中车株洲所陈亚楠：数字时代风机可靠性提升解决方案

9月19日，由中国可再生能源学会风能专业委员会主办，中车株洲电力机车研究所有限公司承办，金风科技、远景能源、明阳智慧能源、海装风电、施耐德电气协办的“2019第三届中国风电设备质量与可靠性论坛”在株洲召开。

中车株洲所风电产品数据专家陈亚楠出席大会并发表了题为《数字时代风机可靠性提升解决方案》的主旨演讲。以下为发言全文：

陈亚楠：各位来宾下午好，下面由我来分享数字时代风机可靠性提升解决方案。本次四个内容，首先看当前的挑战，第一个挑战是单机容量增大，故障率升高，这个是风电协会统计的数据，到去年，数值已经超过2千千瓦，从统计数据来看，机组装机容量不断壮大，通过查阅文献资料，我们将机组功率分成三种类型，一种是小风机，第二是中等的，第三种是大功率的风机，功率超过1000千瓦。虽然故障率每年都有变化，但是功率越大，故障率越高，这是我们面临的第一大挑战。

第二大挑战信息不透明，包括机组运行情况不透明，第二个是设备质量标准不统一，第三个是我们目前的评价体系不够完善。这是第二个挑战。

第三个挑战是信息不全面，第一个问题是信息孤岛，包括数据孤岛，比如说我们的SCADA数据，CMS数据，风资源数据，气象数据等等，导致系统的孤岛，每一个系统他们之间是彼此独立，信息不能共享，第三个是我们的业务孤岛，业务不能通过网络进行网络系统完整，顺利地执行和处理，第四个是管控孤岛，我们质量控制系统，与管理系统之间的一个脱离。第二个主要信息不全面的表现点是目前对于风机的监控不完备，第一个是塔筒检测不完备，目前出现高塔，120米，140米，甚至更高，第二个是风轮检测不完备，前面提到叶片的检测，换一片是50到100万，可能只考虑到换的成本，当然会对机组停机，后面一旦维修更换过程当中对风机造成的损失是不可估量的。第四个是风机维护方面的挑战。

我们要实现数据的可见，或者是数据的互联，包括数据的采集和处理，风场的数据通过正向隔离装置，通过防火墙，通过官网发回，我们对数据进行一个洞见，数据经过三大系统，监控系统，推送到运维系统，然后再到PHM系统。我们分别看一下这几个系统。第一个系统是SCADA系统，我们打一个简单的比方，我们相当于神医扁鹊，他知道已经生病的情况，我们的PHM系统相当于是可以进行预测，相当于扁鹊的二哥，风机刚刚出现病症的状况。我们的数字化形影系统，他相当于扁鹊的大哥，可以更早地发现病情，最后就是EAM系统，就是抓药吃药的过程，可以跟踪我们的维护过程。下面再看一下我们这几大系统，第一个是SCADA系统，可以部署在风场端，是一个监控系统，部署在远程端就是一个远程集成系统，数据延时率可以小于100毫秒，我们已经检测2千台机组，它可以对我们数据进行统计分析等等。它可以将故障数据适时推送到运维系统，使我们的处理更加的高效。第二个系统是PHM系统，我们称之为故障预测和健康管理系统，可以每10分钟进行一次评价，已经管理超过2千台机组，运用模型超过80个。主要包括的模块第一个是健康评价，是风场级，还可以对故障进行诊断和预警，还可以对诊断和预警的结果进行管理，它还可以生成一个报告，第四个就是模型管理，可以导入到模型管理当中。主要包括产能分析，故障诊断服务，还有基于CMS数据进行分析，还可以进行风场的评比分析，还可以对风场的KPI指标进行分析，可以在不同层次，不同周期地进行统计分析。风机作为一个一体化的设备，运行有特定的规律，首先基于规则，对于风机故障进行分析，我们可以从数据和计算机角度出发，处理故障，可以进行深度学习，数据可视化的手段进行处理。

目前监测80多项来规避我们的运行风险，有开放的模型设计和管理平台，形成模型的标准化，能够定制我们的健康报告，这是我们的一个报告。第三个系统是数字化形影系统，它主要是如影随形，，实现机组仿真和史册参数适时对比，第二个是振动识别，第三个是寿命预测，第四个是智慧寻优。这个系统主要做的是我们虚的系统和真实物理世界的一个映射，根据我们的一个载荷，可以对比分析我们仿真的载荷，可以对照实际的一个物理模型。

第四个系统是职能运维系统，我们的远程监控系统，还有信息系统，可以把结果推送到职能运维系统，生成一个消息发送到现场的服务经理处，由他再系统生成一个维修指令，由现场服务工程师去对风机进行维护，当然现场服务工程师可以结合以往的经验，还有专家的帮助，对风机进行现场的维护，维护完成之后，可以把维护结果上传到我们的系统，完善我们的专家知识库。经过我们的这个方案，可以实现我们信息的可视，能够发现当前机组处于何种状态，提升风机的安全，降低它的隐患。第三个是我们可以实现智能备件管理，降低运维成本，第四个固化专家经验，降低对人的依赖。

然后是案例介绍。第一个案例是叶片开裂的一个故障，主要表现在我们在叶片的表面产生了裂纹，或者当然内部也有可能产生裂纹，会对风机的结构有一个很大的损伤，甚至会引发后续更大的故障。针对这个故障来说，我们设备当然是基于它的物理运行规律来分析。它的机理是由于叶片开裂，改变了机组的物理模型或者叫物理结构，影响了机组的振动，通过振动数据去分析我们机组的异常情况。它的判断依据是我们结合机组的一个振动情况和我们分布情况进行判断。

下面是异常机组和正常机组的对照，左边的图中可以看到有一条红线，有一个尖峰，说明我们风机处于异常状态，对于正常的机组来说没有这样的特征。

第二个特征是我们偏航对风的异常，我们某些机组发电量偏低，我们认为在相同的风速情况下，对风无偏差的功率应该大于其他的功率值，基于这个原理可以定出一个预值，它的表现情况应该是对风没有误差，应该是最高的，这是我们的判定依据。下面可以看一下一个对照图，对于异常机组来说，功率曲线在不同的偏航对风情况下呈现不一样的状态，比较离散，对于正常风机来说，在不同偏航对风角度下呈现一致比较好的状态，这是第二个案例。

第三个案例是温控阀异常，这是一个很好的部件，控制齿轮箱的散热，当齿轮箱过热的时候可以控制整个散热油路的开启，可以使齿轮箱温度降下来，但是如果出现异常的情况下，会导致过热，甚至会导致机组停机，损失发电量。我们的机理是温控阀起作用的时候，齿轮箱进口油温与油池温度呈现相关性，通过这个来看，下面看一下结果，横轴是以轴来计，定出两个指标，可以看到下面有一个红线，这里有一根黑线，当我们温控阀更换之后这个指标有一个明显下降，说明这个模型是有效的。

第四个是我们一个螺栓断裂的案例，如果断一根的话，可能数据上发现不了明显的异常，但是对于机组影响很大，可能导致机组有更多的断裂，严重时甚至会威胁整个机组的安全。我们对于这个模型来说，尝试了很多种算法，当然首先也是基于物理规则来，最后发现通过常规方法，已经无法走到一个比较成功的方法处理问题，并且在数据里面也找不到任何蛛丝马迹，最后借助于数据领域的一个神经网络和随机森林结合，如果连续三次预测值低于阈值，那么可能会出现情况。这里有四台机组，红色的线是我们给出的一个预警值，蓝色的线是预测值，连续三侧预测值低于预警值，那么证明它出现状况，通过数据来看这个效果是很好的，只有这一台发生了故障，当然这个模型还在更多收集案例，来完善模型。

第五个案例就是高速轴不对中，我们做了一个实验研究，主要是一个中德合作项目之一，已经完成多组对中偏差条件下的振动测试，并且对于我们的维护提供了一个依据。

第四部分谈一下合作，作为风电行业的一员，虽然我们跟大家的角度不太一样，但是目标可能是比较一致的，然后我们可以在多方面进行合作，第一个可以进行数据共享，数据级和案例级共享，第二个可以进行算法探讨，当然也包括系统探讨，第三个我们有数据接入托管服务，可以做分析报告，我们愿意跟大家共同来探讨这样一个事情。

我的演讲完毕，欢迎大家跟我交流，谢谢。

（标题为编者所加，文字未经发言嘉宾本人审阅。）