基于人工智能技术的风机健康诊断研究

刘文斌，王刚

（1.中国电建集团中南勘测设计研究院有限公司，湖南长沙，410014；2.国家电投集团内蒙古能源有限公司新能源部，内蒙古通辽，028000）

0 引言

原有的国家发展体制下是以能源消耗为代价，通过能源与经济成本的有效转换，实现工业产业高速发展，以提高国家整体竞争实力。伴随着能源的日益开采，其本身所呈现出的固定属性将逐渐削弱，这就造成不可再生资源在行业领域中呈现出一个逆变现象，即为相关行业的高速发展下，是以能源消耗为代价来实现可持续增长的，但是在能源的逐步缩减下其所呈现出的价值与行业高速发展趋势来讲，将呈现出递减属性。在此背景下，大部分国家依托于先进技术，对具有可再生性致的自然能源进行利用，以缓解经济高速发展之下对不可再生资源的利用压力。

风力能源具有一定的可再生性质，在科学技术高速发展下，风力发电站的建设可以有效将风力能源通过机械装置转变为电力能源供地区用电，此类能源之间的转换。可以在部分方面替代火力发电站的功效。据相关数据显示，截止到2019年末，全球风力发电总功率达到829253MW。且伴随着风力发电设备装机数量以及装机容量的不断增长，整个发电功率也将呈现出逐年递增的趋势。从我国风力发电能源产业的发展形势来看，2019年我国发电产业的装机数量位居全球第一，随着智能技术信息技术等应用，风力发电行业所产生的总电量正逐渐拉近与传统火力发电产业。从风力发电原理来看，其主要是通过风机设备的应用实现机械能到电能的转换，其本身受限于风能所具备的波动性与间歇性特点，在风力电能导入与导出的过程中，其必须遵循一个电力供需平衡状态，以保证电力终端用户与电力能源的产生，达成一个均衡的供需效果，以此来提高实际供电质量。但风机设备在长时间应用过程中，其属于24小时不间歇的工作状态，当外部风力较大时，其所产生的负荷效果较高，这就造成风机设备内的相关组件，在长时间高负荷的运转下呈现出自然磨损的状态，如未能针对此类设备进行定期运维处理的话，则必然造成设备在运行过程中出现因自身质量参数与整个设备运行参数之间的不对称问题，降低整体的运行质量。本文则是针对风机健康诊断系统进行探讨，分析出设备在运行过程中所呈现出的功能属性及各类参数等，然后结合现有的风机设备运行状况界定出不同操控状态下，分析出健康诊断原理，降低设备运行中的故障产生几率，以提高风力发电质量。

1 风机健康诊断的相关概述

风力发电所起到的环保性与节能性，对于社会发展具有重要的促进作用。在可再生资源的应用下，其本身所呈现出的能源转化特性具有持续性效果，这也是风力发电行业各个国家所重视的主要原因。风资源取之不尽，用之不竭，其在不同地理环境下所呈现出的动力具有一定差异性，例如沿海地区、平原以及高原地区，风力发电的功能具有一定的差异性特点。为此，风力发电行业在进行选址时，必须依托于整个风力能源所呈现出的电能转化数值，然后结合经济成本界定出更为合理的方案，以保证风力发电项目在短时间内可以完成资金回笼，为企业创造更大的经济价值。从风机设备运行方面来看，此类设备作为风能转化为电能的核心组件，但在长时间的预览下，此类设备本身将呈现出一定的消耗性，这就造成设备本身健康状态产生持续性走低的趋势，当此类功能无法达到设备预期运行需求，则必然造成设备在运行过程中的停滞或者故障问题。对此，必须分析出设备在运行过程中所呈现出的健康属性，然后结合设备在固有周期内的健康特征对设备运行状态进行预测，然后将现场运行参数、系统初始参数进行特征总结与比对，结合智能算法、神经网络算法等，对此类参数所呈现出的数据特征进行模型预测，这样才可进一步界定出具有健康功能的模型体系。结合模型在整个系统运行中所起到的效用记录出当前设备在工作状态时健康指标是否达到预期设定需求，这样同一个数据相似度下，可以保证整个设备运行过程中的数据特征及相关参数可以维系在一个恒定指标内，可实现对设备健康状态的一种动态化评估。通常来讲，设备在运行过程中可以分为两独立属性的特征，且此类特征在设备运行过程中的交互点是以设备健康状态为基准进行实时测评的，第一，通过模型预测出设备运行过程中的健康状态值，第二则是设备在运行过程中性能衰弱起始点延伸点。这两类独立的属性在健康状态的统筹下，其将转变为实时预测效率健康状态及预期失效状态等，且通过健康值基准的比对，可以鉴定出不同操控试下设备所呈现出的基准参数是否满足当前运行需求。从另一方面来看，可以将其界定为分析设备运行过程中，其本身性能的衰减所产生的特征将伴随着设备本身的健康值，进行一种动态化的分布，通过设备表象特征与健康特征的对接，了解到当前健康值在失效状态、正常状态或者是故障状态下所呈现出的矢量特点，然后结合一个轨迹的出发点预测出当前设备在运行过程中在哪一个时间产生具体的故障或者是问题，这样以动态结合性的数据分布，便可进一步恒定出不同操控视阈下设备故障点的产生动机或者是具体产生时间，进而为技术人员提供数据支撑。

2 基于人工智能技术的风机健康诊断平台功能

人工智能技术是指人们思维与计算机科学技术的结合，令整个系统在操控过程中可以按照人们的思维方式去解决数据问题。人工智能平台所具备的功能具有多元化特点，例如算法功能、自主学习功能、语言处理、识别功能、视觉功能、可视化功能等，通过在相关系统中的功能实现其整个数据对接过程，在运行过程中可以通过模型的建设完成多线程操控，这样人工智能平台的操控可以真正实现数据处理数据分析，数据指令运行的相关操控以此来保证，在固有的数据模型下，可以将不同数据信息的运行模式进行精准分类，形成一个具有学习意识的数据框架，以提高智能处理效率。

第一，在数据接收功能方面。人工智能平台支撑下的风机健康诊断系统，可以对多种数据进行同步接入，且整个数据库中的模型建设关系维系在一种基准格式内，例如 orc格式、csv格式等，且此类数据格式在识别某类信息，是可以按照信息质量及传达形式进行自动化分析与归类，以保证数据存储以及接入形式的精准性。

第二，在数据探索功能方面。整个智能平台在操控过程中对原始数据及运行数据进行特征分析时，其是按照数据固有的结构属性进行规律性查询，通过不同维度的分析可以进一步鉴定出数据模型所呈现出的属性然后后续处理及模型等方面提供数据支撑。与此同时，当数据探索功能作用到可视化界面所呈现出的属性，可以有效降低数据接入时间，从而将更多的实现应用到数据分析过程中，这样便可有效检测出数据在运行过程中是否存在误差问题。且此类数据检测时间是由数据接入所容纳出的时间进行有效替代的，提高数据处理效率。此外，在数据检测过程中，其并不仅仅局限于单一的线性化数据，同时也可对非线性结构化数据等进行罗列与分析，保证在具有连续性离散型的数据测定过程中，可以按照相关属性正确执行某一类操控工具，以提高整体检测质量。

第三，数据预处理功能。人工智能平台支持下的数据预处理功能，可以通过不同场景罗列出数据本身所具备的基础特征，然后通过不同运行模式对数据信息进行清洗处理、规约处理以及转换处理等，这样不同信息在同一结构下进行同步交互处理时，则可以通过数据模型的节点构筑，对信息本身进行相关查证，以此来保证模型数据支撑下的信息传输模式及运算模式，为后续相关操作提供精准的数据支持。

第四,特征功能方面。此类特征功能主要是针对平台本身所具备的数据属性进行分析，然后通过评估选举以及生成模式，对数据内部所呈现出的中心特点进行特征索取，此过程可以看成是数据在固有的程序中所呈现出的区中心化特点，然后结合离散化及编码程序的设定，为数据本体赋予一个具有特征功能的信息标记，以此来保证后续评估操作中的数据识别质量。

第五,算法功能方面。此类算法是按照人工智能技术所支撑的自主学习算法进行一系列的数据整合模式，例如分布式算法、单机算法、回归算法、聚类算法、时序算法等，其本身所呈现出的数据特征是按照一定逻辑顺序在固有的数据模型中进行统计与分析，然后结合神经网络技术、模糊识别理论、图像索取技术等，实现数据模型支撑下的数据操控。

第六,模型管理功能。人工智能平台支持下的模型管理是按照固有的属性及服务特征对当前系统运行中的数据产生行为，进行一种在线化的查证，且此类形式可以按照数据信息本身所产生的流调方向进行定期化及周期化的查证。然后将此类查证信息界定为管理指标，为后续系统功能的实现路径提供基准管理方向。

3 基于人工智能技术的风机故障预测

从现阶段风力发电场的布局特点来看，其本身是通过不同发电设备之间的链接，建构出一个具有融合属性的发电系统，保证不同场站运行过程中可以对相关参数进行实时监控，提高数据信息检测的精准性与时效性。从发电厂设备组成来看，数据信息采集系统与数据信息监控系统均是由承接风力设备制造的企业提供的，其本身具有一定的独立性特点，且不同厂家的系统呈现出互不交融的属性，这也是风力发电设备，在前期采购、中期应用、后期运维呈现出单一属性的主要因素。从人员配比形式来看，风力发电站在区域内呈现出一定的集中特点，且每一个风力发电设备之间的距离较远，这就造成工作人员在日常监管过程中需要对单体设备进行实时化监控，其在一定程度上。造成人力资源的浪费。而通过人工智能技术的实现，将整个发电区域内的设备，构筑出一个基于数据信息传输的集成操控系统，通过此类系统将主站信息与分站信息进行数据对接，产生具有远程操控指令的系统处理模式，可有效缓解人力资源的投入比以智能化的形式对系统运行进行实时化监控，以此来提高电力企业的生产效益。

基于人工智能技术的风机故障预测系统，主要是以健康指标为基准，对风机在某一时间段内的运行故障进行分析与诊断，以此来通过数据信息正确映射出当前系统运行所呈现出的故障特点。从分级诊断所呈现出的故障来看，整个诊断过程分为下列四点。

3.1 风机数据读取

此类数据平台的建设是以可视化为载体，构筑出基于人工智能所形成的数据模型，进一步将信息映射到系统交互平台中，为人们提供可视化的信息。在数据读取过程中，其主要是通过scada控制系统，在固定的时间周期内进行数据采集。当然是采集过程，可以通过数据信息的变量形式界定出不同的采集周期，例如10秒、15秒或者是30秒，通过采集数据参数界定出电机功率、电机转速值以及温度值、风速值之间的参数属性，这样便可将此类参数结合系统运行状态构筑出一个具有指标属性的模型，进而对整个风机设备运行模式进行动态化的监测，以此来保证在故障产生的第一时间进行预警处理。数据采集过程中，其所呈现出的通讯属性具有多元化特点，其不单一的局限在某一个协议之内，而是通过系统所支撑下的职能运行体系，对不同数据结构进行同步处理，保证在当前风电场系统运行过程中，大数据传输路径可以维系在一个多通道的模式下进行数据传输，。除此之外，在数据夺取过程中可以通过缓存功能的实现，对设备进行期间所呈现出的数据信息进行缓存，然后通过采集模块将回传到的信息进行断点纯属处理保证三天之内或者是七天之内的数据信息可以实时调遣，以满足数据传输功能，进而为后续故障诊断工作的开展提供数据支撑。

3.2 风机数据清洗

风机健康系统诊断过程中，其所呈现出的数据传输特性主要是由风机设备，外部传感器对当前运作状态所产生的数据信息进行收集并回传到主操控系统中。然而从数据在传输过程中呈现出的时效性特点来看，其本身在固定的时间节点内无法形成同步处理，或者是数据信息在某一个时间点无法对齐，这就造成数据在传输过程中存在一定的缺失现象。除此之外，不同类型的设备在运行过程中数据传输模式受到整个系统操控阈值的影响，数据信息在处理过程中无法对无用信息进行逻辑化清理，进而产生数据信息在运行过程中的滞后性问题。而风机数据清洗处理工作的开展则是建立在整个数据处理流程之上，通过流调式的处理方式，将数据信息在传感器中的传输值进行一个持续性的输入处理，保证整个数据在系统中罗列时，具有逻辑性特点且持续性的数据输入，可以对数据流本体产生一定的驱动效果。这样在进行数据核算时，此类持续性的效果将产生一个实时计算体系，进而提高实际清洗效率。除此之外，在系统接入过程中，不同风机设备在运行过程中，每秒钟产生的数据信息可达到15万点左右，而通过数据清洗的流调功能，可以对整个时间段内所产生的信息进行集中式分析与检测，如果在同一时间节点下的信息超出系统固有的处理能力时，则可以自动将此类信息转变为离线批量操作处理模式，这样便可进一步提高数据处理的时效性，保证在多节点操控模式下，数据信息可完成实时化的质量检测。

3.3 模型检测

上文中我们所提到的风机健康诊断系统是以模型为切入点，对当前系统运行过程中呈现出的健康状态进行指标分析，然后结合模型中固有的数据参数界定出不同操控状态下，风机运行状态的分布阈值是否达到健康状态基准，进而确定出风机设备运行过程中存在的故障问题。对此，模型检测过程中，其所呈现出的分布特点主要是结合数据本身的阈值界定出不同操控数据下数据信息在固有模型中所产生的逻辑信息，然后按照相应的数据处理效率，对不同时间节点下的数据模型进行切片处理，然后以模型本身的程序对接属性，对信息本体进行拟合处理，这样通过切片所达到的处理协议便可进一步模仿出不同操控模式下，模型曲线在风机健康系统中是否完全拟合，如果此类参数具有拟合属性，则代表着风机处于健康状态，如果拟合值超出系统预设的参数值时，则表明此类数据模型在当前时间点或者是后续时间点钟具有一定的故障问题，其将影响风机健康运行质量。通常来讲，依托于模型检测，可以对当前风机运行系统进行实时化的检测，在人工智能技术的支撑下，整个数据模型检测工作的开展可以完成自主化、预期化的检测工。然而，从风机在某一时间节点下运行数据所产生的冗余性问题来讲，如果设备长时间将信息处理效率维系在一个固定时间点时，且此类时间点就有一定的复合性问题，将加大资源消耗治疗，甚至是在一定程度上加剧着计算机系统的磨损效率，一旦计算机系统发生故障时，则必然造成整个检测工作无法在预期时间内完成相关操作。对此，可以通过每日模型的生成对风机设备进行健康检测，在进行每日模型检测时期，可以有效将同一时间节点下的数据信息处理进行离线解析，这样便可进一步分化长时间、高负荷运作模式下计算机系统的工作压力。与此同时，通过24小时风机处理周期工作的落实，可以对信息本身进行更为精准的逻辑化清理，然后将清洗后的模型至于数据基础模型中进行检测。此时，将检测后的信息进行切片处理并与模型算法切片进行拟合分析解读出当前操控状态下数据模型所呈现出的线性特点，是否与评估模型相一致，通过规划曲线的相似值分析出风机设备，在当前24小时周期内是否完成正常工作机制，进一步确保当前数据操控下，整个信息处理工作的精准性。

3.4 故障预测

风机设备的运行主要是通过外界风的作用力带动叶片的转动，然后产生机械能到电能之间的转换。但在此过程中，如果外界环境处于平稳状态时，叶片未能得到风作用力的驱动效果，风机也将处于静止状态，不会产生功率作用值。此种间歇性的运行模式，在一定程度上将加大故障预测难度，例如持续一周或许是一个月的大风天气，又或者是持续一天或者是几个小时的大风天气，在具体运行过程中，风机设备所呈现出的故障机制也具有不确定性特点。在人工智能系统的支撑下，大多数设备运行是以远程集控系统为主，将区域内的风机设备运行信息综合到主系统中进行模块化处理，在此过程中不同区域内所受到的风力影响值也具有一定的差异性。为此，在故障预测过程中必须结合系统运行属性，然后以设备在固有时间内所能达到的运行效果确定出相关部件运行的最大极限值，结合分析设备桨叶及发电机在一定周期内的同步属性，界定出不同操控时差下，风机所呈现出的系统能源支持量是否可以满足其在故障周期内的数据映射指标，这样通过故障时间的估算进一步确定出在不同时间段内，外界环境对系统数据值所造成的影响，通过数据模型进行信息换算处理，保证风机设备内的变频装置、电机装置以及外部叶片转动效率之间的数据对接精准率。当然在此过程中可以按照大数据挖掘技术、预测技术等，构筑出具有线性特征的数据模型，其可在实际故障及预测分析过程中起到一定的优化效应，如果单一的是由系统运行故障所导致的电机问题，则可以通过人工智能系统支撑下的专家诊断功能的硬性运作模式进行数据优化处理，以此来提高整个系统运作的智能性及稳定性，强化整体工作效率。