大数据战胜小螺栓——寄云把脉风机叶根螺栓断裂病

风力发电机是将风能转换为机械能，机械能转换为电能的电力设备。某风电企业是国内排名前三的大型风电设备制造厂商，专业从事大型风力发电机组与关键部件的设计、制造和销售以及风电场的建设、运营和咨询服务，在高海拔风机市场具有显著的优势，已有数百台在线运营，优异的产品性能和良好的售后服务获得了国内众多电力投资商的高度认可，在业内具有良好口碑。

小螺栓，大问题

风力发电机各部件主要通过螺栓连接，每个叶片根部均有50个螺栓固定，因为风机的变桨操作、螺栓零件的自然老化或叶片受到过大应力等因素，叶根螺栓会产生断裂甚至脱落的情形。叶根螺栓的断裂可能导致螺栓脱落掉进风机机舱，造成风机机舱内部机组的损坏，且当一个螺栓出现问题，很容易造成其他螺栓接连断裂，最终将造成叶片掉落，甚至倒塌的严重后果。目前风力发电机叶根螺栓的断裂与否完全依赖人工的排查，然而风场通常设置在如山区、草原、海边或者离岸等偏远的地区，且一个风场通常由数十台风机组成，定期的巡检并不能及时发现，往往在出现严重故障后才会发现。如何能及时发现螺栓断裂避免后续严重故障发生，是该风电企业急需解决的问题。

头疼医头，脚痛医脚不可取

目前，该风电企业主要采用半年一次的人工定期巡检排查故障。然而风场通常设置在偏远的地区，风机检修人员不易安排，且一个风场通常由数十台风机组成，对于逐个风机进行高频率的人工排查非常耗费人力及时间成本。理论上还可以增加传感器来进行检测，如螺栓预紧力传感器、环形垫圈传感器等，通过实时检测每颗螺栓的预紧力来判断有没有螺栓断裂。因为造价昂贵，目前主要应用在核工业、科研等领域，对于单个叶片就有50颗螺栓固定的风机来说，一方面性价比太低，另外也会使得系统更加复杂。

概括来说就是头疼医头脚疼医脚的方式，不仅增加了额外的人力物力，还没有带来更多的延伸利益。寄云科技提出可以通过对其他传感器的测量和监控，比如风机转速、倾角、风速、方向等参数，间接找到叶根螺栓断裂的时间点，及时通知运营人员对断裂螺栓进行更换或者采取其他的维护措施。这种方式不需要额外的传感器就能第一时间发现断裂的螺栓，还能进一步开发实现预测螺栓断裂，以便于运营人员在螺栓断裂之前采取措施，避免螺栓断裂。

大数据思维望闻问切

风力发电机本身有数十个传感器，可返回数百个字段，这些传感器数据反应了风机的各种不同的状态，长期以来，该风电客户已经积累了大量包括叶片角度、叶片变桨速率、轮壳转速及发电机转速等在内的数据。寄云科技提出基于机器学习的监督学习分析法，在不增加传感器的情况下，解决风机叶根螺栓断裂故障的检测问题，降低运营成本。

基于机器学习的监督学习分析法是指从众多的风机周边传感器数据指标中筛选出相关变量，建立风机正常和异常运转模型，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，逐步找到精准的断裂发生时间点，进而实现对螺栓断裂的精准检测。具体实施步骤如下：

特征提取。从大量传感器指标中筛选并提取生成和螺栓断裂有关的变量，计算各项传感器数据在断裂前后的分布差异，筛选其中显著项； 对各项传感器数据进行断裂前后的频域分析，找出显著差异项；

建立正常及异常模型。根据风向、风速等外部环境因素相关的传感器数值分布进行工作状态切分，并以检测出螺栓断裂当日之前较小时间窗口数据作为确认异常数据，训练不同状态下的正常/异常判定模型，确认模型对于异常状态的可检测性。

确定故障发生时间。在检测出螺栓断裂当日之前的长时间窗口内，利用训练好的判定模型进行检测，寻找正常转变为异常的跳点，即正常转为异常模型的点。

分类算法阈值的学习。利用3中捕获的跳点，获得新的异常数据区间，重新训练异常判定模型，对于模型进行优化。重复进行3和4步骤，逐步逼近异常发生的真实、精准的早期时间点。

故障检测。基于4的最终分析结果，对螺栓断裂进行检测，再次确定故障的发生时间和位置。在积累了足够的数据和模型之后，进一步基于故障前各个传感器变化的趋势，对叶根螺栓断裂进行检测。

目前，通过寄云基于机器学习的监督学习分析法，确定了正常和故障状态下传感器表现的差异及故障特征，并给出了找到螺栓断裂准确时间的分析方法，后续将继续对既有的分析结果进行验证和积累，逐步实现叶根螺栓断裂的预测，以便于运营人员在断裂前进行设备状态的调整，进而减少运维和设备的维修费用，提高风场的生产效率。利用数据分析的寄云基于机器学习的监督学习分析法不仅适用于风电企业，也可以应用到更多类似的大型机械生产和运维环境中，为大型机械故障的检测提供了解决思路和方法。

欢迎关注寄云科技订阅号（neuclouddy）或工业互联网时代（neucloudicb），这里有工业大数据相关的技术干货，更有行业案例分享！