楊偉新，樊小偉，孫榮富，孫雅旻，丁 然

(1 國網(wǎng)冀北電力有限公司電力科學研究院，北京 100045；2 國網(wǎng)冀北電力有限公司，北京 100052)

0 引言

風力發(fā)電作為重要的新能源發(fā)電技術(shù)之一,具有低碳清潔可再生等特點。數(shù)據(jù)統(tǒng)計顯示,2020年我國新增風電設(shè)備裝機達7 167萬千瓦,占新增發(fā)電裝機總量約37.55%[1]。隨著“雙碳”戰(zhàn)略目標的實施,我國風電設(shè)備的裝機量將保持持續(xù)增長趨勢。風電機組作為風電能源中重要設(shè)備,能否保證其正常運行不僅關(guān)系到發(fā)電穩(wěn)定性,還影響著風電機組的運營成本。由于風電設(shè)備大多部署在風場豐富的偏遠地區(qū),外部環(huán)境惡劣,致使風電機組的運維困難、成本較高。如何更高效、智能地對風電機組進行健康監(jiān)測與運維已成為工業(yè)界與學術(shù)界關(guān)注的熱點問題[2]。

目前風電機組以雙饋機組為主流,其中齒輪箱作為雙饋風組傳動鏈中關(guān)鍵部件,其制造成本高且容易出現(xiàn)故障,導致運維成本較高。對風電機組運行狀態(tài)進行在線監(jiān)測、故障預警與診斷可以提高風電機組運行的穩(wěn)定性與故障清除能力,有助于開展針對性的風電機組維護計劃,減少突發(fā)性故障、降低設(shè)備運維成本。目前國內(nèi)外學者圍繞風電機組運行狀態(tài)監(jiān)測與故障預警方面已取得一些研究成果,主要集中在風電機組運行狀態(tài)監(jiān)測與關(guān)鍵零件故障預警診斷方面。金曉航等[3]以數(shù)據(jù)采集與監(jiān)控(SCADA)系統(tǒng)為基礎(chǔ),建立風電機組生成對抗網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)對風電機組在線運行狀態(tài)進行監(jiān)測,有效預測風電機組運行異常,避免故障進一步的惡化。肖成等[4]基于SCADA系統(tǒng),建立改進的神經(jīng)網(wǎng)絡(luò)用于風電機變槳系統(tǒng)的故障診斷。王皓等[5]利用風電機齒輪箱工作時振動信號,建立小波包和BP神經(jīng)網(wǎng)絡(luò),實現(xiàn)齒輪箱故障診斷,該方法僅從振動信號角度考慮故障問題,未考慮齒輪箱疲勞機理。Pang等[6]通過提取多維變量之間的多尺度空間相關(guān)性,建立短期記憶網(wǎng)絡(luò)訓練、學習多維變量空間特征的時間依賴性實現(xiàn)了風電機故障診斷。此外,提前對風電機組運行狀態(tài)異常預警及故障預測,可以避免異常進一步加深,減少不必要的停機,風電機組的故障診斷可以幫助運維人員快速查找故障原因,以便制定合理的維修任務(wù)。王超等[7]用互信息方法提取齒輪箱軸承溫度相關(guān)性高的特征,建立了長短期記憶神經(jīng)網(wǎng)絡(luò)深度學習模型對風電機齒輪箱軸承溫度預測,實現(xiàn)了風機軸承故障實時預警。林濤等[8]建立了改進粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò),利用齒輪箱溫度相關(guān)參數(shù)作為主要特征,分析風電機組的故障預警或故障異常。尹詩等[9]對機組運行工況進行辨識,利用隨機森林對模型預測殘差機組軸承預警,仿真結(jié)果表明具有較高的準確率。趙洪山等[10]提出了基于SCADA數(shù)據(jù)的逐層編碼網(wǎng)絡(luò)學習模型,利用指數(shù)加權(quán)移動平均值對模型實現(xiàn)軸承故障預測。劉帥等[11]提出一種將保局投影、核極限學習機和信息熵相結(jié)合的風電機組齒輪箱異常工況進行預警。已有的風電機組健康監(jiān)測研究成果主要以SCADA為基礎(chǔ),進行風電機組運行狀態(tài)監(jiān)測與數(shù)據(jù)挖掘,實現(xiàn)了風電機組故障預警與診斷。

數(shù)字孿生作為信息空間與物理空間的深度交互融合,充分利用設(shè)備物理模型、各類傳感器、歷史等數(shù)據(jù),通過虛實交互反饋、數(shù)據(jù)融合分析、決策迭代優(yōu)化手段可以對復雜設(shè)備進行可視化實時監(jiān)控、故障預測與服務(wù)決策[12]。目前圍繞數(shù)字孿生技術(shù)在能源互聯(lián)網(wǎng)[13]、電力設(shè)備[14-15]方面的研究已取得了一些成果。借助機器學習、數(shù)據(jù)挖掘等技術(shù),數(shù)字孿生可以為風電機組健康監(jiān)測全面化、精準化與智能化提供一個新的解決思路[16]。

因此,文中提出基于數(shù)字孿生的風電機組三維可視化監(jiān)控與故障預警方法,設(shè)計基于邊緣協(xié)同的數(shù)據(jù)采集與治理方法,提高海量數(shù)據(jù)高效處理與加工能力,提升云端數(shù)據(jù)價值;基于WebGL技術(shù)實現(xiàn)風電機組服役生命周期內(nèi)的三維輕量化、可視化實時監(jiān)控,有效提高風電機組設(shè)備狀態(tài)監(jiān)控的精準化與時效性;基于孿生數(shù)據(jù)與卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)風電機組的故障預警,降低風電機組故障頻率,減少及避免嚴重故障的出現(xiàn)。總體而言,該方法可以提高風電機組設(shè)備健康管理智能化水平,降低風電機組設(shè)備的運維成本,為智能化風電建設(shè)提供有力支持。

1 基于數(shù)字孿生技術(shù)的風電機組三維可視化監(jiān)控與故障預警系統(tǒng)框架

參照數(shù)字孿生五維模型框架[12]與能源互聯(lián)網(wǎng)數(shù)字孿生系統(tǒng)框架[13],構(gòu)建基于數(shù)字孿生的風電機組三維可視化監(jiān)控與故障預警系統(tǒng)框架如圖1所示,該系統(tǒng)架構(gòu)由物理層、數(shù)據(jù)層、模型層和應(yīng)用層4層構(gòu)成[17]。

圖1 基于數(shù)字孿生的風電機組三維可視化監(jiān)控與故障預警系統(tǒng)框架Fig.1 System framework of 3D visualization monitoring and fault warning for wind turbine based on digital twin

1.1 物理層

主要包括風電機組設(shè)備、傳感器、智能網(wǎng)關(guān)等物理設(shè)備,采用物聯(lián)網(wǎng)、通信等技術(shù)實時感知風電機組的關(guān)鍵運行數(shù)據(jù)。采集風電機組的主要參數(shù)如表1所示。為了提高風電機組運行數(shù)據(jù)的實時處理效率與云端數(shù)據(jù)價值,數(shù)據(jù)終端融入邊緣計算,對感知設(shè)備采集的數(shù)據(jù)進行預處理。此外,建立實體設(shè)備標識規(guī)則以滿足物理設(shè)備與數(shù)據(jù)之間的關(guān)聯(lián)映射,利用激光打標機、金屬條形碼/二維碼等技術(shù)對風電機組各層物理設(shè)備進行編碼標識。

1.2 數(shù)據(jù)層

數(shù)據(jù)層主要包含數(shù)據(jù)傳輸、數(shù)據(jù)處理和數(shù)據(jù)中心。數(shù)據(jù)傳輸包含通訊協(xié)議、傳輸方式等;數(shù)據(jù)處理利用邊緣設(shè)備對原始采集的數(shù)據(jù)進行解析、異常處理等;數(shù)據(jù)中心包括云端服務(wù)器與數(shù)據(jù)庫系統(tǒng)等,數(shù)據(jù)類型涉及風電機組運行的孿生數(shù)據(jù)、經(jīng)驗知識、模型機理等數(shù)據(jù),數(shù)據(jù)庫可選用SQL Server、MySQL、MongoDb、Redis等關(guān)系/非關(guān)系型數(shù)據(jù)庫管理軟件。

1.3 模型層

模型層主要包含風電機組的三維孿生模型、各類機理模型。其中三維孿生模型是風電機組設(shè)備的虛擬三維模型,包含零部件之間的裝配關(guān)系、運動副等信息。機理模型為風電機組工作原理、關(guān)鍵零部件疲勞機理、故障機理、風場動態(tài)載荷模型等。模型層為風電機組三維可視化監(jiān)控、關(guān)鍵零部件故障預警、風向及風速預測等提供支持。

1.4 應(yīng)用層

應(yīng)用層包含風電機組運行狀態(tài)的三維可視化監(jiān)控、關(guān)鍵零部件故障實時診斷、預測性維護決策優(yōu)化等功能。主要技術(shù)包括Vue、Html、CSS、JavaScript、WebGL、Unity3D、MQTT、NET Core等。以孿生數(shù)據(jù)與三維孿生模型為基礎(chǔ),對風電機機組運行狀態(tài)進行實時監(jiān)測與控制,為故障預警、故障診斷、剩余壽命預測、預測性維護決策等提供有力支撐。

2 基于云邊協(xié)同的風電機組數(shù)據(jù)采集與治理

風電機組的數(shù)字孿生匯集了海量的運行數(shù)據(jù)與模型,具有數(shù)據(jù)量大、數(shù)據(jù)價值不高、高并發(fā)等特點,單純依靠云計算的中心化處理方式將影響數(shù)據(jù)時效性與挖掘價值,造成計算資源、存儲資源的極大浪費。為了提高數(shù)據(jù)時效性與數(shù)據(jù)價值,降低云端計算、存儲壓力,設(shè)計基于云邊協(xié)同的風電機組數(shù)據(jù)采集與治理方法,具體流程如圖2所示。該過程主要由邊端與云端兩部分組成,其中邊端主要是對風電機組原始數(shù)據(jù)進行加工、預處理;云端主要用于接收、存儲邊端傳輸?shù)臄?shù)據(jù),為應(yīng)用層提供服務(wù)。

圖2 基于云邊協(xié)同的風電機組數(shù)據(jù)采集與治理流程Fig.2 Data acquisition and management process for wind turbine based on cloud-edge collaboration

2.1 邊端

邊端即數(shù)據(jù)產(chǎn)生的源端,通常為風電機組設(shè)備與感知設(shè)備。將物理層中網(wǎng)關(guān)與控制器看作邊緣計算節(jié)點,賦予邊緣節(jié)點計算、小規(guī)模數(shù)據(jù)存儲和數(shù)據(jù)傳輸?shù)哪芰?實現(xiàn)對原始數(shù)據(jù)采集、數(shù)據(jù)異常處理、閾值比對、數(shù)據(jù)篩選、存儲、上傳功能[19],具體表現(xiàn)為通過邊緣網(wǎng)關(guān)、邊緣控制器實現(xiàn)原始數(shù)據(jù)的邊緣計算,并將邊緣計算后的結(jié)果上傳至云端。在原始數(shù)據(jù)采集過程中異常值處理是數(shù)據(jù)采集常見問題,如何根據(jù)廠家設(shè)定的閾值將風電機組數(shù)據(jù)采集的錯誤值刪除后自動填補對數(shù)據(jù)時序完整性具有重要作用。根據(jù)風電機組數(shù)據(jù)特點,采用四分位數(shù)進行異常數(shù)據(jù)處理,即將所有數(shù)據(jù)從小到大排列并分成四等份[20]。其中,四分位距IQ是第三四分位數(shù)與第一四分位數(shù)的差,可表示為:

IQ=Q3-Q1

(1)

式中:Q3表示第三四分位;Q1表示第一四分位。

四分位距越大表示數(shù)據(jù)的離散程度越大,當樣本數(shù)據(jù)中存在異常值時,可以根據(jù)四分位距來確定樣本數(shù)據(jù)中的異常值上下限范圍[Fd,Fu],其計算表示為:

[Fd,Fu]=[Q1-1.5IQ,Q3+1.5IQ]

(2)

2.2 云端

云端即云服務(wù)器端,主要包括云服務(wù)器數(shù)據(jù)中心與應(yīng)用軟件。云端用于接收經(jīng)過邊端治理的低冗余、高質(zhì)量的數(shù)據(jù),基于數(shù)據(jù)挖掘與風電機機理模型,能夠?qū)崿F(xiàn)風電機組的實時監(jiān)測、故障預警、運營維護等功能。

2.3 協(xié)同

協(xié)同包含資源協(xié)同、數(shù)據(jù)協(xié)同和服務(wù)協(xié)同。資源協(xié)同涉及邊緣設(shè)備能夠提供計算、存儲、網(wǎng)絡(luò)等基礎(chǔ)資源,能夠獨立調(diào)配本地資源;同時接收、執(zhí)行云端下發(fā)的資源調(diào)度,如風電機異常數(shù)據(jù)閾值、數(shù)據(jù)清洗等。數(shù)據(jù)協(xié)同則指邊緣設(shè)備能夠進行數(shù)據(jù)采集,按照設(shè)定的模型或規(guī)則對原始數(shù)據(jù)治理、清洗等,并將處理后的結(jié)果與數(shù)據(jù)發(fā)送至云端;云端則對邊緣端發(fā)送的海量數(shù)據(jù)進行存儲、分析與知識挖掘。云邊的數(shù)據(jù)協(xié)同,可以保證數(shù)據(jù)按照業(yè)務(wù)邏輯在邊端與云端之間有序流轉(zhuǎn),最大程度利用數(shù)據(jù)價值。服務(wù)協(xié)同涉及云端對風電機組相關(guān)的模型訓練、運行之后,可以將模型或服務(wù)發(fā)送至邊緣節(jié)點設(shè)備,邊緣設(shè)備按照模型推理或執(zhí)行服務(wù)等[21]。

3 基于Web的風電機組三維可視化監(jiān)控

風電機組設(shè)備的數(shù)字孿生是物理設(shè)備、三維模型、信息系統(tǒng)與孿生數(shù)據(jù)的集成融合,物理設(shè)備與虛擬設(shè)備通過信息系統(tǒng)、孿生數(shù)據(jù),實現(xiàn)實時的虛實映射。文中三維模型為風電機組物理設(shè)備的三維孿生模型,利用三維建模軟件、Unity3D、三維快速掃描儀等方式建模,包含裝配關(guān)系、運動副等信息。為了滿足Web端應(yīng)用程序需求,需要將上述三維模型進行輕量化處理;然后將輕量化三維模型集成在Web應(yīng)用系統(tǒng)。物理設(shè)備與三維模型之間的數(shù)據(jù)實時映射通過MQQT、SignalR等技術(shù)將云端數(shù)據(jù)中心或邊緣節(jié)點的數(shù)據(jù)實時訂閱或推送至應(yīng)用程序,實現(xiàn)三維模型與孿生數(shù)據(jù)的同步集成與融合?；赪eb的風電機組三維可視化實時監(jiān)控過程如圖3所示?；赪eb的三維可視化監(jiān)控可以幫助用戶方便地監(jiān)控風電機組設(shè)備的裝配拓撲、幾何形狀和運行狀況,無需瀏覽器安裝任何插件,可以克服空間與平臺的限制。

3.1 風電機組三維模型輕量化處理

三維模型輕量化處理是基于Web的風電機組三維可視化監(jiān)控的基礎(chǔ)與前提。通常情況下三維模型是利用三維建模軟件產(chǎn)生的,模型格式多樣且不能被WebGL直接解析。由于風電機組的三維模型裝配關(guān)系復雜、數(shù)據(jù)規(guī)模大,導致其在Web瀏覽器加載緩慢,影響用戶的時效與體驗。三維模型輕量化處理過程為:

1)三維模型預處理。獲取所有幾何對象并刪除重復對象,根據(jù)其材質(zhì)信息生成相應(yīng)的材質(zhì)對象,通過模型樹獲取對應(yīng)的場景樹。

2)幾何對象預處理。獲取離散三角形和離散線段數(shù)據(jù),其中離散三角形數(shù)據(jù)包括頂點數(shù)據(jù)、UV數(shù)據(jù)、矢量數(shù)據(jù)和索引數(shù)據(jù);離散線段數(shù)據(jù)包括頂點數(shù)據(jù)和索引數(shù)據(jù)。

3)離散三角形的索引數(shù)據(jù)排序和縮減。離散三角形的向量按照象限進行分組,并處理成整數(shù),以減少向量數(shù)據(jù)存儲的字節(jié)數(shù)。

4)減少離散線段的索引數(shù)據(jù),將所有幾何對象處理成塊。

5)利用Lempel-Ziv-Markov chain-Algorithm算法對所有幾何對象的塊進行壓縮,并生成后綴為Bin的文件。將所有與幾何對象的屬性、動畫樹、場景樹相關(guān)數(shù)據(jù)處理成Json格式,生成后綴為Js的主文件,記錄幾何對象、材質(zhì)對象、場景樹結(jié)構(gòu)、動畫樹結(jié)構(gòu)、用戶自定義數(shù)據(jù)等數(shù)據(jù)。

圖3 基于Web的風電機組三維可視化實時監(jiān)控流程Fig.3 Web-based 3D visualization real-time monitoring process for wind turbine

3.2 基于WebGL的三維可視化監(jiān)控

WebGL是Web瀏覽器中渲染三維圖形的技術(shù),基于WebGL可以將輕量化處理的三維模型快速顯示在Web瀏覽器。利用邊端與云端協(xié)同機制,通過MQTT、TCP/UDP協(xié)議,將采集的數(shù)據(jù)實時集成在輕量化三維模型中并將控制信息反饋于邊緣節(jié)點設(shè)備,從而實現(xiàn)風電機組的三維可視化監(jiān)控。

4 基于孿生數(shù)據(jù)與深度學習的風電機組故障預警

由于風電機組系統(tǒng)復雜且故障種類繁多,其關(guān)鍵零部件運行狀態(tài)與環(huán)境信息異常,可以為風電機組故障預警提供參考與數(shù)據(jù)支持?；趯\生數(shù)據(jù),可以對風電機組運行狀態(tài)、關(guān)鍵零部件運行參數(shù)及環(huán)境信息進行實時監(jiān)測。通過對關(guān)鍵零部件的振動、轉(zhuǎn)速、溫度、發(fā)電時長、故障等數(shù)據(jù)進行深度挖掘,發(fā)掘關(guān)鍵零部件運行數(shù)據(jù)的異常信息,可以實現(xiàn)風電機整機及關(guān)鍵零部件的故障預警[19],如根據(jù)變槳系統(tǒng)的運行數(shù)據(jù)可以為其提供故障預警,發(fā)電機轉(zhuǎn)速、軸承溫度、發(fā)電機溫度等數(shù)據(jù)異?；蚋婢梢詾榘l(fā)電機提供故障預警。

在風電機組孿生數(shù)據(jù)環(huán)境下,結(jié)合關(guān)鍵零部件性能退化、疲勞、失效等機理模型,利用CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)對風電機組關(guān)鍵零部件故障進行預警,為風電機組定期或預測性維護提供依據(jù),基于孿生數(shù)據(jù)與深度學習的風電機組故障預警流程如圖4所示。該過程主要包含孿生數(shù)據(jù)與機理模型、風電機組運行參數(shù)告警和關(guān)鍵零件故障預警等部分。

圖4 基于孿生數(shù)據(jù)與深度學習的風電機組故障預警流程Fig.4 Fault warning process of wind turbine based on twin data and deep learning

4.1 風電機組運行參數(shù)告警

基于風電機組運行參數(shù)與環(huán)境參數(shù)的孿生數(shù)據(jù),提取關(guān)鍵特征變量;分析關(guān)鍵特征變量與故障異常之間的關(guān)聯(lián)性,設(shè)置自適應(yīng)的故障預警閾值;對所采集的數(shù)據(jù)進行數(shù)據(jù)異常告警并為故障預警提供數(shù)據(jù)支持。

4.2 關(guān)鍵零件故障預警

利用關(guān)鍵零部件故障的大量歷史信息,結(jié)合風電機關(guān)鍵零件性能退化機理模型,挖掘風電機組關(guān)鍵零部件性能退化相關(guān)的關(guān)鍵因素,如風場信息、發(fā)電時長、振動信號等;構(gòu)建CNN-LSTM混合神經(jīng)網(wǎng)絡(luò),以提取的多維時序關(guān)鍵特征變量作為CNN-LSTM網(wǎng)絡(luò)輸入,故障類型作為CNN-LSTM網(wǎng)絡(luò)輸出;利用風電機組故障歷史數(shù)據(jù)集訓練、學習CNN-LSTM神經(jīng)網(wǎng)絡(luò),從而實現(xiàn)風電機組關(guān)鍵零部件故障預警。依據(jù)故障預警,綜合考慮時間、空間、人員等多因素,以風電機組最短停工為前提,優(yōu)化調(diào)度制定合理的預測性維護計劃。文中以風電機前軸承故障預警為對象,建立基于CNN-LSTM風電機前軸承溫度預測模型,通過對風電機前軸承溫度進行預測,進而實現(xiàn)其故障預警。

4.2.1 基于CNN的數(shù)據(jù)特征提取

風電機前軸承故障原始數(shù)據(jù)維度高,且存在冗余和低關(guān)聯(lián)特征維。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)能夠通過卷積池化提高對數(shù)據(jù)的特征提取能力[22]。

利用卷積核的卷積運算可以獲取多個卷積特征圖,有效提取出原始輸入數(shù)據(jù)的關(guān)鍵特征,卷積運算表示為:

(3)

式中:Kl(j′)為第l層第i個卷積核中的第j′個權(quán)值;xl(j+j′)為第l層第j個被卷積的局部區(qū)域中第j′個權(quán)值感知位置;c為卷積核的尺寸大小。

對卷積獲取的局部特征進行降采樣,不受反向傳播修改。通過池化層的特征壓縮,可以對特征矩陣進行降維,能夠很大程度上減少模型訓練的參數(shù)從而獲得主要特征。利用最大池化操作是將池化層中感知區(qū)域的最大值作為該池化層輸出,可表示為:

pl(i,t)=max(j-1)c+1≤t≤jw{al(i,t)}

(4)

式中:al(i,t)表示為第l層中第i個特征圖的第t個激活值;w為輸入寬度。

4.2.2 基于LSTM的故障預警

LSTM(long and short term memory)網(wǎng)絡(luò)具備善于處理故障數(shù)據(jù)時間序列的優(yōu)勢,與傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)相比,LSTM結(jié)構(gòu)中包含遺忘門、輸入門和輸出門,分別對上一層的端元狀態(tài)信息、當前輸入信息和本層的單元狀態(tài)信息進行篩選。通過3個“門”保留重要信息,實現(xiàn)“記憶”的長期記憶[23]。LSTM內(nèi)部結(jié)構(gòu)如圖5所示,LSTM可以有效處理CNN提取的特征向量,可實現(xiàn)風電機前軸承故障預警。

圖5 LSTM內(nèi)部結(jié)構(gòu)示意圖Fig.5 Schematic diagram of LSTM internal structure

其中遺忘門ft,輸入門it,輸出門ot,分別為:

ft=σ(Wf·[st-1,xt]+bf)

(5)

it=σ(Wi·[st-1,xt]+bi)

(6)

ot=σ(Wo·[st-1,xt]+bo)

(7)

(8)

當前時刻記憶狀態(tài)值ct為:

(9)

LSTM輸出ht為:

ht=ot·tanhct

(10)

LSTM模型輸入為CNN所提取的特征參數(shù),輸出為當前時刻前軸承溫度,而通過CNN可以提取綜合前一時刻與當前時刻運行數(shù)據(jù)的特征參數(shù)。

通過CNN-LSTM可以對風電機前軸承溫度進行實時預測,提高前軸承故障預警精度,有效減少故障誤報、漏報問題。

5 系統(tǒng)實現(xiàn)與驗證

5.1 原型系統(tǒng)

為驗證所提方法,以Visual Studio為集成開發(fā)環(huán)境,結(jié)合PostgreSQL、HBase、Neo4J關(guān)系/非關(guān)系數(shù)據(jù)庫管理系統(tǒng),設(shè)計開發(fā)基于Web的應(yīng)用程序。該系統(tǒng)主要由基礎(chǔ)信息管理、可視化監(jiān)控、故障預警診斷模塊、維護計劃模塊組成。其中,基礎(chǔ)信息管理主要是對風電機組、邊緣網(wǎng)關(guān)、邊緣控制器等信息的管理;可視化監(jiān)控主要以三維模型方式對風電機組整機及零部件運行狀態(tài)參數(shù)、環(huán)境信息、邊緣網(wǎng)關(guān)等監(jiān)測;故障預警診斷模塊主要是孿生數(shù)據(jù)實時驅(qū)動風電機組故障預警模型實現(xiàn)故障預警;維護計劃主要是根據(jù)風電機組故障預警、診斷信息,在有限資源與成本約束下制定合理的維護計劃,實現(xiàn)故障維修跟蹤等功能。系統(tǒng)的主界面如圖6所示。

圖6 系統(tǒng)的主要界面Fig. 6 Main interface of prototype system

5.2 三維可視化監(jiān)控

利用WebGL技術(shù),以三維模型實現(xiàn)風電機組的可視化監(jiān)控,主要包括風電機組運行參數(shù)、電網(wǎng)信息、振動信息、轉(zhuǎn)速信息、溫度信息、環(huán)境參數(shù)等實時監(jiān)測,同時通過設(shè)置風電機組參數(shù)、網(wǎng)關(guān)參數(shù)來控制終端設(shè)備。

5.3 風電機前軸承故障預警

利用CNN-STLM風電機前軸承故障預警模型,對某電機前軸承原始數(shù)據(jù)進行訓練、預測。其中,CNN模型包含卷積層(2卷積尺寸大小分為6×3,16×3)、池化層(1池化,尺寸大小為2×1)和全連接層(神經(jīng)元數(shù)量為80)。LSTM模型包含輸入層、雙隱含層和輸出層,令輸入層神經(jīng)元數(shù)為15,輸出層神經(jīng)元數(shù)為1,輸出結(jié)果為風電機前軸承溫度值。

預測結(jié)果與真實值之間趨勢如圖7所示,模型預測結(jié)果與真實值的趨勢一致且數(shù)值比較吻合,所對應(yīng)的殘差相對穩(wěn)定。結(jié)合溫度閾值,從而可以實現(xiàn)風電機前軸承溫度告警、故障預警。

圖7 模型預測值與實際值對比Fig.7 Comparison of model predicted value with actual value

6 結(jié)論

為促進風電機組健康監(jiān)測的全面化、精準化與智能化,設(shè)計了基于數(shù)字孿生的風電機組三維可視化實時監(jiān)控與故障預警系統(tǒng)。構(gòu)建了風電機組健康監(jiān)測的數(shù)字孿生四層框架,詳細描述了風電機組數(shù)字孿生的關(guān)鍵技術(shù)與方法;給出了基于云邊協(xié)同技術(shù)的風電機組海量數(shù)據(jù)采集與治理方法;在此基礎(chǔ)上,實現(xiàn)了風電機組的三維可視化監(jiān)控,并設(shè)計了孿生數(shù)據(jù)驅(qū)動的風電機組關(guān)鍵零部件故障診斷與預警模型。并以三維可視化方式對風電機組運行狀態(tài)實時監(jiān)控,實現(xiàn)風電機組的運行異常及故障的預警與診斷,有效提高了風電機組運維效率,降低了風電企業(yè)的運維成本。與傳統(tǒng)SCADA方法相比,該方法能夠更加直觀、高效、智能地實現(xiàn)風電機組健康管理。后續(xù)工作將圍繞風電機組關(guān)鍵零部件剩余壽命預測、運行調(diào)度優(yōu)化、發(fā)電預測量等方面做進一步的完善。