2023年10月16日-20日，2023北京國際風(fēng)能大會暨展覽會（CWP2023）在北京如約召開。作為全球風(fēng)電行業(yè)年度最大的盛會之一，這場由百余名演講嘉賓和數(shù)千名國內(nèi)外參會代表共同參與的風(fēng)能盛會，再次登陸北京，聚焦中國能源革命的未來。

本屆大會以“構(gòu)筑全球穩(wěn)定供應(yīng)鏈共建能源轉(zhuǎn)型新未來”為主題，將歷時四天，包括開幕式、主旨發(fā)言、高峰對話、創(chuàng)新劇場以及關(guān)于“全球風(fēng)電產(chǎn)業(yè)布局及供應(yīng)鏈安全”“雙碳時代下的風(fēng)電技術(shù)發(fā)展前景”“國際風(fēng)電市場發(fā)展動態(tài)及投資機(jī)會”“風(fēng)電機(jī)組可靠性論壇”等不同主題的21個分論壇。能見App全程直播本次大會。

10月17日上午，中車株洲電力機(jī)車研究所有限公司高級算法工程師李籽圓在人工智能與智能運(yùn)維發(fā)展論壇上發(fā)表了題為《風(fēng)機(jī)的“順風(fēng)耳”——工業(yè)聽診技術(shù)在風(fēng)電領(lǐng)域的應(yīng)用實(shí)踐》的主旨發(fā)言。     

以下為發(fā)言全文：

大家上午好，我是來自中車株洲所的李籽圓，算法工程師，我分享的題目是風(fēng)機(jī)的“順風(fēng)耳”——工業(yè)聽診技術(shù)在風(fēng)電領(lǐng)域的應(yīng)用實(shí)踐。

報告分四個部分，研究背景、工業(yè)聽診系統(tǒng)、應(yīng)用案例以及最后對匯報內(nèi)容總結(jié)與展望。首先是研發(fā)背景，與中國能源數(shù)據(jù)指出，中國裝機(jī)量由2010年的0.42億千瓦到2060年預(yù)計達(dá)25億千瓦，正在呈現(xiàn)飛速的增長。

與此同時，單機(jī)容量也一直在提高，像我們中車現(xiàn)在7.X兆瓦的機(jī)型已投入量產(chǎn)，這一次展臺也推出10兆瓦的整機(jī)平臺。我們?nèi)碌暮Ｆ矫嫫脚_功率等級覆蓋8—12兆瓦以及14—16兆瓦，有感興趣的同仁可以去到我們展臺了解一下相關(guān)產(chǎn)品。

剛剛說到，隨著單機(jī)容量一再提高，隨之出現(xiàn)問題就會越來越多。比如葉根螺栓斷裂、葉片損傷、偏航異相、傳動鏈異常等等，這些問題在小機(jī)型上或多或少會出現(xiàn)，到大機(jī)型上顯得尤為突出，這個時候發(fā)現(xiàn)問題、及時檢測、提前介入處理，這是技術(shù)團(tuán)隊需要攻關(guān)的。

接下來簡要介紹一下基于研發(fā)的工業(yè)聽診系統(tǒng)，首先講一下工業(yè)聽診系統(tǒng)的誕生，因?yàn)槲覀兂霭l(fā)點(diǎn)是對超大機(jī)組全面檢測，現(xiàn)在行業(yè)內(nèi)對大部件傳統(tǒng)檢測方式一般是靠運(yùn)維人員的定檢、巡檢或者CMS的振動檢測，前者效率低、漏檢、信號處理復(fù)雜、傳感器精度受限、振動數(shù)據(jù)量大，安裝維護(hù)不便的問題。在此基礎(chǔ)上怎么來優(yōu)化已有解決方式呢？我們想到了深度學(xué)習(xí)這條技術(shù)路線，隨著深度學(xué)習(xí)大趨勢運(yùn)用到機(jī)械診斷設(shè)備領(lǐng)域，我們也自然而然會想應(yīng)用到風(fēng)電領(lǐng)域。

基于對風(fēng)電機(jī)組運(yùn)行原理深度理解，我們研發(fā)基于音頻風(fēng)電機(jī)組工業(yè)聽診系統(tǒng)，我們?nèi)∶酗L(fēng)機(jī)的“順風(fēng)耳”。

下面簡要介紹一下系統(tǒng)的架構(gòu)，主要三部分組成，硬件部分、軟件部分以及診斷算法部分。

硬件部分簡單來說就是拾音器、采集器以及智能終端三部分。軟件部分是采集數(shù)據(jù)模塊、工業(yè)聽診模塊、人機(jī)交互模塊以及PHM系統(tǒng)里面的工業(yè)聽診板塊。算法部分采用的是深度學(xué)習(xí)的路線，會根據(jù)不同的風(fēng)場定制不同的異常檢測算法。

下面我詳細(xì)的介紹一下這三部分。

硬件構(gòu)成，工業(yè)聽診系統(tǒng)采用簡單的部署配置方案，在單臺風(fēng)機(jī)上配置拾音器、采集器、智能終端各一套，安裝于機(jī)艙內(nèi)部?；谌~片掃塔聲音、偏航聲音、輪轂聲音、傳動鏈等部件的聲音對各大部件聲音進(jìn)行分類，以及異常診斷。

拾音器我們在前期實(shí)驗(yàn)的時候會采取矩陣式麥克風(fēng)拾音器和單獨(dú)麥克風(fēng)的拾音器，當(dāng)然，矩陣式麥克風(fēng)的效果優(yōu)于單獨(dú)麥克風(fēng)，但是考慮到成本，在一些異常較少的風(fēng)機(jī)上面，我們建議部署單獨(dú)的麥克風(fēng)。

采集器有線采集、無線采集、集成至CMS采集，將風(fēng)電機(jī)組的運(yùn)行聲音轉(zhuǎn)換為數(shù)字量信號。

無線采集，它是將拾音器、音頻采集器，極為簡單的設(shè)備就能實(shí)現(xiàn)音頻的采集、轉(zhuǎn)換以及診斷。

關(guān)于智能終端將采集聲音數(shù)字量信號和機(jī)組PLC相關(guān)運(yùn)行數(shù)據(jù)，并進(jìn)行狀態(tài)分析與異常診斷，將診斷結(jié)果存儲至云端服務(wù)器。

接下來是軟件構(gòu)成以及硬件流向部分，軟件構(gòu)成簡要分為四個板塊，數(shù)據(jù)采集模塊、工業(yè)聽診模塊、人機(jī)交互系統(tǒng)以及我們已有PMH系統(tǒng)里面的工業(yè)聽診模塊，數(shù)據(jù)采集模塊是負(fù)責(zé)采集機(jī)組聲音信號和同時期機(jī)組相關(guān)運(yùn)行數(shù)據(jù)，這個也不是一直采集，是會根據(jù)機(jī)組運(yùn)行數(shù)據(jù)觸發(fā)采集模塊的程序，并將數(shù)據(jù)分別存儲到本地音頻文件系統(tǒng)和數(shù)據(jù)庫。

將數(shù)據(jù)到結(jié)果進(jìn)入到人機(jī)交互系統(tǒng)，并進(jìn)行狀態(tài)診斷與異常檢測，振動階段與運(yùn)行數(shù)據(jù)查詢、錄音回放、可視化。我們將工業(yè)聽診結(jié)果從攻擊端會把結(jié)果集成云端PHM系統(tǒng)，實(shí)現(xiàn)基于音頻的狀態(tài)檢測與異常診斷。

核心診斷算法部分，首先我介紹一下算法的復(fù)雜性，異常檢測算法復(fù)雜性具有以下四點(diǎn)：不可知性、異常類別的異構(gòu)性、罕見性和類間不平衡、異常種類的多樣性。

異常往往是具有不可知的特性，比如異常數(shù)據(jù)不可知的爆發(fā)形式、不可知數(shù)據(jù)的結(jié)構(gòu)以及不可知的數(shù)據(jù)分布，這些不可知性需要等異常的出現(xiàn)才有可能知道。

第二異常類別的異構(gòu)性，異常通常是沒有規(guī)律的，因此，異常類間可能存在很大差異，比如齒輪箱異響、不同程度的偏航異響、傳動鏈大部件異響，這些都是完全不一樣的異響。

第三，罕見性和類間不平衡性，異常相比于正常工況屬于罕見事件，因此它的數(shù)據(jù)量毫無疑問是更小的，也更難采集，所以我們這個問題就在于很難采集到大數(shù)量全面的帶有異常標(biāo)簽的數(shù)據(jù)。

第四，異常種類多樣性，個點(diǎn)異常，區(qū)別于多數(shù)派的個體異常樣本，條件異常在特定情況下才屬于異常情況，比如說變速箱在高轉(zhuǎn)速下可能會發(fā)出比較大的聲音，這個時候我們會認(rèn)為它是正常的，如果再低轉(zhuǎn)速下還發(fā)出同樣聲音，毫無疑問，那它就是異常的，這種是條件異常。然后是群組異常，多個樣本群體行為屬于異常，比如我們齒輪箱會出現(xiàn)三千赫茲、五千赫茲、八千赫茲的頻率，如果他們單獨(dú)出現(xiàn)可能是正常的，如果同時出現(xiàn)就會屬于群體異常。

上述四個復(fù)雜性會帶來一系列的問題與挑戰(zhàn)，首先是低召回率，這是由于數(shù)據(jù)異常性和罕見性導(dǎo)致訓(xùn)練出來的模型存在漏檢，不全面。解析高維數(shù)據(jù)和非獨(dú)立數(shù)據(jù)，異常在高維度數(shù)據(jù)不明顯，且高維特征之間錯綜復(fù)雜，相互影響，具有耦合性。高效利用有限數(shù)據(jù)來學(xué)習(xí)正常和異常，有監(jiān)督算法有時候會因?yàn)閿?shù)據(jù)量無法訓(xùn)練，泛化性能極差，無監(jiān)督算法過分地依賴自認(rèn)為的假設(shè)，表現(xiàn)也一般。

第四個挑戰(zhàn)就是抗噪異常檢測，具有錯誤的標(biāo)簽的數(shù)據(jù)或正常的樣本混入了一場樣本，保證訓(xùn)練數(shù)據(jù)的干凈或設(shè)計一個抗噪性好的算法模型，第五個檢測算法異常，大部分模型只考慮個點(diǎn)異常，也就是離群，如何將條件異常和群組異常引入到模型中是這個挑戰(zhàn)之一。最后一點(diǎn)異常的解釋，基于深度學(xué)習(xí)算法，大部分都是黑盒工作，有時候找到了異常，但是你沒法和風(fēng)機(jī)的故障進(jìn)行合理的解釋，在可解釋性和模型性能之間找一個平衡，是這個挑戰(zhàn)之一，這是不能一味的去尋求模型的性能好。

針對上述六個挑戰(zhàn)及問題，我們?yōu)槭裁磿x擇深度學(xué)習(xí)這條技術(shù)路線呢？因此我們團(tuán)隊進(jìn)行了研發(fā)，參考了一些參考文獻(xiàn)以及一些應(yīng)用實(shí)踐，分析發(fā)現(xiàn)，如果一個深度學(xué)習(xí)是基于多個步驟組成，它端到端的優(yōu)化能夠全局調(diào)優(yōu)一個異常檢測流程，深度學(xué)習(xí)在訓(xùn)練過程中學(xué)習(xí)到異常專用特征，深度學(xué)習(xí)自動挖掘高緯度之間的復(fù)雜相互關(guān)系，這是深度學(xué)習(xí)的天性優(yōu)勢，現(xiàn)在深度學(xué)習(xí)領(lǐng)域有效和易用的模型和框架能夠無縫地和來自不同的數(shù)據(jù)。

前面籠統(tǒng)講了一下深度學(xué)習(xí)的優(yōu)勢，具體到每一個場景下，深度學(xué)習(xí)算法又是怎樣選擇的呢？接下來我要講的就是我們半監(jiān)督方法和無監(jiān)督方法相比于有監(jiān)督更適合風(fēng)電檢測的場景，但是并非完全沒有，將無監(jiān)督和半監(jiān)督方法作為主要研究方向，同時對部分有監(jiān)督算法進(jìn)行了實(shí)驗(yàn)，根據(jù)不同場景會定制異常檢測算法。像圖中所示，舉了兩個例子，就是早期在偏航異響以及葉片異常進(jìn)行實(shí)驗(yàn)，最后根據(jù)不同場景使用不同算法。

接下來講一下工業(yè)聽診系統(tǒng)在風(fēng)場的實(shí)際應(yīng)用，近一年來，我們從南方山地風(fēng)場、北方平原風(fēng)等多類型風(fēng)場部署了工業(yè)聽診系統(tǒng)，采集到音頻數(shù)據(jù)時長共25000h，大小超3000G，精準(zhǔn)識別了不同機(jī)型偏航異響、輪轂異常、葉片異常、齒輪箱異響等大部分異常，風(fēng)機(jī)的“順風(fēng)耳”安裝方便，覆蓋面廣，準(zhǔn)確率高。

最后是對匯報內(nèi)容的一個總結(jié)，先說一下我們這個系統(tǒng)的優(yōu)勢，風(fēng)機(jī)“順風(fēng)耳”依靠無接觸麥克風(fēng)精準(zhǔn)識別各類異常，安裝方便，覆蓋面廣，準(zhǔn)確率較高，成本更低，提升無人值守，風(fēng)電場運(yùn)維響應(yīng)及時性，助力開啟智能風(fēng)場運(yùn)維新模式，當(dāng)然這樣系統(tǒng)是對我們超大機(jī)組檢測的一次嘗試，不斷的研究以及應(yīng)用實(shí)踐，目前部署方式不能有效對塔筒進(jìn)行檢測，新出現(xiàn)位置異常往往需要相關(guān)領(lǐng)域?qū)＜医槿胩幚怼?/p>

展望，風(fēng)機(jī)的“順風(fēng)耳”可集成CMS檢測系統(tǒng)、視頻檢測系統(tǒng)并進(jìn)行推廣，有望實(shí)現(xiàn)對超大機(jī)組更全面的檢測。

最后期待與行業(yè)專家一起努力，利用好現(xiàn)有的大模型基礎(chǔ)設(shè)施，持續(xù)構(gòu)建有價值可落地的數(shù)據(jù)應(yīng)用服務(wù)。

謝謝大家，我的匯報就這些！

（根據(jù)演講速記整理，未經(jīng)演講人審核）