基于狀態自適應評估的海上風電機組預防性維護策略

符 楊，黃路遙，劉璐潔，魏書榮，任浩瀚，王 毅，唐庚培

（1. 上海電力大學電氣工程學院，上海 200090；2. 上海綠色環保能源有限公司，上海 200433）

0 引言

在我國2030 年前實現碳達峰、2060 年前實現碳中和的目標愿景下［1］，近年來海上風電作為新能源領域重要組成部分保持較快的增長速度。截至2020年，全球新增裝機容量6 GW，其中我國新增裝機容量超過3 GW［2］。受雷擊、鹽霧、風載荷等環境因素的影響，海上風電機組故障率高、類型成因多樣且維護可及性較差，運維費用占其度電費用的1/4以上［3］，運行維護費用居高不下。在平價壓力下，如何通過優化維護策略來降低維護費用已成為海上風電行業實現持續發展的重要方向，也是加速推進碳達峰、碳中和戰略的重要支撐。

目前海上風電機組普遍采用事后維護和預防性維護相結合的維護策略［4］。事后維護是指機組發生故障后所進行的非計劃性被動維護，由于缺少必要的維護準備，機組停機時間較長。預防性維護又分為定期維護和狀態維護。定期維護是結合機組歷史故障數據，基于時間或壽命周期的維護，但由于機組各部件的實際退化程度不同，到期就修的定期維護方式易造成“維護不足”或“維護過?！眴栴}。隨著機組狀態監測技術的發展，多源異質的監測數據為狀態的精準估計提供了良好的基礎，基于機組狀態的維護策略成為近年來研究的熱點［5］。目前研究主要圍繞以下2 個方面開展。一是基于機組當前狀況評估制定維護策略［6］，在根據評估機組當前實際狀態的基礎上，將其與預設故障閾值比較來判斷是否進行維護。文獻［7］在對海上風電機組部件進行統計分析的基礎上，指出了機組狀態評估中的關鍵部件，并對現有狀態評估方法進行梳理。文獻［8］結合機組主軸溫度殘差信息統計結果，同時引入殘差均值作為狀態監測量，實現對主軸狀態的實時監測。文獻［9］根據風輪狀態的識別結果，以劣化狀態為決策依據，并以風輪維護費用最小為目標制定其維護策略。文獻［10］提出了一種描述部件實時運行狀態的狀態指示器，通過比較其與狀態維修閾值函數之間的大小來確定部件的維護策略。二是基于機組未來狀況預測制定維護方案，研究方法通常分為基于數學模型（如比例風險模型、濾波模型等）預測和基于數據驅動預測。文獻［11］基于機組軸系裂紋損傷機理，構建了軸系退化-扭振耦合模型，同時引入風速對軸系退化過程的影響，實現對軸系剩余壽命的預測。文獻［12］在利用神經網絡預測狀態后，基于各部件故障概率值，以單位時間維護費用的期望值最小為目標優化維護策略。文獻［13］基于最大似然估計建立退化預測模型，并提出一種用于確定部件最優更換方案的單調控制極限解策略。

上述狀態維護中存在以下2 個方面問題。一方面，相比于陸上風電，海上風電機組運行環境復雜多變，導致機組運行監測數據波動劇烈，不確定運行環境下的時變監測數據增加了準確評估機組狀態的難度。此外，海上風電機組故障類型更為復雜多樣，機組狀態特征的提取是增量式的，需要在歷史狀態特征的基礎上不斷從新樣本中學習新知識，對機組狀態特征的增量式學習還有待建立更系統的方法和模型。另一方面，當前研究多以優化短期單次維護策略為主，但機組在采用不同維護方式后其狀態也隨之變化［14］。在機組狀態與維護策略間的動態不確定相互影響下，兼顧短期局部與全壽命周期全局的最優維護決策仍存在困難。因此，如何建立具備自適應學習能力的狀態評估模型對指導狀態維護意義重大。

本文針對機組狀態評估中對新問題學習能力不足的問題，利用非正態總體假設檢驗法判定表示新狀態的狀態數據，并基于增量字典學習實時更新狀態評估知識庫。由于在采用單個樣本測試時，狀態評估模型的輸出結果固定，可能與機組實際狀態存在誤差，但使用機組相同狀態下的多個樣本數據進行狀態評估后，其結果具有統計特性，評估結果以概率向量形式輸出。因此，在原有的自適應評估模型的基礎上，以結合支持向量機（SVM）輸出的機組各狀態的概率向量為決策依據，制定各部件的預防性維護策略。然后，依據在不同窗口期的成組維護費用差異情況，得出最優的預防性維護策略。最后，以某海上風電機組為例，仿真驗證所提模型的有效性，并分析了維護次數和可及性對維護策略的影響。

1 基于狀態自適應評估的海上風電機組預防性維護策略思路框架

1.1 模型假設

模型假設如下：①依據機組性能衰退趨勢，將機組狀態空間劃分為機組正常、輕度異常、中度異常、重度異常、故障5 個狀態；②部件預防性維護間隔為等周期，且小修和大修對應的有效役齡為常數；③不考慮維護資源及部件故障相關性的影響。

1.2 思路框架

基于狀態自適應評估的海上風電機組預防性維護策略分為狀態自適應評估和預防性維護2 個階段，具體如下。

1）狀態自適應評估階段。結合機組數據采集與監視控制（SCADA）系統采集的狀態數據和維護日志，將相鄰2 次消缺結束時刻間的狀態數據聚類，完成機組狀態空間劃分。采用增量字典學習法，對歷史狀態數據進行學習，獲得初始字典及初始稀疏矩陣。通過假設檢驗對比機組實時狀態與歷史狀態，若假設檢驗結果為真，則表示該部件出現新故障誘因，在原有字典的基礎上進行增量字典學習，獲取增量字典及增量稀疏矩陣。采用SVM，將增量字典和實時狀態數據作為輸入，在得到實時數據映射到線性空間上的系數向量后，評估該部件處于各狀態的概率，以概率最大值時的狀態作為評估結果。

2）預防性維護階段。結合部件當前狀態概率向量，使用迭代法優化部件下次預防性維護間隔及維護方式，并依據維護后的狀態數據按上述方法逐次優化維護策略，形成各部件長期維護決策。在此基礎上，以天為單位，滾動監測時間窗，再計入部件提前維護或延遲維護產生的懲罰費用，以機組長期維護費用最小為目標，優化得到短期內成組維護的部件集及其維護方式。

2 基于增量字典學習和SVM的海上風電機組狀態自適應評估

在劃分機組狀態空間的基礎上，采用非正態總體假設檢驗識別機組新故障數據，為了使評估模型自適應更新新知識，提出了基于增量字典學習和SVM的海上風電機組狀態自適應評估模型。

2.1 海上風電機組狀態空間劃分

機組故障多樣，當機組逐級劣化甚至發生故障時，相較于正常狀態，狀態監測量的數值將出現增減。因此，通過選擇表征機組正常狀態的SCADA 系統數據樣本，根據狀態值量化其他狀態的故障程度，實現海上風電機組狀態空間劃分。

2.1.1 基于平衡迭代規約聚類法的機組正常狀態聚類中心確定

機組由于長期處于高濕、高鹽的工作環境，并且在長期風載荷耦合作用下，其各個部件的風險和疲勞程度不斷累積，機組部件狀態演變將經歷正?！惓！收系倪^程?？紤]到SCADA 系統所采集數據的非線性程度強，且采樣過程嚴格遵循時序性等特點，本文采用平衡迭代規約聚類法（BIRCH），借助其對大量高維非線性數據的聚類質量高、節約內存、聚類時間短等方面的優勢［15］，通過按數據排列的先后次序，構建聚類特征樹存儲聚類簇的特征，在增添機組新狀態數據的同時實現對機組狀態的無監督聚類。將正常狀態簇中心所對應的狀態數據作為機組正常信息的“代表”，當機組狀態變化時，表征機組狀態的狀態量的值出現不同程度的增減。因此，確定機組正常狀態簇中心并以其狀態數據作為基準，是劃分狀態空間的首要步驟。

定義機組相鄰2 次消缺結束時刻間的時間段為單位監測周期，在第v個單位監測周期內，SCADA 系統將采集到的N個M維機組狀態數據樣本按時序排列構成待聚類矩陣，xf為第f個狀態數據樣本，xfo為xf中的第o個狀態參量值。每個聚類簇由聚類特征CF（包括狀態數據樣本數N、樣本數據線性和向量、各樣本點數據平方和）表征，記聚類簇p和聚類簇q的第f個狀態數據樣本分別為x′f和x″f，且聚類簇p和聚類簇q的狀態數據樣本數量分別為Np和Nq，由此推導出的簇中心xˉ、簇半徑R及聚類簇p與聚類簇q之間間距d分別如式（1）—（3）所示。

式中：xˉo為聚類中心的第o個狀態參量值。

BIRCH 首先設定葉平衡因子τ和枝平衡因子φ的數值，對讀入的首個機組狀態數據樣本x1計算CF1，同時將其放入根節點中，當讀入下一個機組狀態數據樣本x2計算CF2后，比較兩簇間距與x1簇半徑，若d＜R，則將2個樣本歸為一類，并將CF合并；反之，則建立新的枝節點。當葉節點數超過葉平衡因子τ時，將枝節點一分為二，同理，當枝節點數超過枝平衡因子φ時，將根節點一分為二。最后，以聚類數量為約束，將距離相近的數據簇合并。聚類結果及正常狀態簇中心見附錄A圖A1。

2.1.2 基于歐氏距離的機組狀態空間劃分

機組部件劣化過程中，機組狀態量（如溫度、電流、電壓等）也隨之變化。歐氏距離作為量化狀態量變化幅度的一種參數，能更好地將機組劣化階段細分。為了獲取各狀態空間的狀態數據，選取正常狀態下聚類中心樣本值作為基準值，記f′為單位監測周期內正常狀態聚類中心樣本位次，通過計算單位監測周期內第o個狀態參量值xfo與正常狀態下第o個狀態參量值xf′o間的歐氏距離標幺值d′，實現對機組狀態空間劃分。在參考歐氏距離計算公式［16］的基礎上，歐氏距離標幺值d′的計算公式如式（4）所示。

歐氏距離標幺值d′越大，表示該樣本的狀態參量值與機組正常狀態下的樣本參量值差別越大，機組運行累積的風險越高。因此，單位監測周期內的狀態數據劃分正常、輕度異常、中度異常、重度異常和故障，劃分結果如圖1所示。

圖1 基于歐氏距離的機組劣化過程再劃分Fig.1 Subdivision of degradation process of units based on Euclidean distance

2.2 海上風電機組狀態增量集判定

對實時數據中蘊含的新故障類型判別是增量式學習的基礎。部件在不同故障誘因下，狀態數據集間存在的相對信息損失將導致其幅值譜概率密度函數不同，因此采用非正態總體假設檢驗［17］。

設Y′和Y″分別為歷史狀態數據集和實時狀態數據集，Y′的均值為u0，Y″由l個SCADA 系統機組狀態數據樣本組成，其均值和方差分別為E和σ2。在顯著性水平α下，檢驗假設H0：E=u0，H1：E≠u0。由于總體方差已知，依據中心極限定理，在原假設H0成立的條件下，檢驗統計量服從標準正態分布。統計量?的表達式如式（5）所示，對?進行U 檢驗，當H0為真時，統計量?的拒絕域如式（6）所示。

若滿足式（6），則拒絕H0，此時，表示兩數據集信息差異較大，實時狀態數據集可作為對應狀態空間的增量數據集；否則，接受H0，表示實時數據與歷史數據信息差異程度低，即部件的故障誘因已在知識庫中，且實時狀態數據集不作為增量集。

2.3 基于增量字典學習和SVM的海上風電機組狀態自適應評估模型

海上風電機組狀態自適應評估是制定機組維護策略的前提，分為狀態自學習階段和狀態評估階段。在狀態自學習階段，結合狀態監測數據、維護日志等信息，通過增量字典學習實現對新知識的自學習；在狀態評估階段，為了降低硬分類造成的誤差，結合訓練出的增量字典，以實時狀態數據為輸入，輸出機組處于各狀態的概率向量，以概率值最大的狀態作為機組狀態自適應評估結果。

2.3.1 狀態自學習階段

初始字典學習是進行增量字典學習的必要環節。結合機組維護日志和SACDA 系統數據，將表征部件首次故障的狀態數據記作初始訓練集Y(0)，初始字典D(0)和稀疏矩陣X(0)可由式（7）訓練得到。

式中：λ為平衡參數；函數argmin｛·｝表示使目標函數｛·｝取最小值時的變量值。將D(0)的m個列向量記為字典原子｛d1，d2，…，dm｝。設某一時間段內，識別出該部件的U個互斥故障誘因后，在原有狀態空間初始字典的基礎上，將表征每個故障誘因的狀態數據依次作為增量字典學習的訓練集，記U個增量字典學習的訓練集集合為｛Y(1)，…，Y(j)，…，Y(U)｝（Y(j)為第j個增量字典學習的訓練集）。在對首個增量字典學習的訓練集Y(1)自適應特征值提取前，判斷Y(1)在通過初始字典和稀疏矩陣重構后是否滿足誤差容許范圍要求（Y(1)≈D(0)X(0)），若滿足，則將初始字典D(0)作為增量字典D(1)，否則在初始字典中增加b個字典原子構成新的增量字典D(1)，后續的增量字典數據構造依此類推。對于第j+1 個增量字典學習的訓練集Y(j+1)，其增量字典D(j+1)和稀疏矩陣X(j+1)可通過式（8）求?。?8］。

將機組實時狀態數據輸入自適應評估模型后，依據假設檢驗判別情況，結合新故障數據對原有狀態空間中的字典進行更新，并采用分段函數F表示該過程，所提模型如式（9）所示。

式中：X(j)和D(j)分別為Y(j)對應的稀疏矩陣和增量字典。式（9）中對應于α的u值可通過歷史數據訓練并查找t界值表確定。

2.3.2 狀態評估階段

在得到各狀態空間增量字典和稀疏矩陣后，由于實時狀態數據是非線性不可分的，利用SVM 建立超平面，并計算實時狀態數據所屬狀態空間概率，以概率最大值作為機組狀態評估的結果，實現機組狀態分類。

由于SVM 的特征空間要求線性輸入，需要對實時狀態數據y進行空間變換，因此通過增量字典可得如式（10）所示映射到線性空間上的系數向量z。

式中：?為狀態評估平衡因子；I為單位矩陣?；赟VM 的多分類問題的主要任務是尋找多個決策函數，旨在根據輸入信息劃分到狀態空間中，狀態i的決策函數如式（11）所示。

式中：ωi為超平面法向量；bi為超平面的偏置。結合歷史狀態數據，計算實時狀態數據所屬每個超平面劃分空間的概率，構建SVM 分類器實時狀態數據y所屬狀態i的概率pi［19］及機組狀態評估結果e分別如式（12）、（13）所示。

式中：Ai、Bi為狀態i中參數，由極大似然估計得出；函數argmax｛·｝表示使目標函數｛·｝取最大值時的變量值。

3 基于狀態自適應評估的海上風電機組預防性維護模型

結合當前時刻部件狀態向量，通過計算小修、大修次數的期望和有效役齡，對傳統部件預防性維護費用和停機費用進行修正，以維護總費用最小為目標，提出了基于狀態的部件預防性維護模型，確定下次（短期）維護時刻及維護方式；在此基礎上，結合各部件有效役齡確定提前維護或延遲維護產生的變動費用，以全壽命周期（長期）維護總費用最小為目標，提出了基于狀態自適應評估的海上風電機組預防性維護模型，通過分析各種成組方案下維護費用，確定各部件短期成組時刻及待維護部件，實現了長短期維護策略的配合。

3.1 部件預防性維護模型

制定機組部件預防性維護任務是出海成組維護的基礎。設初始預防性維護間隔為T，在采取不同的維護方式（不維護、小修、大修、更換）下，機組部件性能的恢復程度不同。當維護方式為不維護時，機組部件的有效役齡按原有速度繼續增加；當更換維護方式時，部件有效役齡恢復至0。引入有效役齡因子aγ（γ=1，2）來描述部件性能恢復的程度，0＜a2＜a1＜1，記γ=1，2 分別為小修和大修的維護方式。設維護累計次數為n，第k-1 次維護和第k次維護的時間間隔為Tk。在文獻［20］基礎上，考慮不同的維護方式后，第k次維護時有效役齡η為：

依據式（14），在不同維護方式下，部件有效役齡隨時間變化的關系見附錄A 圖A2。由圖可知，部件有效役齡受之前預防性維護次數及其維護方式影響，設機組自正常狀態至狀態評估起始時刻間共進行了n1次小修和n2次大修，且n1+n2=n，以nγ表示預防性維護在采用維護方式γ下的維護次數期望，累計運行時間為t，則部件的有效役齡η為：

式中：T γ k為維護方式γ下第k-1次維護與第k次維護時間間隔。設維護方式向量A=［a1，a2，a3，a4，a5］，其中任意元素值au∈{0，1，2，3}，4個元素分別表示不維護、小修、大修、更換，結合由2.3 節模型得出狀態評估時機組部件處于各狀態的概率向量P，小修和大修次數的期望分別為：

由于機組的重要部件是串級系統，且旋轉部件服從威布爾分布，在第k次預防性維護周期內，部件形狀參數β下機組有效役齡時刻η β-1k下的故障次數總期望Ek為：

式中：θ為尺度參數。進行n次預防性維護前，故障總次數期望E為：

在結合機組狀態評估結果確定的小修、大修次數的期望、有效役齡和故障總次數期望E的基礎上，本文需考慮對傳統部件預防性維護費用進行修正。

1）預防性維護費用。

部件預防性維護費用Cpm與每種維護方式的次數和平均每次維護所需費用有關，由于維護費用期望可由CγPT表示，則Cpm為：

3.2 海上風電機組多部件成組維護模型

在維修窗口期內，對機組若干部件進行成組維護具有實際的工程意義。在單次出海維護作業時，部分部件的維護時刻相對于該部件的最優預防性維護計劃提前，但另一方面，滯后于預防性維護時刻的部件在運行中累積風險，則由機組部件提前維護或延遲維護產生的變動費用為：

式中：Ca為提前維護浪費費用；Cd為延遲維護懲罰費用；δ為成組方式因子，其取值為1 時，提前對部件維護，其取值為0時，延遲維護。

成組維護犧牲了部分部件維護的經濟性要求，對故障前提前維護的部件，設在時刻x進行出海維護作業，則T-x時間段采用維護方式γ造成的提前維護浪費費用Ca如式（28）所示。

在維護窗口期，在當前機組狀態確定的最優維護周期的基礎上，計及待維護部件的調整費用，以長期維護總費用最小為目標，以出海維護部件時間小于當年有效維護時常為約束，以部件維護成組維護方案為求解目標，構建機組成組累計維護費用模型如式（30）所示。

式中：ψ為成組維護的部件集合；s為部件標識；Cs和ΔCs分別為部件s本身維護費用和變動費用；Ts為部件s維護時長；T′為出海作業時間。

4 模型求解

模型求解的目標是在對機組各狀態空間數據學習最優字典的基礎上，評估機組處于各狀態的概率向量，并基于策略迭代算法制定各部件下次最優預防性維護策略。再制定出各部件長期維護安排后，以總維護費用最小為目標，以日維護時長為約束，求解出長期最優的部件成組方案。預防性維護策略的求解流程如圖2所示。

圖2 預防性維護策略求解流程Fig.2 Solution process of preventive maintenance strategy

5 仿真分析

以某海上風電場3 MW機組為例，結合海上風電機組運維的現場經驗，針對故障率較高及停機時間長、維護費用高的關鍵部件，選擇機組的葉片、齒輪箱、主軸承和發電機作為仿真對象，通過分布函數線性化的最小二乘估計法擬合，并以Anderson-Darling值最小作為判定部件壽命分布的指標，結果表明，仿真旋轉部件的性能衰退過程均符合威布爾分布。部件維護費用包含維護固定費用和可變費用。其中，維護固定費用計及維護所需人員和船只租賃費用，人員工資為300 元／h，船只費用為50 000 元／d，維護時所需人數為3 人，更換時所需人數為12 人。每次維護時間為8 h，上網電價為0.8 元／（kW·h）。機組在不同狀態下，每次維護時的可變費用主要由部件維護費用和停機損失費用組成。結合實際現場維護情況，小修有效役齡因子a1=0.9，大修有效役齡因子a2=0.6。仿真所用葉片、齒輪箱、主軸承和發電機的威布爾分布參數和相關維護費用與時間依據文獻［20］得出。

5.1 海上風電機組狀態自適應評估

對歷史狀態空間中數據的初始字典學習是進行增量式學習的基礎。在初始狀態評估中，選取各部件初始故障誘因的狀態數據作為初始訓練集進行仿真實驗，訓練集由機組正常和各部件的輕度異常、中度異常、重度異常和故障的狀態數據組成，每個狀態的訓練樣本個數為100；每組測試集均由100個樣本構成，其中狀態所占比例相同（即每類狀態樣本數量所占比例為20%）。對每個部件分別進行測試，進行初始字典學習后狀態自適應評估識別率見表1。表1 的結果表明，主軸承的識別效果最好，其識別率為81%。此外，初始訓練集的平均識別率為74.5%。

表1 初始狀態自適應評估識別率Table 1 Recognition rate of initial state adaptive assessment

為了獲取蘊含新信息的狀態數據，依據U 檢驗的結果，以拒絕域中數據集作為狀態增量數據。結合歷史維護日志信息，分別兩兩計算不同故障誘因下機組狀態數據的u1-α/2，通過查詢t界值表中雙側α的U1、U2，根據假設檢驗結果，顯著性水平α取0.2。

在已有初始字典和檢驗標準值的基礎上，結合狀態數據，按故障發生的先后順序，以各部件故障時的數據作為增量數據進行增量式學習，訓練集中初始訓練集和增量數據集的樣本數量均為100，對每個部件分別做測試，每組測試集樣本數為100，測試集中樣本組成和機組狀態自適應評估模型的識別結果見表2。表中，IS1、IS2表示增量訓練集數據類型；ITS表示初始訓練集數據類型。

表2 基于增量字典學習的海上風電機組狀態自適應評估識別精度Table 2 Recognition accuracy of state adaptive assessment of offshore wind turbines based on incremental dictionary learning

由表2 可知，經過增量字典學習后，測試集狀態平均識別率為80.25%，相較于未進行增量字典學習法平均識別率提升了5.75%，識別效果較好。由于k近鄰分類（KNN）和AdaBoost算法在訓練速度和識別精度上有優勢，本文將其與增量字典學習在機組狀態評估識別率方面進行對比。其中，訓練集為表2中各部件的所有故障類型數據組成（即包含ITS、IS1和IS2），測試集樣本數為100。仿真結果顯示，采用AdaBoost 和KNN 算法評估機組狀態的識別率分別為69%和76%，而采用增量字典學習的識別率為85%，驗證了本文所提方法有一定的優勢。

5.2 部件預防性維護策略

選取海上風電機組從2011 年1 月1 日00:00 至2020 年12 月31 日24:00 之間的狀態數據驗證所提方法的有效性，其中，在2011 年1 月1 日00:00 開始對機組進行狀態評估。在起始評估后的第0.35 a時，利用機組狀態自適應評估模型進行發電機初始故障（接地碳刷磨損）字典學習，評估得出機組處于5 個離散狀態（正常、輕度異常、中度異常、重度異常、故障）的概率向量P=［0.18，0.34，0.26，0.13，0.09］。另外，結合機組全年風速情況，統計得出容量因子取0.55；同時，依據歷史維護日志中發電機實際更換時間和維修計劃，維護總次數n取1。優化后維護策略向量為｛0，1，1，0，0｝，即建議當前采用小修方式，且維護間隔為41 d，即在初始評估后的0.46 a后繼續進行機組自適應評估狀態并制定下次維護計劃。主軸承和齒輪箱的初始維護策略也采用同樣的方法制定，各部件的初始維護計劃見附錄A 表A1。在按原維護計劃執行的基礎上，結合機組當前狀態評估結果，通過增量字典學習部件后續的故障誘因，提取故障特征，并逐次動態確定維護方式及維護間隔。其中，傳統維護策略基于初始字典評估機組狀態后制定，而基于狀態自適應的維護策略則結合增量字典學習得到的狀態評估知識庫來制定。附錄A圖A3表示開始評估機組狀態后10 a內，各部件傳統和自適應預防性維護計劃安排情況。依據圖中傳統維護策略和基于狀態自適應的機組維護策略，分別計算起始狀態評估后的10 a 內的累計維護費用，如圖3所示。

圖3 2種維護策略下海上風電機組累計維護費用Fig.3 Accumulated maintenance costs of offshore wind turbines under two maintenance strategies

由圖3 可知，機組在投運后，由于狀態評估模型學習到的故障誘因單一，無法有效識別部件狀態。雖然在前4.81 a 內維護費用較少，但維護不足所帶來的運行風險使得機組在后期采用頻繁的大修和更換方式。仿真結果表明，在10 a內的原始累計維護費用高于本文所提方法，且截至初始狀態評估后10 a，所提方法較原始維護策略費用下降了17.59%。

5.3 成組維護策略

為了獲取機組部件最優成組維護的時刻，結合部件維護周期，在起始狀態評估后的［7.7，8.1］a 時間段內，以天為單位滾動時間周期，對主軸承、發電機、齒輪箱和葉片采用成組維護，由于四部件成組維護時長難以滿足日維護時長約束，仿真中枚舉三部件成組和兩部件成組下的維護費用，在當次維護窗口期內考慮停機損失后，維護費用變化見附錄A 圖A4。由圖可知，三部件成組維護最優時刻起始狀態評估時刻后7.73 a（即2821 d），發電機、齒輪箱、主軸承最優的維護方式均為小修。不同成組方案下在起始狀態評估后［7.7，8.1］a 間最優維護時間及最優維護費用見表3，表中最優維護時間采用起始狀態評估后的天數度量。

表3 不同成組方案下的最優維護時間及維護費用Table 3 Optimal maintenance time and maintenance cost under different group schemes

由表3可知，在起始狀態評估后的［7.7，8.1］a維護時間窗內，推薦在第7.78 a（即第2840 d）時只對發電機、主軸承均采用小修的維護策略，此時，該次成組維護費用最小，其值為66.15萬元。

由于在起始評估后的2.32 a（即第849 d）前，預防性維護安排僅制定了發電機、主軸承和葉片的維護計劃，直到評估后的［2.32，10］a內，所有仿真部件（發電機、齒輪箱、主軸承、葉片）的維護安排被完全制定，因此，選擇從評估后的2.32 a 開始計算最優成組維護計劃。相較于對機組部件進行預防性維護，成組維護主要通過減少維護船只、人員和提高并網運行時間來節省總費用。截至初始狀態評估后的10 a，累計節省費用為371.14萬元。

5.4 靈敏度分析

在實際現場維護中，維護受機組當前狀態、可及度等因素的影響，維護策略也應隨之調整。

1）維護次數。

海上風電機組當前狀態受維護次數的影響，本文將更換部件后大修和小修的總次數用累積維護次數n表示。過多次數的出海維護會使部件有效役齡持續增長，當處于生命周期末端時，部件故障頻發，維護費用也隨之增加，甚至比采用更換維護方式的經濟性低。在主軸承、發電機、齒輪箱分別更換后（有效役齡為0），采取不同維護方式下，部件維護費用累計維護次數變化如圖4 所示，圖中，實線表示維修費用，虛線表示更換費用。

圖4 累計維護次數對維護費用影響情況Fig.4 Impact of cumulative maintenance times onmaintenance cost

由圖4 可知，在機組重要部件實際更換后至起始狀態評估這段時間中，由于有效役齡增加，經過多次的維護（小修和大修）均會導致維護單部件預防性維護費用逐漸升高。葉片、主軸承、發電機、齒輪箱分別在維護5、5、5、7 次后，采用更換維護方式比繼續采用維護在維護費用方面更具備優越性。此外，維護次數對齒輪箱的維護費用最敏感。

2）可及性。

海上風電機組的維護可及性受海洋環境影響較大，因此，在實際維護工作中每次維護時間具有不確定性。同時為了兼顧維護安全性和實際維護工作量，本次仿真假設每日維護時長為8 h，在此基礎上，當日維護時間分別相對增減25%和50%時，成組維護費用相對變化率如表4所示。

表4 日維護時長對成組維護費用的影響Table 4 Impact of daily maintenance time on group maintenance costs

由表4 可知，隨著日維護時長增加，預防性維護費用變化率降低。但當日維護時長變化率相對減少50%時，預防性維護費用變化率增加15.4%，這是因為大修時間較長，難以滿足日維護時長的約束，無法成組維護的部件只能采用頻繁停機、多次維護的策略，因而增加了巨大的維護費用。而日維護時長相對增加50%后，由于部件小修時間集中在3～6 h，每次成組維護的部件較多，預防性維護費用變化率降低17.1%。綜上，為了降低預防性維護費用，建議將采用小修方式維護的各部件集中進行成組維護。

6 結論

本文針對機組新故障特征自適應提取及長短期維護配合問題，采用增量字典學習和SVM 評估機組狀態，并結合狀態自適應評估結果，以全壽命周期維護費用最小為目標，協調單次出海維護計劃，構建了基于狀態自適應評估的海上風電機組預防性維護模型，通過仿真分析得到如下結論：

1）基于增量字典學習的海上風電機組自適應評估模型通過自適應更新狀態評估知識庫，實現對機組狀態準確評估，相較未進行自學習的狀態評估方法，機組狀態自適應評估的平均識別率提升了5.75%；

2）考慮了機組狀態評估的自適應性對維護費用的影響，與傳統維護策略相比，本文所提方法的維護費用下降了17.59%；

3）考慮了維護次數和可及性對維護費用的影響，對于已進行多次維護的重要部件，采用更換的維護方式相比于繼續維修更有利于節省維護費用，此外，隨著單次日維護時長增加，維護總費用降低，證明了維護總費用受維護次數和可及性的影響較大。

附錄見本刊網絡版（http：//www.epae.cn）。