手机浏览网
内蒙古久和能源装备有限公司主任工程师赵鹏先生
赵鹏：尊敬的各位专家，各位嘉宾大家下午好！我演讲的题目是“基于监测数据的风机关键零部件剩余寿命预测”。我的报告包括三个部分，研究应用背景了解，剩余寿命预测方法介绍，剩余寿命预测系统方案。
下面有两幅图，第一幅图是风电机组故障率的分布图，从上面我们可以看出机组故障中的齿轮箱故障率为15%，主轴的故障率为3%。第二幅图是一个零部件的停机的试验，传动部件的故障概率虽然比较低，但是我们由图上可以看出，它引起的故障停机时间是相当长的。
所以根据调查数据显示，对于工作寿命为20年的机组，运行维护成本估计占到风场收入的10-15%左右，而对于海上风场，运行维护的成本更高。其中事故维修费用比例为16%，定期维修费用比例为4.1%，而事故维修的费用占总维修费用的比例高达75%之多，而且还会引起长时间的停机，给风场造成重大损失。
由上面的分析我们可以看出，机械传动部件的故障会引起长时间的停机，所以我们对它进行有效的状态监测以及故障趋势的预测，包括剩余寿命预测都是至关重要的。事实上在我们现在提到一个PHM的系统，我们的工作主要是PHM系统其中的一部分，其中剩余寿命是很关键的一个内容。而目前在我们风电行业中对于机组的状态监测主要包括两方面，一个是在线的，一个是离线的，离线的话目前我们机组主要采用振动信号，包括温度、上升，在上面我们看到对于叶片采用的噪声的方式，包括离线的部分主要是采用油液的一些手段。
剩余寿命预测实际上是基于我们状态监测的技术，是利用状态监测的一些数据对部件的一个趋势以及寿命进行一个预测，它能够提早的发现部件故障的趋势来合理的安排维修，有效的降低故障带来的损失，避免重大事故的发生，可以提高我们风电机组的一个安全可靠的运行，增加我们风电厂的收益。其实目前我们主要关注点是在于优化运维策略这一块，实际上我们在研究这个项目的时候考虑的主要是在后期是否在我们现在机组设计是20年寿命，实际上我们机组是否在到了20年的时候是不是还可以继续使用，所以我们做这个项目在关注如何延寿评估。包括我们正在运行的风机，我们是否可以利用这些数据来优化我们运行的参数。
预测方法，剩余寿命是指在标准运行的条件下，能够保证机械设备安全可靠、有效运行的剩余时间，即系统部件在运行的某一时刻t到该部件失效时刻T的时间长度。零部件在某一时刻的剩余使用时间不仅与当前的时刻的使用状态有关，而且与该时刻之前零部件的所有状态存在关联关系。
对目前已经有的一些剩余寿命预测方法已经有的一些分析实际上可以分为两类，一是基于物理模型的方法，是通过建立精确的数学模型来进行预测。包括我们今年像疲劳寿命的等等都属于这种方法。这种方法有一定的局限性，因为在计算剩余寿命时是以确定的失效模式为前提的，然而部件在实际的使用过程中，各种各样的未知因素都可能产生，并且许多动态系统的结构非常复杂，无法建立精确的数学模型来描述部件的物理变化，这在很大程度上限制了该类预测方法的应用。
二是基于数据驱动的方法，通过人工智能或统计学习工具对状态监测数据进行训练，进而预测不见得剩余寿命。不需要或只需要少量的对象系统的先验认知（数学模型和专家经验），以状态监测数据（或历史数据）为基础，通过各种数据分析方法挖掘其中隐含信息进行寿命预测。
所以对目前存在的一些剩余寿命的方法进行了一个总结，大概有这么多。其中基于物理方法，基于数据驱动，基于数据驱动又可以分为两大类，一个是基于统计回归的方法，一个是基于人工智能的。基于统计回归的方法可能我们看到比较多应用的就是隐马尔科夫模型，隐半马尔科夫模型。人工智能应该是以后的趋势，所以以后人工智能研究的比较多一点。
通过对以上方法的总结分析，在我们分析结构的剩余寿命预测中我们找到了一个更为合理或者有效的方法，这是极限学习机的方法，它是一种简单的易用、有效的单隐层前馈神经网络SLFNs学习算法。2004年由南洋理工大学黄广斌副教授提出。
与传统的学习方法相比，ELM算法具有学习速度、泛性能好等优点，极大地提高了神经网络的学习速度。
在这个方法中最关键的就是如何做参数的优化选取，它是直接影响我们这个预测的准确性的，而在这个里面主要是输入参数和内部参数的选取，输入参数包括数据量，内部参数包括激活函数和隐含层结点。为了确定极限学习机的输入和输出参数，我们采用相空间重构技术方法来获取数据的嵌入维数和时间延迟。
这是对学习机方法的一个简单的介绍，主要是一些公示，时间的关系就不展开讲了，大家可以看一看。因为这个学习机它开始提出来是基于单片量的，但是我们需要的是多变量的，所以我们引入多变量的值来构建结构函数。
具体步骤如下，右边是流程图，一是对采集到振动信号数据进行预处理，消除噪声等不必要的信息。二是通过特征提取方法提取振动信号数据中多个域的多种特征指标量，包括时域指标或频域指标，以获取多维特征新奇。融合特征指标，消除数据冗余，利用PCA将第一步中的时域和频域特征指标量进行融合，得到第一、第二，第P主成分。四是利用相空间重构技术分析融合后的主成分信息，确定嵌入维数，从而构建样本集。五是训练多变量ELM模型，实现内部参数的优化选取，获得预测效果最佳的多边量ELM预测模型，六是预测传动部件的剩余寿命。
下面介绍一下剩余寿命预测系统方案，剩余寿命预测系统主要通过采集设备的运行状态信息，对传动系统关键部件，比如轴承、齿轮等的运行状态进行实时监测，并利用状态信息对产生损伤的故障件的剩余寿命进行预测。
主要包括两个部分，一个是硬件部分，一个是软件部分，硬件主要功能是实现状态信息的采集、存储；润间部分主要是基于状态信息实现传动系统关键部件的运行状态监测与剩余寿命预测。硬件这块包括数据采集仪、传感器、光线、数据服务器、客户终端。软件部分包括分析语诊断、寿命和预测两个部分，分析语诊断分析时域分析、频域分析、时频分析等等。
硬件上主要我们利用目前的振动传感器，因为我们现在大多数风箱已经装了这种传感器，然后就是风机实时运行中的状态数据，比如风速、转速等等。
信息采集，右边这个图是软件系统的功能示意图，主要有以下几个部分，一是信息采集，主要是采集运行状态信息，包括振动、温度、载荷、丰度等信息。二是数据预处理与状态监测，对采集得到的状态信息进行预处理，包括消噪处理、剔除失真数据等，并初步完成时域指标、频域指标等各种评价指标的计算；结合振动标准对风电机组传动系统各个部件的振动。
运行状态分析与诊断，这个模块主要是对预处理后的数据采用各种现代信号处理方法进行综合分析，如频域分析、包括解调分析、小波分析、EEMD、时频分析、稀疏分解等，了解现在关键部件的状态。
剩余寿命预测，这一块的系统它的实现流程主要见右边流程图，主要要进行预测的机械传动部件，调用数据构建训练样本集和预测样本，通过PCA融合提取特征指标，调用学习机算法，训练多变量的学习机的预测模型，通过这个模型来预测我们这个剩余寿命。因为这里面可能理论东西比较多，嵌入一些数据的调用以及处理相对比较复杂，所以这个报告可能讲的少一些。谢谢大家！以上就是我的报告！
（文章内容来自现场速记整理，未经本人审核）
