海上风电基于工业互联网故障预测与健康管理（PHM）解决方案

海上风电运维阶段痛点&难点

通达困难，海上风电场远离陆地，需要船舶或直升机才能到达机组位置，比陆上风电更复杂、风险更高。
危险系数高，海上风电场的运维工作具有一定的危险性，需要采取严格的安全措施来保障人员安全
作业时间长，海上风电场的现场维护工作出海一次需要较长时间才能完成，这增加了运维成本和风险。
天气因素大，海上风电场的运维工作受到天气因素的影响，恶劣天气会导致运维工作无法进行，影响响应效率。
机组故障高，风电设备易受盐雾、台风、海浪、雷电等恶劣条件影响，风电机组部件容易失效导致维修工作量大，从而导致维修费用高。
缺乏经验，与欧洲国家相比，我国海上风电行业发展时间相对较短，运维经验存在明显不足，海上风电运维行业尚处于起步阶段。

PHM 在海上风电运维阶段的业务价值

预测性维护是故障预测与健康管理（PHM）的重要组成部分，通过对设备数据的分析和预测，实现对设备故障和问题的提前发现和维护。故障预测与健康管理（PHM）则更全面地管理和评估设备的状态和健康状况，包括预测性维护在内，旨在实现设备的长期可靠运行和优化维护决策。

工业互联网+PHM 聚焦重点

海上风电叶片螺栓断裂会造成以下影响：

影响风电机组的安全运行

叶片螺栓断裂会导致叶片与轮毂之间的连接不稳定，甚至造成叶片影响风电机组的安全运行。叶片螺栓断裂会导致叶片与轮毂之间的连接不稳定，甚至造成叶片脱落，对风电机组本身和周围环境造成严重的危害。叶片螺栓断裂还会影响叶片的空气动力学性能，降低风电机组的功率输出和效率。

增加风电机组的维修成本

叶片螺栓断裂需要及时更换或修复，以恢复风电机组的正常运行。这需要耗费大量的人力、物力和财力，增加风电机组的运维成本。特别是海上风电机组，由于其位置偏远、环境恶劣、交通不便等因素，维修难度更大，成本更高。

影响风电机组的寿命和可靠性

特别是海上风电机组，由于其位置偏远、环境恶劣、交通不便等因素，维修难度更大，成本更高。叶片螺栓断裂会导致风电机组的结构完整性和稳定性下降，加速其他部件的磨损和损伤，降低风电机组的寿命和可靠性。叶片螺栓断裂还会影响风电机组的控制系统和保护系统，增加风电机组发生故障或事故的风险。

海上风电叶片螺栓断裂的故障预测方案比选

基于风电公司已经采集了大量数据的现状，以及不大幅增加感知设备投入的前提下，建议采用机器学习的方法来进行风电设备的故障诊断及健康管理。

工业互联网+PHM 技术架构

应用案例 — 海上风电叶片螺栓断裂故障预测

案例场景：在风场巡检中发现风机叶根螺栓断裂的情况，然而叶根螺栓没有传感器监控，断裂时间点未知，为了及时掌握此类故障发生，在故障发生初期及时发出预警，避免更大事故的发生。

螺栓断裂样图

预期效果：在不同风速段下可达到 90%以上的识别准确率（不同风机上表现有差异），右图展示的是风机运行过程中模型自动判断运行状态为正常的概率（概率接近 0 则为异常，概率接近 1 则为正常），从 1 到 0 的阶跃位置即为故障发生时间，一旦状态值发生跳跃，则系统发出故障告警信息，同时机组停机，运维人员及时到现场排查和检修，从而避免较大故障风险，在一定程度上也能降低运维成本。

风机运行状态概率随时间变化图

方案总结：风电机组运行过程中通过提取相关特征，包括机舱加速度、速率比、平均桨距角、最大桨距角、变桨速率、发电机转速等，采用监督学习分析方法建立正常与故障模型，确定螺栓断裂发生的时间段，再通过对分类算法阈值的不断学习，逐渐找到精准的断裂发生时间点，进而实现对螺栓断裂的精准预测。

SCADA 原始数据包含了多台风机累计 3 个月的测量值；每台 24 个传感器以秒级时间采集数据。

优势亮点：利用了控制设备运行的 SCADA 数据（包括机舱加速度、速率比、平均桨距角、最大桨距角、变桨速率、发电机转速等），响应现场条件不要求为监控特定故障（如叶根螺栓断裂）增加特定的传感器；采用监督学习分析方法建立正常与故障模型，同时建立了基于风速的模型，能准确地检测出异常，模型精度、可靠性高，具有推广意义。

目前,我方技术服务团队的海上风电风机叶片螺栓断链预测机器学习算法，是基于风机转速、倾角、风速、方向等参数，利用监督学习分析方法建立的正常与故障模型，确定螺栓断裂发生的概率，再根据概率的大小划分为不同的预警等级。

具体算法是基于机器学习多层感知器模型，通过提取相关特征，包括：机舱加速度、速率比、平均桨距角、最大桨距角、变桨速率、发电机转速等，建立正常与故障模型，确定螺栓断裂发生的时间段，再通过对分类算法阈值的不断学习，逐渐找到精准的断裂发生时间点，进而实现对螺栓断裂的精准预测。

上述表格中，数据置信度取决于算法的准确性与数据质量。一般来说，算法准确性越高，数据质量越好，数据置信度越高。具体置信度可以通过相关评估指标来衡量，例如：准确率、召回率、F1 值等。通过这些指标，可以反映算法在预测叶根螺栓断裂概率和预警等级的正确性与完整性。

评估总结&价值优势

效果评估:

提高了海上风电场的安全性和稳定性，减少了故障损失和维护成本；
解决方案基于工业互联网与数字孪生技术，具有数据共享和协同管理的优势，提高了风电场的管理效率。

客户效益：

响应现场条件不要求为监控特定故障（如叶根螺栓断裂）增加特定的传感器；
有效累积叶根螺栓断裂数据与工况，反馈给厂家零件设计和装配部门便于改进设计；
延长风机寿命、减少停机检修的时间、提高发电效率；
减少维修成本，使维修更有针对性，及早安排维修人员和准备材料；
通过数字孪生远程值守一体化平台与模型结合应用，降低了维护和巡视的费用。

要点总结：

项目依据 SCADA 采集的数据源建立模型；如果有更多丰富的数据类型并进行耦合，则模型建立可以更加精准；
监测过程中需要联动环境监测数据，避免由于环境因素导致的故障误诊断（如因温度原因部件热胀冷缩）；
在真正生产运行工况下，面对更多复杂环境要素干扰，依然有必要增加极少量传感器，以补充可靠数据并提升系统健壮度；当然在确保监控准确度的前提下需考虑经济性，从而通过模型的优化尽量减少传感器安装数量；
需要预先对螺栓进行动态载荷检测，统计螺栓及叶片叶根处等效载荷；
结合风机螺栓设计仿真值，评估螺栓是否存在疲劳失效。

基于工业互联网的故障预测与健康管理（PHM）：实现在设备发生故障前对其进行相关维护，使设备能运行在正常状态。预测性维护的核心是对设备的状态进行监测、分析和诊断，从而实现故障预警、故障识别、寿命预测等功能。预测性维护可以有效地减少故障发生的概率和严重程度，延长设备的寿命和运行时间，降低维护成本和停机损失。

数据驱动，该方法不依赖于物理模型或先验知识，而是通过大量的数据采集和分析，自动地学习出数据中隐藏的规律和模式，从而提高了预测性能和泛化能力。
实时高效，该方法可以实时地采集和处理叶片螺栓的声音或振动信号，并及时地给出故障预警和提示信息，从而缩短了故障发现和处理的时间。
敏捷灵活，该方法可以适应不同类型、不同规模、不同工况的海上风电机组，并且根据实际需求调整算法参数和模型结构，从而提高了适应性和可扩展性。
成本经济，该方法不需要在叶片螺栓上加载传感器，无需对风电机组进行大幅改故障预测。该方法可以利用机器学习或深度学习等智能算法，对叶片螺栓的历史和实时数据进行分析，建立叶片螺栓状态与时间的关系模型，从而预测叶片螺栓的剩余寿命和故障发生的可能性，为维护决策。
有效诊断，该方法利用机器学习或深度学习等智能算法，建立叶片螺栓状态与特征参数之间的映射关系，实现叶片螺栓状态的监测、诊断和预测。该方法可以准确地识别出叶片螺栓的正常、轻微异常、严重异常、紧急故障等状态，并给出相应的故障原因和位置，为故障排除提供依据。
辅助决策，该方法根据故障预测的结果，制定相应的维护决策和方案，如继续观察、定期检查、立即修复等，并安排相关人员和资源进行维护操作。该方法可以有效地避免过度维护或欠维护，提高维护效率和效果。