本文是一篇電氣自動化論文，本文主要研究內容包括，基于多階段自適應Wiener過程的風電機組設備的退化過程建模與剩余壽命預測建模，對TBM、CBM等傳統維修策略及風電場常用的CBM與TBM聯合維修策略進行研究，并基于以上研究結果，利用剩余壽命預測方法改進CBM與TBM聯合維修策略。
1緒論
1.1研究背景
近年來，隨著全球能源需求的持續增長，環境惡化和氣候變暖等問題日益突出，發展可再生能源已成為世界各國的共識。風電具有儲量大、分布廣、污染小、可再生、開發施工周期短等特點，大力開發利用風能資源已成為世界各國優先發展的目標[1]。據國際可再生能源署發布的2021版《可再生能源裝機統計》(Renewable Capacity Statistics 2021)報告顯示，截止2020年底，全球風電總裝機容量為733GW，當年新增裝機容量達到127GW，是2019年增量(58GW)的近兩倍[2]。我國十分重視風電開發，將風電等新能源開發利用確定為國家戰略，提出了“雙碳”戰略目標，出臺了一系列鼓勵政策，有力推動我國風電產業健康、有序、快速發展。據國家能源局統計數據顯示，我國風電總裝機容量、風電在全國發電總容量中的占比分別從2011年的4700萬千瓦、4.48%發展提高到2021年的32848萬千瓦、13.82%。10年來，風電總裝機容量、風電在全國發電總容量中的占比分別增長6.99倍（如圖1.1所示）、3.08倍[3,4]，連續12年位居全球第一位，海上累計容量2021年躍居全球第一。根據落實“雙碳”目標的最低要求，“十四五”期間風電年均新增裝機不低于5000萬千瓦[5]。
電氣自動化論文參考
........................
1.2國內外研究現狀
維修就是為保持或恢復設備能完成特定功能的能力而采取的所有技術手段或管理措施。維修決策分為預防性維修策略和故障修復策略[8]。故障修復策略是一種被動維修策略，是在設備功能喪失后，為恢復其功能所采取的修復手段和管理策略，包括替換和維修[14,15]。預防性維修策略是一種主動進行的、為了改善或恢復設備功能，減小其發生故障的概率而開展的有計劃的維修策略，是風電場必須開展的一項基本活動，也是目前研究最廣泛、最深入的維修決策。目前，國內外學者對預防性維修策略的研究主要集中在基于維修時間的維修(Time-based maintenance, TBM)、基于機組狀態的維修(Condition-based maintenance, CBM)兩方面，鮮有時變工況影響下的預防性維修方面的研究。本文聚焦與時變工況條件下的預防性維修策略的研究主要關注TBM與CBM的預防性維修策略現狀以及考慮工況條件影響的預防性維修策略現狀。
1.2.1基于時間的風電機組預防性維修策略
基于時間的預防性維修研究主要集中在基于役齡的預防性維修策略和基于可靠性的預防性維修策略[17]兩方面?；谝埤g的維修策略是指當部件服役時間達到事先規定的時間t時，不管部件實際狀態如何，都將對部件進行維修或更換的維修策略[17,18]。根據役齡退化率的影響，大多數研究采用比例失效模型和加速失效模型。文獻[19,20]把役齡回退因子和故障率遞增因子相結合，建立非周期性預防維修優化決策模型，確定設備的維修間隔期，并分析生命周期內的維修成本，提出一種維修總成本率最小的維修決策計劃。文獻[21]采用模擬采樣檢驗方式，通過對風電機組液壓油的老化程度和磨損狀態進行了光譜分析，建立液壓油衰變時間和劣化程度趨勢模型，提出定期更換液壓油的監督規程。文獻[22]梳理總結基于可用度的可修系統預防性維修時間間隔優化的現狀、可用度建模的基本要素、建模的主要方法，以及基于可用度的預防性維修間隔優化等方面的研究成果，分析該領域未來的發展趨勢和研究挑戰。
...........................
2基于時變工況的風電機組工況狀態評估
2.1 SCADA數據清洗處理
風電機組SCADA系統的傳感器有近千個[60]。在傳感器采集信息、傳輸信息時容易受到復雜多變的干擾的而產生“臟數據”。這些噪聲信息的存在將嚴重影響數據的質量。數據清洗就是針對數據中的“臟數據”進行識別和處理，以提高數據質量的常用方法。
2.1.1 環境指標對風電機組工作指標的影響分析
風電機組是依賴于風的作用力產生電能的，風速等外部環境因素決定風電機組的工作狀態。圖2.3(a)所示的是風速為8m/s、9m/s和10m/s下的有功功率散點圖，圖2.3(b)所示的是將圖2.3(a)和所有風速下的有功功率散點的合成圖，紅色散點為單一風速下的有功功率散點。從圖2.3(b)中可以看出，單一風速下的“臟數據”在不區分風速下呈現為正常數據。因此，在清洗數據時，需要考慮不同工況條件對風電機組工作指標的數據分布。如果不區分不同環境因素對數據的影響，將會造成清洗“不干凈”問題（如圖2.3所示）。從圖2.3(a)中可以看出，紅色數據點是單一風速條件下的數據分布散點，在單一風速條件下的“臟數據”，在不考慮工況對風電機組狀態指標的影響時將會變為正常數據。因此，在數據清洗時，需要對數據按環境因素的影響進行分組，針對每一個分組進行數據清洗。
電氣自動化論文怎么寫
.....................
2.2 風電機組工況狀態評估
基于不同角度，工況狀態可按照功率輸出情況、健康狀態、設備失效或故障情況等進行劃分，為了便于后續工作的進行，本文中以風電機組的健康狀態為依據對其工況狀態進行劃分。風電機組由發電機、變槳控制器、自由端軸承等多個部件組成的大型復雜系統。影響風電機組工況狀態的因素眾多，但每一個部件發生故障都會導致機組的故障，即風電機組的工況狀態是由各系統中工況狀態最劣的部件決定。由于各部件的工況狀態信息隱藏在眾多信息之中，具有一定的模糊性。模糊綜合評估在面對復雜外界環境和復雜工況的風機健康狀態評估中受到越來越多的關注和應用。本文采用基于云模型的優化模糊綜合評判方法，對風電機組工況狀態進行評估[57,58]。
權重是各項指標參數在整個評價體系中重要程度的量化，賦值正確合理與否，直接決定著評價結果是否科學合理性。任何一個指標的權重變化都將會影響整個評判結果。因此，選取合理的權重確定方法是綜合模糊綜合評判方法中的重點和難點，權重的賦值必須做到科學、客觀[59]。本文采用熵權法和歷史數據法相結合的組合賦權法來計算權重。
.........................
3基于多階段自適應Wiener過程的退化建模與產品剩余壽命預測 ................................. 25
3.1引言 ...................................... 25
3.2狀態退化過程建模 .................................. 27
4預防性維修策略分析 ................................. 38
4.1傳統預防性維修策略分析 .......................... 38
4.1.1 按時間維修 ................................... 39
4.1.2 按狀態維修 ............................ 40
結論 .............................. 50
4預防性維修策略分析
4.1傳統預防性維修策略分析
4.1.1 按時間維修
維修周期的確定是制定風機設備維修計劃的重要組成部分，也是維修決策的重點關注內容之一?；跁r間的維修策略是指制定維修周期不變的維修策略，當設備運行時間達到事先規定的期限時，無論設備的狀態如何都必須進行維修，在已知維修時間時，風電場可以提前安排工作人員、物資調動等，主動做好應對措施。但維修周期過長則不能有效預防故障的發生，容易造成欠維修，嚴重時會極大降低風電機組運行的安全性和可靠性，甚至造成安全事故；如果維修周期過短，則容易造成過維修，導致維修成本過高。因此，制定一個合適的維修周期顯得尤為重要。提出一種基于時間的風機設備預防性維修策略，在綜合考慮經濟性的條件下，對設備維修周期進行尋優。在設備運行過程中，如果維修周期過長，那么周期內發生故障的次數就會增多，維修費用變大；如果維修周期過短，則在一定的運行時間內，設備發生預防性維修的次數就會增大，從而導致維修費用的增多。因此，可以維修費用最低為目標建立決策模型，通過決策模型求得最佳預防性維修周期。
(1)維修策略
基于TBM實施預防性維修策略的一般步驟如下：
① 周期維修方案實施時，設備從初始狀態為時刻開始，間隔T時間進行一次預防性維修；
②在維修周期內不進行預防性維修，但若在周期內設備發生故障，則立即進行故障后對設備進行糾正性維修；
③設備在經過預防性維修或糾正性維修后，恢復到全新的狀態
(2)成本分析與最優維修時間的確定
假設為T設備一個TBM周期的時間閾值，則其必須滿足如下條件：在時刻T，若風電機組未發生故障，運行正常，則此刻采取預防性維修使得風電機組狀態恢復如新；如果在T時刻前風電機組已經發生故障，此時則應采用故障后維修措施，同樣維修后風電機組狀態恢復如新。若T為最優維修時間，則該設備在單位時間內的平均維修費用最小，反過來說可以通過最小化設備單位時間內平均維修費用的期望來確定最優維修時間T。
..........................
結論
由于維修技術的進步和信息技術的發展，CBM逐漸成為當前主流的維修策略。CBM維修策略的核心是設備信息的獲取與分析，其中常見的方法包括基于隨機退化模型的狀態監控和基于數據驅動的健康評估。本文通過對不同工況狀態下工況和退化過程的分析，建立基于剩余壽命預測的TBM和CBM聯合應用的預測性維修策略。主要研究內容包括，基于多階段自適應Wiener過程的風電機組設備的退化過程建模與剩余壽命預測建模，對TBM、CBM等傳統維修策略及風電場常用的CBM與TBM聯合維修策略進行研究，并基于以上研究結果，利用剩余壽命預測方法改進CBM與TBM聯合維修策略。
(1) 針對風電機組現有監測系統，SCADA系統的監測指標進行分析，考慮到監測指標中包含的運行環境信息與機組內部關鍵部件的運行狀態信息，利用特征提取與熵權法提取出針對機組影響的工況特征參數。并利用工況特征參數對風電機組工況狀態進行評估，保證其對風電機組設備狀態描述的準確性和真實性。利用風電場SCADA檢測數據、檢修記錄等對上述方法進行了驗證，證明其有效性。
(2) 考慮到設備在運行過程中，退化速率不僅僅與其運行時間有關，還受到設備本身狀態的影響，建立基于多階段自適應Wiener過程的累積退化模型。在該模型中，將風電機組設備退化過程按照其工況劃分為四個階段，考慮到設備僅在處于“健康”與“亞健康”狀態時正常運行，因此僅對設備處于“健康”、“亞健康”兩種狀態下的退化曲線進行分析。與不區分退化階段的自適應Wiener過程相比，該模型誤差更小，能夠更加精確的預測設備剩余壽命，最后通過數值實驗和故障記錄仿真對模型進行驗證。
(3) 建立基于剩余壽命預測的TBM與CBM聯合的預測性維修方法。通過建立了基于工況條件的狀態轉移模型，分析工況條件時變情況下，風電機組預防性維修模型中可靠性的變化。并通過設備退化模型逼近設備在運行過程中的退化過程，分別建立TBM與CBM的成本模型，在維修成本最低的目標下尋找最佳維修時間與最優檢測間隔。繼而針對以上分析結果和剩余壽命預測方法，對傳統TBM與CBM聯合應用的維修策略進行改進。最后通過數據仿真分析和費用比較，驗證改進過后的維修策略在保證可靠性的同時具有更優秀的經濟性，從而實現對優化傳統TBM與CBM聯合應用的維修策略的目標。
參考文獻（略）