中车株洲电力机车研究所有限公司高级算法工程师李籽圆:风机的“顺风耳”——工业听诊技术在风电领域的应用实践

能见App 2023年10月18日 30422

2023年10月16日-20日,2023北京国际风能大会暨展览会(CWP2023)在北京如约召开。作为全球风电行业年度最大的盛会之一,这场由百余名演讲嘉宾和数千名国内外参会代表共同参与的风能盛会,再次登陆北京,聚焦中国能源革命的未来。
 
本届大会以“构筑全球稳定供应链共建能源转型新未来”为主题,将历时四天,包括开幕式、主旨发言、高峰对话、创新剧场以及关于“全球风电产业布局及供应链安全”“双碳时代下的风电技术发展前景”“国际风电市场发展动态及投资机会”“风电机组可靠性论坛”等不同主题的21个分论坛。能见App全程直播本次大会。
 
10月17日上午,中车株洲电力机车研究所有限公司高级算法工程师李籽圆在人工智能与智能运维发展论坛上发表了题为《风机的“顺风耳”——工业听诊技术在风电领域的应用实践》的主旨发言。
     


 
以下为发言全文:
 
大家上午好,我是来自中车株洲所的李籽圆,算法工程师,我分享的题目是风机的“顺风耳”——工业听诊技术在风电领域的应用实践。

报告分四个部分,研究背景、工业听诊系统、应用案例以及最后对汇报内容总结与展望。首先是研发背景,与中国能源数据指出,中国装机量由2010年的0.42亿千瓦到2060年预计达25亿千瓦,正在呈现飞速的增长。

与此同时,单机容量也一直在提高,像我们中车现在7.X兆瓦的机型已投入量产,这一次展台也推出10兆瓦的整机平台。我们全新的海平面平台功率等级覆盖8—12兆瓦以及14—16兆瓦,有感兴趣的同仁可以去到我们展台了解一下相关产品。

    刚刚说到,随着单机容量一再提高,随之出现问题就会越来越多。比如叶根螺栓断裂、叶片损伤、偏航异相、传动链异常等等,这些问题在小机型上或多或少会出现,到大机型上显得尤为突出,这个时候发现问题、及时检测、提前介入处理,这是技术团队需要攻关的。

    接下来简要介绍一下基于研发的工业听诊系统,首先讲一下工业听诊系统的诞生,因为我们出发点是对超大机组全面检测,现在行业内对大部件传统检测方式一般是靠运维人员的定检、巡检或者CMS的振动检测,前者效率低、漏检、信号处理复杂、传感器精度受限、振动数据量大,安装维护不便的问题。在此基础上怎么来优化已有解决方式呢?我们想到了深度学习这条技术路线,随着深度学习大趋势运用到机械诊断设备领域,我们也自然而然会想应用到风电领域。

    基于对风电机组运行原理深度理解,我们研发基于音频风电机组工业听诊系统,我们取名叫风机的“顺风耳”。
下面简要介绍一下系统的架构,主要三部分组成,硬件部分、软件部分以及诊断算法部分。

硬件部分简单来说就是拾音器、采集器以及智能终端三部分。软件部分是采集数据模块、工业听诊模块、人机交互模块以及PHM系统里面的工业听诊板块。算法部分采用的是深度学习的路线,会根据不同的风场定制不同的异常检测算法。
下面我详细的介绍一下这三部分。

硬件构成,工业听诊系统采用简单的部署配置方案,在单台风机上配置拾音器、采集器、智能终端各一套,安装于机舱内部。基于叶片扫塔声音、偏航声音、轮毂声音、传动链等部件的声音对各大部件声音进行分类,以及异常诊断。

拾音器我们在前期实验的时候会采取矩阵式麦克风拾音器和单独麦克风的拾音器,当然,矩阵式麦克风的效果优于单独麦克风,但是考虑到成本,在一些异常较少的风机上面,我们建议部署单独的麦克风。

采集器有线采集、无线采集、集成至CMS采集,将风电机组的运行声音转换为数字量信号。

无线采集,它是将拾音器、音频采集器,极为简单的设备就能实现音频的采集、转换以及诊断。

关于智能终端将采集声音数字量信号和机组PLC相关运行数据,并进行状态分析与异常诊断,将诊断结果存储至云端服务器。
接下来是软件构成以及硬件流向部分,软件构成简要分为四个板块,数据采集模块、工业听诊模块、人机交互系统以及我们已有PMH系统里面的工业听诊模块,数据采集模块是负责采集机组声音信号和同时期机组相关运行数据,这个也不是一直采集,是会根据机组运行数据触发采集模块的程序,并将数据分别存储到本地音频文件系统和数据库。

将数据到结果进入到人机交互系统,并进行状态诊断与异常检测,振动阶段与运行数据查询、录音回放、可视化。我们将工业听诊结果从攻击端会把结果集成云端PHM系统,实现基于音频的状态检测与异常诊断。

核心诊断算法部分,首先我介绍一下算法的复杂性,异常检测算法复杂性具有以下四点:不可知性、异常类别的异构性、罕见性和类间不平衡、异常种类的多样性。

异常往往是具有不可知的特性,比如异常数据不可知的爆发形式、不可知数据的结构以及不可知的数据分布,这些不可知性需要等异常的出现才有可能知道。

第二异常类别的异构性,异常通常是没有规律的,因此,异常类间可能存在很大差异,比如齿轮箱异响、不同程度的偏航异响、传动链大部件异响,这些都是完全不一样的异响。

第三,罕见性和类间不平衡性,异常相比于正常工况属于罕见事件,因此它的数据量毫无疑问是更小的,也更难采集,所以我们这个问题就在于很难采集到大数量全面的带有异常标签的数据。

第四,异常种类多样性,个点异常,区别于多数派的个体异常样本,条件异常在特定情况下才属于异常情况,比如说变速箱在高转速下可能会发出比较大的声音,这个时候我们会认为它是正常的,如果再低转速下还发出同样声音,毫无疑问,那它就是异常的,这种是条件异常。然后是群组异常,多个样本群体行为属于异常,比如我们齿轮箱会出现三千赫兹、五千赫兹、八千赫兹的频率,如果他们单独出现可能是正常的,如果同时出现就会属于群体异常。

上述四个复杂性会带来一系列的问题与挑战,首先是低召回率,这是由于数据异常性和罕见性导致训练出来的模型存在漏检,不全面。解析高维数据和非独立数据,异常在高维度数据不明显,且高维特征之间错综复杂,相互影响,具有耦合性。高效利用有限数据来学习正常和异常,有监督算法有时候会因为数据量无法训练,泛化性能极差,无监督算法过分地依赖自认为的假设,表现也一般。

第四个挑战就是抗噪异常检测,具有错误的标签的数据或正常的样本混入了一场样本,保证训练数据的干净或设计一个抗噪性好的算法模型,第五个检测算法异常,大部分模型只考虑个点异常,也就是离群,如何将条件异常和群组异常引入到模型中是这个挑战之一。最后一点异常的解释,基于深度学习算法,大部分都是黑盒工作,有时候找到了异常,但是你没法和风机的故障进行合理的解释,在可解释性和模型性能之间找一个平衡,是这个挑战之一,这是不能一味的去寻求模型的性能好。

    针对上述六个挑战及问题,我们为什么会选择深度学习这条技术路线呢?因此我们团队进行了研发,参考了一些参考文献以及一些应用实践,分析发现,如果一个深度学习是基于多个步骤组成,它端到端的优化能够全局调优一个异常检测流程,深度学习在训练过程中学习到异常专用特征,深度学习自动挖掘高纬度之间的复杂相互关系,这是深度学习的天性优势,现在深度学习领域有效和易用的模型和框架能够无缝地和来自不同的数据。

    前面笼统讲了一下深度学习的优势,具体到每一个场景下,深度学习算法又是怎样选择的呢?接下来我要讲的就是我们半监督方法和无监督方法相比于有监督更适合风电检测的场景,但是并非完全没有,将无监督和半监督方法作为主要研究方向,同时对部分有监督算法进行了实验,根据不同场景会定制异常检测算法。像图中所示,举了两个例子,就是早期在偏航异响以及叶片异常进行实验,最后根据不同场景使用不同算法。

    接下来讲一下工业听诊系统在风场的实际应用,近一年来,我们从南方山地风场、北方平原风等多类型风场部署了工业听诊系统,采集到音频数据时长共25000h,大小超3000G,精准识别了不同机型偏航异响、轮毂异常、叶片异常、齿轮箱异响等大部分异常,风机的“顺风耳”安装方便,覆盖面广,准确率高。

    最后是对汇报内容的一个总结,先说一下我们这个系统的优势,风机“顺风耳”依靠无接触麦克风精准识别各类异常,安装方便,覆盖面广,准确率较高,成本更低,提升无人值守,风电场运维响应及时性,助力开启智能风场运维新模式,当然这样系统是对我们超大机组检测的一次尝试,不断的研究以及应用实践,目前部署方式不能有效对塔筒进行检测,新出现位置异常往往需要相关领域专家介入处理。

    展望,风机的“顺风耳”可集成CMS检测系统、视频检测系统并进行推广,有望实现对超大机组更全面的检测。
    最后期待与行业专家一起努力,利用好现有的大模型基础设施,持续构建有价值可落地的数据应用服务。

    谢谢大家,我的汇报就这些!
 
(根据演讲速记整理,未经演讲人审核)