CN115687315A - 一种风机的故障诊断与健康管理系统 - Google Patents

Abstract

本申请涉及一种风机的故障诊断与健康管理系统，包括边缘数据采集模块，大数据治理模块，早期故障诊断模块，性能评价与根因分析模块，故障影响量化评估模块，智能排程模块，智能备件模块以及智能知识库。本申请能够将风机核心部件的各类多元异构数据进行融合，并以部件的失效机理为指导，以监测和诊断核心部件的失效模式为目标，并实现所诊断失效模式的自动根因分析、失效影响和风险评价以及量化评估失效扩展的时间，为所诊断的失效模式的维护和检修、允许处理的时间窗口和紧急程度评价提供了依据，同时将这些信息作为智能运维排程、备件智能优化以及知识库管理的输入，并实现从诊断预警到维护实施以及从运维实施结果到诊断预警的双向闭环。

Description

一种风机的故障诊断与健康管理系统

技术领域

本申请涉及一种风机的故障诊断与健康管理系统，适用于风电设备健康监测的技术领域。

背景技术

在风电设备中，风轮的直径和兆瓦等级越来越倾向大型化。除了风机自带的数据采集与监视控制系统(SCADA)和传动链振动监测系统(CMS)外，以下因素让风机核心部件故障诊断、预警与健康管理系统越来越受到重视：大型机组结构的非线性效应，导致更复杂敏感的多体动力响应，机组运行风险增大；机组单位部件的成本造价大幅增加，更换和维修成本都较小风机更高；加工制造、运输吊装等环节产生的损伤和缺陷风险更高；为了降低风机全生命周期的成本，通过智能化手段，将传动运维模式转变为精准运维，减少停机时间，减少运维成本，避免大修、更换乃至倒塔等重大安全事故的发生，是必然的选择。

现有技术中已经引入了各类大数据平台和智能诊断平台，但这些平台大多各自独立，存在信息孤岛的困境。一方面无法覆盖风机各个核心部件，另一方面无法覆盖同一台风机的多类不同类型的监测数据，而且很多平台或系统主要基于一类或几类数据，一个或几个部件的状态监测、异常诊断，较少系统性地以风机全面的核心部件为导向，以详细的失效模式为目标进行故障预警和诊断。

因此，现有技术中需要一种风机的故障诊断与健康管理系统，其可以融合多元异构数据，并以风机核心部件失效机理为指导，以监测和诊断各个核心部件的重要、高频失效模式为目标，能够将传统运维模式转变为精准运维，且能够实现自动化和智能化的效果。

发明内容

本申请提供一种风机的故障诊断与健康管理系统，能够将风机核心部件的各类多元异构数据进行融合，并以部件的失效机理为指导，以监测和诊断核心部件的失效模式为目标，并实现所诊断失效模式的自动根因分析、失效影响和风险评价以及量化评估失效扩展的时间，为所诊断的失效模式的维护和检修、允许处理的时间窗口和紧急程度评价提供了依据，同时将这些信息作为智能运维排程、备件智能优化以及知识库管理的输入，并实现从诊断预警到维护实施以及从运维实施结果到诊断预警的双向闭环。

本申请涉及一种风机的故障诊断与健康管理系统，包括以下模块：

边缘数据采集模块，其采集风机部件的数据并对数据质量进行检查，以去除干扰数据；

大数据治理模块，其用于汇总和分类储存各类多元异构数据，通过内置的数据质量筛查模型，对不同类型和结构的数据进行质量筛查；

早期故障诊断模块，其设置有风机部件的失效模式的算法模型，算法模型根据失效诊断的需要选择性地采用边缘数据采集模块中的多元异构数据进行诊断，并根据诊断结果发出预警提示；

性能评价与根因分析模块，其根据早期故障诊断模块的诊断结果所对应的失效模式对风机的性能影响进行评价，并对可能引发失效模式的根因进行分析；

故障影响量化评估模块，其对所诊断的故障的失效影响进行量化评估和安全风险评估，并调取对应的决策方案和检修方案；

智能排程模块，其动态读取基于故障诊断和评估提交的检修任务以及作为排程模型运行的输入信息，给出智能排程的输出结果；

智能备件模块，其自动读取备件信息并动态读取智能排程模块任务池中的需求信息，进行智能备件管理任务优化，并输出管理措施；

智能知识库，其提供专业信息的查询和输入，并动态沉淀专家知识和实施过程经验。

算法模型可持续性评价模块，其提供了算法模型性能和完备性的全生命周期的自动闭环和迭代。

其中，所述算法模型可持续性评价模块包括特征库和模型库，所述特征库储存并自动评价和更新早期故障诊断模型相关的特征；所述模型库包含系统相关的所有算法模型并满足各模块的算法模型调用需求，所述模型库中的模型能够进行模型性能评价。

其中，所述边缘数据采集模块包括：多元异构数据采集单元，其对多种不同类别、不同采样频率的数据进行采集；边缘数据条件采集单元，其基于风机运行参数、环境条件、失效特征识别功能的算法模型，自动采集设定时长且满足设定特征或条件的数据；边缘数据质量管理单元，其对数据质量进行自动检查，同时在进行条件采集时，对所采集到的原始数据自动筛查干扰数据。

其中，所述大数据治理模块对不同类型和结构的数据进行质量筛查，具体包括：完整性筛查，包括空值比例、重采样比例的筛查；唯一性筛查，包括重复比例的筛查；及时性筛查，包括时间戳空缺比例的筛查；有效性筛查，包括数据类型异常、超量程、状态变量有效性的筛查；准确性筛查，包括采样率、噪声数据比例、数据精度、零点漂移的筛查；一致性筛查，包括逻辑偏差比例的筛查。

其中，所述早期故障诊断模块对每个部件的各类失效模式独立建模，从大数据治理模块读入的数据，会通过调用内置在早期故障诊断模块中的数据质量算法模型，进行数据清洗；所述性能评价与根因分析模块将构建功率曲线退化模型和寿命衰减模型，输出退化后的功率曲线和折减后的寿命衰减曲线；其中，通过事先构建的DFMEA库将对应每个失效模式的专家经验沉淀和保存到智能知识库中，当诊断出某个失效模式时，自动调用智能知识库中的根因路径树，启动各路径分支对应的根因分析模型，该模块根据根因分析结果锁定引发该失效模式发生的根因，并通过应用模块展示根因提示。

其中，所述故障影响量化评估模块根据输入的数据采用所述性能评价与根因分析模块输出的退化后的功率曲线和折减后的寿命衰减曲线进行单日发电量损失的量化评估以及失效恶化发展到下一阶段时间窗口的量化评估；所述故障影响量化评估模块从智能知识库调用失效模式对应的人员和风机整机安全影响知识库，进行安全风险评估；所述故障影响量化评估模块还包括决策单元，所述决策单元利用包括发电量损失、可操作的窗口时间、安全风险的信息作为运维方案决策的输入，从智能知识库中调用对应的决策信息、决策流程和检修方案。

其中，所述智能排程模块将动态监测人员和载具的位置和状态信息，支持多元异构信息的采集和储存，同时自动统计工时信息，为排程模型提供闭环反馈；将最终确认的失效模式和失效原因反馈到所述早期故障诊断模块和所述性能评价与根因分析模块，将执行过程中更符合现场实际情况的操作环节信息反馈到智能知识库中，优化现有方案和流程；同时自动给出存在类似根因现象的风机或风场的排查提示。

其中，所述智能备件模块将所述备件信息和所述需求信息作为备件管理优化的输入，从所述智能知识库中读取各部件失效模式的失效频次和比例，利用用于智能备件动态优化管理的算法模型，为目标进行智能备件管理任务优化，并输出具体的管理措施。

其中，所述算法模型可持续性评价模块的评价维度包括失效模式覆盖完备性维度和算法模型经济性维度；所述失效模式覆盖完备性维度基于知识库中动态统计的失效类型，对于未能被算法模型库中的模型覆盖的失效模式，自动提示新增和开发该失效模式对应的早期失效诊断模型和性能评价模型；所述算法模型经济性维度诊断所节省的电量和人工成本，减去算法误报导致的电量损失和人工成本浪费，减去算法漏报导致的额外停机电量损失和人工成本，从总的电量损失和人工成本两个经济指标对算法模型进行评价。

根据本申请的故障诊断与健康管理系统，可以融合风机各个部件、各个系统的多元异构数据，并以风机核心部件失效机理为指导，以监测和诊断各个核心部件的重要、高频失效模式为目标，监测和诊断结果能进一步进行失效的根因分析、失效影响和风险评价，能闭环应用到运维排程优化、备件的优化和管理乃至专业知识沉淀，同时运维实施信息能够被闭环反馈到监测和诊断，最终实现自动化和智能化的效果。特别地，根据本申请的故障诊断与健康管理系统具有以下技术优势：

(1)早期故障诊断模块通过算法模型库全面覆盖了风机各个核心部件的高频、重大失效类型，确保了智慧健康管理功能覆盖的全面性；

(2)模型库中的不同模型之间会因数据质量、根因分析等需要实现互动，从失效影响的系统化视角，避免了模型的孤立存在；

(3)不仅实施了诊断结果在运维实施和备件管理中的价值落地，还通过实施后失效类型和频次的动态统计，从完备性和经济性两个维度实现了算法模型的持续迭代和优化；

(4)从边缘数据采集模块、大数据治理模块到早期故障诊断模块，实现全过程的数据的质量管理和保障，为提高算法准确性、降低漏报率和误报率提供了有力的基础。

附图说明

图1是本申请的故障诊断与健康管理系统的系统架构示意图。

图2是实施例中齿轮箱高速轴轴承磨损后与损伤前的功率曲线对照图。

图3是实施例中齿轮箱高速轴轴承的寿命衰减曲线对照图。

图4是实施例中的故障影响量化评估模块的决策流程示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

根据本申请的一种风机的故障诊断与健康管理系统，包括以下模块：边缘数据采集模块，大数据治理模块，早期故障诊断模块，性能评价与根因分析模块，故障影响量化评估模块，智能排程模块，智能备件模块，智能知识库和算法模型可持续性评价模块。

本申请的边缘数据采集系统位于风机侧，对于可利用数据只有SCADA数据的情况，也可设置在位于升压站附近的风场监控中心或数据中心，风电场的升压站是指将风电机组的输出电压升高到更高等级电压并送出的设施。其他模块可以集中设置在一台服务器或分散设置在多台服务器上，服务器可以位于风场升压站监控中心，也可以位于区域集控中心或集团控制中心。从边缘数据采集系统到风场升压站监控中心服务器的数据传输可以通过风场环网，也可通过专门设置的有线和无线传输链路。对于各个分散设置在不同服务器的模块，数据传输可以通过电力专线，也可以通过隔离网闸，借由公共网络系统进行传输。

本申请的智能健康管理系统可用于风机核心部件的早期故障智能诊断、预警与健康管理，例如可用于叶片、变桨系统、主轴系统、齿轮箱、发电机、联轴器、偏航系统、塔筒和基础、测风系统、变流器和主控柜等。在每台风机现有SCADA系统测点信号未能覆盖的部件设置传感器，用于采集对应的信号。具体地，通过在每台风机的三支叶片上各设置双轴加速度传感器，用于采集风机运行过程中叶片的振动信号；通过在三支叶片根部变桨轴承位置各设置双轴加速度传感器，用于采集风机运行过程中变桨系统尤其是变桨轴承的振动信号；通过在叶根及塔筒风险截面位置、螺栓副端面安装测距传感器，采集风机运行过程中的螺栓松弛变形数据；通过在机械传动链，即主轴承、齿轮箱低速级、高速级、联轴器、发电机驱动和非驱动轴轴承安装加速度传感器，在发电机底座安装竖直方向的加速度传感器，采集传动链在运行过程中的振度信号；通过在塔筒顶部内壁安装双轴加速度传感器和双轴动态倾角传感器，采集风机运行过程中，塔筒的振动信号和晃动信号；通过在基础环安装静态双向倾角传感器，采集风机运行过程中基础因非均匀沉降产生的倾角；通过在机舱适当位置安装视频测点，采集传动链运行过程中的图像和声音；通过在机舱底部适当位置开孔安装高频测距传感设备，动态采集风机运行过程中，叶尖距离塔筒的距离信号。

在每台风机塔底或机舱设置一套边缘数据采集柜，采集柜内设置了边缘数据采集系统，采集系统中内置了能够对数据通过均值检查、非空检查、正负比例检查、上下限检查、均方根范围检查、相邻点同值检查、异值点比例检查等常见异常筛查，以及对电磁干扰、温度漂移、环境噪声干扰等影响信号质量的特征进行针对性筛查的数据质量智能筛查模型。边缘数据采集系统可根据来自SCADA系统的风速、转速、桨角、偏航状态、功率等级等风机运行状态参数进行针对性的自动条件采集，以最小磁盘空间代价获取高质量数据。同时，边缘数据采集系统可以时间对齐的方式同步采集上述多元异构数据，并自动分类储存。每台风机的边缘数据采集模块所采集的数据，通过切片的方式，将高频采集的数据以较低的代价通过交换接入风场环网，回传至位于升压站侧监控中心的服务器。位于升压站侧的服务器通过软网关的方式采集风机SCADA系统的各类数据，并与从边缘智能模块采集回传的数据融合。服务器的配置需根据多维度的需求进行综合评估，包括：所有测点所有类型数据的采样频率、采样间隔、老化策略等评估原始数据储存需求；根据各个核心部件的失效模式诊断算法模型、性能评价与根因分析算法模型、故障影响评估算法模型，智能排程算法模型、智能备件涉及的算法模型等所有算法模型运行策略以及单个资源需求评价、总的硬件资源需求评价。也需考虑智能知识库所需内置的各个失效模式的失效机理、运检方案等相关信息以及后续闭环沉淀需求所需的空间资源。

本实施方式将分别配置一台服务器用于来自边缘端和SCADA数据的管理，一台服务器用于算法模型运行和更新迭代，一台服务器用于应用展示和用户配置管理，一台服务器用于智能知识库信息的管理和储存，各个服务器通过软件系统的融合成为有机整体。本申请所涉及的软件系统，包括多个功能模块：边缘数据采集模块，早期故障诊断模块，大数据治理模块、性能评价与根因分析模块，故障影响量化评估模块，智能排程模块，智能备件模块，智能知识库。除边缘数据采集模块位于风机侧外，其余模块均位于升压站侧的站端服务器，系统架构如图1所示。

边缘数据采集模块

本申请的边缘数据采集模块，具有数据质量管理筛选功能、条件采集功能、多元异构采集功能，实现对来自风机部件的数据采集，包括来自新测点的叶片振动、传动链振动、传动链声音和图像、变桨系统振动、螺栓位移、叶片净空相关距离数据、塔筒振动、塔筒倾角、基础倾角；以及，来自SCADA或主控系统的数据：风速、风向、变流器有功功率、发电机转速、风轮转速、桨距角、对风角度、偏航角度、机舱加速度、环境温度、机舱温度、发电机轴承温度、发电机绕组温度、齿轮箱油温、齿轮箱轴承温度、变流器温度、变流器机侧电流、主轴承温度、主轴温度、变流器直流母线电压、网侧电流、发电机水泵水压力、变桨电机温度和电流、主控柜温度、齿轮箱润滑系统油压等参数。以上数据覆盖了与叶片、叶根和塔筒连接螺栓、变桨系统、传动链主轴及主轴承、齿轮箱、联轴器以及发电机、塔筒、基础、变流器、主控柜、测风系统、偏航系统等相关的机械或电气类高频或重大失效特征相关的各类信号。具体地，边缘数据采集模块具有以下功能单元：

多元异构数据采集单元：能够实现多种不同类别、不同采样频率的数据采集，包括但不限于风机现有的数据采集系统如SCADA系统、主控系统、风功率预测系统、CMS系统等采集的数据。额外增加的传感器所采集到的各种类型数据，如声音或噪声，油液颗粒计数数据，来自叶片、塔筒、变桨系统、偏航系统等核心部件的振动数据，载荷数据，净空数据，风机测风雷达数据，风机内部、外部的可见光或红外视频数据，螺栓松弛或断裂相关的位移、距离数据，塔筒和基础的倾角数据，温度等多种不同类型的数据。还可以包括风场日常运维的维修记录、技改记录、定检记录、根因分析记录等非结构化数据。所采集的数据类型可根据需要部分或完整覆盖风机的各个核心部件或子系统。

边缘数据条件采集单元：系统的边缘数据采集模块内置了支持基于风机运行参数，环境条件，设定失效或故障特征识别功能的算法模型，可以根据需要自动采集设定时长、满足设定特征或条件的数据。

边缘数据质量管理单元：系统可根据需要对数据质量相关的特征进行自动检查，如均值检查、非空检查、正负比例检查、上下限检查、均方根范围检查、相邻点同值检查、异值点比例检查；同时在进行条件和定时采集时，对所采集到的原始数据设置了设定干扰场景的自动筛查功能，避免干扰数据从源头流入本系统。

大数据治理模块

根据本申请的大数据治理模块，用于汇总、分类储存各类多元异构数据，包括边缘数据采集模块采集的数据、从已有数据系统接入的数据，如SCADA系统、主控系统、风功率预测与风资源评估系统、各类专家知识和现场人员经验、检修结果、气象数据等，还包括各类算法模型分析的输出结果。该模块也为其他所有模块提供数据输入，其他模块会根据需要从该模块读取数据。

该模块通过内置的数据质量筛查模型，自动对不同类型和结构的数据提供例如6个维度的质量筛查，具体为完整性筛查，包括空值比例、重采样比例等；唯一性筛查，包括重复比例等；及时性筛查，包括时间戳空缺比例等；有效性筛查，包括数据类型异常、超量程、状态变量有效性等；准确性筛查，包括采样率、噪声数据比例、数据精度、零点漂移等；一致性筛查，包括逻辑偏差比例等。系统会根据各类数据的实际情况，选择性配置至少1个维度的数据质量要求，同时满足配置质量要求的数据才允许进入早期故障诊断模块。

早期故障诊断模块

本申请的早期故障诊断模块，设置了能够全面覆盖智能知识库中所展示风机部件树对应的各核心部件的高频和重大失效模式的算法模型，例如叶片、叶根和塔筒连接螺栓、变桨系统、传动链主轴及主轴承、齿轮箱、联轴器以及发电机、塔筒、基础、变流器、主控柜、测风系统、偏航系统对应的高频、重大失效模式诊断模型。以齿轮箱为例，至少包含了齿轮箱齿轮磨损、断齿，轴不对中及不平衡，轴承内、外圈、保持架以及滚动体的磨损、开裂等失效模式对应的诊断模型。算法模型根据失效诊断的需要选择性地采用边缘数据采集模块所采集的多元异构数据进行诊断，以实现储存和计算资源的轻量化，诊断结果将以预警的方式展示给用户。以齿轮箱为例，早期故障诊断模块的模型将自动读取与齿轮箱重大和高频失效模式相关的温度、振动、声音、图像、风机有功功率、润滑系统油压等相关的多种类型数据；这些多元数据除了用于诊断外，还会进一步用于根因分析模块和失效影响模块的分析和评估。诊断结果将通过软件系统的应用模块以预警的方式展示给用户。

本模块的算法模型采用机理与数据驱动融合的策略建立，主要通过多种维度和途径在失效机理指引下抓住各类失效模式的关键失效特征，再通过多元回归分析法、神经网络、EMD分解、支持向量机、随机森林、YOLO等多种数据驱动策略进行算法特征提取。以齿轮箱高速轴轴承的失效诊断为例，通过失效机理和失效现象分析，齿轮箱高速轴轴承的失效常伴随异常诊断特征，主要体现为：设定失效特征频率及其倍频的边带调制信号，同时高速轴轴承的失效过程会伴随着噪声水平的增大，附近温度值相对环境温度的异常上升；融合这些特征，可采用多元回归分析、指标分析的方法，同步跟踪振动、声音、温度相对运行数据的异常特征，从而实现轴承失效的诊断和预警。

与传统状态监测不同的是，本申请的早期故障诊断模块着眼于具体的故障诊断，对每个部件的各类失效模式进行独立建模，即一个失效模式对应一个诊断模型。以齿轮箱高速轴的失效为例，该模块将分别建立齿轮箱内圈磨损、外圈磨损、滚动立体磨损、保持架开裂等独立的失效诊断模型，对失效类型进行准确诊断。该模块在读入数据进行诊断前，还会针对性地考虑一些设定的数据质量问题，诸如与声音信号相关的倍频干扰、环境噪音干扰等。从大数据治理模块读入的数据，会通过调用内置在早期故障诊断模块中的数据质量算法模型，进行数据清洗。

性能评价与根因分析模块

性能评价与根因分析模块将对故障诊断模块的诊断结果所对应的失效模式对风机的性能影响进行评价，如对发电性能、部件结构承载性能产生的影响进行评估。该模块将构建功率曲线退化模型、寿命衰减模型，输出退化后的功率曲线、折减后的寿命衰减曲线。图2和图3给出了一种实施例中齿轮箱高速轴轴承磨损后与损伤前的功率曲线、寿命衰减曲线对照图，可以看出该风机存在功率曲线退化问题，但失效模式本身发生前后并无明显的功率曲线退化问题，而其寿命衰减曲线在该损伤发生前后存在较明显的影响。根据多个根因分析子模型，最终锁定该损伤发生的主要根因来自风轮不平衡，风轮不平衡引发传动链振动水平的攀升，加速了高速轴轴承的疲劳老化，排除了高速轴不平衡，润滑不当等原因。

该模块还会对可能引发的所诊断的失效模式的根因进行分析。每个失效模式都会通过事先构建的DFMEA库将专家经验沉淀和保存到智能知识库中。当某个失效模式诊断出来，会触发该模块自动调用智能知识库中的根因路径树，启动各路径分支对应的根因分析模型，根因分析模型可以是单独的根因分析模型，也可以直接关联其他部件的相关失效模式诊断结果。该模块根据根因分析结果锁定引发该失效模式发生的根因，并通过应用模块展示根因提示。

本申请提供根因分析功能，其结果可用于从根本上预防后续类似故障的发生，解决了仅仅单独进行诊断和预警，往往只能对故障现象进行处理，无法根本解决问题的难题。

故障影响量化评估模块

故障影响量化评估模块将读取来自SCADA的风机状态参数如限电、停机等，短时或长时风功率预测数据，能够显示天气、气温等信息的气象数据，智能知识库数据，以支持对所诊断的故障的失效影响进行量化评估。将上述数据作为输入，该模块将采用性能评价与根因分析模块所输出的退化后的功率曲线、折减后的寿命衰减曲线结合风功率预测数据、气象数据等进行单日发电量损失量化评估，失效恶化发展到下一阶段时间窗口的量化评估。对于齿轮箱高速轴轴承损伤问题，则仅进行失效恶化发展到下一严重等级的剩余时间窗口进行评估，评估结果为损伤发展到下一个阶段的窗口期例如为58天，因此当前损伤的处理最好选择在58天内进行。对于所诊断的根因，通常也会对应一个失效模式，可采用同样的流程进行安全与经济性评价。可以根据当前损伤允许处理的窗口期和根因问题允许处理的窗口的较小者的2/3作为最晚执行节点建议值，并推送决策流程。

该模块还会从智能知识库调用失效模式对应的人员和风机整机安全影响知识库，进行安全风险评估。对所追溯到的根因，该模块将自动激发对风场机组的影响评估，从源头规避问题的进一步扩展，同时也支持通过人工方式确认同型号的其他风场风机潜在影响的可能。

故障影响量化评估模块还包括决策单元，决策单元将利用关于发电量损失、可操作的窗口时间、安全风险等作为运维方案决策的输入，从知识库中调用对应的决策信息、决策流程和所诊断失效和根因的检修方案。根据决策流程的规定，将根据不同的严重和风险等级选择不同的决策审批节点，对于严重度和风险等级较高的失效模式和问题根因，将选择较高层级的技术和业务审批人节点；对于严重度和风险等级较低的失效模式和问题根因，将选择较少和较低层级的技术或业务审批人节点；审批决策完成后该模块会将检修方案自动推动到智能排程模块。关于决策流程的审批人节点，该模块支持业务管理角色的用户自行选配，业务执行角色的用户则仅有查看和执行权限。以上述齿轮箱高速轴轴承损伤为例，失效模式与根因建议处理时间窗口最晚建议时间为不晚于从当日计算之后的第58天，该时间窗口连同齿轮箱高速轴轴承损伤和气动不平衡问题的处理方案，自动提交决策流程，其决策流程路径如图4所示。最终流程决策人选择了在7天内执行该齿轮箱高速轴轴承损伤处理任务，在40天内执行气动不平衡问题的处理任务。两个任务相关方案被自动推送至智能排程模块。

智能排程模块

本申请的智能排程模块将动态读取基于故障诊断和评估提交的检修任务，同时也会自动读取SCADA或第三方监控平台推送的运检、故障处理任务，以及人工导入的根据风场管理需要离线制定的年度定检、定维、技改等任务。将各类任务作为动态智能排程的任务目标，建成任务池。各个任务将至少包含任务执行流程，任务操作手册，安全规范，载具，物料工具，人员要求、预计工时等信息。以齿轮箱高速轴轴承损伤为例，本申请系统生成的该损伤的处理任务可以为：2个具备齿轮箱维护技能的现场运维人员，携带润滑油滤芯和润滑油，驾驶皮卡，前往第X号风机进行润滑油加注和滤芯更换，同时抽取润滑油样品进行后续检测，预计工时4小时；同步启动协调第三方气动不平衡检测和校准资源，确保40天内入场。

该模块还会进一步读取备件信息、气象信息、风功能预测信息、载具和人员信息、风场地图、路况或路线、人员信息、风机状态信息等，作为排程模型运行的输入。该模块设置了用于智能排程的算法模型，模型将根据上述输入自动多目标寻优，如停机电量损失最小、能耗最低、总工时最小、安全风险最低等；并自动给出以时间先后顺序为轴，包含物料、工具、载具、与任务匹配的人员安排、运检操作手册、行进路线、任务先后顺序等可直接作为工单信息的智能排程输出结果，并通过应用展示给用户。排程优化结果分为长中短期，可根据用户需要调整展示。该模块的排程也允许人员特殊需求或加入录入，并根据人工输入动态实时更新排程路线或操作先后顺序。

该模块还具有闭环功能，即将动态监测人员、载具的位置和状态信息，支持将运检、维修、故障处理、技改等执行过程的照片、视频、测量数据、文字描述等多元异构信息采集和储存，同时自动统计工时信息，为排程模型提供闭环反馈。最终确认的失效模式、失效原因也将闭环到智能诊断模块和性能评价与根因分析模块，将执行过程中更符合现场实际情况的操作环节反馈闭环到智能知识库中，优化现有方案和流程。以上述齿轮箱高速轴轴承损伤为例，维护人员将现场拍摄的齿轮箱润滑油照片和油样检测结果报告上传至系统，结果显示润滑油油品金属杂质尚未超标，暂无需更换，闭环了目前轴承损伤尚处于早期阶段。同时，第三方人员入场完成了气动不平衡问题检测，检测发现气动不平衡角度为3.2°，该结果被上传到系统中，验证和闭环了根因分析的准确性。

智能备件模块

该模块动态读取风场或区域的备件信息，例如数量、有效期、储存条件及成本、校准需求及其历史信息、单价、匹配的机型等，并动态读取智能排程模块任务池中关于工具、备件、备品的长中短期需求信息，作为备件管理优化的输入，也从智能知识库中读取各部件失效模式/故障的失效频次和比例。

该模块设置了用于智能备件动态优化管理的算法模型，模型将根据以上输入，以最低库存成本和最高响应效率满足风场运检和技改需求，为目标进行智能备件管理任务优化，并输出具体的管理措施，包括采购、多库联动调配时间和对象、校准或保养等。以齿轮箱高速轴轴承损伤为例，该模块在排程需求提出后，模型自动检测到齿轮箱润滑粗滤器库存量与近期更新的齿轮箱相关失效比例偏差过大，因此在齿轮箱轴承损伤任务尚未执行前，就自动触发了追加采购粗滤器10个，同时触发了液压泵工具校准流程。备件优化管理的算法模型，包含备件分类模型、需求预测模型，库存管理模型，库存优化模型等。

智能知识库

该模块主要承担两个功能：为其他模块提供专业信息的查询和输入，动态沉淀专家知识和实施过程经验，包括风机部件树、各部件对应故障类型、最新的故障频次、故障对应的安全影响、根因路径树、故障处理方案与流程、故障处理所需资源等。风机部件树全面覆盖风机的各个系统和部件。

该模块内置了各类专家知识和维护信息：风机核心部件的功能、失效类型、失效机理、失效模式的安全风险、各失效模式的DEFMEA库、失效模式或失效根因处理方案、风机型号和参数、综合考虑发电量损失、可操作的窗口时间、安全风险的运维排程的决策流程。其中，各失效模式的DEFMEA库关联了根因分析流程相关的模型。该流程内置了一个决策算法模型，并支持人工调整，最终输出各类失效模式运检方案的审批节点。以上述齿轮箱高速轴轴承损伤为例，模型主要参考可操作窗口时间87天，根据决策系数2/3给出最晚运维建议开始时间第58天；并连同检修方案一起提交人工审批流程进行审批。

该模块提供了闭环和沉淀机制，对于智能知识库所已经包含的各类信息，提供反馈闭环和更新完善的途径；对于智能知识库中未包含的失效类型，提供接口支持新增功能。以上述齿轮箱高速轴轴承损伤为例，该模块纳入了齿轮箱高速轴轴承损伤早期损伤运检流程中关于齿轮箱润滑系统是否漏油及其漏油点的动作进行了补充和完善。

对于闭环反馈和新增项目，该模块通过开放式打分和专家评审结合的方式进行确认和审批。上述关于齿轮箱漏油检查动作的新增项目，被提交内置的流程的打分流程，开放给用户所在区域10个风场所有维护人员进行打分，获得95％的同意或好评打分，其结果连同新增项目被一并提交专家评审流程，并最终获得通过，并正式更新内置到智能知识库中。

该模块还提供对于各部件失效或故障模式按照失效频次、失效影响的动态统计，通过应用软件展示，以帮助用户动态识别需要重点关注和闭环的新增高频或重大失效模式，以及作为智能备件需求预测模型的输入。

算法模型可持续评价模块

该模块实现了算法模型性能和完备性的全生命周期的自动闭环和迭代，主要包括特征库和模型库。特征库主要用于储存早期故障诊断模型相关的特征，同时特征还会自动进行特征性能评价和更新。模型库包含整个系统相关的所有算法模型：早期失效诊断模型、数据质量模型、剩余寿命预测模型、性能退化评价模型、安全风险评价模型、根因分析模型。模型库满足各模块的算法模型调用的需求，模型库中的模型会自动进行模型性能评价。

评价维度包括失效模式覆盖完备性和算法模型经济性两个维度，从总的电量损失和人工成本两个经济指标对算法模型进行评价，如不满足评价标准则需进行模型优化迭代。模型库中的模型并非孤立，而会因为数据质量管控、根因分析等需要实现互动。其中，失效模式覆盖完备性维度基于知识库中动态统计的失效类型，如重大高频失效模式未能被算法模型库中的模型覆盖，则自动通知算法人员新增和开发该失效模式对应的早期失效诊断模型和性能评价模型。算法模型经济性维度根据算法准确诊断所节省的电量和人工成本，减去算法误报导致的电量损失和人工成本浪费，减去算法漏报导致的额外停机电量损失和人工成本，从总的电量损失和人工成本两个经济指标对算法模型进行评价，如不满足评价标准则需进行模型优化迭代。模型库中的模型并非孤立，而会因为数据质量管控、根因分析等需要实现互动。

本申请通过配置边缘数据采集、大数据治理、算法等环节的数据质量策略，实现全过程数据质量管理能力，为早期故障诊断模块实现准确的预警，避免误报或漏报提供了必要的前提和基础。本申请所提供的根因分析、失效影响评估和时间窗口评价等功能，打通了从诊断预警到智能运维及智能备件管理等运维落地的智能化最后一环，解决了诊断预警结果是否进入以及何时进入运维执行流程全部依赖人工决策的问题，实现了自动决策。

虽然本申请所揭露的实施方式如上，但所述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种风机的故障诊断与健康管理系统，其特征在于，包括以下模块：

边缘数据采集模块，其采集风机部件的数据并对数据质量进行检查，以去除干扰数据；

大数据治理模块，其用于汇总和分类储存各类多元异构数据，通过内置的数据质量筛查模型，对不同类型和结构的数据进行质量筛查；

早期故障诊断模块，其设置有风机部件的失效模式的算法模型，算法模型根据失效诊断的需要选择性地采用边缘数据采集模块中的多元异构数据进行诊断，并根据诊断结果发出预警提示；

性能评价与根因分析模块，其根据早期故障诊断模块的诊断结果所对应的失效模式对风机的性能影响进行评价，并对可能引发失效模式的根因进行分析；

故障影响量化评估模块，其对所诊断的故障的失效影响进行量化评估和安全风险评估，并调取对应的决策方案和检修方案；

智能排程模块，其动态读取基于故障诊断和评估提交的检修任务以及作为排程模型运行的输入信息，给出智能排程的输出结果；

智能备件模块，其自动读取备件信息并动态读取智能排程模块任务池中的需求信息，进行智能备件管理任务优化，并输出管理措施；

智能知识库，其提供专业信息的查询和输入，并动态沉淀专家知识和实施过程经验；

算法模型可持续性评价模块，其提供了算法模型性能和完备性的全生命周期的自动闭环和迭代。

2.根据权利要求1所述的故障诊断与健康管理系统，其特征在于，所述算法模型可持续性评价模块包括特征库和模型库，所述特征库储存并自动评价和更新早期故障诊断模型相关的特征；所述模型库包含系统相关的所有算法模型并满足各模块的算法模型调用需求，所述模型库中的模型能够进行模型性能评价。

3.根据权利要求2所述的故障诊断与健康管理系统，其特征在于，所述边缘数据采集模块包括：

多元异构数据采集单元，其对多种不同类别、不同采样频率的数据进行采集；

边缘数据条件采集单元，其基于风机运行参数、环境条件、失效特征识别功能的算法模型，自动采集设定时长且满足设定特征或条件的数据；

边缘数据质量管理单元，其对数据质量进行自动检查，同时在进行条件采集时，对所采集到的原始数据自动筛查干扰数据。

4.根据权利要求3所述的故障诊断与健康管理系统，其特征在于，所述大数据治理模块对不同类型和结构的数据进行质量筛查，具体包括：

完整性筛查，包括空值比例、重采样比例的筛查；

唯一性筛查，包括重复比例的筛查；

及时性筛查，包括时间戳空缺比例的筛查；

有效性筛查，包括数据类型异常、超量程、状态变量有效性的筛查；

准确性筛查，包括采样率、噪声数据比例、数据精度、零点漂移的筛查；

一致性筛查，包括逻辑偏差比例的筛查。

5.根据权利要求4所述的故障诊断与健康管理系统，其特征在于，所述早期故障诊断模块对每个部件的各类失效模式独立建模，从大数据治理模块读入的数据，会通过调用内置在早期故障诊断模块中的数据质量算法模型，进行数据清洗。

6.根据权利要求5所述的故障诊断与健康管理系统，其特征在于，所述性能评价与根因分析模块将构建功率曲线退化模型和部件寿命衰减模型，输出退化后的功率曲线和折减后的寿命衰减曲线；

其中，通过事先构建的DFMEA库将对应每个失效模式的专家经验沉淀和保存到智能知识库中，当诊断出某个失效模式时，自动调用智能知识库中的根因路径树，启动各路径分支对应的根因分析模型，该模块根据根因分析结果锁定引发该失效模式发生的根因，并通过应用模块展示根因提示。

7.根据权利要求6所述的故障诊断与健康管理系统，其特征在于，所述故障影响量化评估模块根据输入的数据采用所述性能评价与根因分析模块输出的退化后的功率曲线和折减后的寿命衰减曲线进行单日发电量损失的量化评估以及失效恶化发展到下一阶段时间窗口的量化评估；所述故障影响量化评估模块从智能知识库调用失效模式对应的人员和风机整机安全影响知识库，进行安全风险评估；

所述故障影响量化评估模块还包括决策单元，所述决策单元利用包括发电量损失、可操作的窗口时间、安全风险的信息作为运维方案决策的输入，从智能知识库中调用对应的决策信息、决策流程和检修方案。

8.根据权利要求3-7中任一项所述的故障诊断与健康管理系统，其特征在于，所述智能排程模块将动态监测人员和载具的位置和状态信息，支持多元异构信息的采集和储存，同时自动统计工时信息，为排程模型提供闭环反馈；将最终确认的失效模式和失效原因反馈到所述早期故障诊断模块和所述性能评价与根因分析模块，将执行过程中更符合现场实际情况的操作环节信息反馈到智能知识库中，优化现有方案和流程；同时自动给出存在类似根因现象的风机或风场的排查提示。

9.根据权利要求2-7中任一项所述的故障诊断与健康管理系统，其特征在于，所述智能备件模块将所述备件信息和所述需求信息作为备件管理优化的输入，从所述智能知识库中读取各部件失效模式的失效频次和比例，利用用于智能备件动态优化管理的算法模型，为目标进行智能备件管理任务优化，并输出具体的管理措施。

10.根据权利要求9所述的故障诊断与健康管理系统，其特征在于，所述算法模型可持续性评价模块的评价维度包括失效模式覆盖完备性维度和算法模型经济性维度；其中，

所述失效模式覆盖完备性维度基于知识库中动态统计的失效类型，对于未能被算法模型库中的模型覆盖的失效模式，自动提示新增和开发该失效模式对应的早期失效诊断模型和性能评价模型；

所述算法模型经济性维度诊断所节省的电量和人工成本，减去算法误报导致的电量损失和人工成本浪费，减去算法漏报导致的额外停机电量损失和人工成本，从总的电量损失和人工成本两个经济指标对算法模型进行评价。

Images