統計方法改進風電場遠程狀態監測

　　歐洲陸上風電場的運營和維護成本極高。 根據歐洲風能協會的數據，運營和維護(O&M)成本約占陸上風電場平準化能源成本(LCOE)的 20%。 因此，任何可用于降低此成本的措施均可提高投資者的回報率。
　　
　　這并不是說資產擁有者可以吝惜運營和維護費用， 運營和維護成本不足可導致無法發現的輕度故障或缺陷。 這不僅會影響產量，還可導致主要部件故障，可能會造成代價高昂的維修和漫長的意外停機。
　　
　　風電行業的運營和維護問題越來越突出。 由于部件故障概率升高，且故障發生的時間可能超出制造商的保修期，因此，運營和維護的重要性以及成本會隨著設備服役時間的推移而升高。 在歐洲所有的陸上發電機組中，大約 75% 的發電機運行時間不足十年，因此，運營和維護問題的相關性越來越高。
　　
　　作為領先的風電行業供應商，斯凱孚生產了無數部件，包括針對動力系統的各種軸承以及潤滑和密封解決方案。 但我們的專業知識不止于此。 十年前，斯凱孚研發了一個振動監測系統，并開設了一個遠程監測中心。 狀態監測流程用于確定機械設備在運行中的狀態。 狀態監測計劃成功的關鍵包括監測哪些參量、如何理解這些參量數據的意義、以及根據狀態何時采取措施。 狀態監測系統(CMS)不僅能幫助風電場運營商降低災難性故障的可能性，也讓他們能夠預先訂購零件，安排人力和機器，并在意外停機期間安排其他維修工作。
　　
　　有了我們的托管軟件和監測服務，您只需連上互聯網，便可實施世界一流的預防性維護計劃，定期對風力發電機組進行持續監測。 斯凱孚遠程監測服務利用斯凱孚的狀態監測工具進行數據收集，這些工具專門為風力發電機組而研制，例如，SKF IMx 在線系統。 根據各項結果，專家對數據進行分析，利用互聯網對機器健康狀況管理進行溝通，以做出明智的決定。
　　
　　然而，隨著通訊和科技的發展，CMS 的時代正在發生變革。 為了改善運營，運營商的維護策略需要從計劃模式轉移至預測模式。
　　
　　若干年前，隨著監測的風電設備數量的增長伴隨著數據采集量的增加，斯凱孚不得不尋求提升監測效率之道。 我們必須發明新的數據處理方式，正是在那個時候我們開始使用統計技術。
　　
　　我們從大型風電場收集的數據量大得驚人。 一般來說，一個齒輪傳動風力發電機上大約有八個傳感器，每個傳感器大約進行三種測量，共計 24 項指標;一項指標便是一個頻譜和一個總體值。 此信息由狀態監測硬件進行收集，并通過有線或無線互聯網發送至設立在世界各個地方的 CMS 服務器。
　　
　　平均每天下載一次，一年下來，我們有將近 9,000 個頻譜需要分析。 一個風電場可能有成百上千個風力發電機，其規模您可以想象;如果不使用統計建模，根本無法進行分析。
　　
　　這一數據量意味著我們現在必須使用統計數據。 統計數據不僅用于風力發電機組彼此之間的對比，還對不同地理安裝位置和不同機型可能導致的差異進行對比。 首先我們對可比較的數據進行對比，然后將我們十多年來在各種型式的風電場所累積的監測歷史數據投入使用。 基于這一數據歷史，我們會根據風力發電機的類型，將其用作監測新機器的背景數據。
　　
　　由于其他行業傳統技術的應用受到種種限制，因此，即使在我們轉向統計工具之前，CMS 在風電場的應用也是獨一無二的。 風力發電機是一種復雜的機器，其變型非常之多。 不幸的是，與其他行業不同，我們無法將一個報警級別模型應用于所有機器。 因此我們必須研發出單獨的報警模型，讓我們能夠對具有可比性的機器進行快速對比。 然而，如果沒有統計數據作為指引，根本無法在合理時間內完成過濾和選擇。
　　
　　另外一個好處來自于歷史數據庫的增長。 這一歷史數據極為有用，而如果該數據包含設備自安裝以來的整個壽命周期，這種用處將尤其明顯。 不幸的是，實際情況往往并非如此。 盡管越來越多的渦輪機在原廠安裝了監測技術，但現有機群中大部分需要改裝;傳統而言，這種情況大多發生在保修期將要結束或者運營商或服務提供商打算續簽服務合同之時。
　　
　　然而，為有助于提高流程的準確性，分析時選擇正確的動態數據極為重要。 系統所具備的一些功能允許其對潛在的理論默認值進行掃描。 這種自動掃描有賴于系統部件類型的相關實際信息。 每一種傳動裝置都有各自的理論頻率，因此，如果對發電機內部的動力學不甚確定，您需要依賴于各種假設，而這些假設需要由分析師提供更多信息輸入。
　　
　　如今，我們有龐大的歷史數據庫，對于齒輪箱和發電機部件有良好的理解和背景知識。 根據我們的經驗，并非風力發電機中的所有部件均需要同等的專業水平才能進行分析。 發電機軸承問題的檢測非常簡單，但行星軸承和齒輪的問題檢測則麻煩得多。 我們研發出了特定的算法，完全通過一個特定的算法，檢測行星齒輪的問題。
　　
　　最終的目標是快速找到機群中的哪個發電機需要進一步分析。 統計方法是傳統診斷的補充，快速地凸顯出問題，找出可能有問題的發電機。 在這些方面，專家們需要花一些時間研究振動信號，以確定問題所在。
　　
　　我們現在的目標是利用我們在斯凱孚內部分析的 2000 多個發電機中積累的全球背景知識，來拓寬機群分析視角。 為了實現這一目標，我們將利用各個地點和各種工況下的所有發電機型號及其部件的振動對比數據，構建一個統計模型。
　　
　　這是通過改進流程，增加專家間的定期研討以及分享問題和改進意見來實現的，從而在風電 CMS 社區內打造一個全球網絡。
　　
　　這對于運營商有什么好處? 這讓我們能夠對報警進行定制，使之只接收那些可能對性能造成不利影響的問題信息，讓運營商無需被虛假警報或重要性級別較低的信息所煩擾。
　　
　　未來，CMS 的準確度和范圍將繼續演進，我們會繼續推動這項技術的前進。 接下來的其中一個步驟便是整合所有相關信息源，如溫度、過流程參數，并將其添加至振動所允許的診斷技術之中。
　　
　　另一個趨勢便是我們將能夠把 CMS 數據與另一個更整體化的系統再次掛鉤，從而得到更優異的相關性。 其背后的主要推動力是發電機的制造商，但和往常一樣，到了最后的最后，還是成本二字。 鑒于風力發電機的巨大數量，降低成本的壓力很大。 我們的目標是讓這項技術更為廉價。
　　
　　十年的振動監測歷史讓我們能夠在將風電資產可用度提高一個百分點的同時，將運營和維護成本降低兩個百分點。 利用斯凱孚基于統計的CMS，運營商的每個風力發電機均可節省高達每年 5,000 歐元的成本。 但有一個情況是確定的，由于風電場運營商的盈利空間不斷受到擠壓，所剩的任何一丁點兒效率空間對于維持盈利能力而言都至關重要;而提高統計 CMS 的預測能力正是幫助我們實現這一目標的重要工具。