风电机组预警技术

摘 要：进入工业物联网，互联网+的时代，风电运维也掀起了转型为智能服务的大潮。其核心就是对风电机组部件的运行数据进行分析并应用在运维服务的各个环节上。而数据分析的核心便是数据的特征工程和设备的健康预测。

特征是数据分析的原材料，对最终模型的影响是非常重要的。如果数据能很好地进行特征提取，模型就能达到非常满意的程度。特征提取分为人工特征提取和自动特征提取。传统的方法大多都是人工特征提取，专业人士根据经验通过特殊的算法来做出失效的判断，这不仅非常重要，也是发展的重要阶段。然而，风电机组失效不仅是一个涉及多学科的很复杂的问题，而且部件数量规模巨大，应用的环境也非常多样。这就预示着不可能找到单一的方法做出准确的判断。

为了提升健康预测的水平，既需要高质量的特征，又需要不断的提出新特征，增加特征的数量。这就需要不断的深入理解问题和获取额外的数据源。如果能够实现自动特征提取包括组合特征会大大增加特征的数量，会远远超越人工提取的规模和速度，从而获得更好的预测模型。

关键词：机组健康；预警；叶片；疲劳；TFIDF

1 机组预警

所谓机组故障，一般是指机组失去或降低其规定功能的事件或现象，表现为机组的部件失去原有的精度或性能，使机组不能正常运行、技术性能降低，致使机组中断生产或效率降低而影响发电。

机组在使用过程中，由于磨擦、外力、应力及化学反应等作用，部件会逐渐磨损和腐蚀、断裂等导致因故障而停机或大部件损坏。加强机组保养维修，及时掌握部件损坏情况，在部件进入故障前，进行隐患排查、修理以及更换，就可防止故障停机或部件损坏所造成的经济损失。

隐患也是一种问题，是侧重安全、费用以及提前预判上的考虑而建立的术语，通常是指机组失去了最优性能的状态或机组带“病”运行。

2 叶片疲劳模型分析

叶片是风电机组的关键大部件之一，由于其外形大，工序复杂，铺层过程中很容易产生褶皱。当玻璃纤维铺设松散时，就会出现复合层褶皱，如果玻璃纤维方向偏离15度，材料的载荷强度会降低50%。褶皱出现在主复合层将造成叶片的开裂。叶片的根部是所有载荷的汇集区，载荷大，受力复杂，最可能出现皱褶。透光就是叶片内部开裂的表现形式。有实验表明，当褶皱的高宽比达到0.1时，叶根位置疲劳强度随循环次数增加，呈显著下降趋势。

外因是通过内因起作用的，内因才是失效的本质。首先，外因的表现形式有很多，如风速，风向，振动，下雪，结冰，湍流（地形）等等。各种外因的影响因子或影响权重亦有不同（如下面调查的情况），很可能是动态的。其次，是外因触发了失效，很多数据显示叶片失效是批次爆发的，而且几乎是在同一时间发生的。

更重要的是，为什么说，内因才是失效的本质呢？叶片是由玻璃纤维材料或其它材料组成，有着特殊的气动外形，需要不断地在各种气候条件下周期性和非周期性运动。这就是叶片的本质。叶片失效是必然的，只是其生命周期的长短不同。叶片为什么会失效呢？理论上是这么解释的：第一，在叶片生产制造和流通的过程中，很难保证叶片完全没有质量问题（包括材料，工艺，设计，运输，及安装调试等）；第二，在外在客观的气候条件下，经过长期的周期性和非周期性运动，叶片材料内部发生了变化，即产生了微观裂纹。随后，微观裂纹以指数的方式变大，最终产生可观察的裂纹。当然，在产生微观裂纹后或足够大的裂纹，外界因素将变成主导因素。这也就解释了，只观察外界因素的模型，会产生很多误报或漏报。

多数的方法是使用周期性载荷，采用载荷传感器和线性累积来实现的，对于很多具体的场合并不适用。第一，很多导致失效的因素并不是周期性载荷，例如，湍流，电流和电压，温度等。利用机器学习的方法提取各种随机载荷也非常重要。第二，采用载荷传感器的研究方法也不够实用，因为风机运行的实际环境差别太大，很难通过研究具体案例然后推广到各种气候地域环境的风电场。鉴于以上的各种原因，我们提出一种新的叶片开裂的预测方法，通过机器学习的方法从传感器的瞬态数据中提取随机载荷，然后在通过线性累积来生成疲劳曲线。通过监测疲劳曲线来预测叶片的开裂及严重程度，来达到预测性维护的目的。

TFIDF是一种用于自然语言处理（Natural Language Processing）的常用算法。TFIDF是一种统计方法，用以评估一字词对于一个文档集或一个语料库中的其中一份文档的重要程度。词的重要性随着它在文件中出现的频次成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TFIDF加权的各种形式常被搜索引擎应用，作为文档与用户查询之间相关程度的度量模型。除了TFIDF以外，网络搜索引擎还会使用基于超链分析的PR（PageRank）算法，以确定文档在搜索结果集的排序。

如果一个特征在某个样本中出现次数越多，那么这个特征应该被认为越重要。如果一个特征在越多的样本中出现，那么这个特征区分样本的作用就越低，于是其重要性也应当相应降低。

疲劳线性失效理论

该理论指出，对于循环载荷的每一次作用，其对构件造成的损伤可以线性叠加。假设在某一级应力水平作用下，当前作用载荷应力水平下的疲劳寿命为N，发生疲劳断裂时所吸收的总功为W，而只有部分损伤时吸收的功是Wi，循环次数定义为ni，材料定义为N的话，则有Wi[]W=ni[]N。Miner理论对于疲劳损伤累积理论需要回答的三个问题如下：

式子中a的值由试验确定，其它参数的意义与原理论相同。在一些疲劳试验中，得出a的平均值为0.68，取整为0.7。

利用TFIDF方法从瞬态数据提取了叶片经历的随机载荷的特征，并通过线性疲劳累积损伤生成每个机组叶片的健康风险曲线，该模型可以初步得出结论如下：

（1）叶片开裂可以预测，并可以达到70%的准确度和45%的召回率，而且预测的提前量可以很好支持预防性或预测性运维；

（2）叶片断裂似乎与叶片开裂关系不大，当然也可能是叶片断裂的案例较少；

（3）叶片批次选择基本服从随机分布；

（4）变桨轴承批次质量问题也服从随机分布；

（5）不同厂家叶片开裂的特征是一样的，只是频次不同；

3 总结

随着信息技术和计算机技术的发展，大量的科研成果被应用到机组健康预测和故障预警的研究当中，而与此同时，信息技术和计算机技术有关学科的自身内涵也得到了完善和延拓。数据处理技术、健康预测的智能化研究势必要进入一个新的发展阶段。总之，机组健康预测及故障预警必须依赖于多学科在多层次上的协作与协调，取长补短，在边缘学科上求发展。而生产维修部门、管理部门、使用部门与技术部门要密切配合，才能将这一技术深入推广，真正为风电智能运维以及预防性维护的建设发展发挥作用。

参考文献：

[1]袁晓东.机电设备安装与维护.北京理工大学出版社.

[2]夏虹.设备故障诊断技术.哈尔滨工业大学出版社.

[3]王晶晶，吴晓铃.风电齿轮箱的发展及技术分析.

[4]方永峰，陈建军，马红坡.多种随机载荷下的结构动态可靠性计算.

[5]刘晓波，黃其柏.转子叶片裂纹扩展故障诊断实验研究华中科技大学学报：自然科学版.

[6]王磊，高瑞珍，陈柳，宋永瑞.风电系统故障诊断与容错控制.科学出版社.