摘要：以某海上風(fēng)電場為研究對象，深入探討海上風(fēng)電設(shè)備運維中的故障診斷與預(yù)防技術(shù)。采用深度神經(jīng)網(wǎng)絡(luò)（deep neural network，DNN）和卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）分析風(fēng)電設(shè)備的振動信號，并結(jié)合傳感器數(shù)據(jù)進(jìn)行多維度特征提取，從而構(gòu)建故障預(yù)測模型?；谀Ｐ吞峁┑臎Q策輸入，結(jié)合物聯(lián)網(wǎng)（internet of things，IoT）和人工智能（artificial intelligence， AI）技術(shù)，對潛在故障進(jìn)行預(yù)防性維護(hù)與動態(tài)運維優(yōu)化，形成“監(jiān)測- 診斷- 維護(hù)”的全鏈條閉環(huán)體系，進(jìn)而實現(xiàn)更高效的運維管理，進(jìn)一步提升海上風(fēng)電場的運維效率。

關(guān)鍵詞：深度神經(jīng)網(wǎng)絡(luò)；卷積神經(jīng)網(wǎng)絡(luò)；故障檢測

中圖分類號：TM315 文獻(xiàn)標(biāo)識碼：A

0 引言

由于海上風(fēng)電場環(huán)境復(fù)雜，風(fēng)機長期暴露在風(fēng)浪、鹽霧等惡劣條件下導(dǎo)致設(shè)備故障頻發(fā)且維修難度大，這使得風(fēng)機的停機時間較長，嚴(yán)重影響電力輸出。此外，海上風(fēng)電設(shè)備的維護(hù)人員也往往面臨較高的安全風(fēng)險。在此背景下，傳統(tǒng)的故障檢測方法已無法滿足現(xiàn)代海上風(fēng)電設(shè)備日益復(fù)雜的檢測需求。基于大數(shù)據(jù)、深度學(xué)習(xí)的新興故障診斷技術(shù)逐漸成為解決這一問題的有效手段。

1 案例介紹

某海上風(fēng)電場共安裝了30 臺風(fēng)機，其中1 臺風(fēng)機在運行期間出現(xiàn)了發(fā)電量明顯下降的現(xiàn)象。經(jīng)過初步檢查，發(fā)現(xiàn)風(fēng)機葉片的振動值超出了正常范圍，電氣系統(tǒng)也出現(xiàn)了電壓不穩(wěn)定的情況。維護(hù)團(tuán)隊嘗試使用傳統(tǒng)的振動分析法和電氣診斷方法進(jìn)行檢測，但未能及時檢測出故障原因，導(dǎo)致風(fēng)機停機時間較長，進(jìn)而影響了整個風(fēng)電場的發(fā)電效率。

2 基于深度學(xué)習(xí)的故障診斷與應(yīng)用

2.1 故障診斷流程與模型設(shè)計

風(fēng)電機組故障診斷與預(yù)防系統(tǒng)構(gòu)建了覆蓋數(shù)據(jù)采集、特征提取、智能診斷到預(yù)測維護(hù)的全流程閉環(huán)體系。首先，利用多源異構(gòu)傳感器網(wǎng)絡(luò)實現(xiàn)高精度的數(shù)據(jù)采集。在齒輪箱、主軸等關(guān)鍵部件部署采樣頻率為10 kHz 的三軸加速度傳感器，實時捕捉微米級機械振動，采用精度為0.5 級的霍爾電流傳感器和帶寬為100 MHz 的差分電壓探頭監(jiān)測電氣信號，且同步記錄電壓諧波畸變率不超過3%。此外，利用激光測風(fēng)儀、紅外熱像儀等設(shè)備構(gòu)建三維環(huán)境監(jiān)測模型；同時，各傳感器經(jīng)由工業(yè)以太網(wǎng)實現(xiàn)微秒級時間同步。原始數(shù)據(jù)在預(yù)處理階段會經(jīng)歷多次清洗優(yōu)化，具體而言，運用改進(jìn)的3σ 準(zhǔn)則動態(tài)剔除振動信號異常值，采用時空相關(guān)性插補法處理缺失數(shù)據(jù)，并通過小波包變換以及經(jīng)驗?zāi)B(tài)分解- 獨立分量分析（empirical mode decompositionindependentcomponent analysis，EMD-ICA） 聯(lián)合降噪技術(shù)提升信噪比，最終使信噪比超過20 dB[1]。在特征工程階段，提取時域峭度系數(shù)、頻域齒輪嚙合頻率及其邊帶材質(zhì)等關(guān)鍵指標(biāo)。當(dāng)邊帶幅值超過基頻30% 時，系統(tǒng)會自動觸發(fā)齒面磨損預(yù)警，并通過殘差網(wǎng)絡(luò)處理振動頻譜圖像，利用雙向長短期記憶（bidirectional long short-term memory，BiLSTM）網(wǎng)絡(luò)解析電氣時序信號，最終生成包含8 類故障的診斷結(jié)果。

為了動態(tài)量化風(fēng)電機組健康水平，引入了健康狀態(tài)評估模塊，通過加權(quán)計算各退化指標(biāo)與閾值的偏離度，動態(tài)生成[0，1] 的健康指數(shù)，同時結(jié)合深度生存分析模型預(yù)測剩余使用壽命，輸出置信度為95% 的維護(hù)時間窗。三維虛擬孿生平臺能夠?qū)崟r監(jiān)測機組狀態(tài)，對溫度超過80℃ 的異常區(qū)域進(jìn)行可視化展示；決策系統(tǒng)綜合評估發(fā)電損失、維修成本等因素以生成優(yōu)化方案。基于此，本文結(jié)合來自不同傳感器的數(shù)據(jù)，運用深度神經(jīng)網(wǎng)絡(luò)（deep neuralnetwork，DNN） 和卷積神經(jīng)網(wǎng)絡(luò)（convolutionalneural network，CNN）提取出更高層次的特征，構(gòu)建能夠識別并預(yù)測故障的模型，即DNN-CNN 模型，其具體計算公式如下：

yk（t）=ffusion{ fCNN [X1（t），X2（t），…，XM（t）]，fDNN [X1（t），X2（t），…，XM（t）]}。 （ 1）

式中，yk（t）為模型的輸出，即對于故障狀態(tài)的預(yù)測結(jié)果，該參數(shù)是一個多分類值，不同的參數(shù)值代表不同的故障類型；ffusion（·）為融合模塊，該函數(shù)將CNN 與DNN 提取的特征進(jìn)行融合，形成最終的故障識別輸出；fCNN（·）為CNN 模塊，用于從原始傳感器數(shù)據(jù)中提取空間特征；XM（t）為第M個傳感器在時刻t 獲取的數(shù)據(jù)序列；fDNN（·）為DNN 模塊，用于從各個傳感器的時間序列數(shù)據(jù)中提取出更高層次的全局特征。

在具體實踐中，該模型能夠從多維度、多傳感器數(shù)據(jù)中提取豐富的特征，從而進(jìn)行精確的故障識別。在模型的訓(xùn)練過程中，數(shù)據(jù)首先經(jīng)過CNN 層提取空間特征，再通過DNN 層捕捉全局、高階的時間序列特征[2]。最后，融合模塊將這些特征結(jié)合并進(jìn)行最終的分類決策。

2.2 應(yīng)用效果

為了證明基于深度學(xué)習(xí)的故障診斷方法（DNNCNN模型）相較于傳統(tǒng)故障診斷方法具有顯著優(yōu)勢，詳細(xì)采集了海上風(fēng)電設(shè)備運行數(shù)據(jù)，這些數(shù)據(jù)來源于風(fēng)機運行過程中的故障檢測與診斷任務(wù)，包括了傳統(tǒng)方法和DNN-CNN 模型在故障檢測中的表現(xiàn)數(shù)據(jù)。傳統(tǒng)故障診斷方法與DNN-CNN 模型的故障診斷對比如表1 所示。

由表1 可知，DNN-CNN 模型顯著縮短了故障檢測所需的時間，平均耗時減少了約9 h。對于工業(yè)設(shè)備的故障診斷，減少檢測時間意味著能夠更快地開展故障排查，減少停機時間，從而提升生產(chǎn)效率[3]。而在診斷準(zhǔn)確率方面，DNN-CNN 模型在所有故障類型中均能顯著提高診斷準(zhǔn)確率，平均提升約23%，說明該模型能夠在復(fù)雜多變的故障模式下提供精確的故障診斷，有效避免因誤診或漏診造成的潛在風(fēng)險。

3 診斷驅(qū)動的預(yù)防性維護(hù)與動態(tài)運維優(yōu)化

基于深度學(xué)習(xí)的故障診斷模型不僅大幅提升了診斷效率和準(zhǔn)確性，還為預(yù)防性維護(hù)奠定了基礎(chǔ)。模型輸出可以直接轉(zhuǎn)化為可操作的運維決策依據(jù)，為預(yù)防性維護(hù)與運維優(yōu)化提供了決策輸入。此外，故障診斷階段獲得的實時特征通過三維虛擬孿生平臺可視化后，可映射到具體設(shè)備組件狀態(tài)，使得維護(hù)策略能針對性地聚焦高風(fēng)險部位，進(jìn)而構(gòu)建“監(jiān)測- 診斷- 維護(hù)”的全鏈條閉環(huán)體系，推動運維模式從被動響應(yīng)向主動干預(yù)轉(zhuǎn)變。

基于本文的案例，該海上風(fēng)電場安裝了30 臺風(fēng)機，其中1 臺風(fēng)機出現(xiàn)了發(fā)電量明顯下降的現(xiàn)象，由于傳統(tǒng)方法較依賴于人工檢查和基于經(jīng)驗的判斷，無法實時、精準(zhǔn)地捕捉到故障的早期征兆[4]。因此，本文引入了物聯(lián)網(wǎng)（internet of things，IoT）和人工智能（artificial intelligence， AI）技術(shù)用于預(yù)防性維護(hù)與動態(tài)運維優(yōu)化，旨在全面提升整體維護(hù)效率。

3.1 數(shù)據(jù)采集與傳輸

在每臺風(fēng)機的葉片、齒輪箱和發(fā)電機等關(guān)鍵部位安裝多類型傳感器，以全面監(jiān)測設(shè)備的運行狀態(tài)。傳感器在安裝前需進(jìn)行嚴(yán)格的校準(zhǔn)，以確保其測量精度在±1% 以內(nèi)且具有良好的抗電磁干擾能力，從而能適應(yīng)海上的惡劣環(huán)境。本文采用了具備自診斷功能的智能傳感器，其能夠?qū)崟r監(jiān)測自身工作狀態(tài)，確保數(shù)據(jù)采集的可靠性。利用LoRaWAN網(wǎng)絡(luò)實現(xiàn)長距離、低功耗的數(shù)據(jù)傳輸，對于數(shù)據(jù)傳輸要求高的場景，可結(jié)合窄帶物聯(lián)網(wǎng)（narrow bandInternet of Things，NB-IoT）技術(shù)來確保數(shù)據(jù)的穩(wěn)定性。在風(fēng)電場內(nèi)部署邊緣計算節(jié)點來對數(shù)據(jù)進(jìn)行初步清洗，從而減少無效數(shù)據(jù)的傳輸，進(jìn)而有效降低網(wǎng)絡(luò)負(fù)荷。邊緣計算節(jié)點H 的計算公式如下：

式中，N 為風(fēng)電場中風(fēng)力發(fā)電機的數(shù)量；i 為風(fēng)力發(fā)電機編號；Di 為每臺風(fēng)力發(fā)電機每秒收集的數(shù)據(jù)量；Pclean 為數(shù)據(jù)清洗后有效數(shù)據(jù)的比例；Fi 為數(shù)據(jù)傳輸過程中有效數(shù)據(jù)的傳輸比率；Ti 為數(shù)據(jù)采集的周期；C 為邊緣計算節(jié)點的處理能力，即每秒可以處理的數(shù)據(jù)量；Rnet 為網(wǎng)絡(luò)帶寬，即每秒可以傳輸?shù)臄?shù)據(jù)量；Ei 為第i 臺風(fēng)力發(fā)電機的數(shù)據(jù)傳輸能量消耗；Lnet 為網(wǎng)絡(luò)延遲。

在具體操作中，通過提高數(shù)據(jù)清洗有效比例來減少無效數(shù)據(jù)的傳輸。這種方式能夠通過減少邊緣計算節(jié)點來減輕網(wǎng)絡(luò)負(fù)擔(dān)，從而提高整個系統(tǒng)的效率。邊緣計算節(jié)點的計算能力與網(wǎng)絡(luò)帶寬、數(shù)據(jù)傳輸效率相匹配[5]。為了最大化網(wǎng)絡(luò)帶寬的利用效率，可以通過優(yōu)化路由、增加網(wǎng)絡(luò)帶寬或者在邊緣節(jié)點上增加緩存等方式來降低數(shù)據(jù)傳輸延遲。風(fēng)電場中不同風(fēng)力發(fā)電機的邊緣計算節(jié)點性能數(shù)據(jù)如表2 所示。

3.2 AI 模型訓(xùn)練與故障診斷

對采集的數(shù)據(jù)進(jìn)行時間序列分析，包括去除噪聲與異常值，并提取其時域及頻域特征。針對不同的故障模式，分別訓(xùn)練專門的診斷模型。AI 模型訓(xùn)練與風(fēng)電機故障診斷流程如圖1 所示。

在模型優(yōu)化的過程中，首先利用交叉驗證技術(shù)對模型的泛化能力進(jìn)行評估，通過使用不同數(shù)據(jù)子集對模型進(jìn)行訓(xùn)練，確保模型在未見數(shù)據(jù)上表現(xiàn)穩(wěn)健。交叉驗證技術(shù)不僅有助于檢測模型是否存在過擬合和欠擬合現(xiàn)象，還能夠確保訓(xùn)練數(shù)據(jù)的多樣性得到充分利用，從而提高模型的魯棒性。模型優(yōu)化完成后，結(jié)合設(shè)備的實時運行狀態(tài)、歷史故障數(shù)據(jù)、環(huán)境因素、維護(hù)成本等多重因素，并且根據(jù)故障預(yù)測結(jié)果制定合理的維護(hù)策略。該策略不僅要考慮設(shè)備故障的預(yù)測精度，還需要優(yōu)化維護(hù)成本，確保停機時間最小化且維修費用顯著降低。

4 結(jié)論

隨著海上風(fēng)電場規(guī)?；l(fā)展，風(fēng)電設(shè)備的智能運維已成為保障風(fēng)電系統(tǒng)可靠性的關(guān)鍵技術(shù)。本文結(jié)合深度學(xué)習(xí)技術(shù)與物理傳感網(wǎng)絡(luò)，構(gòu)建了創(chuàng)新性的故障診斷體系。在具體實踐中，優(yōu)化后的DNNCNN模型實現(xiàn)了對齒輪箱早期磨損、軸承損壞和振動超標(biāo)等故障的實時解析，故障診斷準(zhǔn)確率高達(dá)98%?；谏疃葘W(xué)習(xí)的故障診斷模型為預(yù)防性維護(hù)與運維優(yōu)化提供了決策輸入，利用IoT 技術(shù)和AI技術(shù)實現(xiàn)了故障的預(yù)防性維護(hù)。該設(shè)計的實現(xiàn)不僅攻克了惡劣海洋環(huán)境下設(shè)備健康管理的難題，更為風(fēng)電行業(yè)探索出一條由“預(yù)測性維護(hù)”向“自主性運維”躍遷的實踐路徑，對推動海上風(fēng)電可持續(xù)發(fā)展具有重要價值。

參考文獻(xiàn)

[1] 阮愛國，沈忠明，劉發(fā)炳，等. 一種單樣本風(fēng)電機組傳動鏈故障診斷方法[J]. 機械傳動，2024，48（8）：161-168.

[2] 馬壯，淡淑恒. 考慮故障風(fēng)險與不確定性的海上風(fēng)電主變壓器檢修策略[J]. 電力科學(xué)與技術(shù)學(xué)報，2024，39（2）：214-222.

[3] 魯華永，袁越. 基于智能卸荷電路的雙饋風(fēng)電機組故障穿越控制[J]. 可再生能源，2024，42（3）：378-387.

[4] 周偉，魏鑫，李西興. 改進(jìn)MFO-LSTM 網(wǎng)絡(luò)的風(fēng)電機組齒輪箱故障預(yù)警研究[J]. 機床與液壓，2024，52（4）：185-194.

[5] 宋明陽，瞿晟珉，秦少茜，等. 基于故障風(fēng)險水平的海上風(fēng)電場機會維護(hù)策略[J]. 電力工程技術(shù)，2023，42（6）：117-129.