趙鵬：尊敬的各位專家，各位嘉賓大家下午好！我演講的題目是“基于監(jiān)測(cè)數(shù)據(jù)的風(fēng)機(jī)關(guān)鍵零部件剩余壽命預(yù)測(cè)”。我的報(bào)告包括三個(gè)部分，研究應(yīng)用背景了解，剩余壽命預(yù)測(cè)方法介紹，剩余壽命預(yù)測(cè)系統(tǒng)方案。

 

　　下面有兩幅圖，第一幅圖是風(fēng)電機(jī)組故障率的分布圖，從上面我們可以看出機(jī)組故障中的齒輪箱故障率為15%，主軸的故障率為3%。第二幅圖是一個(gè)零部件的停機(jī)的試驗(yàn)，傳動(dòng)部件的故障概率雖然比較低，但是我們由圖上可以看出，它引起的故障停機(jī)時(shí)間是相當(dāng)長(zhǎng)的。

 

　　所以根據(jù)調(diào)查數(shù)據(jù)顯示，對(duì)于工作壽命為20年的機(jī)組，運(yùn)行維護(hù)成本估計(jì)占到風(fēng)場(chǎng)收入的10-15%左右，而對(duì)于海上風(fēng)場(chǎng)，運(yùn)行維護(hù)的成本更高。其中事故維修費(fèi)用比例為16%，定期維修費(fèi)用比例為4.1%，而事故維修的費(fèi)用占總維修費(fèi)用的比例高達(dá)75%之多，而且還會(huì)引起長(zhǎng)時(shí)間的停機(jī)，給風(fēng)場(chǎng)造成重大損失。

 

　　由上面的分析我們可以看出，機(jī)械傳動(dòng)部件的故障會(huì)引起長(zhǎng)時(shí)間的停機(jī)，所以我們對(duì)它進(jìn)行有效的狀態(tài)監(jiān)測(cè)以及故障趨勢(shì)的預(yù)測(cè)，包括剩余壽命預(yù)測(cè)都是至關(guān)重要的。事實(shí)上在我們現(xiàn)在提到一個(gè)PHM的系統(tǒng)，我們的工作主要是PHM系統(tǒng)其中的一部分，其中剩余壽命是很關(guān)鍵的一個(gè)內(nèi)容。而目前在我們風(fēng)電行業(yè)中對(duì)于機(jī)組的狀態(tài)監(jiān)測(cè)主要包括兩方面，一個(gè)是在線的，一個(gè)是離線的，離線的話目前我們機(jī)組主要采用振動(dòng)信號(hào)，包括溫度、上升，在上面我們看到對(duì)于葉片采用的噪聲的方式，包括離線的部分主要是采用油液的一些手段。

 

　　剩余壽命預(yù)測(cè)實(shí)際上是基于我們狀態(tài)監(jiān)測(cè)的技術(shù)，是利用狀態(tài)監(jiān)測(cè)的一些數(shù)據(jù)對(duì)部件的一個(gè)趨勢(shì)以及壽命進(jìn)行一個(gè)預(yù)測(cè)，它能夠提早的發(fā)現(xiàn)部件故障的趨勢(shì)來(lái)合理的安排維修，有效的降低故障帶來(lái)的損失，避免重大事故的發(fā)生，可以提高我們風(fēng)電機(jī)組的一個(gè)安全可靠的運(yùn)行，增加我們風(fēng)電廠的收益。其實(shí)目前我們主要關(guān)注點(diǎn)是在于優(yōu)化運(yùn)維策略這一塊，實(shí)際上我們?cè)谘芯窟@個(gè)項(xiàng)目的時(shí)候考慮的主要是在后期是否在我們現(xiàn)在機(jī)組設(shè)計(jì)是20年壽命，實(shí)際上我們機(jī)組是否在到了20年的時(shí)候是不是還可以繼續(xù)使用，所以我們做這個(gè)項(xiàng)目在關(guān)注如何延壽評(píng)估。包括我們正在運(yùn)行的風(fēng)機(jī)，我們是否可以利用這些數(shù)據(jù)來(lái)優(yōu)化我們運(yùn)行的參數(shù)。

 

　　預(yù)測(cè)方法，剩余壽命是指在標(biāo)準(zhǔn)運(yùn)行的條件下，能夠保證機(jī)械設(shè)備安全可靠、有效運(yùn)行的剩余時(shí)間，即系統(tǒng)部件在運(yùn)行的某一時(shí)刻t到該部件失效時(shí)刻T的時(shí)間長(zhǎng)度。零部件在某一時(shí)刻的剩余使用時(shí)間不僅與當(dāng)前的時(shí)刻的使用狀態(tài)有關(guān)，而且與該時(shí)刻之前零部件的所有狀態(tài)存在關(guān)聯(lián)關(guān)系。

 

　　對(duì)目前已經(jīng)有的一些剩余壽命預(yù)測(cè)方法已經(jīng)有的一些分析實(shí)際上可以分為兩類，一是基于物理模型的方法，是通過(guò)建立精確的數(shù)學(xué)模型來(lái)進(jìn)行預(yù)測(cè)。包括我們今年像疲勞壽命的等等都屬于這種方法。這種方法有一定的局限性，因?yàn)樵谟?jì)算剩余壽命時(shí)是以確定的失效模式為前提的，然而部件在實(shí)際的使用過(guò)程中，各種各樣的未知因素都可能產(chǎn)生，并且許多動(dòng)態(tài)系統(tǒng)的結(jié)構(gòu)非常復(fù)雜，無(wú)法建立精確的數(shù)學(xué)模型來(lái)描述部件的物理變化，這在很大程度上限制了該類預(yù)測(cè)方法的應(yīng)用。

 

　　二是基于數(shù)據(jù)驅(qū)動(dòng)的方法，通過(guò)人工智能或統(tǒng)計(jì)學(xué)習(xí)工具對(duì)狀態(tài)監(jiān)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練，進(jìn)而預(yù)測(cè)不見(jiàn)得剩余壽命。不需要或只需要少量的對(duì)象系統(tǒng)的先驗(yàn)認(rèn)知（數(shù)學(xué)模型和專家經(jīng)驗(yàn)），以狀態(tài)監(jiān)測(cè)數(shù)據(jù)（或歷史數(shù)據(jù)）為基礎(chǔ)，通過(guò)各種數(shù)據(jù)分析方法挖掘其中隱含信息進(jìn)行壽命預(yù)測(cè)。

 

　　所以對(duì)目前存在的一些剩余壽命的方法進(jìn)行了一個(gè)總結(jié)，大概有這么多。其中基于物理方法，基于數(shù)據(jù)驅(qū)動(dòng)，基于數(shù)據(jù)驅(qū)動(dòng)又可以分為兩大類，一個(gè)是基于統(tǒng)計(jì)回歸的方法，一個(gè)是基于人工智能的?；诮y(tǒng)計(jì)回歸的方法可能我們看到比較多應(yīng)用的就是隱馬爾科夫模型，隱半馬爾科夫模型。人工智能應(yīng)該是以后的趨勢(shì)，所以以后人工智能研究的比較多一點(diǎn)。

 

　　通過(guò)對(duì)以上方法的總結(jié)分析，在我們分析結(jié)構(gòu)的剩余壽命預(yù)測(cè)中我們找到了一個(gè)更為合理或者有效的方法，這是極限學(xué)習(xí)機(jī)的方法，它是一種簡(jiǎn)單的易用、有效的單隱層前饋神經(jīng)網(wǎng)絡(luò)SLFNs學(xué)習(xí)算法。2004年由南洋理工大學(xué)黃廣斌副教授提出。

 

　　與傳統(tǒng)的學(xué)習(xí)方法相比，ELM算法具有學(xué)習(xí)速度、泛性能好等優(yōu)點(diǎn)，極大地提高了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度。

 

　　在這個(gè)方法中最關(guān)鍵的就是如何做參數(shù)的優(yōu)化選取，它是直接影響我們這個(gè)預(yù)測(cè)的準(zhǔn)確性的，而在這個(gè)里面主要是輸入?yún)?shù)和內(nèi)部參數(shù)的選取，輸入?yún)?shù)包括數(shù)據(jù)量，內(nèi)部參數(shù)包括激活函數(shù)和隱含層結(jié)點(diǎn)。為了確定極限學(xué)習(xí)機(jī)的輸入和輸出參數(shù)，我們采用相空間重構(gòu)技術(shù)方法來(lái)獲取數(shù)據(jù)的嵌入維數(shù)和時(shí)間延遲。

 

　　這是對(duì)學(xué)習(xí)機(jī)方法的一個(gè)簡(jiǎn)單的介紹，主要是一些公示，時(shí)間的關(guān)系就不展開(kāi)講了，大家可以看一看。因?yàn)檫@個(gè)學(xué)習(xí)機(jī)它開(kāi)始提出來(lái)是基于單片量的，但是我們需要的是多變量的，所以我們引入多變量的值來(lái)構(gòu)建結(jié)構(gòu)函數(shù)。

 

　　具體步驟如下，右邊是流程圖，一是對(duì)采集到振動(dòng)信號(hào)數(shù)據(jù)進(jìn)行預(yù)處理，消除噪聲等不必要的信息。二是通過(guò)特征提取方法提取振動(dòng)信號(hào)數(shù)據(jù)中多個(gè)域的多種特征指標(biāo)量，包括時(shí)域指標(biāo)或頻域指標(biāo)，以獲取多維特征新奇。融合特征指標(biāo)，消除數(shù)據(jù)冗余，利用PCA將第一步中的時(shí)域和頻域特征指標(biāo)量進(jìn)行融合，得到第一、第二，第P主成分。四是利用相空間重構(gòu)技術(shù)分析融合后的主成分信息，確定嵌入維數(shù)，從而構(gòu)建樣本集。五是訓(xùn)練多變量ELM模型，實(shí)現(xiàn)內(nèi)部參數(shù)的優(yōu)化選取，獲得預(yù)測(cè)效果最佳的多邊量ELM預(yù)測(cè)模型，六是預(yù)測(cè)傳動(dòng)部件的剩余壽命。

 

　　下面介紹一下剩余壽命預(yù)測(cè)系統(tǒng)方案，剩余壽命預(yù)測(cè)系統(tǒng)主要通過(guò)采集設(shè)備的運(yùn)行狀態(tài)信息，對(duì)傳動(dòng)系統(tǒng)關(guān)鍵部件，比如軸承、齒輪等的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，并利用狀態(tài)信息對(duì)產(chǎn)生損傷的故障件的剩余壽命進(jìn)行預(yù)測(cè)。

 

　　主要包括兩個(gè)部分，一個(gè)是硬件部分，一個(gè)是軟件部分，硬件主要功能是實(shí)現(xiàn)狀態(tài)信息的采集、存儲(chǔ)；潤(rùn)間部分主要是基于狀態(tài)信息實(shí)現(xiàn)傳動(dòng)系統(tǒng)關(guān)鍵部件的運(yùn)行狀態(tài)監(jiān)測(cè)與剩余壽命預(yù)測(cè)。硬件這塊包括數(shù)據(jù)采集儀、傳感器、光線、數(shù)據(jù)服務(wù)器、客戶終端。軟件部分包括分析語(yǔ)診斷、壽命和預(yù)測(cè)兩個(gè)部分，分析語(yǔ)診斷分析時(shí)域分析、頻域分析、時(shí)頻分析等等。

 

　　硬件上主要我們利用目前的振動(dòng)傳感器，因?yàn)槲覀儸F(xiàn)在大多數(shù)風(fēng)箱已經(jīng)裝了這種傳感器，然后就是風(fēng)機(jī)實(shí)時(shí)運(yùn)行中的狀態(tài)數(shù)據(jù)，比如風(fēng)速、轉(zhuǎn)速等等。

 

　　信息采集，右邊這個(gè)圖是軟件系統(tǒng)的功能示意圖，主要有以下幾個(gè)部分，一是信息采集，主要是采集運(yùn)行狀態(tài)信息，包括振動(dòng)、溫度、載荷、豐度等信息。二是數(shù)據(jù)預(yù)處理與狀態(tài)監(jiān)測(cè)，對(duì)采集得到的狀態(tài)信息進(jìn)行預(yù)處理，包括消噪處理、剔除失真數(shù)據(jù)等，并初步完成時(shí)域指標(biāo)、頻域指標(biāo)等各種評(píng)價(jià)指標(biāo)的計(jì)算；結(jié)合振動(dòng)標(biāo)準(zhǔn)對(duì)風(fēng)電機(jī)組傳動(dòng)系統(tǒng)各個(gè)部件的振動(dòng)。

 

　　運(yùn)行狀態(tài)分析與診斷，這個(gè)模塊主要是對(duì)預(yù)處理后的數(shù)據(jù)采用各種現(xiàn)代信號(hào)處理方法進(jìn)行綜合分析，如頻域分析、包括解調(diào)分析、小波分析、EEMD、時(shí)頻分析、稀疏分解等，了解現(xiàn)在關(guān)鍵部件的狀態(tài)。

 

　　剩余壽命預(yù)測(cè)，這一塊的系統(tǒng)它的實(shí)現(xiàn)流程主要見(jiàn)右邊流程圖，主要要進(jìn)行預(yù)測(cè)的機(jī)械傳動(dòng)部件，調(diào)用數(shù)據(jù)構(gòu)建訓(xùn)練樣本集和預(yù)測(cè)樣本，通過(guò)PCA融合提取特征指標(biāo)，調(diào)用學(xué)習(xí)機(jī)算法，訓(xùn)練多變量的學(xué)習(xí)機(jī)的預(yù)測(cè)模型，通過(guò)這個(gè)模型來(lái)預(yù)測(cè)我們這個(gè)剩余壽命。因?yàn)檫@里面可能理論東西比較多，嵌入一些數(shù)據(jù)的調(diào)用以及處理相對(duì)比較復(fù)雜，所以這個(gè)報(bào)告可能講的少一些。謝謝大家！以上就是我的報(bào)告！

 

　　（文章內(nèi)容來(lái)自現(xiàn)場(chǎng)速記整理，未經(jīng)本人審核）