中船海装杨妍妮：基于大数据平台的风电机组智能健康管理

2017年10月16日-19日，2017北京国际风能大会（CWP2017）在北京隆重召开。在中国国际展览中心（新馆）“在役风电机组技改提效”专场，中国船舶重工集团海装风电股份有限公司大数据所副所长杨妍妮就基于大数据平台的风电机组智能健康管理进行演讲。

以下为演讲内容：

杨妍妮：大家好，我来自中国海装，非常感谢大家还能够坚持到现在，我今天演讲的题目是基于大数据平台的风电机组智能健康管理，我也是基于我们项目来展开的，我们这个项目是从2014年提出来一直做到现在，具体我从三个方面，一是行业需求，第二个是风电机组的智能健康管理的关键技术，第三个是应用前景这三个方面来展开今天的演讲。

第一个我们想说的是工业大数据平台技术发展实际上现在我们认为已经经过检验的发展已经趋于稳定了，我们从最早信息化到现在我们在提人工智能，我们解决了流程的数据化和互联，解决了设备的数据化以及设备与设备之间的对话，而且在处理这些流程和设备数据需求下又提出了云计算这样的概念，所以说实际上我们认为到大数据这个概念的时候更多的是要强调我们对数据价值的挖掘和利用，那么我们也知道IBM这样一个IT上面比较一流的公司，他们今年再次强调了行业经验对这个价值挖掘的一个重要性，所以说基于我们对这个行业现状这样的判断呢，我们认为未来的重点应该是，风电的重点是聚焦我们风电主行道，我们简单把大数据价值概括为以下三个阶段，一个是描述性分析阶段，这个阶段主要特征就是说我IT可视化技术为主，而且在这个过程当中呢，可能产生了很多优秀的IT企业，而且我们这个阶段的话，我们典型能够看到一些大数据的产品在风电上面的应用，我们远程监视大屏展示这样一些系统，这样一些系统可复制性是相对来说要高一些的，但是到了未来的说，我们认为在预测分析和决策性分析这两个阶段才是我们作为风电行业来说的话，我们专业方向发展的着力点，我们回答两个问题，一个是未来会怎么样，还回答我们该怎么样来解决未来的一些状态，在这个过程当中实际上我们会产生风电的一些核心算法、模型和知识库。

有了这样一些认识，我们在2014年提出来建立基于行业痛点价值目标，提出来智能健康管理这样一个大数据价值实现目标，这个行业痛点我们分析的话，是由于大装机量导致我们运维压力特别是现在大力发展的海上风电，我们一次大部件维护费用至少是上千万，然后风场恶劣的环境也会加速我们风场人员流失，第三个在风电行业现在竞争到了白热化的阶段，我们必须要对我们客户提供超预期的回报，来提升我们自身的竞争力，所以说我们提出来的风电机组智能健康管理的这个目标的话，也涵概了这三方面的内容，一个是大部件的净化外维修，另外一个就是轻量化指标体系的远程监视，实现我的人员后撤，第三个方向就是我们的风机延寿为客户提供超预期的回报。

第二个我想讲一下我们风电机组智能管理平台关键技术，重点的话风机组智能健康管理落在了智能两个字，智能从何而来，实际从我们的数据挖掘分析这个过程当中我们来提供一系列的模型，我们的风电专家会在后台离线做很多的模型训练，通过这样一个过程，这是我们智能健康管理系统开发的整个流程，我们会把这样一些模型通过在线迭代的方式，优化和训练这些模型，这些模型会植入到我们风场运维和风场运营等业务系统当中来，供我们的应用者和决策者来使用。

接下来的话，我用我们开发过程中一些进展一些案例来跟各位分享，第一个我们在做的是整机寿命管理，是基于我们实际工况一定优于我们标准设计工况，所以这个地方实际肯定会有寿命冗余，我们设计寿命20年，但是实际使用阶段的话它的整个损伤值要低于设计值，所以说我们大数据的价值是在于把能够延长的寿命能够使用的寿命冗余找出来，这是我们寿命管理关键的一个实现的流程，首先是通过我们的在线风速和状态在线识别，在线的进行载荷测算，这个载荷测算不需要，后面我会讲到不需要加装任何的传感器，不需要增加任何的成本投入，我们可以保证风机运行寿命期内的时时的载荷测算，在这个载荷测算的基础上我们可以进行整机以及零部件的寿命累计，同时这个过程中会考虑到大部件更换的情况，最终会得到整个风场每一台风机的寿命情况，来绘制寿命地图，反馈到我们的寿命管理系统当中，通过降载控制和优化调度这样一些控制手段，来实现我整个寿命期内的载荷控制。

这里面有几个关键的技术，其中一个我们在线风速还原技术，这个技术我们之前想用的是我们风电机组上面实际用的风速测向仪，但是测量的精度一直是我们很头疼的问题，所以在这个过程当中我们也是走了一些弯路，我们后来发现有了大数据平台，可以换一种思路更好解决，我们风机本身有很多控制信号，我们利用本身的控制信号就成为了我们一个高精度测风仪器，那么通过我们就解决了，如果我装叶面片进行载荷测试，测试系统本身的不稳定性和我的风速仪可能有一点点偏差，对我的结果带来的影响解决了这样一个问题，那么通过我们这个系统实际上我可以时时得到任意一点的风速，从右边这个对比图也可以看出来，上面这个图是在线测算的风速几乎是一模一样的。

然后在线风速与测风塔风速统计对比来看的话有两个图可以反映，第一个图斜线就表示它们两个测风数据和在线风速计算的数据，它们是具有高度的相关性，几乎是线性的，从它们的笔直分布情况来看，统计分布来看的话，它的集中性和一致性也非常好，第二个图反映出来几乎是在1的中间服从一个正态的分布。

第二个技术就是我们在线载荷的测算技术，我们有了风速还原，在线载荷测算技术是在风速还原，还原到前端准确的风速的基础上来作为一个输入来进行在线载荷测算，这个过程当中最大的问题我是在工程化过程当中对误差进行控制，才能保证我最终测试的载荷和我测算的载荷是一致的，我们可以看出来，我们多个座标系下，所有的坐标系下测算的载荷与实际的载荷的单点误差不超过10%，趋势重合度也相当好。

第三个就是寿命管理的关键技术，那在这个寿命管理的关键技术我们提出来，我们目的降低我们的载荷，对于我们寿命地图这样的判断，但是我们并不想基于仅仅是想把它载荷控制下去，而导致风机频繁进行控制的动作，可能也会对我的可靠性可运行的稳定性造成影响，那么我们就找到了这样一些，针对每一台风机找到一些区域和风向区间，载荷特别高可以看到最高的载荷，最高的载荷和正常载荷可能超过正常载荷百分之百，载荷增加非常明显，发电量实际上不到正常发电量的50%，对于这些一些区间是我们重点关注的，我们也做了大量的模拟，这个图可以看出来，那个蓝色的线是我们仿真的曲线，红色的线是我们实际测试的曲线，它们两个趋势性吻合也是非常好的，我们找出来这样一些区域，就可以避免我频繁动作，造成我风机运行一些压力。

第二个我想介绍我们大部件预警系统，实际上我们是从2014年搭的这样一个框架，那么在那个时候的话，因为我们的大数据平台还不是很成熟，我们要想集成技术在这个平台应用就比较困难，但是我们现在可以把技术用到我们平台上，传统的（英文）监测技术它可能实现了关键零部件外维修的40%，但是还远远达不到我们的预测性维护要求，实际上我们风机上面还有更多的冗余，包括我的（英文）数据，我的电型号的数据，我们提出来的无传感状态监测的技术，利用这样一些数据来增加我的预测性维护这样一个准确率，然后结合我们也在跟踪一些结构健康状态的监测的一些技术，这些技术其实难点是在于现在我们的成本控制可能控制不下去，可能有一些问题，所以说我们持续跟踪这样的技术，然后在基于我们现在品牌，这样一些信号和技术融合在一起进行多元信息的建模和状态评判，最终实现我的零部件全覆盖预测，实际计划维修。

我简单介绍一下我们做的风电机组发电机轴承状态预测例子，这实际上我们是通过对于正常状态的判断和实际状态的判断这样一个值来进行我的发电机轴承状态预测，这个方法我们是用在发电机轴承案例上来，这个是可以推广到更多的具有渐变性故障特征这样一些大部件状态预测当中来，这里面实际上也有一些难点，我们不能通过单一的信号来判断一个部件它的状态，而是通过一组状态特征量来进行判断，当然这个最终我们会把它整合到一个值，中间有一些复杂算法，最核心的问题实际上就是我们的过程举证建立，通过我们过程举证可以考虑到环境擦边量，监测擦边量，故障特征量等一系列数据，基于举证出来的结果，用我们历史数据进行一个对比，可以看到我们的预测值和实际值这样一个误差，最大的误差5%，这个在数据分析结果上看来已经相当好了。

对这类系统跟我们前面讲的预测系统最大的差别，对这样一些评估系统检测系统而言，我们更希望看到的是一些轻量化指标，一些迅速的帮助我们作出决策的这样一些指标的体系，所以说我们搭建整个评估框架的时候也分了不同的层级和不同的维度，我们一个金字塔式的这样一个评估的指标体系的搭建，就帮助我们从顶层发现问题迅速作出判断，指引我们一层层找到最根本的原因。

这是我们基于大数据平台开发的这样一个发电性能和评估系统，可以看到这个是顶层全国风场级系统的话，我们全国风场级指标实际上简化只有三个，通过三个指标我们也可以提供一些功能可以进行多风场指标详细对比和参照，指向我们的目标工程，针对我们的目标风场，同样也提供了可能比上一集更多样化一些指标，同时提供这样一些分析对比一些手段，来指向我们的问题风机，我们的目标风机，进入到目标风机我们就可以看到我们风机一些运行状态，进行一些详细的分析和判断，当然这个平台还在完善过程当中，我们会有一个自主分析的功能可以进行更多的全变量的一些对比分析建模和统计的工作。

最后我就想再介绍一下业务前景的分析，我们风电机组智能健康管理我们预计风电设计寿命为20年，延长一年的使用寿命，我们折旧率可以降低5%，零部件全覆盖实现计划维修，预计可以直接提高经济效益到1.5%，我们远程监视系统及分析系统实现风场无人围守，社会效益也非常明显，谢谢大家。

（发言为现场速记整理，未经本人审核）