風電機組的運維方式分為事后維修(Reactive Maintenance)、預防性維護(Preventive Maintenance)、預測性維護(Predictive Maintenance)。其中,預測性維護是公認的能夠有效降低運維成本的先進維修方法。隨著風電技術、物聯網、人工智能和大數據技術的發展,風電機組的狀態感知體系逐步完善,使得風電領域實現預測性維護成為可能。為給風電運維領域實施預測性維護提供參考,結合近年來風電機組預測性維護技術的發展和應用情況,本文對風電領域預測性維護的最新研究進展進行了總結,并分析了預測性維護的概念、框架和關鍵技術。同時, 探討了預測性維護技術在風電機組關鍵部件上的應用情況。最后,對實踐中存在的問題與挑戰進行了討論,并提出了未來的研究方向。
預測性維護體系
1、預測性維護概念與內涵
近年來,預測性維護作為重點研究方向,得到了國內外學者的廣泛關注。對于預測性維護的概念,可以參考國標中的定義方法。根據《核電廠安全重要儀表和控制系統老化管理要求》(GB/T 29308—2012)標準 3 對預測性維護的定義,根據觀察到的狀態而決定的連續或間斷的預防性維修,以監測、診斷或預測構建物、系統或部件的條件指標。這類維修的結果應表明當前和未來的功能能力或計劃維修的性質和時間表。根據《智能服務預測性維護通用要求》(GB/T 40571—2021)標準 4 對預測性維護的定義,預測性維護是根據觀測到的狀況而決定的連續或間斷進行的維護, 以監測、診斷或預測構筑物、系統或部件的條件指標。
總結來說,預測性維護是一種基于狀態的維修,以狀態感知為基礎,通過對系統或部件開展連續(或定期)的狀態監測,判斷系統或部件的健康狀態,并預測系統或部件狀態未來的發展趨勢或可能的故障模式,以此為依據, 預先制定維修計劃。預測性維護的關鍵點包括：狀態感知、狀態監測、故障診斷、趨勢預測或壽命預測、維修管理五個部分。其中,趨勢預測或壽命預測是最具挑戰性的工作。
2、應用范圍
預測性維護是一種先進的設備維護方法,但并不適用于所有的系統或部件。預測性維護的核心是對狀態的發展趨勢進行預測,預測的前提是系統或部件的劣化是有趨勢或是緩慢變化的,對于毫無征兆的突發失效,預測性維護無能為力。同時,預測性維護的成本較高,對于頻繁發生但影響不嚴重的故障同樣不適用。以故障發生頻次與故障危害程度作為兩個評價維度,將故障進行分類,分類結果如圖 1 所示。
可見,在故障的 4 個區域中,I 區的故障危害大且發生頻次高,大概率為系統或部件存在設計缺陷或者質量問題, 需要進行設計優化。II 區的故障危害小且發生頻次高,需要保證備件供應需求,確保維護的順利進行,同時需要判斷是否為集中性缺陷,準備必要的技改精維護以降低故障率。III 區的故障危害小且發生頻次低,采用事后維護的方法即可,此時可以提供維護專家支持,提高維護效率與維護質量。IV 區的故障危害大且發生頻次低,該類故障非常適用于預測性維護,即使投入較高的成本,只要能夠有效降低或減少該類故障發生,就可以避免非常嚴重的經濟損失與不可預測的后果。總結來說,滿足 IV 區的故障,基本為關鍵部件,如葉片、主軸、齒輪箱、發電機、偏航系統、變槳軸承等大部件。
關鍵技術
1、預測性維護框架
預測性維護的框架結構如圖 2 所示,包括狀態感知、狀態監測與評估、故障診斷、壽命預測、維修管理。
2、狀態感知
為了實現風電機組的預測性維護,先進、可靠的狀態感知體系是重要的基礎保障。目前,在風電機組中通用的狀態感知系統包括：數據采集與監控(supervisory control and data acquisition,SCADA)系統、狀態監測系統(condition monitoring system,CMS)。SCADA 系統采集風電機組電氣數據、物理狀態數據及環境數據,如風速、風向、電壓、電流、溫度、壓力、流量、加速度等關鍵參數;CMS 采集風電機組傳動鏈的振動數據,采樣頻率較高,一般為 12800Hz 或 25600Hz。此外,為了滿足特殊的監測需求,會加裝音頻、視頻、油液、聲發射、超聲波等監測設備。
3、狀態監測
狀態監測是對狀態感知系統實時采集的數據進行分析以識別設備的異常狀態。狀態監測往往與故障診斷結合通過狀態監測識別設備的異常狀態,再采用故障診斷技術, 進行異常定位與分類。狀態監測可分為基于機理、基于知識模型、基于數據驅動的監測方法。如根據設備運行機理設定溫度參考閾值,當超過溫度閾值時進行分等級報警;基于數據驅動的方法相對復雜,一般采用正常運行的數據集訓練正常行為模型,通過分析真實值與預測值的殘差確定設備是否偏離正常狀態,實現機組的異常監測過程。
4、故障診斷
故障診斷是判斷設備或系統的異常狀態,識別故障類型、進行故障定位,進而為維護提供決策支持。可見,故障診斷是在狀態監測的基礎上進行故障研判與故障定位的過程。故障研判可以采用機理模型、專家系統、數據驅動方法來實現。其中,數據驅動方法是更為流行的方法。實際應用中往往融合機理、專家系統、數據驅動等方法進行綜合診斷。比如,根據機理進行特征提取, 所提取的特征用于訓練機器學習模型,專家系統根據機器學習預測結果進行規則判斷,最終給出故障研判與故障定位結果。
5、壽命預測
壽命預測是預測性維護的核心部分,也是實現難度最大的部分。壽命預測是根據設備故障分類、故障定位情況, 對設備剩余使用壽命進行評估,希望在設備徹底失效前制定合理的維修策略,保障在可控的風險范圍內延長設備使用壽命,提升設備使用價值。壽命預測方法分為退化模型方法、相似理論方法、數據驅動方法。退化模型又分為物理退化模型和經驗退化模型。其中,經驗退化模型更容易實現,如采用帶衰退因子的威布爾模型構建退化模型等。相似理論方法不需要對設備壽命的退化過程進行精準估計,其基本假設是同批次或同規格的同類型設備, 如果在相同或相似的工況下運行,則它們的失效機理將具有相似性。因此,待預測設備的剩余壽命可以根據歷史設備的壽命情況來近似計算。數據驅動方法主要采用機器學習、深度學習方法,結合歷史失效數據進行復雜模型訓練, 進而得到壽命預測結果。當然,結合退化模型與數據驅動的組合方法也是廣泛研究的方向,如果能夠在模型訓練中將機理或退化模型的經驗知識加以利用,可能取得更加可靠的預測結果。
6、維修管理
維修管理是根據故障診斷、壽命預測的結果,結合實際生產需求,通過檢查、測試、修理及替換等方法保證設備的健康狀態,提高設備可靠性,延長設備使用壽命。維修分為基本維修、中度維修、完全維修三種。維修管理是一個多目標優化過程,通常以人員、環境因素、物資影響、停機損失、維修時間等作為邊界條件進行維修優化。目前, 維修策略管理是重點研究方向,主要優化方向包括結合庫 存管理的維修策略優化、結合設備狀態的定檢策略優化、結合故障預測或壽命預測的檢修策略優化等。
風電機組預測性維護應用現狀
廣義的預測性維護需要以設備壽命預測為核心,確定設備的維修管理方案。鑒于壽命預測的不確定性,預測性維護的實際應用情況并沒有預期廣泛,而基于故障診斷并結合維修管理的狹義預測性維護方法在實踐中更容易實施。狹義的預測性維護是以狀態監測為基礎,強調故障診斷,通過連續的狀態監測,判斷設備是否存在異常狀態 或是否有發生故障的趨勢,并在適當的時間安排設備維修。因此,當前風電機組的預測性維護實踐大部分為狹義的預測性維護,且主要以葉片、主軸、齒輪箱、發電機等關鍵部件為研究對象。本節將以主軸、齒輪箱、發電機為例, 討論與總結預測性維護技術在風電機組關鍵部件上的應用情況。
1、主軸系統
主軸系統是風電機組中核心旋轉部件,向前連接輪轂、向后連接齒輪箱,是將風能轉化為機械能的重要傳遞部件。因此,其承受著來自風輪、輪轂等部件的復雜交變載荷影響, 具有極高的故障風險。
主軸系統的主要組成部分包括：主軸、主軸承、潤滑系統、密封系統、軸承座等。其中,主軸、主軸承是故障頻發的關鍵部件,其監測方式 16 包括應力應變、振動、油脂、溫度、音頻、圖像、紅外熱成像、超聲波監測等;研究方法包括物理模型、數據驅動模型、機理與數據驅動混合模型, 以及上述方法混合方法。
主軸是風輪的轉軸,支撐風輪并連接齒輪箱,是主要的承力結構。其常見的故障模式包括磨損、裂紋、斷裂等, 監測方法包括振動、著色探傷、聲發射、超聲波等。文獻采用超聲波監測手段研制了根因分析系統(RCA),用于風電機組主軸裂紋診斷。文獻提出一種主軸總成竄動在線 監測方法,采用激光位移傳感器獲得主軸總成竄動監測數據,通過時間序列預測方法對其進行分析,建立了主軸總成竄動的 ARMA 模型。文獻利用有限元模型對裂紋信號識別中的問題進行仿真優化,設計了從端面對主軸進行超聲檢測的方法。對于主軸的磨損、表面損傷,可以采用激光熔覆技術進行修復。激光熔覆技術利用高能密度的激光束將具有不同成分、性能的合金與基材表面快速熔化,在主軸表面形成合金層,進而達到主軸修復的目的。
主軸承是主軸的旋轉支撐部件,具有長壽命、高承載、高可靠性的要求。其常見的故障模式包括潤滑不良、磨損、疲勞剝落、壓痕、腐蝕、裂紋、斷裂等,監測方法包括應力應變、音頻、圖像、紅外熱成像、聲發射、超聲波監測等。文獻提出了在深度學習模型中引入物理信息來克服軸承疲勞壽命建模的一些局限性,建立融合物理信息的 RNN 網絡,實現主軸承的疲勞壽命估計。文獻以振動信號為基礎,提出了一種基于奇異值分解包(SVDP)基尼指數圖和自適應 Richardson-Lucy 解卷積(ARLD)的主軸承故障診斷方法,實現在強烈背景噪聲環境下對主軸承微弱故障的診斷。文獻基于 SCADA 數據提出了一種正常行為模型,采用健康狀態數據進行模型訓練,實現了主軸承異常行為的診斷分析。對于軸承的修理,可以采用表面改善處理技術進行軸承延壽,如激光熔覆法。此外,潤滑油脂可以有效降低主軸承摩擦阻力、減少軸承磨損。主軸承的大部分損傷與潤滑狀態關系密切,改善主軸承的潤滑狀態,可以有效降低軸承損傷,進而延長主軸承的使用壽命。文獻總結了潤滑脂離線、在線監測方法,包括元素含量法、紅外(或近紅外)光譜法、聲發射法等。
2、齒輪箱
齒輪箱是雙饋風電機組重要的增速結構,實現輪轂低轉速到發電機高轉速的增速過程,使得轉速滿足發電機所需的最小發電轉速。風電齒輪箱一般為三級結構,其結構復雜,且長期處于變轉速、變載荷的工作狀態,極易導致故障發生。其主要組成部分包括箱體、齒輪、軸承、傳動軸、減噪減震裝置和潤滑冷卻系統等。齒輪箱的失效機理復雜, 齒輪、傳動軸(低速、中速、高速)、軸承都會發生不同程度的磨損而導致齒輪箱失效。
根據齒輪箱關鍵部件診斷與維修方法,齒輪損傷是齒輪箱故障中占比較大的故障,其常見的故障模式包括齒輪點蝕、磨損、腐蝕、齒面膠合、剝落、斷齒等。較容易出現齒輪故障的部位有內齒圈齒面、行星輪齒輪、中間軸齒面、高速軸齒面等。齒輪故障往往與軸承故障耦合在一起,在振動信號中表現為較強的非平穩性與混沌性, 給齒輪故障診斷與故障溯源帶來一定困難。齒輪的監測方法包括振動、油液、內窺鏡檢查等。文獻提出了基于離散隨機分離(DRS)和改進 Autogram 的復合故障特征提取方法,用于風電齒輪箱齒輪 - 軸承復合故障診斷,能夠有效提高故障診斷效果。文獻提出了一種信號處理與機器學習結合的集成建模方法,數據處理部分采用改進的 Hilbert-Huang 變換進行時頻域特征提取,并整合時域特征與時頻域特征作為雙耦合稀疏貝葉斯極值學習機(PC-SBELM)模型的訓練數據,最終構建了齒輪箱診斷模型,在實際的風電齒輪箱系統上進行模型驗證,結果表明其可以準確地識別齒輪箱缺齒、裂紋和磨損等多種故障類型。文獻針對行星齒輪故障特征易混疊問題,提出了基于迭代前向搜索算法的自適應傅立葉譜分割方法,實現自適應經驗小波變換對行星齒輪故障相關模式的提取,故障診斷效果優于經驗模態分析與譜峭度法。文獻采用 U-net 模型自動分割了時頻圖中與故障有關的特征區域,利用隨機森林算法構建了齒輪箱齒面點蝕、嚙合不對中診斷模型。齒輪箱齒輪故障的防護與維修方案主要有潤滑油監測與齒面修復及更換。潤滑油在齒輪長期嚙合過程中,可以有效減少齒輪、軸承和其他運動部件之間的摩擦和磨損,齒輪的早期磨損、腐蝕、點蝕、膠合等故障均與潤滑油的問題有關, 如潤滑油被氧化、污染、含水量超標、磨粒增多等。采用在線或定期的油液監測方法保障潤滑油的健康狀態,可以有效降低齒輪故障風險。在齒輪嚙合過程中,添加在油液中的自修復添加劑能夠與金屬表面發生置換反應,生成新的類金屬保護層,提高齒輪的耐磨性,對齒輪的齒面磨損進行修復,延長齒輪使用壽命。另外,可以對斷齒進行修復。然而,考慮到修復后的配合精度與安裝成本,對于齒輪的損壞采用直接更換齒輪軸組件更為合適,當出現嚴重多對齒輪損傷、齒圈斷裂時,需要更換整個齒輪箱。
軸承作為齒輪箱中的易損部件,其失效模式 35 包括潤滑不良、磨損、疲勞剝落、壓痕、腐蝕、裂紋、斷裂等, 其狀態監測方法包括溫度、振動、油液、聲發射、圖像、紅外熱成像、超聲波監測等,研究方法包括物理模型、信號處理、數據驅動模型、機理與數據驅動混合模型等。最具代表性的方法如：文獻提出了基于 VMD-SET 時變工況的風電機組齒輪箱無轉速計階次跟蹤方法,采用變分模態分解(VMD)濾波,并利用同步提取變換(SET)對齒輪箱振動信號進行時頻分析,通過仿真及實驗驗證了所提方法的優越性和有效性 ;文獻針對數據驅動模型對全量退化數據的強依賴局限,提出了采用經驗模型的先驗知識對原始有限樣本進行數據增強,再采用 PI-LSTM 深度學習模型進行模型訓練,實現了在有限退化樣本下的齒輪箱高速軸軸承剩余壽命預測功能;文獻采用改進杰森 - 瑞麗散度(JRD)對軸承數據進行后驗概率分布向量特征提取, 再利用相關向量機(RVM)預測軸承整個退化軌跡的相關向量,最后基于雙指數模型擬合相關向量,并結合差分整合移動平均自回歸模型(ARIMA)對擬合誤差進行修正, 實現了軸承剩余使用壽命的預測。軸承的防護、維修方案與齒輪類似,應重點關注潤滑油的健康狀態,保證油品健康, 保障軸承健康的潤滑環境。可以在潤滑油中加入自修復添加劑修復輕微的表面損傷,對于嚴重故障直接更換故障軸承即可。
齒輪箱的傳動軸分為輸入軸、中間軸、高速軸,是能量傳遞的載體,在支撐旋轉部件的同時,承受著較大的彎矩和轉矩。傳動軸的故障模式包括磨損、裂紋、彎曲變形、斷裂等。其中,磨損是傳動軸較常見的故障,一般發生在高速軸的軸承與軸相對運動部分,而彎曲變形與斷裂出現較少。傳動軸的監測方法包括振動、著色探傷、聲發射、超聲波等。由于傳動軸故障在齒輪箱故障中頻次遠低于齒 輪、軸承故障,因此,傳動軸故障診斷與預測方法主要以溫度監測、事故分析為主。文獻針對齒輪箱高速軸軸承 溫度超限問題,提出了一種重構特征和寬度學習齒輪箱高速軸故障預警方法,實現了齒輪箱高速軸早期故障診斷。文獻基于 SCADA 數據采用 XGBoost 算法構建了齒輪箱輸出軸正常行為模型,并調整殘差閾值和優化最佳實踐窗口,實現了齒輪箱輸出軸故障預警功能。對于傳動軸的防護與維修,可以采用涂鍍工藝修復、激光熔覆等方法。其中,涂鍍工藝修復可以對單側磨損量小于 0.3mm 的軸進行修復,磨損狀態嚴重的情況下可以采用激光熔覆方法進行修復,延長傳動軸使用壽命,降低齒輪箱維修、更換成本。
齒輪箱箱體承受的載荷以靜載荷為主,其故障相對較少,且主要表現為加工精度、材料、密封工藝問題導致的箱體滲油、變形、局部裂紋、磨損等故障。其中,比較常見的故障是齒輪箱軸承裝配孔內圓磨損。目前,箱體的監測方法以定檢的人工巡視為主,發現表面裂紋后,可以采用磁粉探傷方法,判斷裂紋延伸情況。當出現箱體軸承內 孔磨損時,可以采用鑲套修復工藝、冷熔脈沖焊等方法進行修復。
3、發電機
發電機主要由定子、轉子、軸承、滑環、電刷及潤滑系統組成,是風電機組中核心的能量轉化部件,長期工作在變工況、強電磁環境下,極易出現故障。與其他關鍵部件不同,發電機的失效模式不僅包含機械故障,還包括電氣故障。據統計,在風電機組故障中,軸承、定子、轉子故障率較高,分別為 40%、38%、10%。
發電機的機械故障主要集中在前軸承、后軸承、軸等關鍵部件。其中,以軸承的故障為主。發電機的軸承故障與主軸承、齒輪箱軸承類似,包括力學上的損壞、熱學上的損壞,如潤滑不良、磨損、疲勞剝落、裂紋、斷裂等。其主要監測方法與主軸承、齒輪箱軸承類似,包括溫度、振動、聲發射、圖像、紅外熱成像、超聲波監測等。文獻將 SCADA 實時監測系統的振動數據、非振動數據和振動監測系統的振動數據 3 類不同時間尺度數據進行融合,構建了深度自編碼模型,實現了發電機軸承磨損故障診斷功能。文獻提出了一種雙階段注意機制的并行預測模型(PDAGRU),并與非參數不確定性量化方法結合,實現了發電機軸承的剩余壽命預測。此外,發電機軸承故障還包括特有的電學上的損壞,如軸承電流腐蝕。軸承電流腐蝕是軸電壓過大,超過油膜閾值電壓而產生放電的現象,造成軸承滾道、滾動體損傷。因此,諸多學者對發電機的軸承電流腐蝕監測與預防展開了研究,其監測方法包括基于振動信號、定子電流信號、軸電壓電流監測等。文獻以定子電流為數據源,采用調制信號雙譜(Modulated signal bispectrum,MSB)的信號處理方法,對定子電流進行特征分析,實現了雙饋風電機組發電機軸承的早期腐蝕故障的監測。文獻采用最小熵解卷積方法對振動數據進行信號處理,并結合包絡譜分析方法提取故障頻率,實現了軸承電腐蝕故障的識別診斷。文獻對發電機軸承電蝕故障的產生原因、故障形式及防護措施進行總結,提出防護措施包括增加端蓋絕緣、接地碳刷,降低軸電壓,疏導軸電流,截斷軸承電流,采用高介電強度潤滑油等。
發電機的電氣故障主要集中在定子、轉子、繞組、滑環等關鍵部件。主要故障模式包括匝間短路、繞組溫度高、滑環故障、繞組短路、轉子偏心、永磁體退磁等,主要監測方法包括電流、電壓、功率監測等。文獻以雙饋機組的電刷滑環故障為研究對象,提出了一種基于希爾伯特 - 黃變換(Hilbert-Huang transform,HHT)的雙饋異步發電機電刷滑環燒傷故障診斷方法,以電流信號為輸入提取能量熵特征,并通過實驗驗證了特征與診斷模型的可行性。文獻采用熵加權法確定電流、無功功率的融合權重,將融合后的結果作為 GRU-CNN 模型輸入,建立了匝間短路故障診斷模型,實現直驅風電機組繞組匝間短路故障診斷。文獻以 SCADA 數據為基礎,建立 XGBoost 與 LSTM 加權融合的組合模型,實現了風電機組繞組溫度預測,提前對繞組高溫故障進行預警。
問題與挑戰
1、技術挑戰
風電機組預測性維護中的技術挑戰主要表現在故障數據不足、樣本不均衡、壽命曲線的不確定性、復雜變工況、機器學習可解釋性、先驗知識與機器學習融合、多模態數據融合等。故障數據不足是基礎問題,決定了模型的準確率, 且電力數據的隱私性、安全性要求更高,數據共享與流通存在一定困難。同時,風電機組運行特性不僅存在復雜變工況問題,相同型號的風電機組運行環境、歷史工況、備 件更換記錄均不完備,故障案例庫的收集成本更高。加上傳統工業界對數據資產的認知較晚,導致歷史的寶貴故障案例只有記錄卻沒有與之對應的運行數據,嚴重缺乏故障發生、發展前后的運行數據。此外,預測性維護技術以避免更換部件、降低停機發電量損失、提高人員效率為價值體現,不如提升發電量的價值變現更直觀,導致風電業主對預測性維護的價值并不十分認可。
針對以上問題,可以制定“用數據、養數據”的管理制度,進一步加強對數據資產的認識,形成一套故障案例庫收集、管理、存儲、標注、校核的完整體系,為后續的模型優化與復雜大模型的應用提供數據支撐。對于先驗知識與機器學習融合的問題,已有大量學者開展研究。如將領域經驗、先驗知識形式化為特征工程,或者采用先驗知識簡化的物理模型進行樣本生成,將提取的特征或生成的數據作為數據驅動模型的訓練數據,強化機器學習、深度學習的訓練過程。另外,可以將先驗知識整合到數據驅動模型訓練中,作為模型目標函數、學習規則的約束條件, 引導模型訓練過程。文獻提出了先驗知識與數據驅動融合的機器學習框架,稱為知信學習,機器學習訓練框架中由數據和先驗知識兩部分共同支撐模型訓練,先驗知識被有效表達。知識表達方法包括代數方程、微分方程、模擬結果、空間不變性、邏輯規則、知識圖、概率關系和人類反饋。對于多模態數據融合解決方案,可以結合多模態大模型的研究成果,嘗試在風電領域進行應用,提升預測性維護的準確性。
2、對業主認知的挑戰
在風電機組預測性維護研發、實施過程中,包括模型開發者、業務專家、風電業主、研究人員等多個角色。每個角色對預測性維護的認知不同,導致預測性維護模型開發效果達不到業務專家、風電業主的預期,數據質量與案例庫達不到預測性維護模型開發的要求,而產生希望落差, 進而影響預測性維護在風電領域的應用落地。
在人工智能高速發展的沖擊下,特別是在 ChatGPT 的影響下,風電業主方很容易認為人工智能無所不能,對模型的準確率要求非常高,而忽略了工業領域故障樣本缺失、數據質量不夠、狀態感知受限、復雜變工況等一系列模型開發的前提條件。在這種思想下,預測性維護的準確率被要求得極高,而實際模型的誤報率較高,過多的誤報進一步消耗了風電業主對預測性維護應用的信心,嚴重降低了風電業主對預測性維護的期待。因此,加強對人工智能的認知,明確本企業數據資產質量,才能進一步促進預測性維護在風電領域的健康發展。
對于模型開發方往往存在與業務專家分離的現象,特別是深度學習可以弱化對機理依賴的建模思想,更肆意增長了重模型研究而輕機理探索的趨勢。在風電領域,設備運行機理復雜,運行環境多變,將機理研究與模型探索并行, 讓模型開發者與業務專家建立有效溝通,可以得到更好的模型開發效果,提升模型開發效率。
3、管理方法的挑戰
目前,風電機組設備是由各發電集團運維中心或區域公司進行集中管理,對設備健康狀態進行預警,給現場維修人員下發工單,現場人員登機檢查,確認報警的準確性, 形成統一的閉環過程。這種管理方法是模型迭代更新的前提保障,不管是多先進的機器學習模型都需要不斷地迭代、優化才能有更準確的預測效果,而每一次診斷確認至關重要。診斷的確認過程本質是一次數據標注過程,正確的診斷結果可以增加一個故障案例,錯誤的診斷結果可以反映模型的缺陷。如果診斷錯誤是其他異常模式則意味著案例庫中增加了一個故障模式;如果是誤報,則意味著模型對該類故障的準確率需要調整。
目前,在預測性維護具體執行時,存在現場確認不規范、檢查流程不明確等問題,且模型反饋系統不科學,需要探索出更科學的信息反饋填報方式。另外,對于現場人員的激勵體系不完備,診斷確認工作增加了現場工作量。因此, 可以從數據資產角度出發,將診斷確認作為數據資產管理的一部分,將每個案例的發現與保護作為一項工作任務與績效考核機制。經過不斷的數據積累與模型迭代優化,預測性維護才能在風電領域真正發揮作用。
結論
預測性維護是一種綜合技術,它將設備運行機理、狀態感知、物聯網、人工智能、大數據和云計算等領域的先進技術應用于風電運維實踐,能夠有效降低風電運維成本, 是智慧風電場建設的重要組成部分。根據本文對預測性維護在風電領域最新研究進展進行的調研與總結,風電領域預測性維護實際落地情況,以及實踐中存在問題與挑戰的分析,預測性維護既要用數據,又要養數據;既要研究先進算法,又要鉆研設備運行機理、失效機理;既要注重現場實測效果,又要結合實驗優勢進行加速實驗。
參考文獻略.