基于大数据的风力发电机组故障诊断研究

2022-09-27 06:14王春佳
设备管理与维修 2022年17期
关键词:发电机组风力故障诊断

王春佳

(西南交通大学希望学院,四川成都 610400)

0 引言

随着我国风电规模的不断扩大,风电机组越来越先进,其机械构成越来越精密,各零部件之间的耦合也越来越复杂[1]。其一旦发生故障,必将带来巨大的损失与维修成本。传统的维护维修手段一般分为两种,一种是产生故障之后进行维修,一种是定期的经常性的进行停机检修[2]。这两种维护方法均存在一定缺陷,前者存在维护滞后与维护不足的问题,一旦发生故障其后果往往是巨大的、难以挽回的[3];后者则存在维护过剩的缺陷,容易造成人力与物力的无意义浪费[4]。因此,近年来风力发电机组的故障诊断与状态预测逐渐受到国内外学者的广泛关注[5]。同时风力发电机组一旦产生故障,其在维修方面的成本管控尤为重要。本文基于数据驱动的思想,对风力发电机组故障诊断与状态预测进行研究,分析其在成本管控方面的应用。

1 风力发电机组运行状态的影响因素

传统的风力发电机组的维护只涉及其运行状态,但是由于风电机组的零部件数量众多,其生产、运输、安装等方面均有可能影响其运行状态,其影响因素贯穿了其整个生命周期:在设计阶段,主要有物理特性、疲劳特性等因素以及风轮几何参数、叶片材料、内部结构等结构因素;在生产阶段,则为配套问题、采购不当以及部件质量低等装配问题;在运输阶段,其影响因素则为存储不当、运输损耗等人为因素;在安装阶段,则存在着安装误差等人为因素;在运行阶段,影响因素更加广泛,如周边环境、地形和海况等地理因素,盐雾、风速、温度、大气压强和空气湿度等气象因素,风湍流等随机性载荷因素以及主轴的上倾角、叶片重力、塔影效应、偏航误差和风剪切等确定性载荷因素,另外还有电网负荷变化、电压脉冲、瞬时短路和转差等电气因素;在维修阶段,则有着维护不当以及未实时维护等因素。

2 风力发电机组故障诊断与状态预测

风力发电机组自设计阶段起,就会产生大量的数据信息,数据资源已经成为风力发电机组的核心资源。通过数据驱动的手段,可以建立起精准有效的风力发电机组物理模型,通过运行参数可以有效精准地预测其未来的运行发展趋势,实现对故障的预测与诊断。

图1 是一种传统的状态预测技术框架,由于风力发电机组在运行时时刻处于动态平衡之中,因此其监测信号在一定范围内波动,当信号波动超出其固有的范围即可认定发生了故障。通过特征提取的方式可以提取故障发生时的信号特征并存储于历史数据中,方便下次数据异常时进行比对,以确定故障信息。其应用到的数据驱动方式多数为回归预测、时间序列、支持向量机和神经网络等模型。

图1 状态预测的技术框架

基于数据驱动的风力发电机组故障诊断与状态预测如图2所示。通过布置大量的传感器,将其测量到的数据进行预处理,这是考虑到风机在运行过程中,受气候环境以及自身因素的影响,容易发生“噪声”“干扰”等错误数据,需要将其剔除。对上传的数据进行特征提取,建立好预测模型。通过设备的参数以及历史统计数据对比,可以对现有的数据进行状态的监测与健康评估。该健康评估可以划分为两个状态,即未来健康状态以及剩余使用寿命,以方便决策层对风力发电机组进行维护决策。一旦数据发生异常即发生故障,则可以迅速从历史数据中调出相关解决方式进行维修指导。

图2 基于数据驱动的故障诊断与状态预测的技术框架

3 大数据在风力发电机组成本管控方面的优势

大数据时代的到来必将带来风力发电机组全系列运营的深刻变化,除了故障的诊断与状态的预测,大数据同样可以应用于风力发电机组的故障维修成本运营。大数据不应仅仅应用于技术维修领域,应当覆盖整个风力发电机组的方方面面甚至包括成本管控。

例如,传统模式的财务管理系统大多数以具体问题、具体的维修、采购需求等为中心,只能根据业务往来与其上游与下游系统进行控制、延伸。其上游与下游系统多为自身平时、历史积累的供应商报价数据以及相关产品需求。数据的流通仅限于系统内部的流动,并不对外开放,也无法实现与外部及时有效的信息交互(图3)。

图3 传统的成本管控工作方式

例如,现场维修管理部门根据故障维修进度、技术要求等因素,需要购买更新现场设备部件,进行需求提报,由技术人员以及现场工艺人员进行审核确认,财务、供应商管理系统再进行人工询价、供应商报价、比价等过程,确定供应商,如果需要开发新的供应商还需要进行供应商资质审核等流程,进而进行合同的签订、零部件验收、设备验收等,整个流程缓慢,容易卡顿、耽误故障维修及后续生产经营。这是因为在成本管控过程中,传统的工作方式大多数依靠内部系统的流转与已有供应商的报价进行。对于一些更加优质的报价,可能会因为时间关系、未开发供应商的关系导致未能及时纳入管理、错失良机,导致成本提升。

在大数据技术的支持下,可以同步进行海量数据的多维度处理,以变革传统的成本管控工作方式。可以考虑引入不同的外部系统实现信息互通,杜绝信息孤岛效应(图4)。不仅财务系统与业务需求系统之间可以进行数据比对,其各自之间也可以和与其相对应的外部系统进行数据比对。例如,现场发生故障后,经过大数据分析原因,得到相关的故障处理指导,急需购买相关设备,则业务系统可以同时在历史数据中进行查询,同时也可以在外部系统如其他风电机组的数据库中寻找类似需求案例;而财务系统既可以在自身的供应商库中进行检索、要求供应商报价,也可以同步在外部系统中进行比对,快速解决问题,最终全方位覆盖整个风电机组成本的管控工作。

图4 大数据背景下风电机组成本管控工作方式

4 结论

风力发电机组愈发复杂精密,一旦发生故障停机将会给整个机组带来巨大损失。本文从设计、生产、运输、安装、运行、维修等全流程讨论影响风力发电机组运行状态的因素,通过数据驱动的手段建立起精准有效的风力发电机组物理模型,探究风力发电机组的故障诊断与状态预测技术框架。同时探究大数据在风电机组成本管控系统的应用手段,创新性地提出引入不同的外部系统、实现信息互通的成本管控方式,为风力发电机组的运行维护、成本管控提供参考。

猜你喜欢
发电机组风力故障诊断
海上漂浮式风力发电机关键技术研究
基于包络解调原理的低转速滚动轴承故障诊断
内燃机发电机组应急冷却系统优化
数控机床电气系统的故障诊断与维修
大型风力发电设备润滑概要
基于Bladed与Matlab的风力发电机组控制器设计
基于量子万有引力搜索的SVM自驾故障诊断
江淮同悦纯电动汽车无倒档故障诊断与排除
你会测量风力吗