统计方法改进风电场远程状态监测

　　欧洲陆上风电场的运营和维护成本极高。 根据欧洲风能协会的数据，运营和维护(O&M)成本约占陆上风电场平准化能源成本(LCOE)的 20%。 因此，任何可用于降低此成本的措施均可提高投资者的回报率。
　　
　　这并不是说资产拥有者可以吝惜运营和维护费用， 运营和维护成本不足可导致无法发现的轻度故障或缺陷。 这不仅会影响产量，还可导致主要部件故障，可能会造成代价高昂的维修和漫长的意外停机。
　　
　　风电行业的运营和维护问题越来越突出。 由于部件故障概率升高，且故障发生的时间可能超出制造商的保修期，因此，运营和维护的重要性以及成本会随着设备服役时间的推移而升高。 在欧洲所有的陆上发电机组中，大约 75% 的发电机运行时间不足十年，因此，运营和维护问题的相关性越来越高。
　　
　　作为领先的风电行业供应商，斯凯孚生产了无数部件，包括针对动力系统的各种轴承以及润滑和密封解决方案。 但我们的专业知识不止于此。 十年前，斯凯孚研发了一个振动监测系统，并开设了一个远程监测中心。 状态监测流程用于确定机械设备在运行中的状态。 状态监测计划成功的关键包括监测哪些参量、如何理解这些参量数据的意义、以及根据状态何时采取措施。 状态监测系统(CMS)不仅能帮助风电场运营商降低灾难性故障的可能性，也让他们能够预先订购零件，安排人力和机器，并在意外停机期间安排其他维修工作。
　　
　　有了我们的托管软件和监测服务，您只需连上互联网，便可实施世界一流的预防性维护计划，定期对风力发电机组进行持续监测。 斯凯孚远程监测服务利用斯凯孚的状态监测工具进行数据收集，这些工具专门为风力发电机组而研制，例如，SKF IMx 在线系统。 根据各项结果，专家对数据进行分析，利用互联网对机器健康状况管理进行沟通，以做出明智的决定。
　　
　　然而，随着通讯和科技的发展，CMS 的时代正在发生变革。 为了改善运营，运营商的维护策略需要从计划模式转移至预测模式。
　　
　　若干年前，随着监测的风电设备数量的增长伴随着数据采集量的增加，斯凯孚不得不寻求提升监测效率之道。 我们必须发明新的数据处理方式，正是在那个时候我们开始使用统计技术。
　　
　　我们从大型风电场收集的数据量大得惊人。 一般来说，一个齿轮传动风力发电机上大约有八个传感器，每个传感器大约进行三种测量，共计 24 项指标;一项指标便是一个频谱和一个总体值。 此信息由状态监测硬件进行收集，并通过有线或无线互联网发送至设立在世界各个地方的 CMS 服务器。
　　
　　平均每天下载一次，一年下来，我们有将近 9,000 个频谱需要分析。 一个风电场可能有成百上千个风力发电机，其规模您可以想象;如果不使用统计建模，根本无法进行分析。
　　
　　这一数据量意味着我们现在必须使用统计数据。 统计数据不仅用于风力发电机组彼此之间的对比，还对不同地理安装位置和不同机型可能导致的差异进行对比。 首先我们对可比较的数据进行对比，然后将我们十多年来在各种型式的风电场所累积的监测历史数据投入使用。 基于这一数据历史，我们会根据风力发电机的类型，将其用作监测新机器的背景数据。
　　
　　由于其他行业传统技术的应用受到种种限制，因此，即使在我们转向统计工具之前，CMS 在风电场的应用也是独一无二的。 风力发电机是一种复杂的机器，其变型非常之多。 不幸的是，与其他行业不同，我们无法将一个报警级别模型应用于所有机器。 因此我们必须研发出单独的报警模型，让我们能够对具有可比性的机器进行快速对比。 然而，如果没有统计数据作为指引，根本无法在合理时间内完成过滤和选择。
　　
　　另外一个好处来自于历史数据库的增长。 这一历史数据极为有用，而如果该数据包含设备自安装以来的整个寿命周期，这种用处将尤其明显。 不幸的是，实际情况往往并非如此。 尽管越来越多的涡轮机在原厂安装了监测技术，但现有机群中大部分需要改装;传统而言，这种情况大多发生在保修期将要结束或者运营商或服务提供商打算续签服务合同之时。
　　
　　然而，为有助于提高流程的准确性，分析时选择正确的动态数据极为重要。 系统所具备的一些功能允许其对潜在的理论默认值进行扫描。 这种自动扫描有赖于系统部件类型的相关实际信息。 每一种传动装置都有各自的理论频率，因此，如果对发电机内部的动力学不甚确定，您需要依赖于各种假设，而这些假设需要由分析师提供更多信息输入。
　　
　　如今，我们有庞大的历史数据库，对于齿轮箱和发电机部件有良好的理解和背景知识。 根据我们的经验，并非风力发电机中的所有部件均需要同等的专业水平才能进行分析。 发电机轴承问题的检测非常简单，但行星轴承和齿轮的问题检测则麻烦得多。 我们研发出了特定的算法，完全通过一个特定的算法，检测行星齿轮的问题。
　　
　　最终的目标是快速找到机群中的哪个发电机需要进一步分析。 统计方法是传统诊断的补充，快速地凸显出问题，找出可能有问题的发电机。 在这些方面，专家们需要花一些时间研究振动信号，以确定问题所在。
　　
　　我们现在的目标是利用我们在斯凯孚内部分析的 2000 多个发电机中积累的全球背景知识，来拓宽机群分析视角。 为了实现这一目标，我们将利用各个地点和各种工况下的所有发电机型号及其部件的振动对比数据，构建一个统计模型。
　　
　　这是通过改进流程，增加专家间的定期研讨以及分享问题和改进意见来实现的，从而在风电 CMS 社区内打造一个全球网络。
　　
　　这对于运营商有什么好处? 这让我们能够对报警进行定制，使之只接收那些可能对性能造成不利影响的问题信息，让运营商无需被虚假警报或重要性级别较低的信息所烦扰。
　　
　　未来，CMS 的准确度和范围将继续演进，我们会继续推动这项技术的前进。 接下来的其中一个步骤便是整合所有相关信息源，如温度、过流程参数，并将其添加至振动所允许的诊断技术之中。
　　
　　另一个趋势便是我们将能够把 CMS 数据与另一个更整体化的系统再次挂钩，从而得到更优异的相关性。 其背后的主要推动力是发电机的制造商，但和往常一样，到了最后的最后，还是成本二字。 鉴于风力发电机的巨大数量，降低成本的压力很大。 我们的目标是让这项技术更为廉价。
　　
　　十年的振动监测历史让我们能够在将风电资产可用度提高一个百分点的同时，将运营和维护成本降低两个百分点。 利用斯凯孚基于统计的CMS，运营商的每个风力发电机均可节省高达每年 5,000 欧元的成本。 但有一个情况是确定的，由于风电场运营商的盈利空间不断受到挤压，所剩的任何一丁点儿效率空间对于维持盈利能力而言都至关重要;而提高统计 CMS 的预测能力正是帮助我们实现这一目标的重要工具。