從修復性維護到預測性維護 風機維護策略的發展趨勢
能源的平準化成本（LCOE）是用來評估發電成本以及發電項目影響力的重要指標。對風力發電而言，LCOE代表整個風電系統全生命周期的運行費用。風電系統運營費用的主要來源包括風機購置費用、風機安裝費用、運維費用、管理費用以及保險費用等。運維費用在整個風機LCOE當中佔比約20%-25% [1]。
依照NREL 2011，2013，2014年的風電費用報告（Cost of Energy Review）[2-4]，風機的LCOE隨著風機造價的降低有了顯著的下降。但是由於風機的尺寸不斷增長，風機運維的費用正在不斷上漲，其中，陸上風機上漲19%，海上風機上漲50%。2014年與2011年相比，運維費用在LCOE中的佔比顯著提升，陸上風機從13.8%到19.2%，海上風機從14.2%到23.4%。
由此可見，減少運維費用是風機運行降本的核心需求，同時其他行業的研究和實踐也表明，預測性維護（PdM）是有效降低運維費用的使能技術。
一個好的運維策略應該為設備提供安全性、可用性及經濟性上的平衡。維修策略根據其觸發機制、決策支持方式以及所使用技術的不同被分為以下幾種：修復性維護（Corrective maintenance）、定期維護（Periodic maintenance）、基於狀態的維護（CBM）以及預測性維護（PdM）[5]。也可根據策略的反應機制將維護策略分為：主動維護和被動維護[6]。
修復性維護
修復性維護是在風機發生故障或者停機後所觸發的被動式維護。修復性維護沒有提前性，不能給維護團隊提供備件準備時間，有較長的停機維護時間。在幾種維護策略中，修復性維護是整體花費最大的。
如圖1所示的是失效維護的步驟。在風機發生失效之後，管理人員首先需要找到失效部位，確定失效模式，隨後根據失效模式以及現有的資源安排維護策略，之後根據制定好的策略安排人員維修或者更換，最後對風機進行重置和調試。
在修復維護的機制下，設備會有較長的停機時間等待備件及人員到位，尤其對於海上風機而言，維修等待時間更是難以估算。
定期維護
定期維護是在固定的時間周期或者使用循環數對設備進行維修維護。為了做出最優化的維護排程計劃，可靠性數據包括失效率、平均故障間隔時間（MTBF）、平均修復時間（MTTR）等都有可能會被加入決策支持指標。
定期維護通常使用不同的級別對應不同的維護周期，例如齒輪箱的定期維護就包括手動檢測、油液分析、光譜分析等。然而，失效還是有可能在檢測周期的間隙發生。
如圖2所示，在定期維護策略當中很難有效地選擇合適的維護時間窗口。同時，不必要的、多餘的維護還有可能會對設備造成由於人工操作失誤帶來的新故障。
基於狀態的維護
基於狀態的維護（CBM）是主動式維護的一種策略。基於狀態的維護依照設備狀態參數的變化指定維護決策。
CM技術是CBM的基礎，被用來檢測、診斷設備的早期故障。在設備被檢測到有早期故障到設備真實發生故障的周期叫做PF-interval，這個周期應該有足夠的時間覆蓋整個維修反應時間，最終避免設備發生故障。
與定期維護相比，CBM可以有效地減少不必要的維修，同時基於實時監控的數據CBM也可以更加有力的保障風力發電機安全高效運行。因此，CBM的成功應用可以幫助風力發電機有效消除非計劃停機。
預測性維護
預測性維護（PdM）與基於狀態的維護（CBM）不同，需要基於預測得到的設備剩餘使用壽命（RUL）來規劃維修計劃。是否在維修決策時引入RUL是區分CBM和PdM的重要手段。
在CM系統發現設備早期問題或者故障之後，設備的RUL預測就可以更好地支持維修決策。換句話說，PF-interval可以更加準確的估計，基於這個估計結果就可以更好地計劃維修策略。
與CBM相比，PdM的維修決策方法更加優化，更進一步考慮到未來風場的風功率，人員技能以及備品備件狀態，所得到的維修優化結果更加精準。
PdM最大的價值在於，基於RUL的預測，在維護機會窗內選擇成本最低的維護策略和排程計劃，同時綜合考慮風場中所有風機的維護需求，制定全局最優的維護方案。
預測性維護的步驟如圖4所示。
CBM和PdM的差異
在很多論文中大家對基於狀態的維護（CBM）和預測性維護（PdM）的區分非常模糊，還有一些文章認為PdM是CBM的一部分。在此，很有必要澄清PdM和CBM在技術實現和決策機制上的區別，以及如何從CBM發展PdM。
CBM和PdM的相似之處在於兩者都引入了在線監控和故障診斷技術（CMFD）。CBM通常使用基於閾值的決策機制，在觸發之後馬上維護，而PdM則是引入了預測分析技術。基於預測的結果，決策機制可以更好的掌控失效增長的趨勢，以及PF-interval的時間跨度，為最終的決策優化提供不可或缺的重要信息。
CBM和PdM都可以幫助減少風機不必要的故障停機，但PdM可以有效地降低計劃維修帶來的衝擊，這是CBM不可能實現的。從CBM到PdM的發展的使能技術包括預測分析技術，風功率預測以及排程優化演算法。
為了在風機當中有效地實施維護技術，就需要首先了解從風機子部件到風場的失效模式以及實際需求。ReliaWind定義了風力發電機的核心部件，這些信息可以用來識別需要監控的核心部件以及對於不同分系統的維護策略[7]。在[8]中，作者們也提出了如何在每一個級別選取維護策略的方法論。
基於已有的可靠性數據，也有不同的方法論可以用來幫助選擇合適的關鍵設備用以實施預測性維護。接下來就需要針對不同的設備和失效模式，選擇合適的CM技術和數據分析方法。具體的方法在很多論文中都有詳細論述，在此不做重複描述。
整個分析過程大致分為幾部分：數據採集、數據預處理、信號處理、故障診斷、故障定位及剩餘壽命預測。在接下來的維護決策部分，優化引擎基於維護工單，運行狀態，環境條件等對工單做出整體的優化和決策。目前看來，整個PdM在風力發電上的應用還都處於探索階段，主要的挑戰來自於技術和運營的結合。
不同維護策略的比較
在沒有應用背景信息的情況下，很難得出某一個維護策略優於另一個維護策略的結論。因此，目前風機的維護通常採用多種維修策略混合使用的方式。不同維護策略之間的比較如下圖所示。
【相關閱讀】
風電遇上數據科學家 | 一種異常檢測的方法
關於《工業大數據創新競賽白皮書（2017）—風機結冰故障分析指南》，你想知道的都在這兒了
參考文獻：
[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.
推薦閱讀：