北京中拓新源科技有限公司 李慶光

現(xiàn)階段，作為產(chǎn)業(yè)化條件相對(duì)成熟的可再生能源，風(fēng)力發(fā)電已成為戰(zhàn)略性新興產(chǎn)業(yè)。但部分企業(yè)風(fēng)力發(fā)電機(jī)組管理質(zhì)量不佳，導(dǎo)致機(jī)組故障頻發(fā)，高額的設(shè)備維修成本，在一定程度上制約了經(jīng)濟(jì)的可持續(xù)發(fā)展。為此，本文以某地方風(fēng)場(chǎng)為例，提出常見(jiàn)故障的應(yīng)對(duì)措施。

1 工程概況

該項(xiàng)目為海上離岸風(fēng)電場(chǎng)，其特點(diǎn)在于風(fēng)速較高、發(fā)電量偏大，所在地區(qū)呈狹長(zhǎng)分布，南北寬在3～5km，場(chǎng)區(qū)地形表現(xiàn)為沿海灘涂，全區(qū)地勢(shì)低洼，地面高程為3m。風(fēng)電場(chǎng)中基礎(chǔ)設(shè)施占比30%，風(fēng)電機(jī)組裝置占比70%，主要電氣設(shè)備見(jiàn)表1。

表1 風(fēng)場(chǎng)主要電氣設(shè)備

項(xiàng)目一期裝機(jī)容量為50MW，總投資達(dá)到4.6億元，單機(jī)容量為1.5MW。風(fēng)場(chǎng)風(fēng)向較為穩(wěn)定，有效風(fēng)能密度在284W/m2，風(fēng)速為6.4m/s，風(fēng)力資源優(yōu)良，具有較高的商業(yè)開(kāi)發(fā)價(jià)值。但根據(jù)實(shí)際調(diào)查顯示，由于風(fēng)場(chǎng)的管理方式較為傳統(tǒng)，已逐漸無(wú)法滿足現(xiàn)代化需求，導(dǎo)致相關(guān)設(shè)備、系統(tǒng)在長(zhǎng)時(shí)間運(yùn)行過(guò)程中，出現(xiàn)乙烯類故障問(wèn)題。

2 常見(jiàn)故障

2.1 齒輪箱溫控閥故障

齒輪箱的作用在于實(shí)現(xiàn)風(fēng)輪主軸的轉(zhuǎn)速加速，利用柔性聯(lián)軸器，傳遞至電機(jī)高速軸，達(dá)到風(fēng)電的目的。而溫控閥則是用于進(jìn)行油液降溫操作，可自動(dòng)根據(jù)潤(rùn)滑油溫度，完成閥門(mén)開(kāi)度的調(diào)控，改變油液流量大小。其內(nèi)部配有測(cè)溫傳感器，在長(zhǎng)期處于高溫、高壓環(huán)境下，容易造成測(cè)量精度減少，使用壽命縮短。本文選取的風(fēng)電場(chǎng)于2023年12月曾發(fā)生過(guò)此齒輪箱故障報(bào)警，故障警報(bào)發(fā)生后，維護(hù)團(tuán)隊(duì)立即進(jìn)行了周密的系統(tǒng)診斷，最后確認(rèn)了問(wèn)題出在溫度調(diào)節(jié)閥損壞上。由于此類損害并不立即導(dǎo)致嚴(yán)重的機(jī)器停運(yùn)，故而發(fā)電裝置不會(huì)立刻觸發(fā)報(bào)警信號(hào)。該現(xiàn)象使得使用警報(bào)時(shí)間點(diǎn)來(lái)精確定位溫控閥實(shí)際損壞區(qū)間變得較為困難。

2.2 偏航系統(tǒng)故障

偏航系統(tǒng)是指對(duì)風(fēng)設(shè)備，屬于風(fēng)力發(fā)電機(jī)機(jī)艙的組成部分，其作用在于當(dāng)風(fēng)速適量產(chǎn)生方向變化時(shí)，可平穩(wěn)對(duì)準(zhǔn)風(fēng)向，使風(fēng)輪獲得最大的風(fēng)能。偏航系統(tǒng)的故障主要表現(xiàn)為顯示值與實(shí)際結(jié)果存在偏差、齒圈齒面磨損嚴(yán)重、偏航壓力不穩(wěn)、噪聲異常，機(jī)艙振動(dòng)幅度較大、液壓管滲漏。該問(wèn)題的形成原因大多為，偏航齒圈存在異物，編碼器無(wú)法正常使用，剎車半泄壓工作異常，導(dǎo)致剎車片難以有效釋放。

3 智慧風(fēng)場(chǎng)的運(yùn)維管理關(guān)鍵技術(shù)實(shí)現(xiàn)路徑

為解決上述問(wèn)題，推動(dòng)風(fēng)場(chǎng)的智慧化管理，筆者將提出以下幾種故障解決措施。

3.1 故障識(shí)別

3.1.1 設(shè)置模型

盡管溫度控制閥對(duì)于調(diào)節(jié)潤(rùn)滑油的溫度起著關(guān)鍵作用，但是僅憑潤(rùn)滑油達(dá)到臨界溫度的標(biāo)志并不能有效指示出故障的前兆，而此種現(xiàn)象的原因主要是因?yàn)?，在?rùn)滑冷卻系統(tǒng)開(kāi)始工作降低油溫時(shí)，油溫可能會(huì)升至70℃以上。為此，筆者提出以時(shí)間序列分析為依托，打造正常行為模型，用以進(jìn)行正常油溫與實(shí)測(cè)值的比對(duì)，達(dá)到識(shí)別溫控閥故障征兆的目的。

在模型設(shè)置時(shí)，需要結(jié)合發(fā)電機(jī)組的運(yùn)行歷史信息，考慮正常工況下，油溫與相關(guān)物理量的非線性關(guān)系，如公式所示：yt=F（yt-w,…,yt-1,Xt-w+1,…,Xt），式中：yt表示齒輪箱溫度的估計(jì)值，W代表時(shí)間窗口大小，Xt代表某時(shí)刻與相關(guān)變量形成的向量，至于F則代表歷史數(shù)據(jù)映射后，獲取的狀態(tài)估計(jì)值。根據(jù)該映射關(guān)系，可準(zhǔn)確估計(jì)油溫正常行為。該模型與傳統(tǒng)時(shí)間序列模型的差別在于，對(duì)目標(biāo)變量的估計(jì)需要結(jié)合歷史數(shù)據(jù)以及相關(guān)變量歷史信息，也能進(jìn)一步挖掘變量間的非線性關(guān)系。

通過(guò)搭配核主成分分析功能，確保輸入層注意力機(jī)制可確定變量產(chǎn)生的具體影響。若相關(guān)變量與目標(biāo)變量的關(guān)聯(lián)性較小，則變量權(quán)重為0，反之，則權(quán)重值較高。由此可見(jiàn)，采用該模型，可省略對(duì)相關(guān)變量的降維分析，只須將變量作為模型輸入便可。在實(shí)際運(yùn)用時(shí)，需要獲取發(fā)電機(jī)組數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)中記錄的運(yùn)行信息，通過(guò)定制化實(shí)現(xiàn)油溫的正常行為建模，具體數(shù)據(jù)包括風(fēng)速、有功/無(wú)功功率、油溫等。之后將目標(biāo)變量以外的物理量作為相關(guān)變量，結(jié)合風(fēng)場(chǎng)運(yùn)維記錄，篩選適用于模型訓(xùn)練的信息。

3.1.2 引入神經(jīng)網(wǎng)絡(luò)

本文介紹的神經(jīng)網(wǎng)絡(luò)模型在機(jī)器翻譯領(lǐng)域已相對(duì)完善，其可以通過(guò)編碼器接收輸入的數(shù)據(jù)陣列來(lái)執(zhí)行編碼過(guò)程，并從中提取出高級(jí)信息特征，然后由解碼器負(fù)責(zé)將這些信息轉(zhuǎn)換為另一種語(yǔ)言。這種方法顯著減少了傳統(tǒng)機(jī)器學(xué)習(xí)回歸技術(shù)所依賴的特征工程需求。但在許多商業(yè)應(yīng)用中使用的神經(jīng)網(wǎng)絡(luò)，盡管投入了相關(guān)數(shù)據(jù)，卻忽視了不同數(shù)據(jù)間對(duì)預(yù)測(cè)結(jié)果可能產(chǎn)生的不等影響，簡(jiǎn)單地對(duì)所有輸入進(jìn)行均等處理，此類做法可能會(huì)導(dǎo)致序列初期特征在最終的輸出中被削弱。為此，筆者認(rèn)為可在神經(jīng)網(wǎng)絡(luò)引入雙層注意力機(jī)制，量化輸入變量對(duì)目標(biāo)變量的影響，并賦予差異性權(quán)重，達(dá)到數(shù)據(jù)降維分析的目的。

編碼器輸入n個(gè)變量歷史數(shù)據(jù)，輸出w個(gè)神經(jīng)元狀態(tài)向量，用于辨識(shí)信息抽象編碼，之后通過(guò)輸入編碼向量以及目標(biāo)變量歷史信息，由解碼器輸出神經(jīng)元狀態(tài)向量。結(jié)合線性函數(shù)便可估算目標(biāo)變量的正常狀態(tài)值。在此過(guò)程中需要注意，充分運(yùn)用輸入層注意力機(jī)制量化變量權(quán)重，梳理好編碼器運(yùn)算流程。

將隱藏層狀態(tài)向量作為神經(jīng)元輸出結(jié)果，將記憶狀態(tài)向量作為神經(jīng)元狀態(tài)，結(jié)合softmax函數(shù)確定變量的權(quán)重量化公式，即：

其中：ven、Wen、Uen均屬于網(wǎng)絡(luò)參數(shù)，而則代表某變量權(quán)重，與整體網(wǎng)絡(luò)參數(shù)進(jìn)行共同訓(xùn)練，最終確定神經(jīng)元直接輸入為：至于在解碼器方面，同樣要進(jìn)行規(guī)則的更新，提高解碼器對(duì)特征向量的記憶，實(shí)現(xiàn)多個(gè)特征向量的量化處理，將時(shí)序注意力機(jī)制確定為：

其中：ht-1；st-1代表神經(jīng)元隱藏層狀態(tài)向量與記憶向量的拼接體，vde、Wde、Ude均屬于網(wǎng)絡(luò)參數(shù)，表示狀態(tài)向量權(quán)重系數(shù)，同樣與網(wǎng)絡(luò)參數(shù)共同訓(xùn)練。最后要利用線性函數(shù)完成目標(biāo)變量的正常行為估計(jì)，通過(guò)模型參數(shù)表示變量的復(fù)雜關(guān)系，并完成學(xué)習(xí)。

3.1.3 故障模式識(shí)別

為了進(jìn)一步實(shí)現(xiàn)溫控閥的故障識(shí)別，保證故障征兆被第一時(shí)間辨識(shí)，筆者將進(jìn)行油溫測(cè)量值與模型估計(jì)值的比對(duì)，以正常行為模型為依托，估算兩者的殘差值，將其作為設(shè)計(jì)方案中用于評(píng)估異常行為的控制閾值。一般而言，估算的殘差是由隨機(jī)誤差和意外的噪聲所構(gòu)成，其在標(biāo)準(zhǔn)操作條件下僅在零值周圍有小幅度波動(dòng)。為了消除在特殊情況下由高頻擾動(dòng)引起的效應(yīng)，可以采用指數(shù)加權(quán)移動(dòng)平均技術(shù)對(duì)殘差數(shù)據(jù)進(jìn)行平滑處理。

具體公式為：zt=ηyt+（1-η）zt-1，其中：zt表示指數(shù)加權(quán)移動(dòng)平均值，yt代表待分析時(shí)間序列數(shù)據(jù)，η表示平滑常數(shù)，取值在0～1。相關(guān)技術(shù)人員在標(biāo)準(zhǔn)操作條件下對(duì)預(yù)測(cè)的殘差進(jìn)行過(guò)濾時(shí)，應(yīng)使用直方圖來(lái)適配概率密度分布，并通過(guò)假設(shè)檢驗(yàn)來(lái)確定置信區(qū)間。在確定這一區(qū)間的上下界后，將其作為衡量變量異?；顒?dòng)的控制界限。同時(shí)，結(jié)合工程實(shí)際情況，設(shè)置殘差的最大可接受偏差，以識(shí)別可能的故障跡象。該過(guò)程旨在識(shí)別故障模式并實(shí)施預(yù)防性故障警報(bào)。

3.2 故障分析

若出現(xiàn)風(fēng)力發(fā)電機(jī)組故障原因排查效率較低的問(wèn)題，必然會(huì)延長(zhǎng)停機(jī)時(shí)間，造成發(fā)電機(jī)組產(chǎn)能下降，影響業(yè)主的經(jīng)濟(jì)收益。為此，筆者提出以上述故障模式識(shí)別為依托，打造故障失效分析機(jī)制，結(jié)合貝葉斯推理法，提高故障的檢修效率。

3.2.1 定性分析

故障樹(shù)定性分析可以理解為以行業(yè)背景、專家知識(shí)為依托的分析方法，利用樹(shù)形圖描述故障與原因的邏輯關(guān)系，簡(jiǎn)化故障原因的演繹推理，確定故障組合形式，改善系統(tǒng)設(shè)計(jì)缺陷。其主要目的在于推導(dǎo)結(jié)構(gòu)函數(shù)，獲取最小割集。

首先在構(gòu)建故障樹(shù)模型時(shí)，需要將不希望發(fā)生的事件定義為根節(jié)點(diǎn)，之后分析故障原因，完善故障樹(shù)模型，找出中間事件，表示事件發(fā)生原因，將條件事件、開(kāi)關(guān)事件作為底事件，定義為葉子節(jié)點(diǎn)。通過(guò)或門(mén)、非門(mén)等邏輯門(mén)，實(shí)現(xiàn)事件串聯(lián)。用以呈現(xiàn)系統(tǒng)失效與零件失效的邏輯關(guān)系，衡量故障發(fā)生概率。其次要完成模型的數(shù)學(xué)描述，結(jié)合邏輯運(yùn)算符號(hào)，采用布爾函數(shù)表示故障與底層原因的映射關(guān)系，采用狀態(tài)變量表示系統(tǒng)是否發(fā)生故障。再次，要進(jìn)行故障樹(shù)模型的預(yù)處理，搭配布爾理論運(yùn)算法則，將復(fù)雜邏輯門(mén)轉(zhuǎn)換為基本邏輯門(mén)的組合形式。最后，則要完成模型的最小割集求解，利用上行法、下行法實(shí)現(xiàn)割集搜索，完成邏輯門(mén)遍歷、時(shí)間狀態(tài)量布爾表達(dá)式的計(jì)算。

3.2.2 定量分析

在完成定性分析后，需要通過(guò)二元決策圖，進(jìn)行故障失效的定量分析，利用重構(gòu)故障樹(shù)，找到造成系統(tǒng)失效的割集。該方法的割集屬于相互排斥的狀態(tài)，因此應(yīng)采用概率不交公式，直至頂事件發(fā)生概率。二元決策圖的優(yōu)勢(shì)在于事件發(fā)生概率計(jì)算精確性高，計(jì)算效率快，且計(jì)算量小。在實(shí)際分析時(shí)需要注意：由于最小割集之間可能出現(xiàn)相同基本事件，因此應(yīng)利用容斥原理去除交集部分。而對(duì)于不互斥的幾何，則要去除相容事件交集。而在獲取二元決策圖后，還要裁剪多余重復(fù)和矛盾的分支，找出結(jié)構(gòu)函數(shù)不變化表示式中的加和項(xiàng)，再采用不交和公式推導(dǎo)頂事件發(fā)生的概率[1]。

3.3 快速排故

后驗(yàn)概率是指在設(shè)定系統(tǒng)產(chǎn)生失效故障，結(jié)合貝葉斯公式，計(jì)算故障原因責(zé)任比例。根據(jù)后驗(yàn)概率計(jì)算結(jié)果可準(zhǔn)確判定故障直接原因，若發(fā)現(xiàn)可能故障原因未發(fā)生，則假定系統(tǒng)已完成停機(jī)操作，之后選取第二可能的故障原因。在實(shí)際維護(hù)中，相關(guān)維護(hù)團(tuán)隊(duì)需要迅速進(jìn)行故障診斷直到找到停機(jī)的確切原因，以此有效防止由于維護(hù)人員知識(shí)和經(jīng)驗(yàn)不足導(dǎo)致的盲目故障排查，極大減少診斷過(guò)程所消耗的時(shí)間，并減輕由檢修引起的電力損失。

本文通過(guò)貝葉斯推理法，將后驗(yàn)概率作為排查順序的制定標(biāo)準(zhǔn)，依托最小割集、故障樹(shù)結(jié)構(gòu)函數(shù)，找尋最有可能引發(fā)故障的原因。其中，貝葉斯推理是指一種推論統(tǒng)計(jì)方法，在獲得更多證據(jù)與信息后，更新特定假設(shè)的概率。可將后驗(yàn)概率推導(dǎo)為第二個(gè)前列、先驗(yàn)概率記憶似然函數(shù)的結(jié)果，具體表達(dá)式為：P（H|E）=P（E|H）/P（E）×P（H），其中：丨表示時(shí)間成立條件，H表示假說(shuō)，其概率可能受到試驗(yàn)數(shù)據(jù)的影響，E代表證據(jù)，對(duì)應(yīng)新的數(shù)據(jù)，是指還沒(méi)用來(lái)計(jì)算先驗(yàn)概率的數(shù)據(jù)。P（H）表示先驗(yàn)概率，P（H丨E）代表后驗(yàn)概率，P（E丨H）是指似然函數(shù)，P（E）代表邊緣似然率。如果相關(guān)維護(hù)人員在現(xiàn)場(chǎng)檢修的過(guò)程中未發(fā)現(xiàn)最可能故障原因，技術(shù)人員應(yīng)進(jìn)行二次假設(shè)系統(tǒng)故障，以此確定最可能故障原因，再基于所確定的具體故障原因，技術(shù)人員可結(jié)合貝葉斯公式完成推理，進(jìn)而獲取現(xiàn)場(chǎng)其他環(huán)節(jié)中可能存在的故障原因，并明確各個(gè)原因的責(zé)任占比。從中選取占比最高的，將其設(shè)為次要故障原因[2]。

綜上所述，通過(guò)以某地方風(fēng)場(chǎng)作為研究對(duì)象，闡述該風(fēng)場(chǎng)運(yùn)營(yíng)過(guò)程中常見(jiàn)的故障問(wèn)題，并基于深度神經(jīng)網(wǎng)絡(luò)、貝葉斯推理、故障樹(shù)、行為驅(qū)動(dòng)程序，提出故障失效分析模式、故障模式識(shí)別算法、快速排故等應(yīng)對(duì)措施，實(shí)現(xiàn)風(fēng)場(chǎng)的智慧化運(yùn)營(yíng)管理，最大限度提高風(fēng)力發(fā)電機(jī)組的運(yùn)行性能，降低故障停機(jī)頻率，保證風(fēng)場(chǎng)產(chǎn)能效率的最大化。