風力發(fā)電機是將風能轉(zhuǎn)換為機械能，機械能轉(zhuǎn)換為電能的電力設(shè)備。某風電企業(yè)是國內(nèi)排名前三的大型風電設(shè)備制造廠商，專業(yè)從事大型風力發(fā)電機組與關(guān)鍵部件的設(shè)計、制造和銷售以及風電場的建設(shè)、運營和咨詢服務(wù)，在高海拔風機市場具有顯著的優(yōu)勢，已有數(shù)百臺在線運營，優(yōu)異的產(chǎn)品性能和良好的售后服務(wù)獲得了國內(nèi)眾多電力投資商的高度認可，在業(yè)內(nèi)具有良好口碑。
小螺栓，大問題
風力發(fā)電機各部件主要通過螺栓連接，每個葉片根部均有50個螺栓固定，因為風機的變槳操作、螺栓零件的自然老化或葉片受到過大應(yīng)力等因素，葉根螺栓會產(chǎn)生斷裂甚至脫落的情形。葉根螺栓的斷裂可能導致螺栓脫落掉進風機機艙，造成風機機艙內(nèi)部機組的損壞，且當一個螺栓出現(xiàn)問題，很容易造成其他螺栓接連斷裂，最終將造成葉片掉落，甚至倒塌的嚴重后果。目前風力發(fā)電機葉根螺栓的斷裂與否完全依賴人工的排查，然而風場通常設(shè)置在如山區(qū)、草原、海邊或者離岸等偏遠的地區(qū)，且一個風場通常由數(shù)十臺風機組成，定期的巡檢并不能及時發(fā)現(xiàn)，往往在出現(xiàn)嚴重故障后才會發(fā)現(xiàn)。如何能及時發(fā)現(xiàn)螺栓斷裂避免后續(xù)嚴重故障發(fā)生，是該風電企業(yè)急需解決的問題。
頭疼醫(yī)頭，腳痛醫(yī)腳不可取
目前，該風電企業(yè)主要采用半年一次的人工定期巡檢排查故障。然而風場通常設(shè)置在偏遠的地區(qū)，風機檢修人員不易安排，且一個風場通常由數(shù)十臺風機組成，對于逐個風機進行高頻率的人工排查非常耗費人力及時間成本。理論上還可以增加傳感器來進行檢測，如螺栓預緊力傳感器、環(huán)形墊圈傳感器等，通過實時檢測每顆螺栓的預緊力來判斷有沒有螺栓斷裂。因為造價昂貴，目前主要應(yīng)用在核工業(yè)、科研等領(lǐng)域，對于單個葉片就有50顆螺栓固定的風機來說，一方面性價比太低，另外也會使得系統(tǒng)更加復雜。
概括來說就是頭疼醫(yī)頭腳疼醫(yī)腳的方式，不僅增加了額外的人力物力，還沒有帶來更多的延伸利益。寄云科技提出可以通過對其他傳感器的測量和監(jiān)控，比如風機轉(zhuǎn)速、傾角、風速、方向等參數(shù)，間接找到葉根螺栓斷裂的時間點，及時通知運營人員對斷裂螺栓進行更換或者采取其他的維護措施。這種方式不需要額外的傳感器就能第一時間發(fā)現(xiàn)斷裂的螺栓，還能進一步開發(fā)實現(xiàn)預測螺栓斷裂，以便于運營人員在螺栓斷裂之前采取措施，避免螺栓斷裂。
大數(shù)據(jù)思維望聞問切
風力發(fā)電機本身有數(shù)十個傳感器，可返回數(shù)百個字段，這些傳感器數(shù)據(jù)反應(yīng)了風機的各種不同的狀態(tài)，長期以來，該風電客戶已經(jīng)積累了大量包括葉片角度、葉片變槳速率、輪殼轉(zhuǎn)速及發(fā)電機轉(zhuǎn)速等在內(nèi)的數(shù)據(jù)。寄云科技提出基于機器學習的監(jiān)督學習分析法，在不增加傳感器的情況下，解決風機葉根螺栓斷裂故障的檢測問題，降低運營成本。
基于機器學習的監(jiān)督學習分析法是指從眾多的風機周邊傳感器數(shù)據(jù)指標中篩選出相關(guān)變量，建立風機正常和異常運轉(zhuǎn)模型，確定螺栓斷裂發(fā)生的時間段，再通過對分類算法閾值的不斷學習，逐步找到精準的斷裂發(fā)生時間點，進而實現(xiàn)對螺栓斷裂的精準檢測。具體實施步驟如下：
1、特征提取。從大量傳感器指標中篩選并提取生成和螺栓斷裂有關(guān)的變量，計算各項傳感器數(shù)據(jù)在斷裂前后的分布差異，篩選其中顯著項； 對各項傳感器數(shù)據(jù)進行斷裂前后的頻域分析，找出顯著差異項；
2、建立正常及異常模型。根據(jù)風向、風速等外部環(huán)境因素相關(guān)的傳感器數(shù)值分布進行工作狀態(tài)切分，并以檢測出螺栓斷裂當日之前較小時間窗口數(shù)據(jù)作為確認異常數(shù)據(jù)，訓練不同狀態(tài)下的正常/異常判定模型，確認模型對于異常狀態(tài)的可檢測性。
3、確定故障發(fā)生時間。在檢測出螺栓斷裂當日之前的長時間窗口內(nèi)，利用訓練好的判定模型進行檢測，尋找正常轉(zhuǎn)變?yōu)楫惓５奶c，即正常轉(zhuǎn)為異常模型的點。
4、分類算法閾值的學習。利用3中捕獲的跳點，獲得新的異常數(shù)據(jù)區(qū)間，重新訓練異常判定模型，對于模型進行優(yōu)化。重復進行3和4步驟，逐步逼近異常發(fā)生的真實、精準的早期時間點。
5、故障檢測?；?的最終分析結(jié)果，對螺栓斷裂進行檢測，再次確定故障的發(fā)生時間和位置。在積累了足夠的數(shù)據(jù)和模型之后，進一步基于故障前各個傳感器變化的趨勢，對葉根螺栓斷裂進行檢測。
目前，通過寄云基于機器學習的監(jiān)督學習分析法，確定了正常和故障狀態(tài)下傳感器表現(xiàn)的差異及故障特征，并給出了找到螺栓斷裂準確時間的分析方法，后續(xù)將繼續(xù)對既有的分析結(jié)果進行驗證和積累，逐步實現(xiàn)葉根螺栓斷裂的預測，以便于運營人員在斷裂前進行設(shè)備狀態(tài)的調(diào)整，進而減少運維和設(shè)備的維修費用，提高風場的生產(chǎn)效率。利用數(shù)據(jù)分析的寄云基于機器學習的監(jiān)督學習分析法不僅適用于風電企業(yè)，也可以應(yīng)用到更多類似的大型機械生產(chǎn)和運維環(huán)境中，為大型機械故障的檢測提供了解決思路和方法。
