风电机组的运维方式分为事后维修(Reactive Maintenance)、预防性维护(Preventive Maintenance)、预测性维护(Predictive Maintenance)。其中,预测性维护是公认的能够有效降低运维成本的先进维修方法。随着风电技术、物联网、人工智能和大数据技术的发展,风电机组的状态感知体系逐步完善,使得风电领域实现预测性维护成为可能。为给风电运维领域实施预测性维护提供参考,结合近年来风电机组预测性维护技术的发展和应用情况,本文对风电领域预测性维护的最新研究进展进行了总结,并分析了预测性维护的概念、框架和关键技术。同时, 探讨了预测性维护技术在风电机组关键部件上的应用情况。最后,对实践中存在的问题与挑战进行了讨论,并提出了未来的研究方向。
预测性维护体系
1、预测性维护概念与内涵
近年来,预测性维护作为重点研究方向,得到了国内外学者的广泛关注。对于预测性维护的概念,可以参考国标中的定义方法。根据《核电厂安全重要仪表和控制系统老化管理要求》(GB/T 29308—2012)标准 3 对预测性维护的定义,根据观察到的状态而决定的连续或间断的预防性维修,以监测、诊断或预测构建物、系统或部件的条件指标。这类维修的结果应表明当前和未来的功能能力或计划维修的性质和时间表。根据《智能服务预测性维护通用要求》(GB/T 40571—2021)标准 4 对预测性维护的定义,预测性维护是根据观测到的状况而决定的连续或间断进行的维护, 以监测、诊断或预测构筑物、系统或部件的条件指标。
总结来说,预测性维护是一种基于状态的维修,以状态感知为基础,通过对系统或部件开展连续(或定期)的状态监测,判断系统或部件的健康状态,并预测系统或部件状态未来的发展趋势或可能的故障模式,以此为依据, 预先制定维修计划。预测性维护的关键点包括：状态感知、状态监测、故障诊断、趋势预测或寿命预测、维修管理五个部分。其中,趋势预测或寿命预测是最具挑战性的工作。
2、应用范围
预测性维护是一种先进的设备维护方法,但并不适用于所有的系统或部件。预测性维护的核心是对状态的发展趋势进行预测,预测的前提是系统或部件的劣化是有趋势或是缓慢变化的,对于毫无征兆的突发失效,预测性维护无能为力。同时,预测性维护的成本较高,对于频繁发生但影响不严重的故障同样不适用。以故障发生频次与故障危害程度作为两个评价维度,将故障进行分类,分类结果如图 1 所示。
可见,在故障的 4 个区域中,I 区的故障危害大且发生频次高,大概率为系统或部件存在设计缺陷或者质量问题, 需要进行设计优化。II 区的故障危害小且发生频次高,需要保证备件供应需求,确保维护的顺利进行,同时需要判断是否为集中性缺陷,准备必要的技改精维护以降低故障率。III 区的故障危害小且发生频次低,采用事后维护的方法即可,此时可以提供维护专家支持,提高维护效率与维护质量。IV 区的故障危害大且发生频次低,该类故障非常适用于预测性维护,即使投入较高的成本,只要能够有效降低或减少该类故障发生,就可以避免非常严重的经济损失与不可预测的后果。总结来说,满足 IV 区的故障,基本为关键部件,如叶片、主轴、齿轮箱、发电机、偏航系统、变桨轴承等大部件。
关键技术
1、预测性维护框架
预测性维护的框架结构如图 2 所示,包括状态感知、状态监测与评估、故障诊断、寿命预测、维修管理。
2、状态感知
为了实现风电机组的预测性维护,先进、可靠的状态感知体系是重要的基础保障。目前,在风电机组中通用的状态感知系统包括：数据采集与监控(supervisory control and data acquisition,SCADA)系统、状态监测系统(condition monitoring system,CMS)。SCADA 系统采集风电机组电气数据、物理状态数据及环境数据,如风速、风向、电压、电流、温度、压力、流量、加速度等关键参数;CMS 采集风电机组传动链的振动数据,采样频率较高,一般为 12800Hz 或 25600Hz。此外,为了满足特殊的监测需求,会加装音频、视频、油液、声发射、超声波等监测设备。
3、状态监测
状态监测是对状态感知系统实时采集的数据进行分析以识别设备的异常状态。状态监测往往与故障诊断结合通过状态监测识别设备的异常状态,再采用故障诊断技术, 进行异常定位与分类。状态监测可分为基于机理、基于知识模型、基于数据驱动的监测方法。如根据设备运行机理设定温度参考阈值,当超过温度阈值时进行分等级报警;基于数据驱动的方法相对复杂,一般采用正常运行的数据集训练正常行为模型,通过分析真实值与预测值的残差确定设备是否偏离正常状态,实现机组的异常监测过程。
4、故障诊断
故障诊断是判断设备或系统的异常状态,识别故障类型、进行故障定位,进而为维护提供决策支持。可见,故障诊断是在状态监测的基础上进行故障研判与故障定位的过程。故障研判可以采用机理模型、专家系统、数据驱动方法来实现。其中,数据驱动方法是更为流行的方法。实际应用中往往融合机理、专家系统、数据驱动等方法进行综合诊断。比如,根据机理进行特征提取, 所提取的特征用于训练机器学习模型,专家系统根据机器学习预测结果进行规则判断,最终给出故障研判与故障定位结果。
5、寿命预测
寿命预测是预测性维护的核心部分,也是实现难度最大的部分。寿命预测是根据设备故障分类、故障定位情况, 对设备剩余使用寿命进行评估,希望在设备彻底失效前制定合理的维修策略,保障在可控的风险范围内延长设备使用寿命,提升设备使用价值。寿命预测方法分为退化模型方法、相似理论方法、数据驱动方法。退化模型又分为物理退化模型和经验退化模型。其中,经验退化模型更容易实现,如采用带衰退因子的威布尔模型构建退化模型等。相似理论方法不需要对设备寿命的退化过程进行精准估计,其基本假设是同批次或同规格的同类型设备, 如果在相同或相似的工况下运行,则它们的失效机理将具有相似性。因此,待预测设备的剩余寿命可以根据历史设备的寿命情况来近似计算。数据驱动方法主要采用机器学习、深度学习方法,结合历史失效数据进行复杂模型训练, 进而得到寿命预测结果。当然,结合退化模型与数据驱动的组合方法也是广泛研究的方向,如果能够在模型训练中将机理或退化模型的经验知识加以利用,可能取得更加可靠的预测结果。
6、维修管理
维修管理是根据故障诊断、寿命预测的结果,结合实际生产需求,通过检查、测试、修理及替换等方法保证设备的健康状态,提高设备可靠性,延长设备使用寿命。维修分为基本维修、中度维修、完全维修三种。维修管理是一个多目标优化过程,通常以人员、环境因素、物资影响、停机损失、维修时间等作为边界条件进行维修优化。目前, 维修策略管理是重点研究方向,主要优化方向包括结合库 存管理的维修策略优化、结合设备状态的定检策略优化、结合故障预测或寿命预测的检修策略优化等。
风电机组预测性维护应用现状
广义的预测性维护需要以设备寿命预测为核心,确定设备的维修管理方案。鉴于寿命预测的不确定性,预测性维护的实际应用情况并没有预期广泛,而基于故障诊断并结合维修管理的狭义预测性维护方法在实践中更容易实施。狭义的预测性维护是以状态监测为基础,强调故障诊断,通过连续的状态监测,判断设备是否存在异常状态 或是否有发生故障的趋势,并在适当的时间安排设备维修。因此,当前风电机组的预测性维护实践大部分为狭义的预测性维护,且主要以叶片、主轴、齿轮箱、发电机等关键部件为研究对象。本节将以主轴、齿轮箱、发电机为例, 讨论与总结预测性维护技术在风电机组关键部件上的应用情况。
1、主轴系统
主轴系统是风电机组中核心旋转部件,向前连接轮毂、向后连接齿轮箱,是将风能转化为机械能的重要传递部件。因此,其承受着来自风轮、轮毂等部件的复杂交变载荷影响, 具有极高的故障风险。
主轴系统的主要组成部分包括：主轴、主轴承、润滑系统、密封系统、轴承座等。其中,主轴、主轴承是故障频发的关键部件,其监测方式 16 包括应力应变、振动、油脂、温度、音频、图像、红外热成像、超声波监测等;研究方法包括物理模型、数据驱动模型、机理与数据驱动混合模型, 以及上述方法混合方法。
主轴是风轮的转轴,支撑风轮并连接齿轮箱,是主要的承力结构。其常见的故障模式包括磨损、裂纹、断裂等, 监测方法包括振动、着色探伤、声发射、超声波等。文献采用超声波监测手段研制了根因分析系统(RCA),用于风电机组主轴裂纹诊断。文献提出一种主轴总成窜动在线 监测方法,采用激光位移传感器获得主轴总成窜动监测数据,通过时间序列预测方法对其进行分析,建立了主轴总成窜动的 ARMA 模型。文献利用有限元模型对裂纹信号识别中的问题进行仿真优化,设计了从端面对主轴进行超声检测的方法。对于主轴的磨损、表面损伤,可以采用激光熔覆技术进行修复。激光熔覆技术利用高能密度的激光束将具有不同成分、性能的合金与基材表面快速熔化,在主轴表面形成合金层,进而达到主轴修复的目的。
主轴承是主轴的旋转支撑部件,具有长寿命、高承载、高可靠性的要求。其常见的故障模式包括润滑不良、磨损、疲劳剥落、压痕、腐蚀、裂纹、断裂等,监测方法包括应力应变、音频、图像、红外热成像、声发射、超声波监测等。文献提出了在深度学习模型中引入物理信息来克服轴承疲劳寿命建模的一些局限性,建立融合物理信息的 RNN 网络,实现主轴承的疲劳寿命估计。文献以振动信号为基础,提出了一种基于奇异值分解包(SVDP)基尼指数图和自适应 Richardson-Lucy 解卷积(ARLD)的主轴承故障诊断方法,实现在强烈背景噪声环境下对主轴承微弱故障的诊断。文献基于 SCADA 数据提出了一种正常行为模型,采用健康状态数据进行模型训练,实现了主轴承异常行为的诊断分析。对于轴承的修理,可以采用表面改善处理技术进行轴承延寿,如激光熔覆法。此外,润滑油脂可以有效降低主轴承摩擦阻力、减少轴承磨损。主轴承的大部分损伤与润滑状态关系密切,改善主轴承的润滑状态,可以有效降低轴承损伤,进而延长主轴承的使用寿命。文献总结了润滑脂离线、在线监测方法,包括元素含量法、红外(或近红外)光谱法、声发射法等。
2、齿轮箱
齿轮箱是双馈风电机组重要的增速结构,实现轮毂低转速到发电机高转速的增速过程,使得转速满足发电机所需的最小发电转速。风电齿轮箱一般为三级结构,其结构复杂,且长期处于变转速、变载荷的工作状态,极易导致故障发生。其主要组成部分包括箱体、齿轮、轴承、传动轴、减噪减震装置和润滑冷却系统等。齿轮箱的失效机理复杂, 齿轮、传动轴(低速、中速、高速)、轴承都会发生不同程度的磨损而导致齿轮箱失效。
根据齿轮箱关键部件诊断与维修方法,齿轮损伤是齿轮箱故障中占比较大的故障,其常见的故障模式包括齿轮点蚀、磨损、腐蚀、齿面胶合、剥落、断齿等。较容易出现齿轮故障的部位有内齿圈齿面、行星轮齿轮、中间轴齿面、高速轴齿面等。齿轮故障往往与轴承故障耦合在一起,在振动信号中表现为较强的非平稳性与混沌性, 给齿轮故障诊断与故障溯源带来一定困难。齿轮的监测方法包括振动、油液、内窥镜检查等。文献提出了基于离散随机分离(DRS)和改进 Autogram 的复合故障特征提取方法,用于风电齿轮箱齿轮 - 轴承复合故障诊断,能够有效提高故障诊断效果。文献提出了一种信号处理与机器学习结合的集成建模方法,数据处理部分采用改进的 Hilbert-Huang 变换进行时频域特征提取,并整合时域特征与时频域特征作为双耦合稀疏贝叶斯极值学习机(PC-SBELM)模型的训练数据,最终构建了齿轮箱诊断模型,在实际的风电齿轮箱系统上进行模型验证,结果表明其可以准确地识别齿轮箱缺齿、裂纹和磨损等多种故障类型。文献针对行星齿轮故障特征易混叠问题,提出了基于迭代前向搜索算法的自适应傅立叶谱分割方法,实现自适应经验小波变换对行星齿轮故障相关模式的提取,故障诊断效果优于经验模态分析与谱峭度法。文献采用 U-net 模型自动分割了时频图中与故障有关的特征区域,利用随机森林算法构建了齿轮箱齿面点蚀、啮合不对中诊断模型。齿轮箱齿轮故障的防护与维修方案主要有润滑油监测与齿面修复及更换。润滑油在齿轮长期啮合过程中,可以有效减少齿轮、轴承和其他运动部件之间的摩擦和磨损,齿轮的早期磨损、腐蚀、点蚀、胶合等故障均与润滑油的问题有关, 如润滑油被氧化、污染、含水量超标、磨粒增多等。采用在线或定期的油液监测方法保障润滑油的健康状态,可以有效降低齿轮故障风险。在齿轮啮合过程中,添加在油液中的自修复添加剂能够与金属表面发生置换反应,生成新的类金属保护层,提高齿轮的耐磨性,对齿轮的齿面磨损进行修复,延长齿轮使用寿命。另外,可以对断齿进行修复。然而,考虑到修复后的配合精度与安装成本,对于齿轮的损坏采用直接更换齿轮轴组件更为合适,当出现严重多对齿轮损伤、齿圈断裂时,需要更换整个齿轮箱。
轴承作为齿轮箱中的易损部件,其失效模式 35 包括润滑不良、磨损、疲劳剥落、压痕、腐蚀、裂纹、断裂等, 其状态监测方法包括温度、振动、油液、声发射、图像、红外热成像、超声波监测等,研究方法包括物理模型、信号处理、数据驱动模型、机理与数据驱动混合模型等。最具代表性的方法如：文献提出了基于 VMD-SET 时变工况的风电机组齿轮箱无转速计阶次跟踪方法,采用变分模态分解(VMD)滤波,并利用同步提取变换(SET)对齿轮箱振动信号进行时频分析,通过仿真及实验验证了所提方法的优越性和有效性 ;文献针对数据驱动模型对全量退化数据的强依赖局限,提出了采用经验模型的先验知识对原始有限样本进行数据增强,再采用 PI-LSTM 深度学习模型进行模型训练,实现了在有限退化样本下的齿轮箱高速轴轴承剩余寿命预测功能;文献采用改进杰森 - 瑞丽散度(JRD)对轴承数据进行后验概率分布向量特征提取, 再利用相关向量机(RVM)预测轴承整个退化轨迹的相关向量,最后基于双指数模型拟合相关向量,并结合差分整合移动平均自回归模型(ARIMA)对拟合误差进行修正, 实现了轴承剩余使用寿命的预测。轴承的防护、维修方案与齿轮类似,应重点关注润滑油的健康状态,保证油品健康, 保障轴承健康的润滑环境。可以在润滑油中加入自修复添加剂修复轻微的表面损伤,对于严重故障直接更换故障轴承即可。
齿轮箱的传动轴分为输入轴、中间轴、高速轴,是能量传递的载体,在支撑旋转部件的同时,承受着较大的弯矩和转矩。传动轴的故障模式包括磨损、裂纹、弯曲变形、断裂等。其中,磨损是传动轴较常见的故障,一般发生在高速轴的轴承与轴相对运动部分,而弯曲变形与断裂出现较少。传动轴的监测方法包括振动、着色探伤、声发射、超声波等。由于传动轴故障在齿轮箱故障中频次远低于齿 轮、轴承故障,因此,传动轴故障诊断与预测方法主要以温度监测、事故分析为主。文献针对齿轮箱高速轴轴承 温度超限问题,提出了一种重构特征和宽度学习齿轮箱高速轴故障预警方法,实现了齿轮箱高速轴早期故障诊断。文献基于 SCADA 数据采用 XGBoost 算法构建了齿轮箱输出轴正常行为模型,并调整残差阈值和优化最佳实践窗口,实现了齿轮箱输出轴故障预警功能。对于传动轴的防护与维修,可以采用涂镀工艺修复、激光熔覆等方法。其中,涂镀工艺修复可以对单侧磨损量小于 0.3mm 的轴进行修复,磨损状态严重的情况下可以采用激光熔覆方法进行修复,延长传动轴使用寿命,降低齿轮箱维修、更换成本。
齿轮箱箱体承受的载荷以静载荷为主,其故障相对较少,且主要表现为加工精度、材料、密封工艺问题导致的箱体渗油、变形、局部裂纹、磨损等故障。其中,比较常见的故障是齿轮箱轴承装配孔内圆磨损。目前,箱体的监测方法以定检的人工巡视为主,发现表面裂纹后,可以采用磁粉探伤方法,判断裂纹延伸情况。当出现箱体轴承内 孔磨损时,可以采用镶套修复工艺、冷熔脉冲焊等方法进行修复。
3、发电机
发电机主要由定子、转子、轴承、滑环、电刷及润滑系统组成,是风电机组中核心的能量转化部件,长期工作在变工况、强电磁环境下,极易出现故障。与其他关键部件不同,发电机的失效模式不仅包含机械故障,还包括电气故障。据统计,在风电机组故障中,轴承、定子、转子故障率较高,分别为 40%、38%、10%。
发电机的机械故障主要集中在前轴承、后轴承、轴等关键部件。其中,以轴承的故障为主。发电机的轴承故障与主轴承、齿轮箱轴承类似,包括力学上的损坏、热学上的损坏,如润滑不良、磨损、疲劳剥落、裂纹、断裂等。其主要监测方法与主轴承、齿轮箱轴承类似,包括温度、振动、声发射、图像、红外热成像、超声波监测等。文献将 SCADA 实时监测系统的振动数据、非振动数据和振动监测系统的振动数据 3 类不同时间尺度数据进行融合,构建了深度自编码模型,实现了发电机轴承磨损故障诊断功能。文献提出了一种双阶段注意机制的并行预测模型(PDAGRU),并与非参数不确定性量化方法结合,实现了发电机轴承的剩余寿命预测。此外,发电机轴承故障还包括特有的电学上的损坏,如轴承电流腐蚀。轴承电流腐蚀是轴电压过大,超过油膜阈值电压而产生放电的现象,造成轴承滚道、滚动体损伤。因此,诸多学者对发电机的轴承电流腐蚀监测与预防展开了研究,其监测方法包括基于振动信号、定子电流信号、轴电压电流监测等。文献以定子电流为数据源,采用调制信号双谱(Modulated signal bispectrum,MSB)的信号处理方法,对定子电流进行特征分析,实现了双馈风电机组发电机轴承的早期腐蚀故障的监测。文献采用最小熵解卷积方法对振动数据进行信号处理,并结合包络谱分析方法提取故障频率,实现了轴承电腐蚀故障的识别诊断。文献对发电机轴承电蚀故障的产生原因、故障形式及防护措施进行总结,提出防护措施包括增加端盖绝缘、接地碳刷,降低轴电压,疏导轴电流,截断轴承电流,采用高介电强度润滑油等。
发电机的电气故障主要集中在定子、转子、绕组、滑环等关键部件。主要故障模式包括匝间短路、绕组温度高、滑环故障、绕组短路、转子偏心、永磁体退磁等,主要监测方法包括电流、电压、功率监测等。文献以双馈机组的电刷滑环故障为研究对象,提出了一种基于希尔伯特 - 黄变换(Hilbert-Huang transform,HHT)的双馈异步发电机电刷滑环烧伤故障诊断方法,以电流信号为输入提取能量熵特征,并通过实验验证了特征与诊断模型的可行性。文献采用熵加权法确定电流、无功功率的融合权重,将融合后的结果作为 GRU-CNN 模型输入,建立了匝间短路故障诊断模型,实现直驱风电机组绕组匝间短路故障诊断。文献以 SCADA 数据为基础,建立 XGBoost 与 LSTM 加权融合的组合模型,实现了风电机组绕组温度预测,提前对绕组高温故障进行预警。
问题与挑战
1、技术挑战
风电机组预测性维护中的技术挑战主要表现在故障数据不足、样本不均衡、寿命曲线的不确定性、复杂变工况、机器学习可解释性、先验知识与机器学习融合、多模态数据融合等。故障数据不足是基础问题,决定了模型的准确率, 且电力数据的隐私性、安全性要求更高,数据共享与流通存在一定困难。同时,风电机组运行特性不仅存在复杂变工况问题,相同型号的风电机组运行环境、历史工况、备 件更换记录均不完备,故障案例库的收集成本更高。加上传统工业界对数据资产的认知较晚,导致历史的宝贵故障案例只有记录却没有与之对应的运行数据,严重缺乏故障发生、发展前后的运行数据。此外,预测性维护技术以避免更换部件、降低停机发电量损失、提高人员效率为价值体现,不如提升发电量的价值变现更直观,导致风电业主对预测性维护的价值并不十分认可。
针对以上问题,可以制定“用数据、养数据”的管理制度,进一步加强对数据资产的认识,形成一套故障案例库收集、管理、存储、标注、校核的完整体系,为后续的模型优化与复杂大模型的应用提供数据支撑。对于先验知识与机器学习融合的问题,已有大量学者开展研究。如将领域经验、先验知识形式化为特征工程,或者采用先验知识简化的物理模型进行样本生成,将提取的特征或生成的数据作为数据驱动模型的训练数据,强化机器学习、深度学习的训练过程。另外,可以将先验知识整合到数据驱动模型训练中,作为模型目标函数、学习规则的约束条件, 引导模型训练过程。文献提出了先验知识与数据驱动融合的机器学习框架,称为知信学习,机器学习训练框架中由数据和先验知识两部分共同支撑模型训练,先验知识被有效表达。知识表达方法包括代数方程、微分方程、模拟结果、空间不变性、逻辑规则、知识图、概率关系和人类反馈。对于多模态数据融合解决方案,可以结合多模态大模型的研究成果,尝试在风电领域进行应用,提升预测性维护的准确性。
2、对业主认知的挑战
在风电机组预测性维护研发、实施过程中,包括模型开发者、业务专家、风电业主、研究人员等多个角色。每个角色对预测性维护的认知不同,导致预测性维护模型开发效果达不到业务专家、风电业主的预期,数据质量与案例库达不到预测性维护模型开发的要求,而产生希望落差, 进而影响预测性维护在风电领域的应用落地。
在人工智能高速发展的冲击下,特别是在 ChatGPT 的影响下,风电业主方很容易认为人工智能无所不能,对模型的准确率要求非常高,而忽略了工业领域故障样本缺失、数据质量不够、状态感知受限、复杂变工况等一系列模型开发的前提条件。在这种思想下,预测性维护的准确率被要求得极高,而实际模型的误报率较高,过多的误报进一步消耗了风电业主对预测性维护应用的信心,严重降低了风电业主对预测性维护的期待。因此,加强对人工智能的认知,明确本企业数据资产质量,才能进一步促进预测性维护在风电领域的健康发展。
对于模型开发方往往存在与业务专家分离的现象,特别是深度学习可以弱化对机理依赖的建模思想,更肆意增长了重模型研究而轻机理探索的趋势。在风电领域,设备运行机理复杂,运行环境多变,将机理研究与模型探索并行, 让模型开发者与业务专家建立有效沟通,可以得到更好的模型开发效果,提升模型开发效率。
3、管理方法的挑战
目前,风电机组设备是由各发电集团运维中心或区域公司进行集中管理,对设备健康状态进行预警,给现场维修人员下发工单,现场人员登机检查,确认报警的准确性, 形成统一的闭环过程。这种管理方法是模型迭代更新的前提保障,不管是多先进的机器学习模型都需要不断地迭代、优化才能有更准确的预测效果,而每一次诊断确认至关重要。诊断的确认过程本质是一次数据标注过程,正确的诊断结果可以增加一个故障案例,错误的诊断结果可以反映模型的缺陷。如果诊断错误是其他异常模式则意味着案例库中增加了一个故障模式;如果是误报,则意味着模型对该类故障的准确率需要调整。
目前,在预测性维护具体执行时,存在现场确认不规范、检查流程不明确等问题,且模型反馈系统不科学,需要探索出更科学的信息反馈填报方式。另外,对于现场人员的激励体系不完备,诊断确认工作增加了现场工作量。因此, 可以从数据资产角度出发,将诊断确认作为数据资产管理的一部分,将每个案例的发现与保护作为一项工作任务与绩效考核机制。经过不断的数据积累与模型迭代优化,预测性维护才能在风电领域真正发挥作用。
结论
预测性维护是一种综合技术,它将设备运行机理、状态感知、物联网、人工智能、大数据和云计算等领域的先进技术应用于风电运维实践,能够有效降低风电运维成本, 是智慧风电场建设的重要组成部分。根据本文对预测性维护在风电领域最新研究进展进行的调研与总结,风电领域预测性维护实际落地情况,以及实践中存在问题与挑战的分析,预测性维护既要用数据,又要养数据;既要研究先进算法,又要钻研设备运行机理、失效机理;既要注重现场实测效果,又要结合实验优势进行加速实验。
参考文献略.