趙鵬：尊敬的各位專家，各位嘉賓大家下午好！我演講的題目是“基于監測數據的風機關鍵零部件剩余壽命預測”。我的報告包括三個部分，研究應用背景了解，剩余壽命預測方法介紹，剩余壽命預測系統方案。

 

　　下面有兩幅圖，第一幅圖是風電機組故障率的分布圖，從上面我們可以看出機組故障中的齒輪箱故障率為15%，主軸的故障率為3%。第二幅圖是一個零部件的停機的試驗，傳動部件的故障概率雖然比較低，但是我們由圖上可以看出，它引起的故障停機時間是相當長的。

 

　　所以根據調查數據顯示，對于工作壽命為20年的機組，運行維護成本估計占到風場收入的10-15%左右，而對于海上風場，運行維護的成本更高。其中事故維修費用比例為16%，定期維修費用比例為4.1%，而事故維修的費用占總維修費用的比例高達75%之多，而且還會引起長時間的停機，給風場造成重大損失。

 

　　由上面的分析我們可以看出，機械傳動部件的故障會引起長時間的停機，所以我們對它進行有效的狀態監測以及故障趨勢的預測，包括剩余壽命預測都是至關重要的。事實上在我們現在提到一個PHM的系統，我們的工作主要是PHM系統其中的一部分，其中剩余壽命是很關鍵的一個內容。而目前在我們風電行業中對于機組的狀態監測主要包括兩方面，一個是在線的，一個是離線的，離線的話目前我們機組主要采用振動信號，包括溫度、上升，在上面我們看到對于葉片采用的噪聲的方式，包括離線的部分主要是采用油液的一些手段。

 

　　剩余壽命預測實際上是基于我們狀態監測的技術，是利用狀態監測的一些數據對部件的一個趨勢以及壽命進行一個預測，它能夠提早的發現部件故障的趨勢來合理的安排維修，有效的降低故障帶來的損失，避免重大事故的發生，可以提高我們風電機組的一個安全可靠的運行，增加我們風電廠的收益。其實目前我們主要關注點是在于優化運維策略這一塊，實際上我們在研究這個項目的時候考慮的主要是在后期是否在我們現在機組設計是20年壽命，實際上我們機組是否在到了20年的時候是不是還可以繼續使用，所以我們做這個項目在關注如何延壽評估。包括我們正在運行的風機，我們是否可以利用這些數據來優化我們運行的參數。

 

　　預測方法，剩余壽命是指在標準運行的條件下，能夠保證機械設備安全可靠、有效運行的剩余時間，即系統部件在運行的某一時刻t到該部件失效時刻T的時間長度。零部件在某一時刻的剩余使用時間不僅與當前的時刻的使用狀態有關，而且與該時刻之前零部件的所有狀態存在關聯關系。

 

　　對目前已經有的一些剩余壽命預測方法已經有的一些分析實際上可以分為兩類，一是基于物理模型的方法，是通過建立精確的數學模型來進行預測。包括我們今年像疲勞壽命的等等都屬于這種方法。這種方法有一定的局限性，因為在計算剩余壽命時是以確定的失效模式為前提的，然而部件在實際的使用過程中，各種各樣的未知因素都可能產生，并且許多動態系統的結構非常復雜，無法建立精確的數學模型來描述部件的物理變化，這在很大程度上限制了該類預測方法的應用。

 

　　二是基于數據驅動的方法，通過人工智能或統計學習工具對狀態監測數據進行訓練，進而預測不見得剩余壽命。不需要或只需要少量的對象系統的先驗認知（數學模型和專家經驗），以狀態監測數據（或歷史數據）為基礎，通過各種數據分析方法挖掘其中隱含信息進行壽命預測。

 

　　所以對目前存在的一些剩余壽命的方法進行了一個總結，大概有這么多。其中基于物理方法，基于數據驅動，基于數據驅動又可以分為兩大類，一個是基于統計回歸的方法，一個是基于人工智能的。基于統計回歸的方法可能我們看到比較多應用的就是隱馬爾科夫模型，隱半馬爾科夫模型。人工智能應該是以后的趨勢，所以以后人工智能研究的比較多一點。

 

　　通過對以上方法的總結分析，在我們分析結構的剩余壽命預測中我們找到了一個更為合理或者有效的方法，這是極限學習機的方法，它是一種簡單的易用、有效的單隱層前饋神經網絡SLFNs學習算法。2004年由南洋理工大學黃廣斌副教授提出。

 

　　與傳統的學習方法相比，ELM算法具有學習速度、泛性能好等優點，極大地提高了神經網絡的學習速度。

 

　　在這個方法中最關鍵的就是如何做參數的優化選取，它是直接影響我們這個預測的準確性的，而在這個里面主要是輸入參數和內部參數的選取，輸入參數包括數據量，內部參數包括激活函數和隱含層結點。為了確定極限學習機的輸入和輸出參數，我們采用相空間重構技術方法來獲取數據的嵌入維數和時間延遲。

 

　　這是對學習機方法的一個簡單的介紹，主要是一些公示，時間的關系就不展開講了，大家可以看一看。因為這個學習機它開始提出來是基于單片量的，但是我們需要的是多變量的，所以我們引入多變量的值來構建結構函數。

 

　　具體步驟如下，右邊是流程圖，一是對采集到振動信號數據進行預處理，消除噪聲等不必要的信息。二是通過特征提取方法提取振動信號數據中多個域的多種特征指標量，包括時域指標或頻域指標，以獲取多維特征新奇。融合特征指標，消除數據冗余，利用PCA將第一步中的時域和頻域特征指標量進行融合，得到第一、第二，第P主成分。四是利用相空間重構技術分析融合后的主成分信息，確定嵌入維數，從而構建樣本集。五是訓練多變量ELM模型，實現內部參數的優化選取，獲得預測效果最佳的多邊量ELM預測模型，六是預測傳動部件的剩余壽命。

 

　　下面介紹一下剩余壽命預測系統方案，剩余壽命預測系統主要通過采集設備的運行狀態信息，對傳動系統關鍵部件，比如軸承、齒輪等的運行狀態進行實時監測，并利用狀態信息對產生損傷的故障件的剩余壽命進行預測。

 

　　主要包括兩個部分，一個是硬件部分，一個是軟件部分，硬件主要功能是實現狀態信息的采集、存儲；潤間部分主要是基于狀態信息實現傳動系統關鍵部件的運行狀態監測與剩余壽命預測。硬件這塊包括數據采集儀、傳感器、光線、數據服務器、客戶終端。軟件部分包括分析語診斷、壽命和預測兩個部分，分析語診斷分析時域分析、頻域分析、時頻分析等等。

 

　　硬件上主要我們利用目前的振動傳感器，因為我們現在大多數風箱已經裝了這種傳感器，然后就是風機實時運行中的狀態數據，比如風速、轉速等等。

 

　　信息采集，右邊這個圖是軟件系統的功能示意圖，主要有以下幾個部分，一是信息采集，主要是采集運行狀態信息，包括振動、溫度、載荷、豐度等信息。二是數據預處理與狀態監測，對采集得到的狀態信息進行預處理，包括消噪處理、剔除失真數據等，并初步完成時域指標、頻域指標等各種評價指標的計算；結合振動標準對風電機組傳動系統各個部件的振動。

 

　　運行狀態分析與診斷，這個模塊主要是對預處理后的數據采用各種現代信號處理方法進行綜合分析，如頻域分析、包括解調分析、小波分析、EEMD、時頻分析、稀疏分解等，了解現在關鍵部件的狀態。

 

　　剩余壽命預測，這一塊的系統它的實現流程主要見右邊流程圖，主要要進行預測的機械傳動部件，調用數據構建訓練樣本集和預測樣本，通過PCA融合提取特征指標，調用學習機算法，訓練多變量的學習機的預測模型，通過這個模型來預測我們這個剩余壽命。因為這里面可能理論東西比較多，嵌入一些數據的調用以及處理相對比較復雜，所以這個報告可能講的少一些。謝謝大家！以上就是我的報告！

 

　　（文章內容來自現場速記整理，未經本人審核）