風力發電機是將風能轉換為機械能，機械能轉換為電能的電力設備。某風電企業是國內排名前三的大型風電設備制造廠商，專業從事大型風力發電機組與關鍵部件的設計、制造和銷售以及風電場的建設、運營和咨詢服務，在高海拔風機市場具有顯著的優勢，已有數百臺在線運營，優異的產品性能和良好的售后服務獲得了國內眾多電力投資商的高度認可，在業內具有良好口碑。

小螺栓，大問題

風力發電機各部件主要通過螺栓連接，每個葉片根部均有50個螺栓固定，因為風機的變槳操作、螺栓零件的自然老化或葉片受到過大應力等因素，葉根螺栓會產生斷裂甚至脫落的情形。葉根螺栓的斷裂可能導致螺栓脫落掉進風機機艙，造成風機機艙內部機組的損壞，且當一個螺栓出現問題，很容易造成其他螺栓接連斷裂，最終將造成葉片掉落，甚至倒塌的嚴重后果。目前風力發電機葉根螺栓的斷裂與否完全依賴人工的排查，然而風場通常設置在如山區、草原、海邊或者離岸等偏遠的地區，且一個風場通常由數十臺風機組成，定期的巡檢并不能及時發現，往往在出現嚴重故障后才會發現。如何能及時發現螺栓斷裂避免后續嚴重故障發生，是該風電企業急需解決的問題。

頭疼醫頭，腳痛醫腳不可取

目前，該風電企業主要采用半年一次的人工定期巡檢排查故障。然而風場通常設置在偏遠的地區，風機檢修人員不易安排，且一個風場通常由數十臺風機組成，對于逐個風機進行高頻率的人工排查非常耗費人力及時間成本。理論上還可以增加傳感器來進行檢測，如螺栓預緊力傳感器、環形墊圈傳感器等，通過實時檢測每顆螺栓的預緊力來判斷有沒有螺栓斷裂。因為造價昂貴，目前主要應用在核工業、科研等領域，對于單個葉片就有50顆螺栓固定的風機來說，一方面性價比太低，另外也會使得系統更加復雜。

概括來說就是頭疼醫頭腳疼醫腳的方式，不僅增加了額外的人力物力，還沒有帶來更多的延伸利益。寄云科技提出可以通過對其他傳感器的測量和監控，比如風機轉速、傾角、風速、方向等參數，間接找到葉根螺栓斷裂的時間點，及時通知運營人員對斷裂螺栓進行更換或者采取其他的維護措施。這種方式不需要額外的傳感器就能第一時間發現斷裂的螺栓，還能進一步開發實現預測螺栓斷裂，以便于運營人員在螺栓斷裂之前采取措施，避免螺栓斷裂。

大數據思維望聞問切

風力發電機本身有數十個傳感器，可返回數百個字段，這些傳感器數據反應了風機的各種不同的狀態，長期以來，該風電客戶已經積累了大量包括葉片角度、葉片變槳速率、輪殼轉速及發電機轉速等在內的數據。寄云科技提出基于機器學習的監督學習分析法，在不增加傳感器的情況下，解決風機葉根螺栓斷裂故障的檢測問題，降低運營成本。

基于機器學習的監督學習分析法是指從眾多的風機周邊傳感器數據指標中篩選出相關變量，建立風機正常和異常運轉模型，確定螺栓斷裂發生的時間段，再通過對分類算法閾值的不斷學習，逐步找到精準的斷裂發生時間點，進而實現對螺栓斷裂的精準檢測。具體實施步驟如下：

1、特征提取。從大量傳感器指標中篩選并提取生成和螺栓斷裂有關的變量，計算各項傳感器數據在斷裂前后的分布差異，篩選其中顯著項； 對各項傳感器數據進行斷裂前后的頻域分析，找出顯著差異項；

2、建立正常及異常模型。根據風向、風速等外部環境因素相關的傳感器數值分布進行工作狀態切分，并以檢測出螺栓斷裂當日之前較小時間窗口數據作為確認異常數據，訓練不同狀態下的正常/異常判定模型，確認模型對于異常狀態的可檢測性。

3、確定故障發生時間。在檢測出螺栓斷裂當日之前的長時間窗口內，利用訓練好的判定模型進行檢測，尋找正常轉變為異常的跳點，即正常轉為異常模型的點。

4、分類算法閾值的學習。利用3中捕獲的跳點，獲得新的異常數據區間，重新訓練異常判定模型，對于模型進行優化。重復進行3和4步驟，逐步逼近異常發生的真實、精準的早期時間點。

5、故障檢測。基于4的最終分析結果，對螺栓斷裂進行檢測，再次確定故障的發生時間和位置。在積累了足夠的數據和模型之后，進一步基于故障前各個傳感器變化的趨勢，對葉根螺栓斷裂進行檢測。

目前，通過寄云基于機器學習的監督學習分析法，確定了正常和故障狀態下傳感器表現的差異及故障特征，并給出了找到螺栓斷裂準確時間的分析方法，后續將繼續對既有的分析結果進行驗證和積累，逐步實現葉根螺栓斷裂的預測，以便于運營人員在斷裂前進行設備狀態的調整，進而減少運維和設備的維修費用，提高風場的生產效率。利用數據分析的寄云基于機器學習的監督學習分析法不僅適用于風電企業，也可以應用到更多類似的大型機械生產和運維環境中，為大型機械故障的檢測提供了解決思路和方法。