2023年10月16日-20日，2023北京國(guó)際風(fēng)能大會(huì)暨展覽會(huì)（CWP2023）在北京如約召開(kāi)。作為全球風(fēng)電行業(yè)年度最大的盛會(huì)之一，這場(chǎng)由百余名演講嘉賓和數(shù)千名國(guó)內(nèi)外參會(huì)代表共同參與的風(fēng)能盛會(huì)，再次登陸北京，聚焦中國(guó)能源革命的未來(lái)。

本屆大會(huì)以“構(gòu)筑全球穩(wěn)定供應(yīng)鏈共建能源轉(zhuǎn)型新未來(lái)”為主題，將歷時(shí)四天，包括開(kāi)幕式、主旨發(fā)言、高峰對(duì)話(huà)、創(chuàng)新劇場(chǎng)以及關(guān)于“全球風(fēng)電產(chǎn)業(yè)布局及供應(yīng)鏈安全”“雙碳時(shí)代下的風(fēng)電技術(shù)發(fā)展前景”“國(guó)際風(fēng)電市場(chǎng)發(fā)展動(dòng)態(tài)及投資機(jī)會(huì)”“風(fēng)電機(jī)組可靠性論壇”等不同主題的21個(gè)分論壇。能見(jiàn)App全程直播本次大會(huì)。

10月17日上午，中車(chē)株洲電力機(jī)車(chē)研究所有限公司高級(jí)算法工程師李籽圓在人工智能與智能運(yùn)維發(fā)展論壇上發(fā)表了題為《風(fēng)機(jī)的“順風(fēng)耳”——工業(yè)聽(tīng)診技術(shù)在風(fēng)電領(lǐng)域的應(yīng)用實(shí)踐》的主旨發(fā)言。     

以下為發(fā)言全文：

大家上午好，我是來(lái)自中車(chē)株洲所的李籽圓，算法工程師，我分享的題目是風(fēng)機(jī)的“順風(fēng)耳”——工業(yè)聽(tīng)診技術(shù)在風(fēng)電領(lǐng)域的應(yīng)用實(shí)踐。

報(bào)告分四個(gè)部分，研究背景、工業(yè)聽(tīng)診系統(tǒng)、應(yīng)用案例以及最后對(duì)匯報(bào)內(nèi)容總結(jié)與展望。首先是研發(fā)背景，與中國(guó)能源數(shù)據(jù)指出，中國(guó)裝機(jī)量由2010年的0.42億千瓦到2060年預(yù)計(jì)達(dá)25億千瓦，正在呈現(xiàn)飛速的增長(zhǎng)。

與此同時(shí)，單機(jī)容量也一直在提高，像我們中車(chē)現(xiàn)在7.X兆瓦的機(jī)型已投入量產(chǎn)，這一次展臺(tái)也推出10兆瓦的整機(jī)平臺(tái)。我們?nèi)碌暮Ｆ矫嫫脚_(tái)功率等級(jí)覆蓋8—12兆瓦以及14—16兆瓦，有感興趣的同仁可以去到我們展臺(tái)了解一下相關(guān)產(chǎn)品。

剛剛說(shuō)到，隨著單機(jī)容量一再提高，隨之出現(xiàn)問(wèn)題就會(huì)越來(lái)越多。比如葉根螺栓斷裂、葉片損傷、偏航異相、傳動(dòng)鏈異常等等，這些問(wèn)題在小機(jī)型上或多或少會(huì)出現(xiàn)，到大機(jī)型上顯得尤為突出，這個(gè)時(shí)候發(fā)現(xiàn)問(wèn)題、及時(shí)檢測(cè)、提前介入處理，這是技術(shù)團(tuán)隊(duì)需要攻關(guān)的。

接下來(lái)簡(jiǎn)要介紹一下基于研發(fā)的工業(yè)聽(tīng)診系統(tǒng)，首先講一下工業(yè)聽(tīng)診系統(tǒng)的誕生，因?yàn)槲覀兂霭l(fā)點(diǎn)是對(duì)超大機(jī)組全面檢測(cè)，現(xiàn)在行業(yè)內(nèi)對(duì)大部件傳統(tǒng)檢測(cè)方式一般是靠運(yùn)維人員的定檢、巡檢或者CMS的振動(dòng)檢測(cè)，前者效率低、漏檢、信號(hào)處理復(fù)雜、傳感器精度受限、振動(dòng)數(shù)據(jù)量大，安裝維護(hù)不便的問(wèn)題。在此基礎(chǔ)上怎么來(lái)優(yōu)化已有解決方式呢？我們想到了深度學(xué)習(xí)這條技術(shù)路線(xiàn)，隨著深度學(xué)習(xí)大趨勢(shì)運(yùn)用到機(jī)械診斷設(shè)備領(lǐng)域，我們也自然而然會(huì)想應(yīng)用到風(fēng)電領(lǐng)域。

基于對(duì)風(fēng)電機(jī)組運(yùn)行原理深度理解，我們研發(fā)基于音頻風(fēng)電機(jī)組工業(yè)聽(tīng)診系統(tǒng)，我們?nèi)∶酗L(fēng)機(jī)的“順風(fēng)耳”。

下面簡(jiǎn)要介紹一下系統(tǒng)的架構(gòu)，主要三部分組成，硬件部分、軟件部分以及診斷算法部分。

硬件部分簡(jiǎn)單來(lái)說(shuō)就是拾音器、采集器以及智能終端三部分。軟件部分是采集數(shù)據(jù)模塊、工業(yè)聽(tīng)診模塊、人機(jī)交互模塊以及PHM系統(tǒng)里面的工業(yè)聽(tīng)診板塊。算法部分采用的是深度學(xué)習(xí)的路線(xiàn)，會(huì)根據(jù)不同的風(fēng)場(chǎng)定制不同的異常檢測(cè)算法。

下面我詳細(xì)的介紹一下這三部分。

硬件構(gòu)成，工業(yè)聽(tīng)診系統(tǒng)采用簡(jiǎn)單的部署配置方案，在單臺(tái)風(fēng)機(jī)上配置拾音器、采集器、智能終端各一套，安裝于機(jī)艙內(nèi)部。基于葉片掃塔聲音、偏航聲音、輪轂聲音、傳動(dòng)鏈等部件的聲音對(duì)各大部件聲音進(jìn)行分類(lèi)，以及異常診斷。

拾音器我們?cè)谇捌趯?shí)驗(yàn)的時(shí)候會(huì)采取矩陣式麥克風(fēng)拾音器和單獨(dú)麥克風(fēng)的拾音器，當(dāng)然，矩陣式麥克風(fēng)的效果優(yōu)于單獨(dú)麥克風(fēng)，但是考慮到成本，在一些異常較少的風(fēng)機(jī)上面，我們建議部署單獨(dú)的麥克風(fēng)。

采集器有線(xiàn)采集、無(wú)線(xiàn)采集、集成至CMS采集，將風(fēng)電機(jī)組的運(yùn)行聲音轉(zhuǎn)換為數(shù)字量信號(hào)。

無(wú)線(xiàn)采集，它是將拾音器、音頻采集器，極為簡(jiǎn)單的設(shè)備就能實(shí)現(xiàn)音頻的采集、轉(zhuǎn)換以及診斷。

關(guān)于智能終端將采集聲音數(shù)字量信號(hào)和機(jī)組PLC相關(guān)運(yùn)行數(shù)據(jù)，并進(jìn)行狀態(tài)分析與異常診斷，將診斷結(jié)果存儲(chǔ)至云端服務(wù)器。

接下來(lái)是軟件構(gòu)成以及硬件流向部分，軟件構(gòu)成簡(jiǎn)要分為四個(gè)板塊，數(shù)據(jù)采集模塊、工業(yè)聽(tīng)診模塊、人機(jī)交互系統(tǒng)以及我們已有PMH系統(tǒng)里面的工業(yè)聽(tīng)診模塊，數(shù)據(jù)采集模塊是負(fù)責(zé)采集機(jī)組聲音信號(hào)和同時(shí)期機(jī)組相關(guān)運(yùn)行數(shù)據(jù)，這個(gè)也不是一直采集，是會(huì)根據(jù)機(jī)組運(yùn)行數(shù)據(jù)觸發(fā)采集模塊的程序，并將數(shù)據(jù)分別存儲(chǔ)到本地音頻文件系統(tǒng)和數(shù)據(jù)庫(kù)。

將數(shù)據(jù)到結(jié)果進(jìn)入到人機(jī)交互系統(tǒng)，并進(jìn)行狀態(tài)診斷與異常檢測(cè)，振動(dòng)階段與運(yùn)行數(shù)據(jù)查詢(xún)、錄音回放、可視化。我們將工業(yè)聽(tīng)診結(jié)果從攻擊端會(huì)把結(jié)果集成云端PHM系統(tǒng)，實(shí)現(xiàn)基于音頻的狀態(tài)檢測(cè)與異常診斷。

核心診斷算法部分，首先我介紹一下算法的復(fù)雜性，異常檢測(cè)算法復(fù)雜性具有以下四點(diǎn)：不可知性、異常類(lèi)別的異構(gòu)性、罕見(jiàn)性和類(lèi)間不平衡、異常種類(lèi)的多樣性。

異常往往是具有不可知的特性，比如異常數(shù)據(jù)不可知的爆發(fā)形式、不可知數(shù)據(jù)的結(jié)構(gòu)以及不可知的數(shù)據(jù)分布，這些不可知性需要等異常的出現(xiàn)才有可能知道。

第二異常類(lèi)別的異構(gòu)性，異常通常是沒(méi)有規(guī)律的，因此，異常類(lèi)間可能存在很大差異，比如齒輪箱異響、不同程度的偏航異響、傳動(dòng)鏈大部件異響，這些都是完全不一樣的異響。

第三，罕見(jiàn)性和類(lèi)間不平衡性，異常相比于正常工況屬于罕見(jiàn)事件，因此它的數(shù)據(jù)量毫無(wú)疑問(wèn)是更小的，也更難采集，所以我們這個(gè)問(wèn)題就在于很難采集到大數(shù)量全面的帶有異常標(biāo)簽的數(shù)據(jù)。

第四，異常種類(lèi)多樣性，個(gè)點(diǎn)異常，區(qū)別于多數(shù)派的個(gè)體異常樣本，條件異常在特定情況下才屬于異常情況，比如說(shuō)變速箱在高轉(zhuǎn)速下可能會(huì)發(fā)出比較大的聲音，這個(gè)時(shí)候我們會(huì)認(rèn)為它是正常的，如果再低轉(zhuǎn)速下還發(fā)出同樣聲音，毫無(wú)疑問(wèn)，那它就是異常的，這種是條件異常。然后是群組異常，多個(gè)樣本群體行為屬于異常，比如我們齒輪箱會(huì)出現(xiàn)三千赫茲、五千赫茲、八千赫茲的頻率，如果他們單獨(dú)出現(xiàn)可能是正常的，如果同時(shí)出現(xiàn)就會(huì)屬于群體異常。

上述四個(gè)復(fù)雜性會(huì)帶來(lái)一系列的問(wèn)題與挑戰(zhàn)，首先是低召回率，這是由于數(shù)據(jù)異常性和罕見(jiàn)性導(dǎo)致訓(xùn)練出來(lái)的模型存在漏檢，不全面。解析高維數(shù)據(jù)和非獨(dú)立數(shù)據(jù)，異常在高維度數(shù)據(jù)不明顯，且高維特征之間錯(cuò)綜復(fù)雜，相互影響，具有耦合性。高效利用有限數(shù)據(jù)來(lái)學(xué)習(xí)正常和異常，有監(jiān)督算法有時(shí)候會(huì)因?yàn)閿?shù)據(jù)量無(wú)法訓(xùn)練，泛化性能極差，無(wú)監(jiān)督算法過(guò)分地依賴(lài)自認(rèn)為的假設(shè)，表現(xiàn)也一般。

第四個(gè)挑戰(zhàn)就是抗噪異常檢測(cè)，具有錯(cuò)誤的標(biāo)簽的數(shù)據(jù)或正常的樣本混入了一場(chǎng)樣本，保證訓(xùn)練數(shù)據(jù)的干凈或設(shè)計(jì)一個(gè)抗噪性好的算法模型，第五個(gè)檢測(cè)算法異常，大部分模型只考慮個(gè)點(diǎn)異常，也就是離群，如何將條件異常和群組異常引入到模型中是這個(gè)挑戰(zhàn)之一。最后一點(diǎn)異常的解釋?zhuān)谏疃葘W(xué)習(xí)算法，大部分都是黑盒工作，有時(shí)候找到了異常，但是你沒(méi)法和風(fēng)機(jī)的故障進(jìn)行合理的解釋?zhuān)诳山忉屝院湍Ｐ托阅苤g找一個(gè)平衡，是這個(gè)挑戰(zhàn)之一，這是不能一味的去尋求模型的性能好。

針對(duì)上述六個(gè)挑戰(zhàn)及問(wèn)題，我們?yōu)槭裁磿?huì)選擇深度學(xué)習(xí)這條技術(shù)路線(xiàn)呢？因此我們團(tuán)隊(duì)進(jìn)行了研發(fā)，參考了一些參考文獻(xiàn)以及一些應(yīng)用實(shí)踐，分析發(fā)現(xiàn)，如果一個(gè)深度學(xué)習(xí)是基于多個(gè)步驟組成，它端到端的優(yōu)化能夠全局調(diào)優(yōu)一個(gè)異常檢測(cè)流程，深度學(xué)習(xí)在訓(xùn)練過(guò)程中學(xué)習(xí)到異常專(zhuān)用特征，深度學(xué)習(xí)自動(dòng)挖掘高緯度之間的復(fù)雜相互關(guān)系，這是深度學(xué)習(xí)的天性?xún)?yōu)勢(shì)，現(xiàn)在深度學(xué)習(xí)領(lǐng)域有效和易用的模型和框架能夠無(wú)縫地和來(lái)自不同的數(shù)據(jù)。

前面籠統(tǒng)講了一下深度學(xué)習(xí)的優(yōu)勢(shì)，具體到每一個(gè)場(chǎng)景下，深度學(xué)習(xí)算法又是怎樣選擇的呢？接下來(lái)我要講的就是我們半監(jiān)督方法和無(wú)監(jiān)督方法相比于有監(jiān)督更適合風(fēng)電檢測(cè)的場(chǎng)景，但是并非完全沒(méi)有，將無(wú)監(jiān)督和半監(jiān)督方法作為主要研究方向，同時(shí)對(duì)部分有監(jiān)督算法進(jìn)行了實(shí)驗(yàn)，根據(jù)不同場(chǎng)景會(huì)定制異常檢測(cè)算法。像圖中所示，舉了兩個(gè)例子，就是早期在偏航異響以及葉片異常進(jìn)行實(shí)驗(yàn)，最后根據(jù)不同場(chǎng)景使用不同算法。

接下來(lái)講一下工業(yè)聽(tīng)診系統(tǒng)在風(fēng)場(chǎng)的實(shí)際應(yīng)用，近一年來(lái)，我們從南方山地風(fēng)場(chǎng)、北方平原風(fēng)等多類(lèi)型風(fēng)場(chǎng)部署了工業(yè)聽(tīng)診系統(tǒng)，采集到音頻數(shù)據(jù)時(shí)長(zhǎng)共25000h，大小超3000G，精準(zhǔn)識(shí)別了不同機(jī)型偏航異響、輪轂異常、葉片異常、齒輪箱異響等大部分異常，風(fēng)機(jī)的“順風(fēng)耳”安裝方便，覆蓋面廣，準(zhǔn)確率高。

最后是對(duì)匯報(bào)內(nèi)容的一個(gè)總結(jié)，先說(shuō)一下我們這個(gè)系統(tǒng)的優(yōu)勢(shì)，風(fēng)機(jī)“順風(fēng)耳”依靠無(wú)接觸麥克風(fēng)精準(zhǔn)識(shí)別各類(lèi)異常，安裝方便，覆蓋面廣，準(zhǔn)確率較高，成本更低，提升無(wú)人值守，風(fēng)電場(chǎng)運(yùn)維響應(yīng)及時(shí)性，助力開(kāi)啟智能風(fēng)場(chǎng)運(yùn)維新模式，當(dāng)然這樣系統(tǒng)是對(duì)我們超大機(jī)組檢測(cè)的一次嘗試，不斷的研究以及應(yīng)用實(shí)踐，目前部署方式不能有效對(duì)塔筒進(jìn)行檢測(cè)，新出現(xiàn)位置異常往往需要相關(guān)領(lǐng)域?qū)＜医槿胩幚怼?/p>

展望，風(fēng)機(jī)的“順風(fēng)耳”可集成CMS檢測(cè)系統(tǒng)、視頻檢測(cè)系統(tǒng)并進(jìn)行推廣，有望實(shí)現(xiàn)對(duì)超大機(jī)組更全面的檢測(cè)。

最后期待與行業(yè)專(zhuān)家一起努力，利用好現(xiàn)有的大模型基礎(chǔ)設(shè)施，持續(xù)構(gòu)建有價(jià)值可落地的數(shù)據(jù)應(yīng)用服務(wù)。

謝謝大家，我的匯報(bào)就這些！

（根據(jù)演講速記整理，未經(jīng)演講人審核）