2020年10月14日-16日，2020北京國際風能大會暨展覽會（CWP 2020）在北京新國展隆重召開。作為全球風電行業年度最大的盛會之一，這場由百余名演講嘉賓和數千名國內外參會代表共同參與的風能盛會，再次登陸北京，本屆大會以“引領綠色復蘇，構筑更好未來”為主題，聚焦中國能源革命的未來。能見App全程直播本次大會。
在15日上午召開的關鍵部件技術創新分論壇上，中車永濟電機有限公司副總工程師段志強發表《基于人工智能和物聯網的發電機故障診斷系統》主題演講。
以下為發言實錄：段志強：今天我大概講四個內容，一個把我們公司跟大家說一下，稍微介紹我們基于人工智能的故障診斷的方法和常見故障的對比，把我們整個故障架構部署方案，和大家探討交流，把我們整個樣品的情況和大家做一個介紹。我們來自中車的，專門做專業發電機的，風電的裝機有三萬三千多臺大概是這么一個情況，這是我們大概主要的產品，我們基于軌道交通，在軌道交通在風電做一些拓展和應用，電力電子，工程機械方面。我們現在做的目前國內外的各種技術路線，包括籠型、雙饋，這是我們的歷程，這是我們主要的產品的平臺，這是我們一些國內外的布局這個也是組機企業配合國內外布局的情況，這是我們一些國內外的主要的客戶。
下面我想把故障診斷系統給大家做個匯報。大家也說電機的故障診斷，監測在全壽命周期過程中它對你是透明的，不是一個黑匣子，我們出現故障之前不知道是什么造成的，因為我們技術實時的監控這樣一個方法，全息感知目標，打通信息采集、傳輸存儲，我們算法上做了一些優化。診斷系統傳感器的線，振動傳感器，電壓電流，可用一些無限的技術，無限傳感器，包括一些其他的傳感器，再去做一些信息的傳輸。
我們診斷方法和傳統故障診斷方法的區別，傳統診斷方法，信號進行一些負載的信號處理，技術手段處理，第二個需要通過時域、頻域等各方面入手，手動針對故障特征進行提取與處理。再從頻率上特征值再提取一些故障特征，這是目前我們常用的方法，需要大量的知識和人工的介入。我們傳統方法，是針對特種類型，我們不平衡，包括軸承內外圈故障情況，沒有考慮綜合負載的因素。外界環境比較復雜，沒有考慮外界環境對整個故障診斷系統的影響，第三個針對故障建立模型。這是我們目前傳統的。海還有我們機器學習的故障方法，信號的降噪處理。頂層架構，大概我們基于機器學習鼓掌方法，已知的故障，整個特征的提取信息的對比，然后進行分類，然后識別，第二個通過位置故障信號深度學習，逐漸建立故障庫，知識庫進行故障的辨識。這是目前主要的兩個常見的，利用人工智能技術算法上進行優化，主要是通過計算機，提取技術特征，現在也是我們在做的故障預測和健康管理方面新的發展方向。
我們這個基本特征，無需要專家知識實現建模，現在傳統故障診斷軟件開發需要這個行業的專家去做一些深入的研究，尤其在物理模型上面做一些適當的處理針對性的開發定制化解決方案。我們這個項目特點，采用數據驅動人工智能算法，也不需要太多的專家支持，僅需要提供訓練數據和數據標簽，學習數據標簽，這個和我們目前是一樣的，完全由計算機自主提取故障數據特征，建立數據映射關系，不要做下一步故障的分析，學習完以后這個什么故障有個標簽，再實現不斷的識別做報出，不用做專業的判斷或者識別。
第二個我們基于人工算法不會受到設備場景變化的影響，受到復雜環境變化對我們的影響，在變化的時候我們相關的數據特點也會變化，傳統故障算法，需要計算新的模型，提高準確性，數據驅動，數據發生變化。第三個算法拓展性可以識別未知的故障，做一些記錄，做了一個標簽，放到我們庫里面，這是大概我們這樣一個主要的一個特征。
總的對比我們傳統故障，單一一個設備鼓掌，信息孤島，沒有信息的交互，這個通過我們現在物聯網系統，因為在我們整個監測設備里邊裝了我們整個采集傳輸，包括我們現在故障的信號，故障模型建立需要大量專家知識，人工智能基于人工智能算法自主學習辨識，設備運行環境變化導致模型需要頻繁維護，故障分析是什么原因造成的這個可能就會比較麻煩一些，我們這個的話在線更新無需人工介入。
傳感器以游線傳輸為主，可以做一些無限的傳輸，包括在以前老的機型上做一些改造，只要裝一個無線傳感器可以做一些接入和傳輸。
這個是我們做算法和整個做我們部件的時候，有一個我們當時原理模型，可以解釋一下。運行中正常旋轉，我們那邊有一個，這是正常的，這是帶一個平衡好的，有一個學習，不停把一些信號我們做一些記錄，在外面加了一個偏塊，運行狀態另外一個變化，把另外一個狀態，重新技術學習，把這個信號和這個故障的狀態我們做一個標簽，和它完全對應起來放到整個庫里邊，這是整個智能算法的原理。
我們整個算法原理放到庫里面以后，我們不要做平移分析，數據信號可以分析，下來整個故障系統架構，和我們整個部署的方案，我們分幾個層次，感知層，結合我們穿梭的網絡特征，實時的監測，研究電機，這個是有感知層，我們特點就是說主要用一些無線傳輸的技術，可能針對一些老的機型做一些升級改造。
這個就是我們現在整個硬件感知裝載我們整個電機上，這樣的話我們會布置一些、電壓、電流整個可以監控運行過程中發電機的電壓電流，不光數字，包括波形我們進行完全的采集，包括整個運行的軸承，裝一些我們振動，無線傳感器的振動監測這個，都會做一些監控。
傳輸層和目前常見的傳輸理論是一樣的。這也是我們整個傳輸硬件的情況。這是我們整個信息處理，信息處理我想主要還是我們，環境復雜包括背景，包括一些環境的影響，我們基于人工智能相關理論，診斷方面經驗積累，以及我們發電機廠家，包括我們現在保有量積累好多運行的數據，結合我們整個模型庫，我們專門開發后臺的一些信息處理，可以對我們整個發電機做一個遠程的技術支持。
這個就是整個在應用層，這個也是我們現在目前做，在我們分機上做，我們分層規模，設置不同的服務器去做。這個就是我們大概一個過程。這個就是我們整個部署的方案，我們在現場，包括一些硬件，包括一些傳感器，去做一些穿梭，案例云在做一些合作，在我們地面中心，整個大概流程和框架和目前是一樣的，這塊我們作為整個部件的監測。我們整個架構現在，經濟成本方面，我說這個因為現在大家也知道，我們現在海上風機發展，單機功率是越來越大，尤其我們現在海上的風電，也是裝的越來越多，我們到海上以后，如果我們不對我們整個風機運行狀態監控，真出了什么故障出現問題再去維修，整個環境影響特別大，沒法做一些維護和維修，整個造成的發電量的損失包括維護都是工作量比較大的，用我們系統以后，實施監測，發電機作為主要大的部件，承載包括機械，重要性，重要度越來越大，我們開發這款產品，也是主要針對，大功率電機監測，有這個的話，在海上，大家應該很清楚。
第二個做一些安全性，在傳統故障方面，我會講到我們傳統故障的一個流程，前面我簡單的帶了一下，利用智能算法，整個環境耦合復雜的因素，我們都可以去做一些判斷。整個部署的時間，在現有基礎上做優化改進，無限傳感器很快去做，不用在我們現在基礎上大的改動，這是它的整個的結構和優點。接下來把我們現在做的給大家說一下，我們傳統故障，主機有問題，去把振動數據，軸承振動超了，超了以后到底什么故障也不知道，我們跟主機廠聯系，振動信號考下來，只有專業的工程師，才會對整個信號做一個專業的分析，并且這個時間也會比較長，最后通過一定時間的分析得出結論，再去提出處理意見再去修理這個中間的過程涉及到的環節和時間都會比較多一些。用人工智能算法第一個數據采集，在故障識別這個地方省去好多環節，沒必要說和專業的振動工程師去分析，專業的工程師從培養到完全去分析，也是需要很長時間，目前我們還是基于和軸承廠家專家去做一些交流，如果說你完全依靠專家去做，有時候大家也知道，包括時間，我們有這么一個識別系統的話，我們自己就可以做，我們不斷的學習，把我們故障和標簽發到庫里邊，有信號出來以后，我們一般的工程師就完全可以識別我們什么故障，去怎么處理，這樣會省到不需要太專業人員去做，這個專業的設計就是剛才專家講到，還是希望有專業的廠家來去做，我們就會給客戶，給業主，從我們專業發電機的角度，給大家出一套方案去做，不要再去找別的專家去做，效益方面可能會更快一些，開發我們整個系統的初衷。
我們整個故障識別率達到95%，我們做了好多試驗，包括我們后來整個系統去監測標簽，我們這也是做了將近一年多快兩年的試驗才出這么一個大概的結果出來。
剛才說的，我們做成我們一個黑匣子里面，我們內部的情況，在我們做監測的時候一些傳感期限，這個因為我們現在主要是針對發電機，發電機，部件都不一樣，我們現在不管是任何一個發電機，我們都可以做一些采樣，包括軸承，包括振動速度，包括加速度都可以做，包括電壓電流，還有它一些波形，還有就是我們好多的問題，所以這個監控的話，就完全把我們整個發電機，它的再生運行中所有的一種狀態，我們完全進行監控和識別，可能更加全面一些，而不僅僅是我們目前振動的監測。
這個是我們當時在做實驗現場的一些照片，這個也是我們自己一個界面，可以完全在手機上登錄遠程在我們機房都可以做一下，這個目前我們已經實現樣機運用已經開始裝，因為我們軟件實時記錄，除了數據以外，我們整個波形，這個波形對我們整個運行的過程的分析，包括監控我覺得還是支持還是比較大的，從波形，變流器，更能中間潛在的問題。這個就是我們軸承，如果你想看的話，可以去看，如果不想做太復雜的工作。
上面就是我給大家分享我目前做的一些工作，目前我們樣機做了，我們接下來裝到風場運行，希望和大家和業主包括我們主機廠朋友一起，尤其我們在以后海上，我們發揮我們專業廠家的一些作用和貢獻，給我們整個風電行業包括一些主機廠做出我們一些智慧和貢獻。
?。ǜ鶕儆浾恚唇洷救藢徍耍?/div>
手機瀏覽網
