在裝機(jī)規(guī)模不斷擴(kuò)大及上網(wǎng)電價(jià)持續(xù)下降的背景下,粗放式的運(yùn)維方式已不再適用于當(dāng)前的風(fēng)電市場(chǎng)。據(jù)統(tǒng)計(jì),陸上風(fēng)電機(jī)組的運(yùn)營(yíng)及維護(hù)費(fèi)用可達(dá)到其收益的 15%~25% ,海上風(fēng)電機(jī)組的運(yùn)維成本則更高,可達(dá)到 20%~30%?？梢?jiàn),探索先進(jìn)的運(yùn)維技術(shù)與精細(xì)化的管理方法是降低風(fēng)電度電成本、提高風(fēng)電場(chǎng)利潤(rùn)與收益的有效方法。

　　風(fēng)電機(jī)組的運(yùn)維方式分為事后維修(Reactive Maintenance)、預(yù)防性維護(hù)(Preventive Maintenance)、預(yù)測(cè)性維護(hù)(Predictive Maintenance)。其中,預(yù)測(cè)性維護(hù)是公認(rèn)的能夠有效降低運(yùn)維成本的先進(jìn)維修方法。隨著風(fēng)電技術(shù)、物聯(lián)網(wǎng)、人工智能和大數(shù)據(jù)技術(shù)的發(fā)展,風(fēng)電機(jī)組的狀態(tài)感知體系逐步完善,使得風(fēng)電領(lǐng)域?qū)崿F(xiàn)預(yù)測(cè)性維護(hù)成為可能。為給風(fēng)電運(yùn)維領(lǐng)域?qū)嵤╊A(yù)測(cè)性維護(hù)提供參考,結(jié)合近年來(lái)風(fēng)電機(jī)組預(yù)測(cè)性維護(hù)技術(shù)的發(fā)展和應(yīng)用情況,本文對(duì)風(fēng)電領(lǐng)域預(yù)測(cè)性維護(hù)的最新研究進(jìn)展進(jìn)行了總結(jié),并分析了預(yù)測(cè)性維護(hù)的概念、框架和關(guān)鍵技術(shù)。同時(shí), 探討了預(yù)測(cè)性維護(hù)技術(shù)在風(fēng)電機(jī)組關(guān)鍵部件上的應(yīng)用情況。最后,對(duì)實(shí)踐中存在的問(wèn)題與挑戰(zhàn)進(jìn)行了討論,并提出了未來(lái)的研究方向。

　　預(yù)測(cè)性維護(hù)體系

　　1、預(yù)測(cè)性維護(hù)概念與內(nèi)涵

　　近年來(lái),預(yù)測(cè)性維護(hù)作為重點(diǎn)研究方向,得到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。對(duì)于預(yù)測(cè)性維護(hù)的概念,可以參考國(guó)標(biāo)中的定義方法。根據(jù)《核電廠安全重要儀表和控制系統(tǒng)老化管理要求》(GB/T 29308—2012)標(biāo)準(zhǔn) 3 對(duì)預(yù)測(cè)性維護(hù)的定義,根據(jù)觀察到的狀態(tài)而決定的連續(xù)或間斷的預(yù)防性維修,以監(jiān)測(cè)、診斷或預(yù)測(cè)構(gòu)建物、系統(tǒng)或部件的條件指標(biāo)。這類維修的結(jié)果應(yīng)表明當(dāng)前和未來(lái)的功能能力或計(jì)劃維修的性質(zhì)和時(shí)間表。根據(jù)《智能服務(wù)預(yù)測(cè)性維護(hù)通用要求》(GB/T 40571—2021)標(biāo)準(zhǔn) 4 對(duì)預(yù)測(cè)性維護(hù)的定義,預(yù)測(cè)性維護(hù)是根據(jù)觀測(cè)到的狀況而決定的連續(xù)或間斷進(jìn)行的維護(hù), 以監(jiān)測(cè)、診斷或預(yù)測(cè)構(gòu)筑物、系統(tǒng)或部件的條件指標(biāo)。

　　總結(jié)來(lái)說(shuō),預(yù)測(cè)性維護(hù)是一種基于狀態(tài)的維修,以狀態(tài)感知為基礎(chǔ),通過(guò)對(duì)系統(tǒng)或部件開(kāi)展連續(xù)(或定期)的狀態(tài)監(jiān)測(cè),判斷系統(tǒng)或部件的健康狀態(tài),并預(yù)測(cè)系統(tǒng)或部件狀態(tài)未來(lái)的發(fā)展趨勢(shì)或可能的故障模式,以此為依據(jù), 預(yù)先制定維修計(jì)劃。預(yù)測(cè)性維護(hù)的關(guān)鍵點(diǎn)包括：狀態(tài)感知、狀態(tài)監(jiān)測(cè)、故障診斷、趨勢(shì)預(yù)測(cè)或壽命預(yù)測(cè)、維修管理五個(gè)部分。其中,趨勢(shì)預(yù)測(cè)或壽命預(yù)測(cè)是最具挑戰(zhàn)性的工作。

　　2、應(yīng)用范圍

　　預(yù)測(cè)性維護(hù)是一種先進(jìn)的設(shè)備維護(hù)方法,但并不適用于所有的系統(tǒng)或部件。預(yù)測(cè)性維護(hù)的核心是對(duì)狀態(tài)的發(fā)展趨勢(shì)進(jìn)行預(yù)測(cè),預(yù)測(cè)的前提是系統(tǒng)或部件的劣化是有趨勢(shì)或是緩慢變化的,對(duì)于毫無(wú)征兆的突發(fā)失效,預(yù)測(cè)性維護(hù)無(wú)能為力。同時(shí),預(yù)測(cè)性維護(hù)的成本較高,對(duì)于頻繁發(fā)生但影響不嚴(yán)重的故障同樣不適用。以故障發(fā)生頻次與故障危害程度作為兩個(gè)評(píng)價(jià)維度,將故障進(jìn)行分類,分類結(jié)果如圖 1 所示。

　　可見(jiàn),在故障的 4 個(gè)區(qū)域中,I 區(qū)的故障危害大且發(fā)生頻次高,大概率為系統(tǒng)或部件存在設(shè)計(jì)缺陷或者質(zhì)量問(wèn)題, 需要進(jìn)行設(shè)計(jì)優(yōu)化。II 區(qū)的故障危害小且發(fā)生頻次高,需要保證備件供應(yīng)需求,確保維護(hù)的順利進(jìn)行,同時(shí)需要判斷是否為集中性缺陷,準(zhǔn)備必要的技改精維護(hù)以降低故障率。III 區(qū)的故障危害小且發(fā)生頻次低,采用事后維護(hù)的方法即可,此時(shí)可以提供維護(hù)專家支持,提高維護(hù)效率與維護(hù)質(zhì)量。IV 區(qū)的故障危害大且發(fā)生頻次低,該類故障非常適用于預(yù)測(cè)性維護(hù),即使投入較高的成本,只要能夠有效降低或減少該類故障發(fā)生,就可以避免非常嚴(yán)重的經(jīng)濟(jì)損失與不可預(yù)測(cè)的后果?？偨Y(jié)來(lái)說(shuō),滿足 IV 區(qū)的故障,基本為關(guān)鍵部件,如葉片、主軸、齒輪箱、發(fā)電機(jī)、偏航系統(tǒng)、變槳軸承等大部件。

　　關(guān)鍵技術(shù)

　　1、預(yù)測(cè)性維護(hù)框架

　　預(yù)測(cè)性維護(hù)的框架結(jié)構(gòu)如圖 2 所示,包括狀態(tài)感知、狀態(tài)監(jiān)測(cè)與評(píng)估、故障診斷、壽命預(yù)測(cè)、維修管理。

　　2、狀態(tài)感知

　　為了實(shí)現(xiàn)風(fēng)電機(jī)組的預(yù)測(cè)性維護(hù),先進(jìn)、可靠的狀態(tài)感知體系是重要的基礎(chǔ)保障。目前,在風(fēng)電機(jī)組中通用的狀態(tài)感知系統(tǒng)包括：數(shù)據(jù)采集與監(jiān)控(supervisory control and data acquisition,SCADA)系統(tǒng)、狀態(tài)監(jiān)測(cè)系統(tǒng)(condition monitoring system,CMS)。SCADA 系統(tǒng)采集風(fēng)電機(jī)組電氣數(shù)據(jù)、物理狀態(tài)數(shù)據(jù)及環(huán)境數(shù)據(jù),如風(fēng)速、風(fēng)向、電壓、電流、溫度、壓力、流量、加速度等關(guān)鍵參數(shù);CMS 采集風(fēng)電機(jī)組傳動(dòng)鏈的振動(dòng)數(shù)據(jù),采樣頻率較高,一般為 12800Hz 或 25600Hz。此外,為了滿足特殊的監(jiān)測(cè)需求,會(huì)加裝音頻、視頻、油液、聲發(fā)射、超聲波等監(jiān)測(cè)設(shè)備。

　　3、狀態(tài)監(jiān)測(cè)

　　狀態(tài)監(jiān)測(cè)是對(duì)狀態(tài)感知系統(tǒng)實(shí)時(shí)采集的數(shù)據(jù)進(jìn)行分析以識(shí)別設(shè)備的異常狀態(tài)。狀態(tài)監(jiān)測(cè)往往與故障診斷結(jié)合通過(guò)狀態(tài)監(jiān)測(cè)識(shí)別設(shè)備的異常狀態(tài),再采用故障診斷技術(shù), 進(jìn)行異常定位與分類。狀態(tài)監(jiān)測(cè)可分為基于機(jī)理、基于知識(shí)模型、基于數(shù)據(jù)驅(qū)動(dòng)的監(jiān)測(cè)方法。如根據(jù)設(shè)備運(yùn)行機(jī)理設(shè)定溫度參考閾值,當(dāng)超過(guò)溫度閾值時(shí)進(jìn)行分等級(jí)報(bào)警;基于數(shù)據(jù)驅(qū)動(dòng)的方法相對(duì)復(fù)雜,一般采用正常運(yùn)行的數(shù)據(jù)集訓(xùn)練正常行為模型,通過(guò)分析真實(shí)值與預(yù)測(cè)值的殘差確定設(shè)備是否偏離正常狀態(tài),實(shí)現(xiàn)機(jī)組的異常監(jiān)測(cè)過(guò)程。

　　4、故障診斷

　　故障診斷是判斷設(shè)備或系統(tǒng)的異常狀態(tài),識(shí)別故障類型、進(jìn)行故障定位,進(jìn)而為維護(hù)提供決策支持?？梢?jiàn),故障診斷是在狀態(tài)監(jiān)測(cè)的基礎(chǔ)上進(jìn)行故障研判與故障定位的過(guò)程。故障研判可以采用機(jī)理模型、專家系統(tǒng)、數(shù)據(jù)驅(qū)動(dòng)方法來(lái)實(shí)現(xiàn)。其中,數(shù)據(jù)驅(qū)動(dòng)方法是更為流行的方法。實(shí)際應(yīng)用中往往融合機(jī)理、專家系統(tǒng)、數(shù)據(jù)驅(qū)動(dòng)等方法進(jìn)行綜合診斷。比如,根據(jù)機(jī)理進(jìn)行特征提取, 所提取的特征用于訓(xùn)練機(jī)器學(xué)習(xí)模型,專家系統(tǒng)根據(jù)機(jī)器學(xué)習(xí)預(yù)測(cè)結(jié)果進(jìn)行規(guī)則判斷,最終給出故障研判與故障定位結(jié)果。

　　5、壽命預(yù)測(cè)

　　壽命預(yù)測(cè)是預(yù)測(cè)性維護(hù)的核心部分,也是實(shí)現(xiàn)難度最大的部分。壽命預(yù)測(cè)是根據(jù)設(shè)備故障分類、故障定位情況, 對(duì)設(shè)備剩余使用壽命進(jìn)行評(píng)估,希望在設(shè)備徹底失效前制定合理的維修策略,保障在可控的風(fēng)險(xiǎn)范圍內(nèi)延長(zhǎng)設(shè)備使用壽命,提升設(shè)備使用價(jià)值。壽命預(yù)測(cè)方法分為退化模型方法、相似理論方法、數(shù)據(jù)驅(qū)動(dòng)方法。退化模型又分為物理退化模型和經(jīng)驗(yàn)退化模型。其中,經(jīng)驗(yàn)退化模型更容易實(shí)現(xiàn),如采用帶衰退因子的威布爾模型構(gòu)建退化模型等。相似理論方法不需要對(duì)設(shè)備壽命的退化過(guò)程進(jìn)行精準(zhǔn)估計(jì),其基本假設(shè)是同批次或同規(guī)格的同類型設(shè)備, 如果在相同或相似的工況下運(yùn)行,則它們的失效機(jī)理將具有相似性。因此,待預(yù)測(cè)設(shè)備的剩余壽命可以根據(jù)歷史設(shè)備的壽命情況來(lái)近似計(jì)算。數(shù)據(jù)驅(qū)動(dòng)方法主要采用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)方法,結(jié)合歷史失效數(shù)據(jù)進(jìn)行復(fù)雜模型訓(xùn)練, 進(jìn)而得到壽命預(yù)測(cè)結(jié)果。當(dāng)然,結(jié)合退化模型與數(shù)據(jù)驅(qū)動(dòng)的組合方法也是廣泛研究的方向,如果能夠在模型訓(xùn)練中將機(jī)理或退化模型的經(jīng)驗(yàn)知識(shí)加以利用,可能取得更加可靠的預(yù)測(cè)結(jié)果。

　　6、維修管理

　　維修管理是根據(jù)故障診斷、壽命預(yù)測(cè)的結(jié)果,結(jié)合實(shí)際生產(chǎn)需求,通過(guò)檢查、測(cè)試、修理及替換等方法保證設(shè)備的健康狀態(tài),提高設(shè)備可靠性,延長(zhǎng)設(shè)備使用壽命。維修分為基本維修、中度維修、完全維修三種。維修管理是一個(gè)多目標(biāo)優(yōu)化過(guò)程,通常以人員、環(huán)境因素、物資影響、停機(jī)損失、維修時(shí)間等作為邊界條件進(jìn)行維修優(yōu)化。目前, 維修策略管理是重點(diǎn)研究方向,主要優(yōu)化方向包括結(jié)合庫(kù) 存管理的維修策略優(yōu)化、結(jié)合設(shè)備狀態(tài)的定檢策略優(yōu)化、結(jié)合故障預(yù)測(cè)或壽命預(yù)測(cè)的檢修策略優(yōu)化等。

　　風(fēng)電機(jī)組預(yù)測(cè)性維護(hù)應(yīng)用現(xiàn)狀

　　廣義的預(yù)測(cè)性維護(hù)需要以設(shè)備壽命預(yù)測(cè)為核心,確定設(shè)備的維修管理方案。鑒于壽命預(yù)測(cè)的不確定性,預(yù)測(cè)性維護(hù)的實(shí)際應(yīng)用情況并沒(méi)有預(yù)期廣泛,而基于故障診斷并結(jié)合維修管理的狹義預(yù)測(cè)性維護(hù)方法在實(shí)踐中更容易實(shí)施。狹義的預(yù)測(cè)性維護(hù)是以狀態(tài)監(jiān)測(cè)為基礎(chǔ),強(qiáng)調(diào)故障診斷,通過(guò)連續(xù)的狀態(tài)監(jiān)測(cè),判斷設(shè)備是否存在異常狀態(tài) 或是否有發(fā)生故障的趨勢(shì),并在適當(dāng)?shù)臅r(shí)間安排設(shè)備維修。因此,當(dāng)前風(fēng)電機(jī)組的預(yù)測(cè)性維護(hù)實(shí)踐大部分為狹義的預(yù)測(cè)性維護(hù),且主要以葉片、主軸、齒輪箱、發(fā)電機(jī)等關(guān)鍵部件為研究對(duì)象。本節(jié)將以主軸、齒輪箱、發(fā)電機(jī)為例, 討論與總結(jié)預(yù)測(cè)性維護(hù)技術(shù)在風(fēng)電機(jī)組關(guān)鍵部件上的應(yīng)用情況。

　　1、主軸系統(tǒng)

　　主軸系統(tǒng)是風(fēng)電機(jī)組中核心旋轉(zhuǎn)部件,向前連接輪轂、向后連接齒輪箱,是將風(fēng)能轉(zhuǎn)化為機(jī)械能的重要傳遞部件。因此,其承受著來(lái)自風(fēng)輪、輪轂等部件的復(fù)雜交變載荷影響, 具有極高的故障風(fēng)險(xiǎn)。

　　主軸系統(tǒng)的主要組成部分包括：主軸、主軸承、潤(rùn)滑系統(tǒng)、密封系統(tǒng)、軸承座等。其中,主軸、主軸承是故障頻發(fā)的關(guān)鍵部件,其監(jiān)測(cè)方式 16 包括應(yīng)力應(yīng)變、振動(dòng)、油脂、溫度、音頻、圖像、紅外熱成像、超聲波監(jiān)測(cè)等;研究方法包括物理模型、數(shù)據(jù)驅(qū)動(dòng)模型、機(jī)理與數(shù)據(jù)驅(qū)動(dòng)混合模型, 以及上述方法混合方法。

　　主軸是風(fēng)輪的轉(zhuǎn)軸,支撐風(fēng)輪并連接齒輪箱,是主要的承力結(jié)構(gòu)。其常見(jiàn)的故障模式包括磨損、裂紋、斷裂等, 監(jiān)測(cè)方法包括振動(dòng)、著色探傷、聲發(fā)射、超聲波等。文獻(xiàn)采用超聲波監(jiān)測(cè)手段研制了根因分析系統(tǒng)(RCA),用于風(fēng)電機(jī)組主軸裂紋診斷。文獻(xiàn)提出一種主軸總成竄動(dòng)在線 監(jiān)測(cè)方法,采用激光位移傳感器獲得主軸總成竄動(dòng)監(jiān)測(cè)數(shù)據(jù),通過(guò)時(shí)間序列預(yù)測(cè)方法對(duì)其進(jìn)行分析,建立了主軸總成竄動(dòng)的 ARMA 模型。文獻(xiàn)利用有限元模型對(duì)裂紋信號(hào)識(shí)別中的問(wèn)題進(jìn)行仿真優(yōu)化,設(shè)計(jì)了從端面對(duì)主軸進(jìn)行超聲檢測(cè)的方法。對(duì)于主軸的磨損、表面損傷,可以采用激光熔覆技術(shù)進(jìn)行修復(fù)。激光熔覆技術(shù)利用高能密度的激光束將具有不同成分、性能的合金與基材表面快速熔化,在主軸表面形成合金層,進(jìn)而達(dá)到主軸修復(fù)的目的。

　　主軸承是主軸的旋轉(zhuǎn)支撐部件,具有長(zhǎng)壽命、高承載、高可靠性的要求。其常見(jiàn)的故障模式包括潤(rùn)滑不良、磨損、疲勞剝落、壓痕、腐蝕、裂紋、斷裂等,監(jiān)測(cè)方法包括應(yīng)力應(yīng)變、音頻、圖像、紅外熱成像、聲發(fā)射、超聲波監(jiān)測(cè)等。文獻(xiàn)提出了在深度學(xué)習(xí)模型中引入物理信息來(lái)克服軸承疲勞壽命建模的一些局限性,建立融合物理信息的 RNN 網(wǎng)絡(luò),實(shí)現(xiàn)主軸承的疲勞壽命估計(jì)。文獻(xiàn)以振動(dòng)信號(hào)為基礎(chǔ),提出了一種基于奇異值分解包(SVDP)基尼指數(shù)圖和自適應(yīng) Richardson-Lucy 解卷積(ARLD)的主軸承故障診斷方法,實(shí)現(xiàn)在強(qiáng)烈背景噪聲環(huán)境下對(duì)主軸承微弱故障的診斷。文獻(xiàn)基于 SCADA 數(shù)據(jù)提出了一種正常行為模型,采用健康狀態(tài)數(shù)據(jù)進(jìn)行模型訓(xùn)練,實(shí)現(xiàn)了主軸承異常行為的診斷分析。對(duì)于軸承的修理,可以采用表面改善處理技術(shù)進(jìn)行軸承延壽,如激光熔覆法。此外,潤(rùn)滑油脂可以有效降低主軸承摩擦阻力、減少軸承磨損。主軸承的大部分損傷與潤(rùn)滑狀態(tài)關(guān)系密切,改善主軸承的潤(rùn)滑狀態(tài),可以有效降低軸承損傷,進(jìn)而延長(zhǎng)主軸承的使用壽命。文獻(xiàn)總結(jié)了潤(rùn)滑脂離線、在線監(jiān)測(cè)方法,包括元素含量法、紅外(或近紅外)光譜法、聲發(fā)射法等。

　　2、齒輪箱

　　齒輪箱是雙饋風(fēng)電機(jī)組重要的增速結(jié)構(gòu),實(shí)現(xiàn)輪轂低轉(zhuǎn)速到發(fā)電機(jī)高轉(zhuǎn)速的增速過(guò)程,使得轉(zhuǎn)速滿足發(fā)電機(jī)所需的最小發(fā)電轉(zhuǎn)速。風(fēng)電齒輪箱一般為三級(jí)結(jié)構(gòu),其結(jié)構(gòu)復(fù)雜,且長(zhǎng)期處于變轉(zhuǎn)速、變載荷的工作狀態(tài),極易導(dǎo)致故障發(fā)生。其主要組成部分包括箱體、齒輪、軸承、傳動(dòng)軸、減噪減震裝置和潤(rùn)滑冷卻系統(tǒng)等。齒輪箱的失效機(jī)理復(fù)雜, 齒輪、傳動(dòng)軸(低速、中速、高速)、軸承都會(huì)發(fā)生不同程度的磨損而導(dǎo)致齒輪箱失效。

　　根據(jù)齒輪箱關(guān)鍵部件診斷與維修方法,齒輪損傷是齒輪箱故障中占比較大的故障,其常見(jiàn)的故障模式包括齒輪點(diǎn)蝕、磨損、腐蝕、齒面膠合、剝落、斷齒等。較容易出現(xiàn)齒輪故障的部位有內(nèi)齒圈齒面、行星輪齒輪、中間軸齒面、高速軸齒面等。齒輪故障往往與軸承故障耦合在一起,在振動(dòng)信號(hào)中表現(xiàn)為較強(qiáng)的非平穩(wěn)性與混沌性, 給齒輪故障診斷與故障溯源帶來(lái)一定困難。齒輪的監(jiān)測(cè)方法包括振動(dòng)、油液、內(nèi)窺鏡檢查等。文獻(xiàn)提出了基于離散隨機(jī)分離(DRS)和改進(jìn) Autogram 的復(fù)合故障特征提取方法,用于風(fēng)電齒輪箱齒輪 - 軸承復(fù)合故障診斷,能夠有效提高故障診斷效果。文獻(xiàn)提出了一種信號(hào)處理與機(jī)器學(xué)習(xí)結(jié)合的集成建模方法,數(shù)據(jù)處理部分采用改進(jìn)的 Hilbert-Huang 變換進(jìn)行時(shí)頻域特征提取,并整合時(shí)域特征與時(shí)頻域特征作為雙耦合稀疏貝葉斯極值學(xué)習(xí)機(jī)(PC-SBELM)模型的訓(xùn)練數(shù)據(jù),最終構(gòu)建了齒輪箱診斷模型,在實(shí)際的風(fēng)電齒輪箱系統(tǒng)上進(jìn)行模型驗(yàn)證,結(jié)果表明其可以準(zhǔn)確地識(shí)別齒輪箱缺齒、裂紋和磨損等多種故障類型。文獻(xiàn)針對(duì)行星齒輪故障特征易混疊問(wèn)題,提出了基于迭代前向搜索算法的自適應(yīng)傅立葉譜分割方法,實(shí)現(xiàn)自適應(yīng)經(jīng)驗(yàn)小波變換對(duì)行星齒輪故障相關(guān)模式的提取,故障診斷效果優(yōu)于經(jīng)驗(yàn)?zāi)B(tài)分析與譜峭度法。文獻(xiàn)采用 U-net 模型自動(dòng)分割了時(shí)頻圖中與故障有關(guān)的特征區(qū)域,利用隨機(jī)森林算法構(gòu)建了齒輪箱齒面點(diǎn)蝕、嚙合不對(duì)中診斷模型。齒輪箱齒輪故障的防護(hù)與維修方案主要有潤(rùn)滑油監(jiān)測(cè)與齒面修復(fù)及更換。潤(rùn)滑油在齒輪長(zhǎng)期嚙合過(guò)程中,可以有效減少齒輪、軸承和其他運(yùn)動(dòng)部件之間的摩擦和磨損,齒輪的早期磨損、腐蝕、點(diǎn)蝕、膠合等故障均與潤(rùn)滑油的問(wèn)題有關(guān), 如潤(rùn)滑油被氧化、污染、含水量超標(biāo)、磨粒增多等。采用在線或定期的油液監(jiān)測(cè)方法保障潤(rùn)滑油的健康狀態(tài),可以有效降低齒輪故障風(fēng)險(xiǎn)。在齒輪嚙合過(guò)程中,添加在油液中的自修復(fù)添加劑能夠與金屬表面發(fā)生置換反應(yīng),生成新的類金屬保護(hù)層,提高齒輪的耐磨性,對(duì)齒輪的齒面磨損進(jìn)行修復(fù),延長(zhǎng)齒輪使用壽命。另外,可以對(duì)斷齒進(jìn)行修復(fù)。然而,考慮到修復(fù)后的配合精度與安裝成本,對(duì)于齒輪的損壞采用直接更換齒輪軸組件更為合適,當(dāng)出現(xiàn)嚴(yán)重多對(duì)齒輪損傷、齒圈斷裂時(shí),需要更換整個(gè)齒輪箱。

　　軸承作為齒輪箱中的易損部件,其失效模式 35 包括潤(rùn)滑不良、磨損、疲勞剝落、壓痕、腐蝕、裂紋、斷裂等, 其狀態(tài)監(jiān)測(cè)方法包括溫度、振動(dòng)、油液、聲發(fā)射、圖像、紅外熱成像、超聲波監(jiān)測(cè)等,研究方法包括物理模型、信號(hào)處理、數(shù)據(jù)驅(qū)動(dòng)模型、機(jī)理與數(shù)據(jù)驅(qū)動(dòng)混合模型等。最具代表性的方法如：文獻(xiàn)提出了基于 VMD-SET 時(shí)變工況的風(fēng)電機(jī)組齒輪箱無(wú)轉(zhuǎn)速計(jì)階次跟蹤方法,采用變分模態(tài)分解(VMD)濾波,并利用同步提取變換(SET)對(duì)齒輪箱振動(dòng)信號(hào)進(jìn)行時(shí)頻分析,通過(guò)仿真及實(shí)驗(yàn)驗(yàn)證了所提方法的優(yōu)越性和有效性 ;文獻(xiàn)針對(duì)數(shù)據(jù)驅(qū)動(dòng)模型對(duì)全量退化數(shù)據(jù)的強(qiáng)依賴局限,提出了采用經(jīng)驗(yàn)?zāi)Ｐ偷南闰?yàn)知識(shí)對(duì)原始有限樣本進(jìn)行數(shù)據(jù)增強(qiáng),再采用 PI-LSTM 深度學(xué)習(xí)模型進(jìn)行模型訓(xùn)練,實(shí)現(xiàn)了在有限退化樣本下的齒輪箱高速軸軸承剩余壽命預(yù)測(cè)功能;文獻(xiàn)采用改進(jìn)杰森 - 瑞麗散度(JRD)對(duì)軸承數(shù)據(jù)進(jìn)行后驗(yàn)概率分布向量特征提取, 再利用相關(guān)向量機(jī)(RVM)預(yù)測(cè)軸承整個(gè)退化軌跡的相關(guān)向量,最后基于雙指數(shù)模型擬合相關(guān)向量,并結(jié)合差分整合移動(dòng)平均自回歸模型(ARIMA)對(duì)擬合誤差進(jìn)行修正, 實(shí)現(xiàn)了軸承剩余使用壽命的預(yù)測(cè)。軸承的防護(hù)、維修方案與齒輪類似,應(yīng)重點(diǎn)關(guān)注潤(rùn)滑油的健康狀態(tài),保證油品健康, 保障軸承健康的潤(rùn)滑環(huán)境。可以在潤(rùn)滑油中加入自修復(fù)添加劑修復(fù)輕微的表面損傷,對(duì)于嚴(yán)重故障直接更換故障軸承即可。

　　齒輪箱的傳動(dòng)軸分為輸入軸、中間軸、高速軸,是能量傳遞的載體,在支撐旋轉(zhuǎn)部件的同時(shí),承受著較大的彎矩和轉(zhuǎn)矩。傳動(dòng)軸的故障模式包括磨損、裂紋、彎曲變形、斷裂等。其中,磨損是傳動(dòng)軸較常見(jiàn)的故障,一般發(fā)生在高速軸的軸承與軸相對(duì)運(yùn)動(dòng)部分,而彎曲變形與斷裂出現(xiàn)較少。傳動(dòng)軸的監(jiān)測(cè)方法包括振動(dòng)、著色探傷、聲發(fā)射、超聲波等。由于傳動(dòng)軸故障在齒輪箱故障中頻次遠(yuǎn)低于齒 輪、軸承故障,因此,傳動(dòng)軸故障診斷與預(yù)測(cè)方法主要以溫度監(jiān)測(cè)、事故分析為主。文獻(xiàn)針對(duì)齒輪箱高速軸軸承 溫度超限問(wèn)題,提出了一種重構(gòu)特征和寬度學(xué)習(xí)齒輪箱高速軸故障預(yù)警方法,實(shí)現(xiàn)了齒輪箱高速軸早期故障診斷。文獻(xiàn)基于 SCADA 數(shù)據(jù)采用 XGBoost 算法構(gòu)建了齒輪箱輸出軸正常行為模型,并調(diào)整殘差閾值和優(yōu)化最佳實(shí)踐窗口,實(shí)現(xiàn)了齒輪箱輸出軸故障預(yù)警功能。對(duì)于傳動(dòng)軸的防護(hù)與維修,可以采用涂鍍工藝修復(fù)、激光熔覆等方法。其中,涂鍍工藝修復(fù)可以對(duì)單側(cè)磨損量小于 0.3mm 的軸進(jìn)行修復(fù),磨損狀態(tài)嚴(yán)重的情況下可以采用激光熔覆方法進(jìn)行修復(fù),延長(zhǎng)傳動(dòng)軸使用壽命,降低齒輪箱維修、更換成本。

　　齒輪箱箱體承受的載荷以靜載荷為主,其故障相對(duì)較少,且主要表現(xiàn)為加工精度、材料、密封工藝問(wèn)題導(dǎo)致的箱體滲油、變形、局部裂紋、磨損等故障。其中,比較常見(jiàn)的故障是齒輪箱軸承裝配孔內(nèi)圓磨損。目前,箱體的監(jiān)測(cè)方法以定檢的人工巡視為主,發(fā)現(xiàn)表面裂紋后,可以采用磁粉探傷方法,判斷裂紋延伸情況。當(dāng)出現(xiàn)箱體軸承內(nèi) 孔磨損時(shí),可以采用鑲套修復(fù)工藝、冷熔脈沖焊等方法進(jìn)行修復(fù)。

　　3、發(fā)電機(jī)

　　發(fā)電機(jī)主要由定子、轉(zhuǎn)子、軸承、滑環(huán)、電刷及潤(rùn)滑系統(tǒng)組成,是風(fēng)電機(jī)組中核心的能量轉(zhuǎn)化部件,長(zhǎng)期工作在變工況、強(qiáng)電磁環(huán)境下,極易出現(xiàn)故障。與其他關(guān)鍵部件不同,發(fā)電機(jī)的失效模式不僅包含機(jī)械故障,還包括電氣故障。據(jù)統(tǒng)計(jì),在風(fēng)電機(jī)組故障中,軸承、定子、轉(zhuǎn)子故障率較高,分別為 40%、38%、10%。

　　發(fā)電機(jī)的機(jī)械故障主要集中在前軸承、后軸承、軸等關(guān)鍵部件。其中,以軸承的故障為主。發(fā)電機(jī)的軸承故障與主軸承、齒輪箱軸承類似,包括力學(xué)上的損壞、熱學(xué)上的損壞,如潤(rùn)滑不良、磨損、疲勞剝落、裂紋、斷裂等。其主要監(jiān)測(cè)方法與主軸承、齒輪箱軸承類似,包括溫度、振動(dòng)、聲發(fā)射、圖像、紅外熱成像、超聲波監(jiān)測(cè)等。文獻(xiàn)將 SCADA 實(shí)時(shí)監(jiān)測(cè)系統(tǒng)的振動(dòng)數(shù)據(jù)、非振動(dòng)數(shù)據(jù)和振動(dòng)監(jiān)測(cè)系統(tǒng)的振動(dòng)數(shù)據(jù) 3 類不同時(shí)間尺度數(shù)據(jù)進(jìn)行融合,構(gòu)建了深度自編碼模型,實(shí)現(xiàn)了發(fā)電機(jī)軸承磨損故障診斷功能。文獻(xiàn)提出了一種雙階段注意機(jī)制的并行預(yù)測(cè)模型(PDAGRU),并與非參數(shù)不確定性量化方法結(jié)合,實(shí)現(xiàn)了發(fā)電機(jī)軸承的剩余壽命預(yù)測(cè)。此外,發(fā)電機(jī)軸承故障還包括特有的電學(xué)上的損壞,如軸承電流腐蝕。軸承電流腐蝕是軸電壓過(guò)大,超過(guò)油膜閾值電壓而產(chǎn)生放電的現(xiàn)象,造成軸承滾道、滾動(dòng)體損傷。因此,諸多學(xué)者對(duì)發(fā)電機(jī)的軸承電流腐蝕監(jiān)測(cè)與預(yù)防展開(kāi)了研究,其監(jiān)測(cè)方法包括基于振動(dòng)信號(hào)、定子電流信號(hào)、軸電壓電流監(jiān)測(cè)等。文獻(xiàn)以定子電流為數(shù)據(jù)源,采用調(diào)制信號(hào)雙譜(Modulated signal bispectrum,MSB)的信號(hào)處理方法,對(duì)定子電流進(jìn)行特征分析,實(shí)現(xiàn)了雙饋風(fēng)電機(jī)組發(fā)電機(jī)軸承的早期腐蝕故障的監(jiān)測(cè)。文獻(xiàn)采用最小熵解卷積方法對(duì)振動(dòng)數(shù)據(jù)進(jìn)行信號(hào)處理,并結(jié)合包絡(luò)譜分析方法提取故障頻率,實(shí)現(xiàn)了軸承電腐蝕故障的識(shí)別診斷。文獻(xiàn)對(duì)發(fā)電機(jī)軸承電蝕故障的產(chǎn)生原因、故障形式及防護(hù)措施進(jìn)行總結(jié),提出防護(hù)措施包括增加端蓋絕緣、接地碳刷,降低軸電壓,疏導(dǎo)軸電流,截?cái)噍S承電流,采用高介電強(qiáng)度潤(rùn)滑油等。

　　發(fā)電機(jī)的電氣故障主要集中在定子、轉(zhuǎn)子、繞組、滑環(huán)等關(guān)鍵部件。主要故障模式包括匝間短路、繞組溫度高、滑環(huán)故障、繞組短路、轉(zhuǎn)子偏心、永磁體退磁等,主要監(jiān)測(cè)方法包括電流、電壓、功率監(jiān)測(cè)等。文獻(xiàn)以雙饋機(jī)組的電刷滑環(huán)故障為研究對(duì)象,提出了一種基于希爾伯特 - 黃變換(Hilbert-Huang transform,HHT)的雙饋異步發(fā)電機(jī)電刷滑環(huán)燒傷故障診斷方法,以電流信號(hào)為輸入提取能量熵特征,并通過(guò)實(shí)驗(yàn)驗(yàn)證了特征與診斷模型的可行性。文獻(xiàn)采用熵加權(quán)法確定電流、無(wú)功功率的融合權(quán)重,將融合后的結(jié)果作為 GRU-CNN 模型輸入,建立了匝間短路故障診斷模型,實(shí)現(xiàn)直驅(qū)風(fēng)電機(jī)組繞組匝間短路故障診斷。文獻(xiàn)以 SCADA 數(shù)據(jù)為基礎(chǔ),建立 XGBoost 與 LSTM 加權(quán)融合的組合模型,實(shí)現(xiàn)了風(fēng)電機(jī)組繞組溫度預(yù)測(cè),提前對(duì)繞組高溫故障進(jìn)行預(yù)警。

　　問(wèn)題與挑戰(zhàn)

　　1、技術(shù)挑戰(zhàn)

　　風(fēng)電機(jī)組預(yù)測(cè)性維護(hù)中的技術(shù)挑戰(zhàn)主要表現(xiàn)在故障數(shù)據(jù)不足、樣本不均衡、壽命曲線的不確定性、復(fù)雜變工況、機(jī)器學(xué)習(xí)可解釋性、先驗(yàn)知識(shí)與機(jī)器學(xué)習(xí)融合、多模態(tài)數(shù)據(jù)融合等。故障數(shù)據(jù)不足是基礎(chǔ)問(wèn)題,決定了模型的準(zhǔn)確率, 且電力數(shù)據(jù)的隱私性、安全性要求更高,數(shù)據(jù)共享與流通存在一定困難。同時(shí),風(fēng)電機(jī)組運(yùn)行特性不僅存在復(fù)雜變工況問(wèn)題,相同型號(hào)的風(fēng)電機(jī)組運(yùn)行環(huán)境、歷史工況、備 件更換記錄均不完備,故障案例庫(kù)的收集成本更高。加上傳統(tǒng)工業(yè)界對(duì)數(shù)據(jù)資產(chǎn)的認(rèn)知較晚,導(dǎo)致歷史的寶貴故障案例只有記錄卻沒(méi)有與之對(duì)應(yīng)的運(yùn)行數(shù)據(jù),嚴(yán)重缺乏故障發(fā)生、發(fā)展前后的運(yùn)行數(shù)據(jù)。此外,預(yù)測(cè)性維護(hù)技術(shù)以避免更換部件、降低停機(jī)發(fā)電量損失、提高人員效率為價(jià)值體現(xiàn),不如提升發(fā)電量的價(jià)值變現(xiàn)更直觀,導(dǎo)致風(fēng)電業(yè)主對(duì)預(yù)測(cè)性維護(hù)的價(jià)值并不十分認(rèn)可。

　　針對(duì)以上問(wèn)題,可以制定“用數(shù)據(jù)、養(yǎng)數(shù)據(jù)”的管理制度,進(jìn)一步加強(qiáng)對(duì)數(shù)據(jù)資產(chǎn)的認(rèn)識(shí),形成一套故障案例庫(kù)收集、管理、存儲(chǔ)、標(biāo)注、校核的完整體系,為后續(xù)的模型優(yōu)化與復(fù)雜大模型的應(yīng)用提供數(shù)據(jù)支撐。對(duì)于先驗(yàn)知識(shí)與機(jī)器學(xué)習(xí)融合的問(wèn)題,已有大量學(xué)者開(kāi)展研究。如將領(lǐng)域經(jīng)驗(yàn)、先驗(yàn)知識(shí)形式化為特征工程,或者采用先驗(yàn)知識(shí)簡(jiǎn)化的物理模型進(jìn)行樣本生成,將提取的特征或生成的數(shù)據(jù)作為數(shù)據(jù)驅(qū)動(dòng)模型的訓(xùn)練數(shù)據(jù),強(qiáng)化機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的訓(xùn)練過(guò)程。另外,可以將先驗(yàn)知識(shí)整合到數(shù)據(jù)驅(qū)動(dòng)模型訓(xùn)練中,作為模型目標(biāo)函數(shù)、學(xué)習(xí)規(guī)則的約束條件, 引導(dǎo)模型訓(xùn)練過(guò)程。文獻(xiàn)提出了先驗(yàn)知識(shí)與數(shù)據(jù)驅(qū)動(dòng)融合的機(jī)器學(xué)習(xí)框架,稱為知信學(xué)習(xí),機(jī)器學(xué)習(xí)訓(xùn)練框架中由數(shù)據(jù)和先驗(yàn)知識(shí)兩部分共同支撐模型訓(xùn)練,先驗(yàn)知識(shí)被有效表達(dá)。知識(shí)表達(dá)方法包括代數(shù)方程、微分方程、模擬結(jié)果、空間不變性、邏輯規(guī)則、知識(shí)圖、概率關(guān)系和人類反饋。對(duì)于多模態(tài)數(shù)據(jù)融合解決方案,可以結(jié)合多模態(tài)大模型的研究成果,嘗試在風(fēng)電領(lǐng)域進(jìn)行應(yīng)用,提升預(yù)測(cè)性維護(hù)的準(zhǔn)確性。

　　2、對(duì)業(yè)主認(rèn)知的挑戰(zhàn)

　　在風(fēng)電機(jī)組預(yù)測(cè)性維護(hù)研發(fā)、實(shí)施過(guò)程中,包括模型開(kāi)發(fā)者、業(yè)務(wù)專家、風(fēng)電業(yè)主、研究人員等多個(gè)角色。每個(gè)角色對(duì)預(yù)測(cè)性維護(hù)的認(rèn)知不同,導(dǎo)致預(yù)測(cè)性維護(hù)模型開(kāi)發(fā)效果達(dá)不到業(yè)務(wù)專家、風(fēng)電業(yè)主的預(yù)期,數(shù)據(jù)質(zhì)量與案例庫(kù)達(dá)不到預(yù)測(cè)性維護(hù)模型開(kāi)發(fā)的要求,而產(chǎn)生希望落差, 進(jìn)而影響預(yù)測(cè)性維護(hù)在風(fēng)電領(lǐng)域的應(yīng)用落地。

　　在人工智能高速發(fā)展的沖擊下,特別是在 ChatGPT 的影響下,風(fēng)電業(yè)主方很容易認(rèn)為人工智能無(wú)所不能,對(duì)模型的準(zhǔn)確率要求非常高,而忽略了工業(yè)領(lǐng)域故障樣本缺失、數(shù)據(jù)質(zhì)量不夠、狀態(tài)感知受限、復(fù)雜變工況等一系列模型開(kāi)發(fā)的前提條件。在這種思想下,預(yù)測(cè)性維護(hù)的準(zhǔn)確率被要求得極高,而實(shí)際模型的誤報(bào)率較高,過(guò)多的誤報(bào)進(jìn)一步消耗了風(fēng)電業(yè)主對(duì)預(yù)測(cè)性維護(hù)應(yīng)用的信心,嚴(yán)重降低了風(fēng)電業(yè)主對(duì)預(yù)測(cè)性維護(hù)的期待。因此,加強(qiáng)對(duì)人工智能的認(rèn)知,明確本企業(yè)數(shù)據(jù)資產(chǎn)質(zhì)量,才能進(jìn)一步促進(jìn)預(yù)測(cè)性維護(hù)在風(fēng)電領(lǐng)域的健康發(fā)展。

　　對(duì)于模型開(kāi)發(fā)方往往存在與業(yè)務(wù)專家分離的現(xiàn)象,特別是深度學(xué)習(xí)可以弱化對(duì)機(jī)理依賴的建模思想,更肆意增長(zhǎng)了重模型研究而輕機(jī)理探索的趨勢(shì)。在風(fēng)電領(lǐng)域,設(shè)備運(yùn)行機(jī)理復(fù)雜,運(yùn)行環(huán)境多變,將機(jī)理研究與模型探索并行, 讓模型開(kāi)發(fā)者與業(yè)務(wù)專家建立有效溝通,可以得到更好的模型開(kāi)發(fā)效果,提升模型開(kāi)發(fā)效率。

　　3、管理方法的挑戰(zhàn)

　　目前,風(fēng)電機(jī)組設(shè)備是由各發(fā)電集團(tuán)運(yùn)維中心或區(qū)域公司進(jìn)行集中管理,對(duì)設(shè)備健康狀態(tài)進(jìn)行預(yù)警,給現(xiàn)場(chǎng)維修人員下發(fā)工單,現(xiàn)場(chǎng)人員登機(jī)檢查,確認(rèn)報(bào)警的準(zhǔn)確性, 形成統(tǒng)一的閉環(huán)過(guò)程。這種管理方法是模型迭代更新的前提保障,不管是多先進(jìn)的機(jī)器學(xué)習(xí)模型都需要不斷地迭代、優(yōu)化才能有更準(zhǔn)確的預(yù)測(cè)效果,而每一次診斷確認(rèn)至關(guān)重要。診斷的確認(rèn)過(guò)程本質(zhì)是一次數(shù)據(jù)標(biāo)注過(guò)程,正確的診斷結(jié)果可以增加一個(gè)故障案例,錯(cuò)誤的診斷結(jié)果可以反映模型的缺陷。如果診斷錯(cuò)誤是其他異常模式則意味著案例庫(kù)中增加了一個(gè)故障模式;如果是誤報(bào),則意味著模型對(duì)該類故障的準(zhǔn)確率需要調(diào)整。

　　目前,在預(yù)測(cè)性維護(hù)具體執(zhí)行時(shí),存在現(xiàn)場(chǎng)確認(rèn)不規(guī)范、檢查流程不明確等問(wèn)題,且模型反饋系統(tǒng)不科學(xué),需要探索出更科學(xué)的信息反饋填報(bào)方式。另外,對(duì)于現(xiàn)場(chǎng)人員的激勵(lì)體系不完備,診斷確認(rèn)工作增加了現(xiàn)場(chǎng)工作量。因此, 可以從數(shù)據(jù)資產(chǎn)角度出發(fā),將診斷確認(rèn)作為數(shù)據(jù)資產(chǎn)管理的一部分,將每個(gè)案例的發(fā)現(xiàn)與保護(hù)作為一項(xiàng)工作任務(wù)與績(jī)效考核機(jī)制。經(jīng)過(guò)不斷的數(shù)據(jù)積累與模型迭代優(yōu)化,預(yù)測(cè)性維護(hù)才能在風(fēng)電領(lǐng)域真正發(fā)揮作用。

　　結(jié)論

　　預(yù)測(cè)性維護(hù)是一種綜合技術(shù),它將設(shè)備運(yùn)行機(jī)理、狀態(tài)感知、物聯(lián)網(wǎng)、人工智能、大數(shù)據(jù)和云計(jì)算等領(lǐng)域的先進(jìn)技術(shù)應(yīng)用于風(fēng)電運(yùn)維實(shí)踐,能夠有效降低風(fēng)電運(yùn)維成本, 是智慧風(fēng)電場(chǎng)建設(shè)的重要組成部分。根據(jù)本文對(duì)預(yù)測(cè)性維護(hù)在風(fēng)電領(lǐng)域最新研究進(jìn)展進(jìn)行的調(diào)研與總結(jié),風(fēng)電領(lǐng)域預(yù)測(cè)性維護(hù)實(shí)際落地情況,以及實(shí)踐中存在問(wèn)題與挑戰(zhàn)的分析,預(yù)測(cè)性維護(hù)既要用數(shù)據(jù),又要養(yǎng)數(shù)據(jù);既要研究先進(jìn)算法,又要鉆研設(shè)備運(yùn)行機(jī)理、失效機(jī)理;既要注重現(xiàn)場(chǎng)實(shí)測(cè)效果,又要結(jié)合實(shí)驗(yàn)優(yōu)勢(shì)進(jìn)行加速實(shí)驗(yàn)。

　　參考文獻(xiàn)略.