干货 | 新能源发电设备关键部件健康评估与失效预测建模分析研究

我们的这次汇报，主要分为五个方面。

第一部分是这个项目背景与需求分析。大背景还是根据中国提出的碳中和碳达峰目标，目前我们也看到，风电装机量明显提升，那么风力发电是加快我国能源消费结构转型的一个重要的选择。对于市场前景分析，我们发现，随着新能源市场的持续增长，可再生能源的装机目前已经历史性地超过了煤电装机。随着风力装机容量的大幅度的提高，对于关键部件的故障对设备的影响也尤为严重。随着智能化数字化以及云技术的发展，风力发电设备的故障检测和健康评估领域出现明显的智能化发展趋势。通过运用大数据、机器学习等方法，对于风力发电设备进行实时检测以及故障，预计能够有效提高设备可靠性和可用性。那么对于用户需求来分析，我们会发现风力发电机组大多数都在野外十几米的高空，经常面临着变工况、变风载荷、高温差等一系列的情况，我们采用大数据以及人工智能的技术，通过数据驱动的方式来建立新能源关键设备的检测和故障预警的模型，能够提升新能源设备健康管理的水平。

我们合作的公司，是中国广核新能源控股有限公司 。通过对用户进行需求分析，他们的核心需求有两方面：第一方面是风电机组传动系统振动信号的特征智能提取。由于风电发电机组有丰富的振动信号，里面包含很多信息。但是由于信息非常复杂，企业希望我们从信号提取出对于故障检测有代表性的特征，能够提前来进行故障预警。第二方面需求是风机SCADA数据进行离群状态检测。SCADA系统包含了风电厂设备的实时运行数据，通过对多组特征进行数据筛选以及特征提取来对早期的异常进行离群状态检测。

前期我们进行了项目调研，对风电发电机组振动信号提取，目前主要分为时域分析、频率分析、W变换以及小波变换等一系列分析方式。对于故障预警，也就是对大型发电机组SCADA数据目前的症结主要是在于建立大型知识库。由于国内风电场运行时间较短、样本数较少，建立知识库是非常必要的。

下面针对我们的系统设计架构和方法进行介绍。对于用户进行需求分析，我们针对振动数据敏感性分析和系统数据离群状态检测两大核心需求分别提出了振动数据分析系统和SCADA数据离群检测系统两个子系统进行研究。

第一部分是振动数据分析系统，主要包括四个部分，数据搜集、数据预处理、时域分析和频域分析。我们获得到了传感器数据之后，首先需要对数据进行截取，并进行数据清洗，包括去噪和离群值，同时我们需要对数据进行一些转换，分别投入到时域分析和频率分析系统里面进行子系统分析。时域分析系统主要提取一些有量纲和无量纲的特征值便于后续分析。对于频率分析系统，采用一系列变换方式，得到频率谱、功率谱和包络线频谱。

对于SCADA数据，我们也是通过多场传感器数据，得到了SCADA数据。首先结果了IoTDB这样一个非常好的流式数据分析环境，进行了数据画像，也对数据进行了完整性、一致性检验。数据清洗完之后，我们把它投入异常值检测系统，首先第一步要对数据进行特长及特征提取，并与企业导师进行深入讨论，以便融合一些专家知识来对提取到的特征进行进一步筛选，以缩小特征维度。之后我们对提取到的特征进行相关性分析、聚类分析以及降维等可视化方式实现异常值检测。

下面是项目成果展示。首先我们得到的振动数据室友四台风机，单台是16800余个文件，每个文件数据点13万左右，右侧是文件架构。

我们对原始数据进行画像，发现原始数据波形无规律，需要进行变换分析，这是我们通过系统得到的时域分析和频谱分析结果。我们发现，为了减少高频噪声和非周期性变换的噪声，我们需要改进为对数据的包络线进行FFT变换。我们发现变换后曲线更加平滑，且有用的信息都集中在低频段。为了检测信号中的瞬态和非周期性分量，我们同时也对数据进行了一个小波变换。

以上就是频率分析的一些内容。接下来我们对20年1月到21年1月这部分特征进行验证。遍历读取全寿命周期数据，提取包括平均值、MMSE等一系列指标，得到了故障振动分析规律。

首先，我们发现，对于故障发生的前期，这个方差、最大值等一些波动较小，对于峰值的一些波动较大。对于将要发生故障，也就是故障早期，波形指标、方差和均方值这一系列特征变化较为敏感，而有一些特征是不敏感的。因此，我们在早期提出这些特征是进行故障预警的重要特征值。对于故障发生时，我们也可以发现最小值、偏度呈现变小趋势，方差、均方根是变大趋势，波形指标、峰度、裕度指标呈现先升后降趋势。以上就是对振动数据特征进行的分析。

接下来我们也对数据进行了验证。根据企业导师提供的四台风电机组两台正常、两台异常的数据，我们对它进行了分析。首先把它放到IoTDB里进行数据修复、一致性和完整性检验，对SCADA数据进行相关性分析，根据热力图判断强相关和弱相关性，初步筛选后，35个特征值剩下了18个。进一步结合专家知识进行筛选，我们选定了功率速度、户外温度、常温以及油温等作为主要特征之后，进行K-means聚类分析，通过轮廓系数图确定一个K值，然后将正常数据和异常数据进行低维可视化展现。我们可以发现，这样的聚类分析图存在差别。通过进一步分析，我们发现功率和油温相关性对故障技术来说明显增加，户外温度和轴承温度相关性是降低的。

那这样的规律到底是否正确？首先我们对于企业给的数据进行了分析和验证，确实发现功率和油温相关性显著增加，齿轮与户外温度的相关性降低。我们判断在这一个阶段发生了传动链的故障，这跟企业提供的传动链发生故障的时间点是基本吻合的。

同时我们也通过聚类分析，也就是故障随机森林进行了可视化展现。我们发现异常点在于降维图中故障，这个故障是比较集中的。对于阈值的提取，我们与企业导师讨论后，按照正常值和异常值对比进行筛选。

最后一部分是总结分工和时间安排。我们的工作主要有两部分，第一部分是对于风电发电机组振动数据进行特征提取，我们选出了有代表性的特征，能够更好地理解和监控风机的实时状态。第二部分对于风机的SCADA数据进行离群状态检测，根据提取到的特征以及涉及到聚类方法筛选出与正常状态不符的异常点，有利于降低故障风险，实施早期的故障检测。展望目前还是两个部分，第一部分就是我们目前发现的规律更有待在更大的数据集规模上进行验证；另一部分则是系统的综合与开发还有待于进一步完善和提高，提高用户友好性的界面。

编辑：文婧

校对：林亦霖