中车株洲所韩德海：风电机组健康管理系统及其应用案例
2017年10月16日-19日，2017北京国际风能大会（CWP2017）在北京隆重召开。在中国国际展览中心（新馆）“风电场智能运维”专场，中车株洲电力机车研究所有限公司数据团队负责人韩德海分享了在风电机组的健康管理系统及应用方面的两套分析方法， PCB的方法，就是所谓机组对机组的方法和基于机器学习的方法以及使用案例。
以下为演讲内容：
韩德海：好，业内的各位同仁大家下午好，我来自中车株洲所，我们公司提供风力发动组以及全套解决方案，如果对我们公司想要有什么了解可以到我们展台。
我分享的是风电机组的健康管理系统及应用。
我们机组如果不报故障就代表没有问题吗？事实上不是这样的，我们看一项资料，这是05年的资料，在一组机组当中大概有20到50%的会出现风轮不平衡的问题。
所以基于这样的情况，实际上业内也达成一个共识，就是我们机组是需要做一些类似于体检这样一类健康管理的工作的，正如我们人需要体检一样，在这种情况下我们也做出了风电机组体检系统的方案，我们是这样定义的系统，基于在SCADA的历史数据，定出一些指标，对我们机组进行评价，然后及时解决掉，减少运营损失，正如前面大家讲到的，也能够为我们机组设计改进提供很好的洞见。
这个体检也很简单，首先收集数据，把我们关心的项点，进行分析，这个过程往往不可避免会有一些迭代，然后才可以把问题搞清楚，然后去指导我们下一步整改和纠正过程，整个这个过程，我们认为要以来以下这些技术，首先是我们现在大家都在谈的大数据技术，通过这个技术要保证我们有数据可用，而且用得顺利，而且我们机组的确是海量的时间序列的数据，我们需要一定技术来支撑，其次要结合我们工程师对风电机组的领域知识，只有结合这些知识我们才知道选用哪些变量，才知道怎么解决分析这个问题。
同时结合数据分析和可视化技术，只有这些技术，我们工程师才能方便的，把问题找出来，把模式做出来。
所以这里面必然产生交叉的学科，数据分析和机组领域之间要产生一个交叉。
这里提到的相关工具、软件，或者辅助我们的工具，或者说这些可视化的工具和软件，通过这样的把我们运行数据可视化，我们的工程师就能够非常清楚地从这些图形中把问题发现出来。
以及如果我们有比较好的动态报告的工具的话，那在整个过程当中，能够极大提高沟通问题的效率，把问题解决得能够更顺畅。
当前我们所搭建的体检系统，我们主要是两个体系，首先最重要的也是效果最明显的，就是我们所谓PCB的方法，就是所谓机组对机组的方法，大家应该不难理解，在同一个风场，我们所用的机组型号是完全相同的，所以这些机组必然有一些非常相似的特性。
在这种情况下，我们去构造同一个指标，把这个指标对同一机组进行计算，如果哪个机组表现特殊离群的现象，这个机组就出现问题了。
基于这个方法，我们机组的各种信号，机组各种各样的工作曲线是不是有比较好的复合型，等等都有专项的一些检查，我们塔筒的检查，我们都有一些指标。
第二个体系，就是我们现在大家也逐渐逐渐都在用的基于机器学习的方法，它能够把我们稍微复杂的问题，通过我们更高级一点的方法，如果我们有在线的数据，它能够产生一些预警的效果，现在在业界比较关注的叶根螺栓失效的情况进行报警，进行故障的预警。
还有非常普遍的叶片结晶的问题，现在大家都在做，我们这里也有一些方法。
下面给大家展示一下几个案例，我们做这样的体检报告，首先要介绍一下这个体检报告所用到的数据情况，比如用到的时间力度是什么样？这个我们用到了127个测点，这个图上展示的是这个数据取了多长时间段的，这个时间段有没有缺失，实际上对于风电机组的数据并不是完美的，会有一些缺失，比如在这里我们分析一台机组缺失多少，这个缺失问题要记录下来，如果遗漏这一点，在后面结论里面会产生误读，包括我们一些信号会在某些时间内会有缺失，这个要注意的不可缺少的环节。
大家可以看到图上非常直观，黄色的信号，我们画出来四个信号，显然这个黄色信号代表里面是有些问题的，因为从它的表面出来的非常直观的模式，我们跟专业工程师进行判断之后，这应该是一个传感器出现问题，它非常短时间之内跳到很高值然后落下来。
同样这个数据，我们把图放大之后又关注另外一个问题，下面是一个紫色的曲线，但是1号机组紫色曲线跑到上面，紫色曲线是齿轮箱进口润滑油的温度，正常情况下这两条曲线和温度必然有一个高低的，但是在1号机组上这个规律被打破了，就说明我们1号机组油冷系统存在问题的，这样通过分析很容易把问题发现出来。
这个图呢，我们分析的是发电机轴承的问题，一般都会有驱动端和非驱动端各有一个温度的测点，在这里面我们把整个风场，这里每条线代表一个基础，它的温度信号进行一个统计，这个横轴就是我们的功率，每台机组发动机，在每个功率级别温度究竟是什么样的趋势？
几乎所有的机组都表现出这样的趋势，随着功率的增加，它的趋势是逐渐上升的，但是唯独两台机组表现的不一样，在下面，这两台机组就离群，这两个信号单独划出来，就看出来这两台机组应该测点接反了，这种情况还是有的。
同样还是这个问题，如果画时间序列来的话，同样也还是非常直观的。
接下来是第二个风场，同样用了一分钟数据，我们测点少一些，这个黄色的小格子是一天，充满的数据是黄色，绿色是缺失的一部分，这样对数据可视化。
然后看左边这个图，对机组设计比较清楚的话，大家能够理解这是机组发电机的转速功率曲线，这个机组的转速功率画了出来，我们可以看到所有的机组都是比较好的在这条线上，但是唯独在这个时间内偏离了曲线，这两条机组可能在设置上有问题的。
同时看右边的线的话，有一些类似但又不一样，在同步转速这个附近，还有额定转速附近，这里也有两台机组也偏出来了，也离群了，显然这个数比是有问题的。
我们把发电机转速和风轮转速作了一个比值可以观察出24号和29号，比值已经远远超出了水平，这就意味着我们参数设置是有问题的。
下面这个案例是我们对变桨系统所作的分析，大家现在普遍都是三叶片的风机，我们取出三个变桨电机的温度信号，这个横轴是桨距角，我们来分析在这个桨距角范围内变桨电机温度分布的情况，我们看一下这三个电机一致性还是非常好的，这三个变桨电机信号有很大差异了，大概差了十几到二十安培的样子，用它的绝对值来算的话，应该达到五分之一的样子，这还是存在比较大的负载不一致的情况。
最后这个案例，这个案例事实上正好呼应了前面提出来的问题，每条线代表一个机组，我们分析机舱晃动情况，整个风场晃动过程中，晃动幅度都是一致的，但是有两个表现离群，同样有两个方法，这两台机组都表现突出出来，这意味着什么？我们机舱晃动出现异常，这个异常怎么造成的？后来我们通过实地勘察，发现这两组叶片各有一个叶片出现安装不到位。当然我们把这个问题纠正之后，重新取了一台数据来取这个曲线，最后就保持一致了，这是这么一个案例。
我们现在打造这套系统，可能有主要以下几个应用场景吧，新风场交付的时候，我们把这个系统所有指标都要跑一遍，对已投入的风场会进行定期体检，同时我们也能够为更多的其他厂家的机组提供第三方的诊断，整个的前面讲的这些，事实上显然都是我们业务问题来驱动着，我们想强调就是说，所有这些问题，要解决这些问题，数据是基础，有了数据我们才能做事情。
另外就是我们的工程师对于机组的深刻理解，这个领域知识对解决这个问题最重要，另外要加上对这种数据分析的能力。
用这样一个模型来结束这个报告，我们主要谈的是中间这一层，我们做各种各样的分析，当然不可或缺底层技术的支持，好的，谢谢大家。
（发言为能见APP整理，未经本人审核）
