IoT风电机预测性维护

---

一、风电应用

风力发电是指把风的动能转变成机械动能，再把机械能转化为电力动能。风是没有公害的能源之一。而且它取之不尽，用之不竭。对于缺水、缺燃料和交通不便的沿海岛屿、草原牧区、山区和高原地带，因地制宜地利用风力发电，非常适合，大有可为。海上风电是可再生能源发展的重要领域，是推动风电技术进步和产业升级的重要力量，是促进能源结构调整的重要措施。我国海上风能资源丰富，加快海上风电项目建设，对于促进沿海地区治理大气雾霾、调整能源结构和转变经济发展方式具有重要意义。

二、风电维护现状

针对风电系统全生命周期的运行费用，主要来源包括风机购置费用、风机安装费用、运维费用、管理费用以及保险费用等，而运维费用占比约20%-25% 。并且在风力发电过程中，风力发电机可能会经常因零部件故障和事故而停止运转，运转时间会因此而缩短，所以风电的运维是提升风电系统效率的一大突破点。

传统的风电机维护依然依靠着修复性维护和定期维护来保证机器的正常运转，修复性维护是在风机发生故障或者停机后所触发的被动式维护。修复性维护没有提前性，不能给维护团队提供备件准备时间，有较长的停机维护时间。在几种维护策略中，修复性维护是整体花费最大的。

如图所示的是失效维护的步骤。在风机发生失效之后，管理人员首先需要找到失效部位，确定失效模式，随后根据失效模式以及现有的资源安排维护策略，之后根据制定好的策略安排人员维修或者更换，最后对风机进行重置和调试。在修复维护的机制下，设备会有较长的停机时间等待备件及人员到位，尤其对于海上风机而言，维修等待时间更是难以估算。

定期维护是在固定的时间周期或者使用循环数对设备进行维修维护。为了做出最优化的维护排程计划，可靠性数据包括失效率、平均故障间隔时间（MTBF）、平均修复时间（MTTR）等都有可能会被加入决策支持指标。定期维护通常使用不同的级别对应不同的维护周期，例如齿轮箱的定期维护就包括手动检测、油液分析、光谱分析等。然而，失效还是有可能在检测周期的间隙发生。同时，不必要的、多余的维护还有可能会对设备造成由于人工操作失误带来的新故障。

三、风电机的预测性维护

安尔法所带来的预测性维护在风电领域的应用将会是风电厂运作维护工作的一次革新，为风电领域创造更高效的生产。利用预测性维护系统来做科学的运维，能大幅缩短发电机停止运转的时间，可将风力发电的设备利用率由21%提高至23%。

针对风电机，研究人员首先对实际的风力发电机实施了轴承损伤恶化实验，确认了从最初出现损伤到最终发生故障这一期间的振动情况的变化，并利用安尔法云平台的AI机器学习技术，将所监测的数据上传于云端进行全面分析。最终开发出了可检测大型零部件(主轴・增速器轴承)的异常迹象的技术，这种技术以前被认为很难实现。另外，利用零部件损伤进展模型，还成功开发出了诊断预测的技术，对风电机的内部几大系统零件进行实时监控。

这项技术，最初开始在日本国内的43架风力发电机上进行了验证，确认能够在决定更换零部件的1～3个月前便可检测出异常迹象，异常检出率达到约90%。利用此技术，能大幅缩短设备停止运转的时间，从而提高风力发电设备的利用率。

数据分析模式：

而通过安尔法的云平台的智能分析，会参考历史故障信息，维保信息，自动学习，愈加趋于准确。并且云平台可推送信息到移动设备，云端移动端自动发同时接收预警报警信息，处理及时。

四、预测性维护带给风电机的维护改变

通过此方法，研究人员还详细调查并分析了风力发电机的实际运转情况，也获得了此前无法收集的风力发电机的相关运转信息，并对数据进行了整理。根据这些数据，运用云平台进行数据整合。将运维整个业务流程进行数字化，信息化处理，可以理解为设备运维ERP系统，将运维过程标准化，流程化，提高效率。利用这个平台的机制进行现场作业后确认，维护作业的效率得到提高，设备检查时间最大可缩短40%。

风电机本身设备的维护成本降低，为风电机的运转提升了长足效益。同时因此而让风电机本身的生产时间增加，为用电提供了更长久的供应，提供了更高的经济收益。