本文是一篇电气自动化论文，本文主要研究内容包括，基于多阶段自适应Wiener过程的风电机组设备的退化过程建模与剩余寿命预测建模，对TBM、CBM等传统维修策略及风电场常用的CBM与TBM联合维修策略进行研究，并基于以上研究结果，利用剩余寿命预测方法改进CBM与TBM联合维修策略。
1绪论
1.1研究背景
近年来，随着全球能源需求的持续增长，环境恶化和气候变暖等问题日益突出，发展可再生能源已成为世界各国的共识。风电具有储量大、分布广、污染小、可再生、开发施工周期短等特点，大力开发利用风能资源已成为世界各国优先发展的目标[1]。据国际可再生能源署发布的2021版《可再生能源装机统计》(Renewable Capacity Statistics 2021)报告显示，截止2020年底，全球风电总装机容量为733GW，当年新增装机容量达到127GW，是2019年增量(58GW)的近两倍[2]。我国十分重视风电开发，将风电等新能源开发利用确定为国家战略，提出了“双碳”战略目标，出台了一系列鼓励政策，有力推动我国风电产业健康、有序、快速发展。据国家能源局统计数据显示，我国风电总装机容量、风电在全国发电总容量中的占比分别从2011年的4700万千瓦、4.48%发展提高到2021年的32848万千瓦、13.82%。10年来，风电总装机容量、风电在全国发电总容量中的占比分别增长6.99倍（如图1.1所示）、3.08倍[3,4]，连续12年位居全球第一位，海上累计容量2021年跃居全球第一。根据落实“双碳”目标的最低要求，“十四五”期间风电年均新增装机不低于5000万千瓦[5]。
电气自动化论文参考
........................
1.2国内外研究现状
维修就是为保持或恢复设备能完成特定功能的能力而采取的所有技术手段或管理措施。维修决策分为预防性维修策略和故障修复策略[8]。故障修复策略是一种被动维修策略，是在设备功能丧失后，为恢复其功能所采取的修复手段和管理策略，包括替换和维修[14,15]。预防性维修策略是一种主动进行的、为了改善或恢复设备功能，减小其发生故障的概率而开展的有计划的维修策略，是风电场必须开展的一项基本活动，也是目前研究最广泛、最深入的维修决策。目前，国内外学者对预防性维修策略的研究主要集中在基于维修时间的维修(Time-based maintenance, TBM)、基于机组状态的维修(Condition-based maintenance, CBM)两方面，鲜有时变工况影响下的预防性维修方面的研究。本文聚焦与时变工况条件下的预防性维修策略的研究主要关注TBM与CBM的预防性维修策略现状以及考虑工况条件影响的预防性维修策略现状。
1.2.1基于时间的风电机组预防性维修策略
基于时间的预防性维修研究主要集中在基于役龄的预防性维修策略和基于可靠性的预防性维修策略[17]两方面。基于役龄的维修策略是指当部件服役时间达到事先规定的时间t时，不管部件实际状态如何，都将对部件进行维修或更换的维修策略[17,18]。根据役龄退化率的影响，大多数研究采用比例失效模型和加速失效模型。文献[19,20]把役龄回退因子和故障率递增因子相结合，建立非周期性预防维修优化决策模型，确定设备的维修间隔期，并分析生命周期内的维修成本，提出一种维修总成本率最小的维修决策计划。文献[21]采用模拟采样检验方式，通过对风电机组液压油的老化程度和磨损状态进行了光谱分析，建立液压油衰变时间和劣化程度趋势模型，提出定期更换液压油的监督规程。文献[22]梳理总结基于可用度的可修系统预防性维修时间间隔优化的现状、可用度建模的基本要素、建模的主要方法，以及基于可用度的预防性维修间隔优化等方面的研究成果，分析该领域未来的发展趋势和研究挑战。
...........................
2基于时变工况的风电机组工况状态评估
2.1 SCADA数据清洗处理
风电机组SCADA系统的传感器有近千个[60]。在传感器采集信息、传输信息时容易受到复杂多变的干扰的而产生“脏数据”。这些噪声信息的存在将严重影响数据的质量。数据清洗就是针对数据中的“脏数据”进行识别和处理，以提高数据质量的常用方法。
2.1.1 环境指标对风电机组工作指标的影响分析
风电机组是依赖于风的作用力产生电能的，风速等外部环境因素决定风电机组的工作状态。图2.3(a)所示的是风速为8m/s、9m/s和10m/s下的有功功率散点图，图2.3(b)所示的是将图2.3(a)和所有风速下的有功功率散点的合成图，红色散点为单一风速下的有功功率散点。从图2.3(b)中可以看出，单一风速下的“脏数据”在不区分风速下呈现为正常数据。因此，在清洗数据时，需要考虑不同工况条件对风电机组工作指标的数据分布。如果不区分不同环境因素对数据的影响，将会造成清洗“不干净”问题（如图2.3所示）。从图2.3(a)中可以看出，红色数据点是单一风速条件下的数据分布散点，在单一风速条件下的“脏数据”，在不考虑工况对风电机组状态指标的影响时将会变为正常数据。因此，在数据清洗时，需要对数据按环境因素的影响进行分组，针对每一个分组进行数据清洗。
电气自动化论文怎么写
.....................
2.2 风电机组工况状态评估
基于不同角度，工况状态可按照功率输出情况、健康状态、设备失效或故障情况等进行划分，为了便于后续工作的进行，本文中以风电机组的健康状态为依据对其工况状态进行划分。风电机组由发电机、变桨控制器、自由端轴承等多个部件组成的大型复杂系统。影响风电机组工况状态的因素众多，但每一个部件发生故障都会导致机组的故障，即风电机组的工况状态是由各系统中工况状态最劣的部件决定。由于各部件的工况状态信息隐藏在众多信息之中，具有一定的模糊性。模糊综合评估在面对复杂外界环境和复杂工况的风机健康状态评估中受到越来越多的关注和应用。本文采用基于云模型的优化模糊综合评判方法，对风电机组工况状态进行评估[57,58]。
权重是各项指标参数在整个评价体系中重要程度的量化，赋值正确合理与否，直接决定着评价结果是否科学合理性。任何一个指标的权重变化都将会影响整个评判结果。因此，选取合理的权重确定方法是综合模糊综合评判方法中的重点和难点，权重的赋值必须做到科学、客观[59]。本文采用熵权法和历史数据法相结合的组合赋权法来计算权重。
.........................
3基于多阶段自适应Wiener过程的退化建模与产品剩余寿命预测 ................................. 25
3.1引言 ...................................... 25
3.2状态退化过程建模 .................................. 27
4预防性维修策略分析 ................................. 38
4.1传统预防性维修策略分析 .......................... 38
4.1.1 按时间维修 ................................... 39
4.1.2 按状态维修 ............................ 40
结论 .............................. 50
4预防性维修策略分析
4.1传统预防性维修策略分析
4.1.1 按时间维修
维修周期的确定是制定风机设备维修计划的重要组成部分，也是维修决策的重点关注内容之一。基于时间的维修策略是指制定维修周期不变的维修策略，当设备运行时间达到事先规定的期限时，无论设备的状态如何都必须进行维修，在已知维修时间时，风电场可以提前安排工作人员、物资调动等，主动做好应对措施。但维修周期过长则不能有效预防故障的发生，容易造成欠维修，严重时会极大降低风电机组运行的安全性和可靠性，甚至造成安全事故；如果维修周期过短，则容易造成过维修，导致维修成本过高。因此，制定一个合适的维修周期显得尤为重要。提出一种基于时间的风机设备预防性维修策略，在综合考虑经济性的条件下，对设备维修周期进行寻优。在设备运行过程中，如果维修周期过长，那么周期内发生故障的次数就会增多，维修费用变大；如果维修周期过短，则在一定的运行时间内，设备发生预防性维修的次数就会增大，从而导致维修费用的增多。因此，可以维修费用最低为目标建立决策模型，通过决策模型求得最佳预防性维修周期。
(1)维修策略
基于TBM实施预防性维修策略的一般步骤如下：
① 周期维修方案实施时，设备从初始状态为时刻开始，间隔T时间进行一次预防性维修；
②在维修周期内不进行预防性维修，但若在周期内设备发生故障，则立即进行故障后对设备进行纠正性维修；
③设备在经过预防性维修或纠正性维修后，恢复到全新的状态
(2)成本分析与最优维修时间的确定
假设为T设备一个TBM周期的时间阈值，则其必须满足如下条件：在时刻T，若风电机组未发生故障，运行正常，则此刻采取预防性维修使得风电机组状态恢复如新；如果在T时刻前风电机组已经发生故障，此时则应采用故障后维修措施，同样维修后风电机组状态恢复如新。若T为最优维修时间，则该设备在单位时间内的平均维修费用最小，反过来说可以通过最小化设备单位时间内平均维修费用的期望来确定最优维修时间T。
..........................
结论
由于维修技术的进步和信息技术的发展，CBM逐渐成为当前主流的维修策略。CBM维修策略的核心是设备信息的获取与分析，其中常见的方法包括基于随机退化模型的状态监控和基于数据驱动的健康评估。本文通过对不同工况状态下工况和退化过程的分析，建立基于剩余寿命预测的TBM和CBM联合应用的预测性维修策略。主要研究内容包括，基于多阶段自适应Wiener过程的风电机组设备的退化过程建模与剩余寿命预测建模，对TBM、CBM等传统维修策略及风电场常用的CBM与TBM联合维修策略进行研究，并基于以上研究结果，利用剩余寿命预测方法改进CBM与TBM联合维修策略。
(1) 针对风电机组现有监测系统，SCADA系统的监测指标进行分析，考虑到监测指标中包含的运行环境信息与机组内部关键部件的运行状态信息，利用特征提取与熵权法提取出针对机组影响的工况特征参数。并利用工况特征参数对风电机组工况状态进行评估，保证其对风电机组设备状态描述的准确性和真实性。利用风电场SCADA检测数据、检修记录等对上述方法进行了验证，证明其有效性。
(2) 考虑到设备在运行过程中，退化速率不仅仅与其运行时间有关，还受到设备本身状态的影响，建立基于多阶段自适应Wiener过程的累积退化模型。在该模型中，将风电机组设备退化过程按照其工况划分为四个阶段，考虑到设备仅在处于“健康”与“亚健康”状态时正常运行，因此仅对设备处于“健康”、“亚健康”两种状态下的退化曲线进行分析。与不区分退化阶段的自适应Wiener过程相比，该模型误差更小，能够更加精确的预测设备剩余寿命，最后通过数值实验和故障记录仿真对模型进行验证。
(3) 建立基于剩余寿命预测的TBM与CBM联合的预测性维修方法。通过建立了基于工况条件的状态转移模型，分析工况条件时变情况下，风电机组预防性维修模型中可靠性的变化。并通过设备退化模型逼近设备在运行过程中的退化过程，分别建立TBM与CBM的成本模型，在维修成本最低的目标下寻找最佳维修时间与最优检测间隔。继而针对以上分析结果和剩余寿命预测方法，对传统TBM与CBM联合应用的维修策略进行改进。最后通过数据仿真分析和费用比较，验证改进过后的维修策略在保证可靠性的同时具有更优秀的经济性，从而实现对优化传统TBM与CBM联合应用的维修策略的目标。
参考文献（略）