中车永济段志强:基于人工智能和物联网的发电机故障诊断系统
东方风力发电网 2020年10月15日 371
2020年10月14日-16日，2020北京国际风能大会暨展览会（CWP 2020）在北京新国展隆重召开。作为全球风电行业年度最大的盛会之一，这场由百余名演讲嘉宾和数千名国内外参会代表共同参与的风能盛会，再次登陆北京，本届大会以“引领绿色复苏，构筑更好未来”为主题，聚焦中国能源革命的未来。能见App全程直播本次大会。 在15日上午召开的关键部件技术创新分论坛上，中车永济电机有限公司副总工程师段志强发表《基于人工智能和物联网的发电机故障诊断系统》主题演讲。 
以下为发言实录：段志强：今天我大概讲四个内容，一个把我们公司跟大家说一下，稍微介绍我们基于人工智能的故障诊断的方法和常见故障的对比，把我们整个故障架构部署方案，和大家探讨交流，把我们整个样品的情况和大家做一个介绍。我们来自中车的，专门做专业发电机的，风电的装机有三万三千多台大概是这么一个情况，这是我们大概主要的产品，我们基于轨道交通，在轨道交通在风电做一些拓展和应用，电力电子，工程机械方面。我们现在做的目前国内外的各种技术路线，包括笼型、双馈，这是我们的历程，这是我们主要的产品的平台，这是我们一些国内外的布局这个也是组机企业配合国内外布局的情况，这是我们一些国内外的主要的客户。 下面我想把故障诊断系统给大家做个汇报。大家也说电机的故障诊断，监测在全寿命周期过程中它对你是透明的，不是一个黑匣子，我们出现故障之前不知道是什么造成的，因为我们技术实时的监控这样一个方法，全息感知目标，打通信息采集、传输存储，我们算法上做了一些优化。诊断系统传感器的线，振动传感器，电压电流，可用一些无限的技术，无限传感器，包括一些其他的传感器，再去做一些信息的传输。 我们诊断方法和传统故障诊断方法的区别，传统诊断方法，信号进行一些负载的信号处理，技术手段处理，第二个需要通过时域、频域等各方面入手，手动针对故障特征进行提取与处理。再从频率上特征值再提取一些故障特征，这是目前我们常用的方法，需要大量的知识和人工的介入。我们传统方法，是针对特种类型，我们不平衡，包括轴承内外圈故障情况，没有考虑综合负载的因素。外界环境比较复杂，没有考虑外界环境对整个故障诊断系统的影响，第三个针对故障建立模型。这是我们目前传统的。海还有我们机器学习的故障方法，信号的降噪处理。顶层架构，大概我们基于机器学习鼓掌方法，已知的故障，整个特征的提取信息的对比，然后进行分类，然后识别，第二个通过位置故障信号深度学习，逐渐建立故障库，知识库进行故障的辨识。这是目前主要的两个常见的，利用人工智能技术算法上进行优化，主要是通过计算机，提取技术特征，现在也是我们在做的故障预测和健康管理方面新的发展方向。 我们这个基本特征，无需要专家知识实现建模，现在传统故障诊断软件开发需要这个行业的专家去做一些深入的研究，尤其在物理模型上面做一些适当的处理针对性的开发定制化解决方案。我们这个项目特点，采用数据驱动人工智能算法，也不需要太多的专家支持，仅需要提供训练数据和数据标签，学习数据标签，这个和我们目前是一样的，完全由计算机自主提取故障数据特征，建立数据映射关系，不要做下一步故障的分析，学习完以后这个什么故障有个标签，再实现不断的识别做报出，不用做专业的判断或者识别。 第二个我们基于人工算法不会受到设备场景变化的影响，受到复杂环境变化对我们的影响，在变化的时候我们相关的数据特点也会变化，传统故障算法，需要计算新的模型，提高准确性，数据驱动，数据发生变化。第三个算法拓展性可以识别未知的故障，做一些记录，做了一个标签，放到我们库里面，这是大概我们这样一个主要的一个特征。 总的对比我们传统故障，单一一个设备鼓掌，信息孤岛，没有信息的交互，这个通过我们现在物联网系统，因为在我们整个监测设备里边装了我们整个采集传输，包括我们现在故障的信号，故障模型建立需要大量专家知识，人工智能基于人工智能算法自主学习辨识，设备运行环境变化导致模型需要频繁维护，故障分析是什么原因造成的这个可能就会比较麻烦一些，我们这个的话在线更新无需人工介入。 传感器以游线传输为主，可以做一些无限的传输，包括在以前老的机型上做一些改造，只要装一个无线传感器可以做一些接入和传输。 这个是我们做算法和整个做我们部件的时候，有一个我们当时原理模型，可以解释一下。运行中正常旋转，我们那边有一个，这是正常的，这是带一个平衡好的，有一个学习，不停把一些信号我们做一些记录，在外面加了一个偏块，运行状态另外一个变化，把另外一个状态，重新技术学习，把这个信号和这个故障的状态我们做一个标签，和它完全对应起来放到整个库里边，这是整个智能算法的原理。 我们整个算法原理放到库里面以后，我们不要做平移分析，数据信号可以分析，下来整个故障系统架构，和我们整个部署的方案，我们分几个层次，感知层，结合我们穿梭的网络特征，实时的监测，研究电机，这个是有感知层，我们特点就是说主要用一些无线传输的技术，可能针对一些老的机型做一些升级改造。 这个就是我们现在整个硬件感知装载我们整个电机上，这样的话我们会布置一些、电压、电流整个可以监控运行过程中发电机的电压电流，不光数字，包括波形我们进行完全的采集，包括整个运行的轴承，装一些我们振动，无线传感器的振动监测这个，都会做一些监控。 传输层和目前常见的传输理论是一样的。这也是我们整个传输硬件的情况。这是我们整个信息处理，信息处理我想主要还是我们，环境复杂包括背景，包括一些环境的影响，我们基于人工智能相关理论，诊断方面经验积累，以及我们发电机厂家，包括我们现在保有量积累好多运行的数据，结合我们整个模型库，我们专门开发后台的一些信息处理，可以对我们整个发电机做一个远程的技术支持。 这个就是整个在应用层，这个也是我们现在目前做，在我们分机上做，我们分层规模，设置不同的服务器去做。这个就是我们大概一个过程。这个就是我们整个部署的方案，我们在现场，包括一些硬件，包括一些传感器，去做一些穿梭，案例云在做一些合作，在我们地面中心，整个大概流程和框架和目前是一样的，这块我们作为整个部件的监测。我们整个架构现在，经济成本方面，我说这个因为现在大家也知道，我们现在海上风机发展，单机功率是越来越大，尤其我们现在海上的风电，也是装的越来越多，我们到海上以后，如果我们不对我们整个风机运行状态监控，真出了什么故障出现问题再去维修，整个环境影响特别大，没法做一些维护和维修，整个造成的发电量的损失包括维护都是工作量比较大的，用我们系统以后，实施监测，发电机作为主要大的部件，承载包括机械，重要性，重要度越来越大，我们开发这款产品，也是主要针对，大功率电机监测，有这个的话，在海上，大家应该很清楚。 第二个做一些安全性，在传统故障方面，我会讲到我们传统故障的一个流程，前面我简单的带了一下，利用智能算法，整个环境耦合复杂的因素，我们都可以去做一些判断。整个部署的时间，在现有基础上做优化改进，无限传感器很快去做，不用在我们现在基础上大的改动，这是它的整个的结构和优点。接下来把我们现在做的给大家说一下，我们传统故障，主机有问题，去把振动数据，轴承振动超了，超了以后到底什么故障也不知道，我们跟主机厂联系，振动信号考下来，只有专业的工程师，才会对整个信号做一个专业的分析，并且这个时间也会比较长，最后通过一定时间的分析得出结论，再去提出处理意见再去修理这个中间的过程涉及到的环节和时间都会比较多一些。用人工智能算法第一个数据采集，在故障识别这个地方省去好多环节，没必要说和专业的振动工程师去分析，专业的工程师从培养到完全去分析，也是需要很长时间，目前我们还是基于和轴承厂家专家去做一些交流，如果说你完全依靠专家去做，有时候大家也知道，包括时间，我们有这么一个识别系统的话，我们自己就可以做，我们不断的学习，把我们故障和标签发到库里边，有信号出来以后，我们一般的工程师就完全可以识别我们什么故障，去怎么处理，这样会省到不需要太专业人员去做，这个专业的设计就是刚才专家讲到，还是希望有专业的厂家来去做，我们就会给客户，给业主，从我们专业发电机的角度，给大家出一套方案去做，不要再去找别的专家去做，效益方面可能会更快一些，开发我们整个系统的初衷。 我们整个故障识别率达到95%，我们做了好多试验，包括我们后来整个系统去监测标签，我们这也是做了将近一年多快两年的试验才出这么一个大概的结果出来。 刚才说的，我们做成我们一个黑匣子里面，我们内部的情况，在我们做监测的时候一些传感期限，这个因为我们现在主要是针对发电机，发电机，部件都不一样，我们现在不管是任何一个发电机，我们都可以做一些采样，包括轴承，包括振动速度，包括加速度都可以做，包括电压电流，还有它一些波形，还有就是我们好多的问题，所以这个监控的话，就完全把我们整个发电机，它的再生运行中所有的一种状态，我们完全进行监控和识别，可能更加全面一些，而不仅仅是我们目前振动的监测。 这个是我们当时在做实验现场的一些照片，这个也是我们自己一个界面，可以完全在手机上登录远程在我们机房都可以做一下，这个目前我们已经实现样机运用已经开始装，因为我们软件实时记录，除了数据以外，我们整个波形，这个波形对我们整个运行的过程的分析，包括监控我觉得还是支持还是比较大的，从波形，变流器，更能中间潜在的问题。这个就是我们轴承，如果你想看的话，可以去看，如果不想做太复杂的工作。 上面就是我给大家分享我目前做的一些工作，目前我们样机做了，我们接下来装到风场运行，希望和大家和业主包括我们主机厂朋友一起，尤其我们在以后海上，我们发挥我们专业厂家的一些作用和贡献，给我们整个风电行业包括一些主机厂做出我们一些智慧和贡献。 （根据速记整理，未经本人审核）
以下为发言实录：段志强：今天我大概讲四个内容，一个把我们公司跟大家说一下，稍微介绍我们基于人工智能的故障诊断的方法和常见故障的对比，把我们整个故障架构部署方案，和大家探讨交流，把我们整个样品的情况和大家做一个介绍。我们来自中车的，专门做专业发电机的，风电的装机有三万三千多台大概是这么一个情况，这是我们大概主要的产品，我们基于轨道交通，在轨道交通在风电做一些拓展和应用，电力电子，工程机械方面。我们现在做的目前国内外的各种技术路线，包括笼型、双馈，这是我们的历程，这是我们主要的产品的平台，这是我们一些国内外的布局这个也是组机企业配合国内外布局的情况，这是我们一些国内外的主要的客户。 下面我想把故障诊断系统给大家做个汇报。大家也说电机的故障诊断，监测在全寿命周期过程中它对你是透明的，不是一个黑匣子，我们出现故障之前不知道是什么造成的，因为我们技术实时的监控这样一个方法，全息感知目标，打通信息采集、传输存储，我们算法上做了一些优化。诊断系统传感器的线，振动传感器，电压电流，可用一些无限的技术，无限传感器，包括一些其他的传感器，再去做一些信息的传输。 我们诊断方法和传统故障诊断方法的区别，传统诊断方法，信号进行一些负载的信号处理，技术手段处理，第二个需要通过时域、频域等各方面入手，手动针对故障特征进行提取与处理。再从频率上特征值再提取一些故障特征，这是目前我们常用的方法，需要大量的知识和人工的介入。我们传统方法，是针对特种类型，我们不平衡，包括轴承内外圈故障情况，没有考虑综合负载的因素。外界环境比较复杂，没有考虑外界环境对整个故障诊断系统的影响，第三个针对故障建立模型。这是我们目前传统的。海还有我们机器学习的故障方法，信号的降噪处理。顶层架构，大概我们基于机器学习鼓掌方法，已知的故障，整个特征的提取信息的对比，然后进行分类，然后识别，第二个通过位置故障信号深度学习，逐渐建立故障库，知识库进行故障的辨识。这是目前主要的两个常见的，利用人工智能技术算法上进行优化，主要是通过计算机，提取技术特征，现在也是我们在做的故障预测和健康管理方面新的发展方向。 我们这个基本特征，无需要专家知识实现建模，现在传统故障诊断软件开发需要这个行业的专家去做一些深入的研究，尤其在物理模型上面做一些适当的处理针对性的开发定制化解决方案。我们这个项目特点，采用数据驱动人工智能算法，也不需要太多的专家支持，仅需要提供训练数据和数据标签，学习数据标签，这个和我们目前是一样的，完全由计算机自主提取故障数据特征，建立数据映射关系，不要做下一步故障的分析，学习完以后这个什么故障有个标签，再实现不断的识别做报出，不用做专业的判断或者识别。 第二个我们基于人工算法不会受到设备场景变化的影响，受到复杂环境变化对我们的影响，在变化的时候我们相关的数据特点也会变化，传统故障算法，需要计算新的模型，提高准确性，数据驱动，数据发生变化。第三个算法拓展性可以识别未知的故障，做一些记录，做了一个标签，放到我们库里面，这是大概我们这样一个主要的一个特征。 总的对比我们传统故障，单一一个设备鼓掌，信息孤岛，没有信息的交互，这个通过我们现在物联网系统，因为在我们整个监测设备里边装了我们整个采集传输，包括我们现在故障的信号，故障模型建立需要大量专家知识，人工智能基于人工智能算法自主学习辨识，设备运行环境变化导致模型需要频繁维护，故障分析是什么原因造成的这个可能就会比较麻烦一些，我们这个的话在线更新无需人工介入。 传感器以游线传输为主，可以做一些无限的传输，包括在以前老的机型上做一些改造，只要装一个无线传感器可以做一些接入和传输。 这个是我们做算法和整个做我们部件的时候，有一个我们当时原理模型，可以解释一下。运行中正常旋转，我们那边有一个，这是正常的，这是带一个平衡好的，有一个学习，不停把一些信号我们做一些记录，在外面加了一个偏块，运行状态另外一个变化，把另外一个状态，重新技术学习，把这个信号和这个故障的状态我们做一个标签，和它完全对应起来放到整个库里边，这是整个智能算法的原理。 我们整个算法原理放到库里面以后，我们不要做平移分析，数据信号可以分析，下来整个故障系统架构，和我们整个部署的方案，我们分几个层次，感知层，结合我们穿梭的网络特征，实时的监测，研究电机，这个是有感知层，我们特点就是说主要用一些无线传输的技术，可能针对一些老的机型做一些升级改造。 这个就是我们现在整个硬件感知装载我们整个电机上，这样的话我们会布置一些、电压、电流整个可以监控运行过程中发电机的电压电流，不光数字，包括波形我们进行完全的采集，包括整个运行的轴承，装一些我们振动，无线传感器的振动监测这个，都会做一些监控。 传输层和目前常见的传输理论是一样的。这也是我们整个传输硬件的情况。这是我们整个信息处理，信息处理我想主要还是我们，环境复杂包括背景，包括一些环境的影响，我们基于人工智能相关理论，诊断方面经验积累，以及我们发电机厂家，包括我们现在保有量积累好多运行的数据，结合我们整个模型库，我们专门开发后台的一些信息处理，可以对我们整个发电机做一个远程的技术支持。 这个就是整个在应用层，这个也是我们现在目前做，在我们分机上做，我们分层规模，设置不同的服务器去做。这个就是我们大概一个过程。这个就是我们整个部署的方案，我们在现场，包括一些硬件，包括一些传感器，去做一些穿梭，案例云在做一些合作，在我们地面中心，整个大概流程和框架和目前是一样的，这块我们作为整个部件的监测。我们整个架构现在，经济成本方面，我说这个因为现在大家也知道，我们现在海上风机发展，单机功率是越来越大，尤其我们现在海上的风电，也是装的越来越多，我们到海上以后，如果我们不对我们整个风机运行状态监控，真出了什么故障出现问题再去维修，整个环境影响特别大，没法做一些维护和维修，整个造成的发电量的损失包括维护都是工作量比较大的，用我们系统以后，实施监测，发电机作为主要大的部件，承载包括机械，重要性，重要度越来越大，我们开发这款产品，也是主要针对，大功率电机监测，有这个的话，在海上，大家应该很清楚。 第二个做一些安全性，在传统故障方面，我会讲到我们传统故障的一个流程，前面我简单的带了一下，利用智能算法，整个环境耦合复杂的因素，我们都可以去做一些判断。整个部署的时间，在现有基础上做优化改进，无限传感器很快去做，不用在我们现在基础上大的改动，这是它的整个的结构和优点。接下来把我们现在做的给大家说一下，我们传统故障，主机有问题，去把振动数据，轴承振动超了，超了以后到底什么故障也不知道，我们跟主机厂联系，振动信号考下来，只有专业的工程师，才会对整个信号做一个专业的分析，并且这个时间也会比较长，最后通过一定时间的分析得出结论，再去提出处理意见再去修理这个中间的过程涉及到的环节和时间都会比较多一些。用人工智能算法第一个数据采集，在故障识别这个地方省去好多环节，没必要说和专业的振动工程师去分析，专业的工程师从培养到完全去分析，也是需要很长时间，目前我们还是基于和轴承厂家专家去做一些交流，如果说你完全依靠专家去做，有时候大家也知道，包括时间，我们有这么一个识别系统的话，我们自己就可以做，我们不断的学习，把我们故障和标签发到库里边，有信号出来以后，我们一般的工程师就完全可以识别我们什么故障，去怎么处理，这样会省到不需要太专业人员去做，这个专业的设计就是刚才专家讲到，还是希望有专业的厂家来去做，我们就会给客户，给业主，从我们专业发电机的角度，给大家出一套方案去做，不要再去找别的专家去做，效益方面可能会更快一些，开发我们整个系统的初衷。 我们整个故障识别率达到95%，我们做了好多试验，包括我们后来整个系统去监测标签，我们这也是做了将近一年多快两年的试验才出这么一个大概的结果出来。 刚才说的，我们做成我们一个黑匣子里面，我们内部的情况，在我们做监测的时候一些传感期限，这个因为我们现在主要是针对发电机，发电机，部件都不一样，我们现在不管是任何一个发电机，我们都可以做一些采样，包括轴承，包括振动速度，包括加速度都可以做，包括电压电流，还有它一些波形，还有就是我们好多的问题，所以这个监控的话，就完全把我们整个发电机，它的再生运行中所有的一种状态，我们完全进行监控和识别，可能更加全面一些，而不仅仅是我们目前振动的监测。 这个是我们当时在做实验现场的一些照片，这个也是我们自己一个界面，可以完全在手机上登录远程在我们机房都可以做一下，这个目前我们已经实现样机运用已经开始装，因为我们软件实时记录，除了数据以外，我们整个波形，这个波形对我们整个运行的过程的分析，包括监控我觉得还是支持还是比较大的，从波形，变流器，更能中间潜在的问题。这个就是我们轴承，如果你想看的话，可以去看，如果不想做太复杂的工作。 上面就是我给大家分享我目前做的一些工作，目前我们样机做了，我们接下来装到风场运行，希望和大家和业主包括我们主机厂朋友一起，尤其我们在以后海上，我们发挥我们专业厂家的一些作用和贡献，给我们整个风电行业包括一些主机厂做出我们一些智慧和贡献。 （根据速记整理，未经本人审核）