理信息，既能体现劣化数值规律和劣化发展趋势，又能体现机械系统的物理本质和劣化发展机理，通过多信息融合使构建的新型趋势预示模型具有较理想信息熵。 二、风电机组设备远程故障监测

1、系统功能。(1) 预警监测。利用二维或者三维仿真技术，建立风场关键设备工艺流程图。当设备发生故障预警时，设备会变色闪烁，具体颜色可由用户自定义。当设备发出预警信息时，用户点击该设备，即可打开设备健康度评估界面，该界面包括设备健康状态偏离度的评估曲线、设备各测点实际值预测值曲线等，经过对比分析可发现设备的实时状态是否存在故障隐患。(2) 报警管理。该界面展示设备的报警历史信息，包括报警次数、报警起止时间、超限范围、是否处理、处理结果等信息。( 3) 故障记录查询与统计。显示接入设备的历史故障记录及故障的处理情况等。用户可定义设备、专业、时间以及模糊查询的方式查询故障记录。针对单个设备，系统可统计每种故障发生的次数及概率。(4) 辅助决策。根据历史故障的统计及预警监测的结果，指导设备检修计划的安排，并与设备厂商相对应，指导后续设备选型及改造。(5) 关键指标查询。主要是为了方便风场相关工作人员查询设备关键参数而设计。风场工作人员遇到设备问题时，习惯查询设备的关键参数趋势变化。系统可自动记录工作人员的查询情况并保存在查询记录中，方面工作人员查看相关参数。(6) 诊断报告。用于编制诊断报告并发送给设备负责人。同时，用户可使用该模块查询设备历史诊断报告，系统维护。系统维护功能可帮助用户对其他功能模块进行调整及修改。 2、 软件平台

(1) 数据采集平台。为了安全、稳定、快速地实现各风电场监测系统数据采集工作，系统提供多数据源数据采集接口平台。当进行相关的系统数据采集时，只需要将该接口平台安装的相应的接口采集前置机设备上，配置相关的接口协议的驱动模块、参数、IO 点表、IP、权限等内容即可完成数据的采集工作。采集到的生产实时数据，通过该接口平台上传至故障预警诊断系统，上传过程中: 对来源不同的数据点进行统一的管理和维护。可配置数据上传的频率和方式。

( 2) 设备建模平台。大数据建模过程需要经历数据抽取、数据刷选等数据处理过程。设备建模平台就是进行数据处理，并利用大数据挖掘技术建立设备模型的大数据高级建模平台，根据风电系统的特点提供了直观简单的数据处理方式—关联关系比较。关联关系比较法所要处理的是历史测点数据中严重偏离大部分数据所呈现出的相关性特性的数据。通过分析，可以非常容易地判断出红色区域的数据是游离于正常的关联关系之外的数据，需要将这些数据筛选出去。

（3）专家诊断平台。当设备发生故障预警时，系统为用户提供两种先进的手段进行故障诊断。利用系统自带的分析工具进行人工诊断。当设备出现预警信息时，与故障有关的参数都会偏离模型的预测值。用户可利用贡献度功能锁定偏离参数，然后查看相关参数的相对偏差或者绝对偏差的变化，锁定设备故障的原因。 利用系统故障库进行智能诊断。当设备出现预警信息时，系统可以利用故障模式库对状态监测发现的异常征兆进行初步诊断，判断设备故障的可能原因，辅助风电场在故障发展初期进行主动诊断、科学决策。下图即为根据故障模式库得出的初步诊断分析结果; 系统给出了当前设备故障的诊断结果，系统根据故障特征从故障库匹配出多种故障可能，其中轴承故障的可能性最大。

( 4) 故障知识库平台。系统提供故障知识库平台。工作人员既可将已有设备故障表征录入该平台，也可增加新设备的故障表征。提供故障知识库平台后，故障知识库的维护更加方便。

风机远程状态监测与故障预警系统能够实现及时掌握机组运行状态，对设备性能下降进行预测，在故障发生之前进行预警，为故障处理争取时间，从而降低机组事故发生率，降低维修费用，减少维修时间，提高机组运行效率和可靠性，并为检修人员提供指导。提高各风电场风力发电机组所有监测、检测设施的利用率和利用价值，充分利用大数据平台收集风电群内所有风机的大数据，为统计分析做基础。成立风机大数据处理中心，配置先进的数据处理硬件和软件设备，从海量数据中筛选有价值的数据，为开展各种类型风机模型研究提供资

源。利用典型风力发电机组故障数据，建立故障典型模型，利用计算机超级计算能力，通过与风机实时数据的实时对比，预判风力发电机组故障。保证机组安全、稳定运行。 参考文献：

［1］王宏超，陈进，董广明． 基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取［J］．机械工程学报， 2019，49( 1) ． ［2］ 张素香，赵丙镇，王风雨．海量数据下的电力负荷短期预测［J］． 中国电机工程学报，2018，35( 01)．

［3］孙燕平，黄葆华 .基于发电集团生产信息网的远程振动监测与诊断系统研究［J］. 电站系统工程，2019，25( 03) .