中车株洲所风电智能诊断主管杨柳：数字化形影系统在风电机组智能诊断中的应用

风机的运行过程中失效，一定是设计方案或者制造过程中存在缺陷。我们国家的工业起点低、起步晚，所以我们更需要厚积薄发，可以从优化设计和优化流程方面考虑，形成我们的数字化系统集成，提升我们产品的可靠性。10月18日，中车株洲所风电智能诊断主管杨柳出席2018年北京国际风能大会暨展览会，并在“风电场运行维护论坛”中发表主旨演讲，演讲主题为《数字化形影系统在风电机组智能诊断中的应用》。北极星电力网对大会进行全程直播，如需了解更多会议直播，请联系微信号：13693626116。

以下为发言实录：

杨柳：各位领导，各位专家，各位风电同仁大家下午好，我叫杨柳，来自中车株洲所，今天我要给大家分享的是数字化信息系统在风电机组智能诊断中的应用，首先数字化信息系统既然提到数字化，那么数字化能给风电带来什么，什么又是数字化呢？提到数字化大家很容易会联想到德国的工业4.0，德国的智能制造是以其发达的制造业为基础，打造万物互联的智慧工厂，但美国却是利用它强大的软件基础来打造智能制造的体系建设，技术加强信息化对于智能制造的统治力，中国在这方面很聪明，它结合德国和美国两家之长，把两化的深度融合作为中国制造2025的首要任务，那么怎么建设风电的数字化平台呢？我们中车株洲所把它分为四个部分，第一部分就是数字化的智能设计，曾经风电行业两三年才出一款新产品，现在一年半年就要推陈出新，面对市场的进一步细分和精分，以及差异化明显的数字需求，只能走数字化和参数化的路线，不断创新才能跟得上市场的迅速变化。

第二部分是智能制造，不知道大家有没有看过德国的宝马工厂，全自动生产线，他们使用全机器人进行组装和装配，完全没有人工的干预。这样的精细操作使工业水平得到极大的提高，而这是智能制造的一个小部分，它是数字化工厂的一个缩影。

第三部分是智能试验，智能试验是风电机组以柔性配置为基础，发现测试、运行数据分析等大数据体系，确保风级的运行状态在这个以内实现闭环设计。

第四部分是智能运营，我们在拥有智能设计，智能制造和智能试验基本上可以为我们的产品更新提供一系列的保障，这样一来我们的风电产业链集群就初具规模了，这就是智慧工厂。

那么我们今天的主题是智能诊断，诊断是因为我们的运行过程中，风机的运行过程中产生了一定的失效，归根结底要么是设计方案，要么是制造过程中存在一系列的缺陷，那么我们的另一方面，我们国家的工业起点低，起步晚，这个难以否认，所以我们更需要厚积薄发，所以我们可以从优化设计和优化流程这方面进行考虑，形成我们的数字化系统集成，提升我们产品的可靠性，我们将系统集成分为五大模块，我们将系统集成设计平台分成五大模块，第一个是风资源评估模块，第二个是载荷分析模块，第三个是试验设计模块，第四个是设计模块，第五个是健康预测模块。真正使风机达到智能化的高度。

第一部分的风资源模块，我们中国中车打造了能源指南，（英文），风资源数据模型高性能计算云平台，将国内的风电资源进行了数字化整合，使用智能优化算法对风速、海拔高度进行宏观分析，获得风资源的分布地图以及详细的机组配置方案，第二部分我们把设计流程中的平台层，资源层以及应用层统一起来，将边界条件作为参数化输入，自主评估以及智能择优，在第三部分协同设计和制造平台，包括风机的各种平台综合起来，将上千种无聊以及不同的供应商进行资源整合，结合现代化的商业，结合现代化商业CFD仿真循环优化部件的结构以及系统的性能，实现面向对象的CAE优化设计，贯彻虚拟设计到虚拟制造的道路。第四部分是智能试验，在产品的开发过程中，特别是在设计研发前期非常需要一个完整的数字化试验体系，全面验证线下可靠性，保证风电机组系列产品的安全，现在我们中国中车有轨道交通的SCADA核心，包括各种实验室，而对试验数据的使用，我们往往存在一些痛点，比如采样、存储、使用、关联以及自动化处理，因此我们将试验数据体系的建设分为两步走。第一步是建立标准的数字化试验层，第二步是将试验数据和测试对象进行相互联通，实现半实物仿真，支撑这个智能运行。

第五部分是智能运维，建立大数据中心，根据故障的数据进行建立模型，设计优化方法，实现风机的智能化维护和自适应调整，以及发电量，下面是我们风场的一个案例，这个风场在华电，这个风场使用大容量混装，以及塔高高度的柔性和重构等解决方案，在2016年度的发电量超过直径30%，内部收益率达到28%，事实上我们的工业数字化进程并不是一蹴而就的，反而我们的步伐需要调整，因为只有我们积累的整个经验和资源才能产生质变，但这个并不影响我们的数字化系统的应用。作为数字化系统的解决方案，我们首先关心的是我们圆形机，我们每输一台样机就是圆形机，所谓形影系统就是如影随形，这个就是我们的智能机。通过对圆形机进行数据的处理和优化，我们可以将这些数据提供给我们的智能机，然后智能机将最佳的参数配置反馈到我们的圆形机，来对圆形机，然后我们的系统设计平台会根据圆形机的运行状态进行参数的自适应调整，并将各个部位的参数整合，支撑跨部门和跨领域的整合工作，从产品到试验再回归设计和从模型到检测到优化再回归模型的全生命周期，双通道循环的做智能诊断的基本规律和基本思路。

铺垫了一堆的系统层面介绍，下面为大家分享两个风场的实际案例，我们在风场做了一系列的高强度螺栓试验，这个是检测一方面校正我们的试验模型，对机组损毁等无法测量的情况做进一步的研究。另一方面可以获得预警力的衰减规律，这个在后续的维护过程中可以根据预警率的情况，以后做螺栓可以不用定期去维护，而是根据螺栓预警率的大小是否达到阀值，或者按照需求来进行我们的维护。这就是我们所谓的智能运维的一个小缩影，那我们看一下中间的趋势图，这个红色的曲线是螺栓预警率的测试结果，蓝色的曲线是载荷测试数据，它们的变化趋势比较吻合，因此我们这个测试方案的可靠性，这个对我们的分布式发电是有比较重大的意义。另外我们还测试了产能链螺栓，不同位置的螺栓受到了整机载荷和系统结构的影响程度不一样，所以我们根据敏感性强的螺栓做相应的仿真来进行一个对比分析。

因此我们建立了螺栓预警力这个载荷模型，发现这个小会给螺栓带来更大程度的疲劳载荷，在仿真过程中螺栓疲劳试验的满足单个标准，但是在使用三十度的合成点进行螺栓却出现了超标，因此对于风场故障上来寻找解决方案，很难得到结果，所以我们需要切合实际的做法和验证手段，从原理上来解决问题，这就是信息系统解决方案的意义。

第二个案例是我们风场的一个发电机振动异常的案例，曾经检测到了一台机组的发电机弹性支撑发生了破损，但是在我们更换这个支撑之后，这个振动依然没有消除，还是很大，所以我们把这个数据进行一个研究，我们从运行数据和设计原理进行定期分析，从发电机转述的图来看，这个故障是减频，但是从我们这个计算结果来看，这个转频远远小于我们的这个多自由度这个结果。计算的结果频率和故障频率相差太远，对不上，所以在我们的多次尝试之后，对这个模型进行了一个减化和优化，最终这个故障确定振动的来源是来自于系统频率，总的来说就是如果使用传统的理论建模来做这个系统模的计算，我们这个仿真的结果和实际的故障频率差别很大，只有把这个模型进行完善，使用动力学和柔性建模两者统一进行分析，才能得到比较接近我们现实的故障频率的结果。

然后我们根据这个仿真的结果对我们的发电机进行了一系列的检测，来印证我们的结论，我们对发电机用了全控率试验台进行了大量的测试，选用了三种不同型号的支撑，分析支撑的弹度和发电机振动频率的影响，从我们这个波形图来看，我们在发电机的前端和后端分别装了三个方向的传感器，从这个传感器的速度来看，因为装的都是同边同色，它们两个的速度走势保持相对的一致，说明它们的振动趋势是一个旋转的模态。可以确定我们的发电机的振动模态以发电机的对称轴的垂直轴为转动，和水平轴转动两种方式，我们对比了我们的测试和仿真结果，在模态上说明我们优化方法是有效的，后续我们更新了这个模态，解决了发动机的振动异常问题，接下来把研究结果进行了分析，发电机的振动值偏大或者说虽然说没超标，但是依然有这种优化的可能，我们会考虑把这个产业支撑给更换，然后确保我们的机组处与一个比较良好，比较优秀的运行环境，这个在一定程度上避免了我们的发电机或者说弹性支撑产生失效，然后是预测性维护吧。

（发言为能见APP整理，未经本人审核）