从修复性维护到预测性维护 风机维护策略的发展趋势

2018-02-27  |  作者:刘宗长 史喆  |  来源:天泽智云  |  浏览:

能源的平准化成本(LCOE)是用来评估发电成本以及发电项目影响力的重要指标。对风力发电而言,LCOE代表整个风电系统全生命周期的运行费用。风电系统运营费用的主要来源包括风机购置费用、风机安装费用、运维费用、管理费用以及保险费用等。运维费用在整个风机LCOE当中占比约20%-25% [1]。

依照NREL 2011,2013,2014年的风电费用报告(Cost of Energy Review)[2-4],风机的LCOE随着风机造价的降低有了显著的下降。但是由于风机的尺寸不断增长,风机运维的费用正在不断上涨,其中,陆上风机上涨19%,海上风机上涨50%。2014年与2011年相比,运维费用在LCOE中的占比显著提升,陆上风机从13.8%到19.2%,海上风机从14.2%到23.4%。由此可见,减少运维费用是风机运行降本的核心需求,同时其他行业的研究和实践也表明,预测性维护(PdM)是有效降低运维费用的使能技术。
 
一个好的运维策略应该为设备提供安全性、可用性及经济性上的平衡。维修策略根据其触发机制、决策支持方式以及所使用技术的不同被分为以下几种:修复性维护(Corrective maintenance)、定期维护(Periodic maintenance)、基于状态的维护(CBM)以及预测性维护(PdM)[5]。也可根据策略的反应机制将维护策略分为:主动维护和被动维护[6]。
 

修复性维护

 
修复性维护是在风机发生故障或者停机后所触发的被动式维护。修复性维护没有提前性,不能给维护团队提供备件准备时间,有较长的停机维护时间。在几种维护策略中,修复性维护是整体花费最大的。
 
图1 失效维护步骤
 
如图1所示的是失效维护的步骤。在风机发生失效之后,管理人员首先需要找到失效部位,确定失效模式,随后根据失效模式以及现有的资源安排维护策略,之后根据制定好的策略安排人员维修或者更换,最后对风机进行重置和调试。
 
在修复维护的机制下,设备会有较长的停机时间等待备件及人员到位,尤其对于海上风机而言,维修等待时间更是难以估算。

 

定期维护

 
定期维护是在固定的时间周期或者使用循环数对设备进行维修维护。为了做出最优化的维护排程计划,可靠性数据包括失效率、平均故障间隔时间(MTBF)、平均修复时间(MTTR)等都有可能会被加入决策支持指标。定期维护通常使用不同的级别对应不同的维护周期,例如齿轮箱的定期维护就包括手动检测、油液分析、光谱分析等。然而,失效还是有可能在检测周期的间隙发生。如图2所示,在定期维护策略当中很难有效地选择合适的维护时间窗口。同时,不必要的、多余的维护还有可能会对设备造成由于人工操作失误带来的新故障。
 
图2 定期维护步骤
 

基于状态的维护

 
基于状态的维护(CBM)是主动式维护的一种策略。基于状态的维护依照设备状态参数的变化指定维护决策。
 
CM技术是CBM的基础,被用来检测、诊断设备的早期故障。在设备被检测到有早期故障到设备真实发生故障的周期叫做PF-interval,这个周期应该有足够的时间覆盖整个维修反应时间,最终避免设备发生故障。
 
图3 基于状态的维护步骤
 
与定期维护相比,CBM可以有效地减少不必要的维修,同时基于实时监控的数据CBM也可以更加有力的保障风力发电机安全高效运行。因此,CBM的成功应用可以帮助风力发电机有效消除非计划停机。
 

预测性维护

 
预测性维护(PdM)与基于状态的维护(CBM)不同,需要基于预测得到的设备剩余使用寿命(RUL)来规划维修计划。是否在维修决策时引入RUL是区分CBM和PdM的重要手段。CM系统发现设备早期问题或者故障之后,设备的RUL预测就可以更好地支持维修决策。换句话说,PF-interval可以更加准确的估计,基于这个估计结果就可以更好地计划维修策略。
 
与CBM相比,PdM的维修决策方法更加优化,更进一步考虑到未来风场的风功率,人员技能以及备品备件状态,所得到的维修优化结果更加精准。PdM最大的价值在于,基于RUL的预测,在维护机会窗内选择成本最低的维护策略和排程计划,同时综合考虑风场中所有风机的维护需求,制定全局最优的维护方案。
预测性维护的步骤如图4所示。
 
图4 预测性维护步骤
 

CBM和PdM的差异

 
在很多论文中大家对基于状态的维护(CBM)和预测性维护(PdM)的区分非常模糊,还有一些文章认为PdM是CBM的一部分。在此,很有必要澄清PdM和CBM在技术实现和决策机制上的区别,以及如何从CBM发展PdM。
 
CBM和PdM的相似之处在于两者都引入了在线监控和故障诊断技术(CMFD)。CBM通常使用基于阈值的决策机制,在触发之后马上维护,而PdM则是引入了预测分析技术。基于预测的结果,决策机制可以更好的掌控失效增长的趋势,以及PF-interval的时间跨度,为最终的决策优化提供不可或缺的重要信息。
 
CBM和PdM都可以帮助减少风机不必要的故障停机,但PdM可以有效地降低计划维修带来的冲击,这是CBM不可能实现的。从CBM到PdM的发展的使能技术包括预测分析技术,风功率预测以及排程优化算法。
 
 
为了在风机当中有效地实施维护技术,就需要首先了解从风机子部件到风场的失效模式以及实际需求。ReliaWind定义了风力发电机的核心部件,这些信息可以用来识别需要监控的核心部件以及对于不同分系统的维护策略[7]。在[8]中,作者们也提出了如何在每一个级别选取维护策略的方法论。
 
基于已有的可靠性数据,也有不同的方法论可以用来帮助选择合适的关键设备用以实施预测性维护。接下来就需要针对不同的设备和失效模式,选择合适的CM技术和数据分析方法。具体的方法在很多论文中都有详细论述,在此不做重复描述。
 
整个分析过程大致分为几部分:数据采集、数据预处理、信号处理、故障诊断、故障定位及剩余寿命预测。在接下来的维护决策部分,优化引擎基于维护工单,运行状态,环境条件等对工单做出整体的优化和决策。目前看来,整个PdM在风力发电上的应用还都处于探索阶段,主要的挑战来自于技术和运营的结合。
 

不同维护策略的比较

 
在没有应用背景信息的情况下,很难得出某一个维护策略优于另一个维护策略的结论。因此,目前风机的维护通常采用多种维修策略混合使用的方式。不同维护策略之间的比较如下图所示。
 
参考文献:天泽智云
[1] M. I. Blanco, “The economics of wind energy,” Renew. Sustain. Energy Rev., vol. 13, no. 6–7, pp. 1372–1382, 2009.
[2] S. Tegen, M. Hand, B. Maples, E. Lantz, P. Schwabe, and A. Smith, “Cost of Wind Energy Review 2010,” 2012.
[3] C. Mone, T. Stehly, B. Maples, and E. Settle, “2014 Cost of Wind Energy Review,” 2015.
[4] C. Mone, T. Stehly, B. Maples, and E. Settle, “2013 Cost of Wind Energy Review,” 2013.
[5] M. Bevilacqua and M. Braglia, “The analytic hierarchy process applied to maintenance strategy selection,” Reliab. Eng. Syst. Saf., vol. 70, no. 1, pp. 71–83, 2000.
[6] R. Kothamasu, S. H. Huang, and W. H. Verduin, “System health monitoring and prognostics - A review of current paradigms and practices,” in Handbook of Maintenance Management and Engineering, Springer London, 2009, pp. 337–362.
[7] M. Wilkinson, B. Hendriks, F. Spinato, and T. Van Delft, “Measuring wind turbine reliability, results of the reliawind project,” Eur. Wind Energy Assoc. Conf., pp. 1–8, 2011.
[8] S. T. Kandukuri, A. Klausen, H. R. Karimi, and K. G. Robbersmyr, “A review of diagnostics and prognostics of low-speed machinery towards wind turbine farm-level health management,” Renew. Sustain. Energy Rev., vol. 53, pp. 697–708, 2016.天泽智云

推荐文章