2019年10月21-24日，2019北京国际风能大会暨展览会（CWP2019）在北京隆重召开，大会主题“风电助力‘十四五’能源高质量发展：绿色、低碳、可持续”。自2008年首次在北京举办以来，已连续举办11届，成为北京金秋十月国内外风电行业争相参与的年度盛会。
10月22日上午，举办了“智慧运维论坛——大数据应用，智能预测及故障诊断”。浙江运达风电股份有限公司主任工程师柴问奇发表了题为《风力发电机组故障诊断技术及PHM系统》的主旨演讲。
以下为发言内容：
主持人（柳地）：谢谢李凯歌先生，接下来我们演讲的嘉宾是柴问奇，他毕业于法国里昂中央理工学院，回国以后在任浙江运达风电股份有限公司主任工程师，他演讲的题目是风力发电机组故障诊断技术及PHM系统，大家欢迎。
柴问奇：各位专家领导早上好，非常荣幸可以在这个论坛上来分享运达股份在PHM系统故障预警和健康监测开发上技术上面的心得，我这个PPT包含三个部分。
第一个部分是趋势与挑战，在这个部分中我们会谈一下PHM系统开发的背景，它最主要一点就是风火同价的政策，政策从根本上要求我们要提高风电机组的运行能力。基于这个目标我们参考了包括智慧机组等诸多概念，包括当前风资源开发的形式、低风速、海上风资源的开发，包括之前成功的一些经验，我们定义出来运达对于智慧运维基本上的要求，但这项服务中它的基础来自于运达对于风电机组的感知，在技术上我们要实现技能评估，最后服务于现场运维，从而实现商业价值。
针对这些目标我们对运达自身做了一些考量，包括人才上的、技术上的考量，对平台搭建上面的一些考量。最后设计出来的产品可以从右下角图上看到，在基础上是基于阿里云的大数据平台，在上面直接服务于场端的运维管理系统，直接服务于运维的一线人员，从左边的右边框图可以看到，它在技术上下面将大数据通过运行评估、智能诊断、故障预警三个功能模块输出成为可操作，服务于性能优化和运维决策两个运维功能模块，最终实现商业价值。
第二个部分是，数据转化为行动。我要讲一讲在刚才提到PHM系统中的三大技术模块，具体实现的方法，对于智能诊断、故障预警、运行评估三个方面，算法是不太要求，在智能诊断上由于故障已经发生之后事后的处理办法。所以最重要的是算法的运行速度要足够快，它不能在线上运维人员已经爬上风机之后还没有得到自己的诊断结果，这样就不能实现商业价值。比如在故障预警这个模块，核心在于预警的提前性，获取现场运维策略的空间，因此它的预警的实效性、提前性是最重要的。
而运行评估这个模块，由于风电机组是一个开放性的系统，外部干扰非常多，噪声比较强大，怎么样在一个不断变化的系统中捕捉到风电机组本身信源的评估，准确性是技术上最核心的部分。接下来我会按顺序讲一下这三个技术模块我们实现的方法。
首先是智能诊断这个模块，可以看到在业务上面可以参考故障数这个部分，核心就在于我们获取到了机组故障代码之后，怎么样第一时间确定故障对象，第一时间找到故障原因。从算法角度上来说，要实现算法加速，就是用空间来换取时间。首先我们就建立了一个故障专家知识库，由于判断故障对象和判断故障原因，这两个判断的过程，它的技术难度不尽相同，我们分别对于这两个判别的过程设计了不一样的复杂算法，也使用了不一样的数据，最终实现了快速诊断。同时为了保障这个技术它的自学习性、准确性，我们设计了一个反馈的回路，最终构成了自学习故障诊断的框架。在这个图上可以看到场端运维系统的UI，上面就是显现出了故障代码5704，轴承温度过高的报警信号，针对是四个部件，每个部件有若干个故障的原因。下面是针对其中的某一个原因，我们针对场端提供运维的服务、运维的指导信息。以上是故障诊断的部分。
接下来是故障预警，故障预警我们通常采用两个方法，有两种解决的途径，包括基于运行状态参与的预测或者基于事件的预测。简单来说是两种，第一种是我们当前拥有一台机组的运行状态、运行参数，将它和这台机组之前的状态相比较，可以得到这台机组与之前相比是否发生了状态上的改变，从而再结合专家知识库对这个机组当前故障状态进行确定。而基于事件的故障预测方式则是反过来，我们要判定某一个故障，这个故障从机理上分析有这样或者那样的特征，基于现有的数据，去构造这几个故障特征，一个从反向，一个从正向解决这个问题。这两个预测故障解决方案从根本上是不相冲突的，有的时候结合两者的方案可以得到比较好的预警效果。这两种方案在算法上的实现过程是类似的，包括对特征的提取、使用深度学习算法，将数据特征与故障特征相联系，包括数据特征提取出来之后，对它进行不确定分析和敏感性分析。
敏感性分析在这个过程中是非常必要的，因为机组运行数据中噪声比较大，敏感性分析可以有效的确定这个参数的不确定性是否可以满足我们故障预警的需求。最后就是一个自学习的智能报警的阈值的确定方式，这里我们拿一个案例来讲一下，这是一个发动机驱动端轴承温度过高的案例。这个案例是有一段时间之前发生的，最早是CMS系统，就是振动监测系统检测出来的案例，我们拿了温度数据出来看了一下，觉得它的特征也比较明显，然后做了一下（英文）预警，发现比CMS报的还要早，这个地方就显示出来第一个，我们发现（英文）数据比CMS故障预警方面有一定的，不能说强过CMS数据，但是它有自身的优势，比如CMS数据采集量是有限的，不能长时间的持续采集机组的运行数据，CMS采集好几天都不能采集到机组满发状态的数据。再比如说（英文）数据，这个从技术上来说，由于在之前论坛上专家们已经提到了，现在机组产生的量已经是极大的，像（英文）在1秒结束已经以PB测定出的数据量。我们怎么有效的去利用这些已经产生的数据，是我们当前运达工作最核心的内容。
第三块运行评估，对风电机组的处理性能进行两个的评估方法，包括基于功率曲线方法和基于功率预测方法，和故障预警比较类似基于功率曲线方面，相当于是和功率曲线，就是某一台标杆机组进行比较，看这台机组是否有所变化，基于功率预测方法则是和这台机组的处理进行比较，看它在一段时间内的发展趋势。这两种方法其中第一步就是要建立KPI，在我们这边当前是以功率特性作为参考，如果说是以功率预测的方法，我们主要会采用神经网络的方式对数据特征进行构造和变换。性能评估出来的结果，最直接的应用就是在机组后进行性能优化的部分，机组性能优化既可以是直接通过数据来实现，比如说一些控制上面的优化、偏航策略上面的优化，这些几乎是可以零成本对风场进行部署，但更多的情况下，是一些物理上的技术改造，需要有详实的运行评估、运行数据对技术改造提供支持，比如桨叶除冰控制，在这里已经结束了三个技术模块的讲解。
总的我们谈一下当前运达这边在做的一些工作，我们当前主要目标就是建立一个完整的风电机组整体性康复的提示，将之前的三个技术模块相融合，然后参考数字双胞胎的风电机组模型，考虑到将各个大部件关系连接起来，针对每个大部件的健康进行分析，最终合成一个整体的健康的指标，这工作现在正在进行中，希望在之后还有机会继续分享这一部分的技术内核，将数据转换为行动，谢谢大家。
