基于大数据分析的风电机组健康状态智能评估及诊断探索

赵祖龙

（大唐山东清洁能源开发有限公司，山东 青岛 266500）

0 引言

一直以来，人们习惯于采用事后检修和周期性维护的检修方式，导致风电机组运维成本较高。为了加强对风电机组健康状态的评估分析，有必要建立专门的健康监测系统，通过对监测数据的判断了解风电机组当前所处的运行状态，进而对风电机组健康衰退趋势做出预判，找出可能存在的故障点，对设备安排检修与维护，降低风电机组运行成本。基于大数据分析技术，开发风电机组的智能评估及诊断系统，能够实现在线健康状态监控，从而对风电机组运行展开智能管理，实现风电机组的事前控制。

1 风电机组现状及常见故障类型

风电机组停机故障，会给风电场造成巨大的经济损失。对故障种类进行分析，常见故障如下。

1.1 齿轮箱故障

在风电机组中，齿轮箱的故障率是最高的。一旦齿轮箱发生故障，会造成风电机组停机，且时间较长。齿轮箱故障常见于齿轮故障与滚动轴承故障，新投产的风电机组大多数配备了专门的振动监测系统，一旦齿轮与滚动轴承部位出现异常，系统会进行信号提示，提取信号特征可判断出具体故障类型，确定故障部位。使用傅里叶变换与小波变换时频分析方法能够对齿轮箱故障进行精准的诊断，为接下来的故障解决提供重要参考。

1.2 发电机故障

一般情况下，风电系统通常使用双馈异步风力发电机和永磁同步发电机等发电机型。机舱在高空中工作，发电机长期在工况复杂多变、电磁环境恶劣的环境下工作，在运行中容易出现故障，如轴承故障或短路故障。发电机处于故障状态时，电量会出现变化，技术人员主要通过发电机运行中的物理量信号变化情况，应用专门的信号处理技术确定故障种类。

1.3 电力装置故障

风电机组会在变频器的作用下接入电网，当环境风速发生变化时，风电机组能够输送高质量电能。永磁直驱式发电机需要在定子侧通过变频器与电网连接，而双馈式风电机组在转子侧通过变频器与电网连接。相比之下，后者更容易发生电力电子装置故障，功率元件也更容易受损。技术人员通常使用小波分析方法提取故障特征信息，使用神经网络方法对故障法分类，判断故障严重程度，以便进行接下来的故障诊断与维修。

1.4 叶片故障

叶片属于风电机组设备的基础部分，受长期承受风力带来的冲击荷载影响，叶片受力情况复杂，在运行时激振力经过叶片传递。技术人员通过应用有限元分析方法为风电机组建立动力学模型，经过计算与模态分析了解叶片振动频率，观测频率的变化情况，分析叶片是否存在裂纹，从而实现对叶片的故障诊断。

2 大数据技术的应用优势

在风电机组中利用大数据技术进行智能监控，对风电机组展开健康状态评价，这是保障设备安全运行的一种评估方式。基于大数据技术建立健康状态管理系统，可有效实现以下功能。①信号处理。传感器与控制系统中传入的数据主要包含风电机组功能状态指标和系统提取的内容特征信息，信号转换后变为系统需要的信息格式。使用傅里叶变换和小波变换方法，可以将数据处理后输出压缩的信息，以便健康状态管理系统对信息展开分析。②状态监测。技术人员对信号处理部分传来的数据展开分析，按照数据测试报告了解风电机组各子系统当前运行状态，以便对子系统的运行环境展开监测。③健康状态评价。技术人员对系统传入的数据进行科学评估，分类判断信息，了解系统健康状态，根据评估结果对风电机组展开故障处理或资源管理。④剩余寿命预测。根据数学模型与力学理论提出的观点，系统对风电机组剩余寿命进行评估，为设备故障运维决策提供参考信息。⑤运维决策。基于以上子系统带来的信息，系统为风电机组维护提供建议，从而帮助管理层完成设备维护、部件更换与采购、工作人员分配等计划。

3 基于大数据技术对风电机组进行智能评估及诊断

3.1 健康状态评估

在风电机组健康状态评价中，整体上需要经过评价指标选择、评价指标体系构建、评价算法选择、健康状态评价模型构建、健康等级划分、评价结果分析等流程。其中，健康指标权重可以反映出健康评价系统的可靠程度，健康状态评价模型的建立同时可以实现对评价决策的选择，健康等级划分也是对风电机组健康状态评价结果的分析，以便技术人员按照风电机组健康等级确定故障情况，从而选择相应解决方案。

不同风电机组出现的故障不同，使用寿命也会不同，但设备的故障与使用寿命变化规律大致相同。风电机组运行初期阶段的各个零部件与控制系统处于磨合阶段，安装调试时可能留下隐患问题。偶发故障时期是指风电机组的有用寿命期，当风电机组经过磨合期后，其运行逐渐处于稳定状态，这时设备故障率很低，在没有出现突发事件的情况下，设备一般不会产生故障。突发事件主要指工作人员使用不当、外界环境变化、操作失误等，这些情况的出现具有偶然性。严重故障是指随着风电机组使用时间的增加，各部件在运行中受物理或化学因素影响出现了不同程度的磨损和老化，这一阶段的风电机组故障率将会提升，甚至影响系统正常运行。如果不及时维修，风电机组运行的风险系数将会增加，将会造成巨大的经济损失。实时评估风电机组运行状态，及早干预维修，可将经济风险控制在最低，降低机组运行维护成本。

3.2 故障诊断

基于大数据分析展开风电机组的健康状态评估，大数据处理流程主要有数据采集、数据统计与分析、数据导入与预处理、数据挖掘4 个部分。当前风电机组拥有较为完善的数据采集与监视控制系统（Supervisory Control And Data Acquisition，SCADA），可以对设备运行情况进行监视与控制，以此完成对风电机组的数据采集。大数据系统会按照分钟级或秒级间隔记录设备运行的原始数据。由于采集系统的数据量十分庞大，运行参数可达到几百项，一台风电机组的每月记录数据能够达到几百兆字节，对这些海量数据展开整理与分析，有利于判断设备运行状态。

对数据展开分类汇总，对历史监测数据统计分析，可以得到数据正常运行阈值和风电机组健康运行评判标准。在数据导入与预处理过程中，选择对风电机组内各个子系统的运行状态影响最明显的参数进行统一模糊预处理，可以达到数据量化统一的目的。在数据挖掘系统中，需要使用不同的算法进行数据计算，对各项评价指标进行数据的深入挖掘，得到风电机组在不同健康状态等级条件下的模糊分界区间，计算出评判指标权值。应用劣化度对健康状态评估指标统一处理，劣化度取值在0～1 之间，可对齿轮箱、轴承温度和处理偏差值进行分析，从而确定劣化度，或者根据桨叶角度指标计算劣化度。技术人员通过遵循模糊性与最大隶属度的原则，对各项指标进行综合评判，实现指标统一量化。在完成指标评判后，按事件影响程度分配权重，依靠模糊综合评判理论评估风电机组的健康运行状态。由于三角形和半梯形的组合分段函数较为简单，与其他隶属度函数相比，计算结果接近，因此应使用三角形和半梯形隶属度函数对风电机组健康状态进行智能诊断。

3.3 手机App 智能预警

使用Web 页面设计App 终端，提供在线预警功能，可以进行决策管理。手机便于携带，使用手机App 协助现场管理辅助在线监测和预警，具有明显优势。基于大数据环境进行信息分析，App 可以显示风电机组电流、电压、运行功率以及环境温度，便于工作人员可以快速了解风电机组运行环境。App 可以实时呈现风电机温度，当温度超过设定阈值会自动报警，便于对风电机组进行管理。App 具备扩展组建功能，根据不同风电机组可以定制化设计管理需要，突出该风电机组的重点管理项目。输入风电机组温度、功率、发电量等参数后，App 可以实时生成报表，减少人工制作报表工作量，规避人为失误。使用App 辅助风电机组的管理，能够减少维护手册工作量，将风电机组故障的所有数据上传至数据库。App 终端和智能系统连接，可指导现场管理人员进行风电机组的维护作业，发挥决策功能。

4 结语

随着我国风力发电的发展和风场数量的增加，风电机组的容量不断扩大，对风电机组的运行状态进行检查关系到风电机组运行的安全性与可靠性。风电机组健康状态评估可为故障检修提供参考依据，降低设备维修成本。基于大数据分析建立设备健康状态管理系统，具有重要的应用价值，能够对风电机组展开实时状态管理，一旦风电机组出现异常情况，智能系统能够立即识别，发出报警并做出诊断，辅助维护人员进行检修。