我們真的理解風電“大數據”嗎？

2018-01-22 15:53:24 文德能源視點　點擊量：評論 (0)

　　2017年北京風能展的主題是數字化，也有好多業內大咖講了了數字化、大數據將在風電發展中起到至關重要的作用，更有專家認為這將決定風電

　　2017年北京風能展的主題是“數字化”，也有好多業內大咖講了了數字化、大數據將在風電發展中起到至關重要的作用，更有專家認為這將決定風電下一個十年。其實，數字化、大數據等正在將人類工業向4.0時代迅猛推進，風電行業也只是其中的一支而已。從風電設備的角度看，未來十年，材料科學、控制技術、系統集成、葉片新工藝等方面的創新也被寄予厚望。

　　近年來，很多整機企業以及業主都建立集控中心或者數據中心，將多個風電場的核心數據集中于此，實現了數據的匯聚和生產的集約化管理，期望能實現對機組的智能診斷與預測運維。然而實際實施效果其實還沒有達到所期待的“大數據”能發揮的作用，大部分業主集控中心在機組故障預測與診斷、預測性運維的實現上并不理想。

　　而從事運維中心搭建的多是IT及大數據領域非常知名的大公司，在大數據挖掘算法及應用方面也都經驗豐富。筆者認為，主要原因歸結于，整個過程重點停留在大數據的各種算法、處理技巧、理論分析上，停留在完美的頂層設計上，而恰恰缺乏對底層落地環節的重視、缺乏關鍵部件及子系統診斷預警模型核心技術。

　　明陽張啟應在接受風能雜志采訪時對大數據、數字化這樣理解：“數字化是未來的發展趨勢之一，但它的關鍵在于誰能夠真正理解并運用好它”。筆者比較認同他的看法。大數據只是一個手段、工具，而真正決定能否更好的利用好這些數據的是背后的人。要做好風電機組的健康診斷及機組評價需要專業的懂機組的人。

　　眾所周知，在高校里傳統的機械故障診斷是一個學科，無數碩士博士畢業于此專業，針對機械設備典型故障的機理進行理論、試驗研究，比如我的好多同門師兄弟研究生期間都是做這方面工作的，比如研究轉子軸裂紋、軸承點蝕、設備不平衡等故障建模、試驗、診斷分析方法等，當然大數據分析方法也是經常被應用的手段，但這需要機械故障診斷領域專業的人員去完成這樣的工作，而不是單純大數據分析方面的專家。下面這張圖從一個朋友的微信朋友圈借鑒過來的，無論哪個角度看到的都是數據的“真相”，但是卻只有懂的人能看清“真相”的前提和本質。

　　比如在醫學方面，僅僅依靠大數據方面的專家就可以通過數據挖掘等手段來診斷病人，就可以替代醫生嗎？從現在技術情況看還不具備這個能力，至少有眾多的疑難雜癥需要醫生的參與。當然，如果是醫學專家+大數據分析來診斷病人，可能就更靠譜些。而我們風電領域恰恰也需要既懂機組運行原理又懂故障診斷的“專家”來攻關目前不能閉環的問題，從而真正實現數據的價值。

　　下圖是某齒輪箱油池溫度與濾芯前壓力的運行關系示意圖，圖中的顏色深淺代表潤滑分配器出口的油溫。如何從中挖掘出有用的信息，來評價齒輪箱運行特性、指導齒輪箱運維工作，需要對齒輪箱運行及控制特性熟悉的工程師或專家，同時可借助包括大數據挖掘在內的分析手段來得以實現。比如至少我們可以從中了解到齒輪箱冷卻特性、控制邏輯、啟動特性、濾芯堵塞狀態等信息，同時借助大數據分析可以判斷機組在不同季節、不同工況下齒輪箱及輔助系統運行特性，分析濾芯堵塞狀態變化并從而用于診斷運行異常。

　　目前大量存量機組的運行狀況并不樂觀，很多機組的性能甚至都沒有達到設計的基本要求；運行狀況惡劣，損耗著未來的壽命；相反也有些機組由于近年來風機技術進步、機組選型等原因壽命損耗很小，有很大的技改經濟性。如何優化存量資產，提升存量資產價值，保障存量機組安全是業主應更加關注的事情。在目前的技術條件下，在集控系統或平臺等“頂層設計”的基礎上，需要更加了解機組及子系統的物理邏輯、運行特性，需要傳統故障診斷技術與大數據技術的更好結合，才能真正的落地。