为应对更低成本、更高发电效率的市场压力,中国正在加速推出新的更大功率风机产品,这些产品的验证周期被大大缩短,如何在更短的验证周期内,实现准确、快速验证,是确保中国风机产品可靠性的关键。

另一方面,中国风电大规模发展已经持续了十几年,随着越来越多的风电场出质保,如何准确获知传动链大部件运行状态,及时进行预测性运维管理,尽可能减少停机带来的电量损失,提高投资回报率,是风电场持续运营的重心。

传动链是风电机组的核心,包括主轴、齿轮箱、发电机等关键大部件。不管是新机验证,还是运行机组的维护,中国风电行业都需要更实时、更准确的监测和诊断系统,来提升传动链的可靠性

目前,斯凯孚全球监测了上万台机组,以某陆上2.5MW机组为例,单次故障的成功监测和准确诊断可以帮助客户实现:

节约30万元直接成本及80万元发电量损失成本

避免1个月的非计划停机时间

减少90%以上的无效检查

超过4-5倍的投资收益率

强大AI诊断,更实时更准确

目前业内主要通过场端数据采集-场端数据存储-云端人工诊断分析的方式进行,但是由于数据安全的相关规定,限制实时振动数据在云端服务器上的自动传输和同步,导致相关信号诊断分析存在较大的延时,风场运维团队无法及时发现现场传动链部件存在的问题。

这往往容易错失最为合适的维护窗口及维修计划,导致传动链容易产生高温或更严重的失效及故障问题。

就这一业内痛点,斯凯孚提出了针对性的解决方案,将振动监测系统-智能诊断算法部署到现场,通过场端边缘计算直接对信号进行监控,方便现场端实时对现场机组运行状态进行监控及报警,这可以显著提升监控时效性和诊断准确性

这是基于斯凯孚具有强大的AI诊断能力和更加智能的算法模型,才能得以实现。因为这种解决方案不需要依赖于云端人工诊断分析方式,通过算法模型就可以完成智能诊断分析。

特征趋势的拟合、预测

异常度趋势监测和预测

斯凯孚为主轴轴承、齿轮箱发电机等关键部件开发部署了专门的诊断算法和应用,AI算法可以识别出大多数常见的部件故障,比如润滑不良、内外圈故障、滚动体故障、保持架故障等轴承故障,齿磨损、断齿等齿故障,轴不平衡、联轴器故障等轴类故障以及电机定转子故障、机械松动故障等,实现机组传动链智能监控及故障诊断。

多分类故障诊断

基于在AI诊断领域数十年的经验积累,斯凯孚数据科学家及诊断专家还在通过大数据持续不断地对模型进行优化和训练,调整相关阈值信号。

特别是针对新型的大兆瓦机组上低速重载部件以及故障诊断比较困难的行星齿轮箱,斯凯孚通过积累更多运行数据对智能诊断算法和模型进行完善和调优,使得模型更智能更自动化,极大地提高AI诊断的准确性

本地化部署,构建运维闭环

斯凯孚通过在机组上安装振动监测系统硬件,实现实时振动信号采集及状态评估,并对振动信号进行边缘计算,在机舱内完成机组初步状态评估,并对快速发生故障实现即时报警。振动信号通过现场机组环网传输到位于中控室的数据服务器上,进行存储,同时将AI诊断算法前移,基于无监督学习,根据传动链的实际情况得到最适合的报警阈值,可以在现场实现早期故障智能诊断,能够更早发现现场传动链部件存在的问题,更加利于早期问题处理。

现场人员接到设备报警,经过斯凯孚诊断专家确认之后,基于丰富的经验提供专业的运维决策及检查指导建议,确保现场工程师能够在第一时间发现及确认故障,通过维修更换终止机组异常运行状态,斯凯孚将更换下来的部件进行专业的失效分析及智能再制造,并对机组做升级改造避免传动链再次出现类似故障,提高机组可靠性。

以自身的经验和知识为基础,斯凯孚AI诊断能力为传动链提供更实时、更准确的监测和诊断系统,通过本地化部署构建运维闭环,正在风电新机验证和运行机组维护领域得到越来越多的应用,助力中国风电行业高质量发展。

来源:中国风电新闻网

免责声明:非本网原创文章均不代表本网立场和观点,文中的信息或所表述的意见不构成对任何人的投资建议。