并网风电机组状态的时空演变模型及预防性维护关键技术研究

With the continuous development and utilization of wind power and the current equipments operated increasing, Wind power operation and maintenance trade is facing the opportunities and challenges, such that a transformation is required, urgently. The aim of which is to ensure that the units operate stable and effective for a long time, and make passive maintenance (time based maintenance, TBM) upgrade as active maintenance (condition based maintenance, CBM) of the preventive maintenance strategy, and expect to maintenance mode change from the extensive type to the lean one, and the intermittent type to the continuous one. Based on it, the project starts from the time and space of the evolution of the unit's own state to investigate progressive relationship between TBM and CBM for same physical system (unit) under same conditions based on the Ergodic theory and time average progressive space average and other characteristics of stochastic process theory, such as the desired aim, monitoring and analytical techniques, and other external conditions. Then, a unified stochastic differential equation (SDE) model or generalized SDE (GSDE) model is established for TBM and CBM based on stochastic analysis and martingale theoretical knowledge, and the existence of a TBM process is analyzed to make CBM close to it, progressively. Finally, for preventive maintenance like wind power unit of complex equipment, the engineering application characteristics of TBM and CBM are hot discussed. The research results can strengthen the rational cognition for TBM and CBM, and overcome perceptual knowledge on them, and provide scientific basis and theoretical support for the healthy development of wind power industry.

随着风能的持续开发和投运设备存量的增多，风电运维行业正面临着机遇和挑战，迫切需要转型。转型的目标是确保机组长期运行稳定和有效，将预防性维护中的被动维护（TBM，基于时间的维护）升级为主动维护（CBM，基于状态的维护），并期待维修方式从粗放型向精益型、间断型向持续型迈进。基于此，本课题从机组自身状态的时空演变关系出发，基于随机过程中的遍历论和时空渐进平均等特性，研究针对同一物理系统（机组）而实施的维护，在期望目标和监测、分析技术及其它外部条件相同的情况下TBM和CBM之间的渐进关系。接着基于随机分析和鞅理论知识，为TBM和CBM建立统一的随机微分方程（SDE）或广义SDE模型，分析存在某个TBM过程，使得CBM能与之渐进。最终，基于像风电机组这样的复杂设备而实施的预防性维护，探讨TBM和CBM的工程应用特点。研究结果能增强对TBM和CBM的理性认知，为风电产业健康发展提供科学依据和理论支撑。

项目针对同一物理信息系统，建立了不同预防性维护模式下系统状态演变的统一的随机微分方程（SDE或GSDE）模型，分析了不同预防性维护模式下过程的渐进性质和局部特征。研究表明：基于时间的维护（TBM）可用普通微分方程（ODE）描述，是一种基于全局信息而做出的事先有计划的维修活动，能够在相应的时间点配置足够的维修资源进行全面维修，缺点是这种决策一经制定就难以改变，难以与设备的真实状态相对应，存在“过维护”和“欠维护”的缺陷；而基于状态的维护（CBM）可用SDE来描述，是一种基于局部样本信息而做出的实时决策行为，期望能够与设备的真实状态相对应，从而避免“过维护”和“欠维护”问题，但由于事先是一种无计划的活动，可能存在维修资源调度困难。在相同的初始条件和外部环境作用下，针对同一风电设备而实施的TBM和CBM，二者之间存在渐进关系，即TBM是CBM的期望样本轨道，而CBM是TBM的一个具体实现。也就是说借助于具体的状态监测信息，CBM可以从TBM中恢复，而TBM可从CBM期望得到。鉴于风电设备一般都有先验概率密度信息，且状态信息中包含有多种不同性质的监测信息，提出一种融合多种监测信息和先验密度信息的风电设备状态劣化的SDE模型，估计模型参数并用于故障预测，结果显示了该模型有较高的预测精度。进一步的研究显示了单部件的CBM维修周期的优化实质是对其TBM最优维修周期的局部调整，而多部件维修周期的优化实质是对单部件CBM维修周期的再次调整。基于TBM和CBM各自的特点，提出一种融合TBM和CBM的预防性维修策略，它以TBM期望轨道为参考，基于CBM的状态监测信息实时修正TBM的状态信息，比较二者的期望剩余寿命，当误差在允许范围以内时，即可实施决策维修。研究表明这种维修策略具有更低的成本和更高的准确度，有利于工程实施和应用。以上研究揭示了同一信息空间里实施TBM和CBM策略后系统状态演变的实质，以及借助于状态监测信息指导风电设备维修决策的实践，对促进风电产业健康发展和相关企业转型升级具有重要的理论和实践意义。

内容获取失败，请点击重试