2023年10月16日-20日，2023北京國際風能大會暨展覽會（CWP2023）在北京如約召開。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，聚焦中國能源革命的未來。

本屆大會以“構筑全球穩定供應鏈共建能源轉型新未來”為主題，將歷時四天，包括開幕式、主旨發言、高峰對話、創新劇場以及關于“全球風電產業布局及供應鏈安全”“雙碳時代下的風電技術發展前景”“國際風電市場發展動態及投資機會”“風電機組可靠性論壇”等不同主題的21個分論壇。能見App全程直播本次大會。

10月17日上午，中車株洲電力機車研究所有限公司高級算法工程師李籽圓在人工智能與智能運維發展論壇上發表了題為《風機的“順風耳”——工業聽診技術在風電領域的應用實踐》的主旨發言。     

以下為發言全文：

大家上午好，我是來自中車株洲所的李籽圓，算法工程師，我分享的題目是風機的“順風耳”——工業聽診技術在風電領域的應用實踐。

報告分四個部分，研究背景、工業聽診系統、應用案例以及最后對匯報內容總結與展望。首先是研發背景，與中國能源數據指出，中國裝機量由2010年的0.42億千瓦到2060年預計達25億千瓦，正在呈現飛速的增長。

與此同時，單機容量也一直在提高，像我們中車現在7.X兆瓦的機型已投入量產，這一次展臺也推出10兆瓦的整機平臺。我們全新的海平面平臺功率等級覆蓋8—12兆瓦以及14—16兆瓦，有感興趣的同仁可以去到我們展臺了解一下相關產品。

剛剛說到，隨著單機容量一再提高，隨之出現問題就會越來越多。比如葉根螺栓斷裂、葉片損傷、偏航異相、傳動鏈異常等等，這些問題在小機型上或多或少會出現，到大機型上顯得尤為突出，這個時候發現問題、及時檢測、提前介入處理，這是技術團隊需要攻關的。

接下來簡要介紹一下基于研發的工業聽診系統，首先講一下工業聽診系統的誕生，因為我們出發點是對超大機組全面檢測，現在行業內對大部件傳統檢測方式一般是靠運維人員的定檢、巡檢或者CMS的振動檢測，前者效率低、漏檢、信號處理復雜、傳感器精度受限、振動數據量大，安裝維護不便的問題。在此基礎上怎么來優化已有解決方式呢？我們想到了深度學習這條技術路線，隨著深度學習大趨勢運用到機械診斷設備領域，我們也自然而然會想應用到風電領域。

基于對風電機組運行原理深度理解，我們研發基于音頻風電機組工業聽診系統，我們取名叫風機的“順風耳”。

下面簡要介紹一下系統的架構，主要三部分組成，硬件部分、軟件部分以及診斷算法部分。

硬件部分簡單來說就是拾音器、采集器以及智能終端三部分。軟件部分是采集數據模塊、工業聽診模塊、人機交互模塊以及PHM系統里面的工業聽診板塊。算法部分采用的是深度學習的路線，會根據不同的風場定制不同的異常檢測算法。

下面我詳細的介紹一下這三部分。

硬件構成，工業聽診系統采用簡單的部署配置方案，在單臺風機上配置拾音器、采集器、智能終端各一套，安裝于機艙內部。基于葉片掃塔聲音、偏航聲音、輪轂聲音、傳動鏈等部件的聲音對各大部件聲音進行分類，以及異常診斷。

拾音器我們在前期實驗的時候會采取矩陣式麥克風拾音器和單獨麥克風的拾音器，當然，矩陣式麥克風的效果優于單獨麥克風，但是考慮到成本，在一些異常較少的風機上面，我們建議部署單獨的麥克風。

采集器有線采集、無線采集、集成至CMS采集，將風電機組的運行聲音轉換為數字量信號。

無線采集，它是將拾音器、音頻采集器，極為簡單的設備就能實現音頻的采集、轉換以及診斷。

關于智能終端將采集聲音數字量信號和機組PLC相關運行數據，并進行狀態分析與異常診斷，將診斷結果存儲至云端服務器。

接下來是軟件構成以及硬件流向部分，軟件構成簡要分為四個板塊，數據采集模塊、工業聽診模塊、人機交互系統以及我們已有PMH系統里面的工業聽診模塊，數據采集模塊是負責采集機組聲音信號和同時期機組相關運行數據，這個也不是一直采集，是會根據機組運行數據觸發采集模塊的程序，并將數據分別存儲到本地音頻文件系統和數據庫。

將數據到結果進入到人機交互系統，并進行狀態診斷與異常檢測，振動階段與運行數據查詢、錄音回放、可視化。我們將工業聽診結果從攻擊端會把結果集成云端PHM系統，實現基于音頻的狀態檢測與異常診斷。

核心診斷算法部分，首先我介紹一下算法的復雜性，異常檢測算法復雜性具有以下四點：不可知性、異常類別的異構性、罕見性和類間不平衡、異常種類的多樣性。

異常往往是具有不可知的特性，比如異常數據不可知的爆發形式、不可知數據的結構以及不可知的數據分布，這些不可知性需要等異常的出現才有可能知道。

第二異常類別的異構性，異常通常是沒有規律的，因此，異常類間可能存在很大差異，比如齒輪箱異響、不同程度的偏航異響、傳動鏈大部件異響，這些都是完全不一樣的異響。

第三，罕見性和類間不平衡性，異常相比于正常工況屬于罕見事件，因此它的數據量毫無疑問是更小的，也更難采集，所以我們這個問題就在于很難采集到大數量全面的帶有異常標簽的數據。

第四，異常種類多樣性，個點異常，區別于多數派的個體異常樣本，條件異常在特定情況下才屬于異常情況，比如說變速箱在高轉速下可能會發出比較大的聲音，這個時候我們會認為它是正常的，如果再低轉速下還發出同樣聲音，毫無疑問，那它就是異常的，這種是條件異常。然后是群組異常，多個樣本群體行為屬于異常，比如我們齒輪箱會出現三千赫茲、五千赫茲、八千赫茲的頻率，如果他們單獨出現可能是正常的，如果同時出現就會屬于群體異常。

上述四個復雜性會帶來一系列的問題與挑戰，首先是低召回率，這是由于數據異常性和罕見性導致訓練出來的模型存在漏檢，不全面。解析高維數據和非獨立數據，異常在高維度數據不明顯，且高維特征之間錯綜復雜，相互影響，具有耦合性。高效利用有限數據來學習正常和異常，有監督算法有時候會因為數據量無法訓練，泛化性能極差，無監督算法過分地依賴自認為的假設，表現也一般。

第四個挑戰就是抗噪異常檢測，具有錯誤的標簽的數據或正常的樣本混入了一場樣本，保證訓練數據的干凈或設計一個抗噪性好的算法模型，第五個檢測算法異常，大部分模型只考慮個點異常，也就是離群，如何將條件異常和群組異常引入到模型中是這個挑戰之一。最后一點異常的解釋，基于深度學習算法，大部分都是黑盒工作，有時候找到了異常，但是你沒法和風機的故障進行合理的解釋，在可解釋性和模型性能之間找一個平衡，是這個挑戰之一，這是不能一味的去尋求模型的性能好。

針對上述六個挑戰及問題，我們為什么會選擇深度學習這條技術路線呢？因此我們團隊進行了研發，參考了一些參考文獻以及一些應用實踐，分析發現，如果一個深度學習是基于多個步驟組成，它端到端的優化能夠全局調優一個異常檢測流程，深度學習在訓練過程中學習到異常專用特征，深度學習自動挖掘高緯度之間的復雜相互關系，這是深度學習的天性優勢，現在深度學習領域有效和易用的模型和框架能夠無縫地和來自不同的數據。

前面籠統講了一下深度學習的優勢，具體到每一個場景下，深度學習算法又是怎樣選擇的呢？接下來我要講的就是我們半監督方法和無監督方法相比于有監督更適合風電檢測的場景，但是并非完全沒有，將無監督和半監督方法作為主要研究方向，同時對部分有監督算法進行了實驗，根據不同場景會定制異常檢測算法。像圖中所示，舉了兩個例子，就是早期在偏航異響以及葉片異常進行實驗，最后根據不同場景使用不同算法。

接下來講一下工業聽診系統在風場的實際應用，近一年來，我們從南方山地風場、北方平原風等多類型風場部署了工業聽診系統，采集到音頻數據時長共25000h，大小超3000G，精準識別了不同機型偏航異響、輪轂異常、葉片異常、齒輪箱異響等大部分異常，風機的“順風耳”安裝方便，覆蓋面廣，準確率高。

最后是對匯報內容的一個總結，先說一下我們這個系統的優勢，風機“順風耳”依靠無接觸麥克風精準識別各類異常，安裝方便，覆蓋面廣，準確率較高，成本更低，提升無人值守，風電場運維響應及時性，助力開啟智能風場運維新模式，當然這樣系統是對我們超大機組檢測的一次嘗試，不斷的研究以及應用實踐，目前部署方式不能有效對塔筒進行檢測，新出現位置異常往往需要相關領域專家介入處理。

展望，風機的“順風耳”可集成CMS檢測系統、視頻檢測系統并進行推廣，有望實現對超大機組更全面的檢測。

最后期待與行業專家一起努力，利用好現有的大模型基礎設施，持續構建有價值可落地的數據應用服務。

謝謝大家，我的匯報就這些！

（根據演講速記整理，未經演講人審核）