风能行业现状与挑战

● 风机叶片与轮毂连接处有数十个叶根螺栓,断裂1-2根并不会影响风机正常运行,并没有特定的传感器来检测。现阶段只能靠人工登塔检查并维修。


● 通过LSTM+随机森林方法构建故障检测模型:利用SCADA数据将外部条件(风速、风向、偏航系统、风场限功等特征)降维作为模型的输入。对变桨系统中叶片的角度、转速、电流也进行主成分处理并降维,叶片对应变桨状态的值作为模型的输出。使用LSTM网络+随机森林方法构建模型,根据ROC曲线的明显变化预测故障。

● 风机的功率曲线与出厂时的保证功率曲线存在偏差。大量风机的情况下,人工检查每台风机的性能曲线与具体原因识别将耗费大量时间,需要使用系统的算法对不同劣化模式进行识别与溯源。


● 通过先验知识指导,配合算法实现对某些关注劣化模式的识别。再根据时间连续的特性,排除识别错误的类型。该过程伴随启发式搜索,能够发现正常运行但同样有性能优化空间的风机。

故障无法预测

 

 

 

 

 

 

风机结构复杂,零部件种类繁多,现有检测手段无法在故障潜伏期预警,极易造成二次损伤。

故障修复成本高

 

 

 

 

 

 

风机一旦发生故障,如齿轮箱、发电机、叶片等损坏,从运输到更换部件成本高昂(零部件 + 运输 / 吊装 + 停机发电量损失)。

风电机组叶片由玻璃钢材料制成,需要定期进行检查,及时发现结构损伤并修复,避免损伤扩大而影响机组运行性能和安全。当前使用的叶片长度普遍在40~70米,安装于百米高空,使用无人机开展叶片的结构健康检查已经成为重要和流行的手段。通过利用人工智能技术,实现无人机绕风电机组自动化飞行、对叶片进行自动化拍摄,对拍摄的视觉数据进行自动化诊断,识别出叶片存在的结构损伤并输出报告,使风电叶片视觉检查工作更加自动化智能化,减少人工依赖,易用性、安全性和准确性都得到显著提升。
 

● 故障并不是孤立发生的

   

PLC状态中记录了机组状态的变化。对于某些较为严重的故障,在发生之前会有相关的警报及其它故障。PLC状态记录数据中包含了故障发生的模式信息,可使用算法构建模式库做到提前预警。

 


● 采用FP-Growth算法+Spark实现

 

PLC状态记录数据具有不连续、无效数据(与模型无关)多的特征。使用先验经验剔除无效数据后,构建FP-Tree,挖掘某个目标故障发生前的频繁项集,存储在模式库中。一旦出现相似模式,即可给出预警。

 

降本压力巨大

 

 

 

 

 

 

面对国家 2020“风火同价”政策以及化石能源与光伏能源的双重冲击,已很难通过传统技术升级找到出路。

数据价值未充分挖掘

 

 

 

 

 

 

现有监控系统已能采集大量数据,但因缺乏大数据计算及分析模型,数据价值无从体现。

智慧风能平台

E、叶片视觉检查智能诊断,AI助力叶片缺陷识别

B、性能劣化模式诊断,有效识别风机性能劣化原因

应用成果

● 齿轮箱核心部件故障,严重损耗后维修成本高

   

风机的功率曲线与出厂时的保证功率曲线存在偏差。大量风机的情况下,人工检查每台风机的性能曲线与具体原因识别将耗费大量时间,需要使用系统的算法对不同劣化模式进行识别与溯源

 


● 采用FFT/小波变换+时频域特征提取+GBDT

 

通过先验知识指导,配合算法实现对某些关注劣化模式的识别。再根据时间连续的特性,排除识别错误的类型。该过程伴随启发式搜索,能够发现正常运行但同样有性能优化空间的风机

 

D、基于关联模式的故障预警,挖掘故障分析新路径

A、叶根螺栓断裂故障监测模型,通过AI发现SCADA无法发现的故障

C、齿轮箱故障预警,实现真正的大部件故障预测

本网站由阿里云提供云计算及安全服务