《Applied Sciences》:Predictive Maintenance of Hydro Turbine-Generator Units: A Review
编辑推荐:
水轮发电机组(HTGU)的可靠运行对于安全、灵活和高效的水力发电至关重要。最先进的状态监测、故障诊断和早期故障检测方法越来越依赖于人工智能(AI)驱动的方法。然而,标记故障数据仍然稀缺,且这些AI方法的工业验证仍然有限。本文提出了一种针对水轮发电机组预测性维护
水轮发电机组(HTGU)的可靠运行对于安全、灵活和高效的水力发电至关重要。最先进的状态监测、故障诊断和早期故障检测方法越来越依赖于人工智能(AI)驱动的方法。然而,标记故障数据仍然稀缺,且这些AI方法的工业验证仍然有限。本文提出了一种针对水轮发电机组预测性维护(PdM)的系统性的、以算法为重点的综述。利用首选系统评价项目(PRISMA)指导的文献检索,研究人员映射了从经典机器学习到深度自编码器、混合模型,再到Transformer和状态空间模型(SSM)的数据驱动和AI使能方法,并比较了这些方法在可解释性、数据需求和工业可部署性方面的差异。与全厂传感调查和以发电机为中心的AI综述相比,本文的贡献在于评估了哪些方法家族在运行电厂而非旋转机械基准上得到了验证的、涵盖整个水轮机发电机组的评估。在回顾的研究中,出现了几个总体模式:水电专用工作以无监督异常检测为主,经典机器学习方法仍然是经过工厂验证的强大基线,最近Transformer/SSM架构的高精度应被解释为相关资产上的架构潜力,而不是已证明的水轮发电机组可部署性。研究人员将识别出的差距转化为短期/中期/长期路线图,以实现可转移、可解释和经过工业验证的预测性维护。
- 1.
引言
1.1. 概述
现代电力系统中的关键设备是旋转机械,水轮发电机组(HTGU)是其中特别重要的一类。水电站(HEPP)因其成熟、可靠和灵活性而成为当代电力系统的重要组成部分,能够快速调节发电,在平衡高比例可变可再生能源的电力系统中不可替代。随着机械和电气系统复杂性的增加,对高效维护策略的需求不断增长。传统的纠正性和预防性维护可能导致昂贵损坏或不必要的更换。预测性维护(PdM)利用基于传感器的监测,仅在必要时更换部件并优化运行和停机计划。尽管PdM有悠久的历史,但随着工业物联网(IIoT)、机器学习(ML)和人工智能(AI)的兴起,其相关性激增。本文聚焦于HTGU的PdM,总结了方法家族和典型目标,包括异常检测和诊断,并指出无监督方法常用于异常检测,而监督或混合方法用于分类和诊断。由于水电厂长期稳定运行且严重故障罕见,标记数据稀缺,使得自编码器(AE)等方法特别有用。深度AE能有效建模复杂系统动态,卷积神经网络(CNN)与AE的混合模型对时间序列数据分析高效。具有时间记忆的模型(如循环神经网络(RNN)及其变体长短时记忆(LSTM)网络)在故障分类中非常有用,但面临捕获长期依赖、梯度消失和并行化有限的挑战。注意力机制作为有前景的替代方案出现,提供更高效的训练和推理。实际应用中常针对特定部件或问题,如轴承故障、涡轮稳定性或河流泥沙影响。除了数值传感器数据,整合专家知识(定性)至关重要,模糊逻辑算法和大型语言模型(LLM)可促进这种整合。可解释AI(XAI)是新兴焦点,增强了模型的透明度和可解释性,在水电系统中尤为重要。总之,PdM是快速发展的领域,但挑战依然存在,包括集成多样化数据源、处理罕见故障事件以及开发全面诊断系统。
1.2. 与现有综述的关系
现有综述在范围上差异很大:有的关注全厂状态监测,有的聚焦关键水轮机部件故障机制,有的针对特定涡轮在线监测,有的提供基于状态的维护(CBM)系统综述但未涵盖Transformer和状态空间模型(SSM)。最近有综述关注水轮同步发电机的AI方法,但仅限于发电机且未映射从经典ML到Transformer/SSM的完整管道。本文综述是补充性的:使用PRISMA指导的调查,系统检查HTGU的PdM算法维度,映射数据驱动、统计和AI方法,评估可解释性、数据需求和工业可部署性,并将差距转化为短期/中期/长期路线图。主要贡献包括:基于PRISMA的HTGU的PdM算法映射;AI家族的比较评估;以及从差距到未来方向和部署路线图的明确链接。
- 2.
方法论
本节介绍遵循PRISMA框架的文献选择过程和统计分析。文献筛选基于预定义的纳入和排除标准,旨在保留与PdM、状态监测、故障诊断、异常检测和AI方法直接相关的出版物。检索通过Crossref REST API进行,使用结构化查询组合关键词集。检索过程包括:识别(数据库检索)、去重、自动领域关键词筛选、自动方法关键词资格过滤和纳入。最终得到955篇出版物的统计语料库,该语料并非仅HTGU集合,而是包含了相关旋转机械的PdM研究。统计部分描述了该混合语料库的趋势,不应解读为仅HTGU研究。出版物数量逐年增长,近年来深度学习(DL)和混合方法占主导。出版商分布中IEEE居首。方法谱系演变显示通用监测/诊断 lineage 占比最大,深度学习占18%,经典ML占14%。方法分布中,经典ML和DL方法均被广泛应用。局限性包括基于关键词的检索可能遗漏使用不常见术语的研究,且分析限于Crossref索引,可能存在偏差。通过多数据库敏感性分析,确认Crossref语料覆盖了该领域的核心。
- 3.
预测性维护基础
本节回顾主要维护策略,将PdM定位为HTGU的目标范式。维护实践从反应性(运行至故障)干预,经过计划预防性维护和阈值驱动的CBM,发展到PdM,后者还能进行未来退化预测。不同PdM解决方案基于统计/ML方法、物理模型、混合物理-AI模型和数字孪生同时出现。对于HTGU,混合物理-AI数字孪生和自主维护尚未成熟,因为标记故障历史稀缺,完全同步的孪生模型不完整,且安全关键电厂需要可解释的、人在回路的决策。因此重点讨论四种既定策略:反应性维护在故障后修理,不适合资本HTGU设备;预防性维护基于日历或使用计划,可能浪费剩余使用寿命(RUL)或导致延迟干预;CBM在监测指标越限时更新计划,但缺乏对未来越限时间的预见;PdM通过诊断和预后模型扩展CBM,估计未来状态并支持长期规划,这对于具有数十年寿命的发电机和涡轮机至关重要。HTGU的PdM针对慢速退化(如振动上升、绝缘老化),受耦合的机械、电气、磁力和水力现象影响。在线传感和全厂分析增加了PdM的能力,但HTGU设置施加了特定约束:可变负荷和水头、频繁启停循环、长健康运行期、稀缺标记故障、新旧资产混合以及根原因与症状的模糊分离,这些解释了无监督和混合方法的突出地位。
- 4.
水轮发电机和涡轮系统
准确建模需要理解主要部件。HTGU包括许多复杂互连部分,可分为定子、转子、涡轮和励磁系统。水轮发电机可靠性主要受转子振动、轴承故障、定子绕组绝缘退化、冷却系统故障和关键电气系统故障影响。转子振动的主要原因包括机械不平衡、气隙磁力和不对称以及涡轮水力不平衡。轴承损坏原因包括过载、不对中、润滑问题、过热、疲劳、气蚀和杂散电流引起的电腐蚀。定子绕组故障主要是绝缘问题。检测这些故障模式依赖于多种传感模式:振动测量是主导模态,用于机械故障;局部放电测量用于定子绕组绝缘;油分析用于轴承和润滑系统退化;热监测和红外成像用于冷却故障;声发射用于空化、摩擦和裂纹;电气测量用于电磁不对称。现代数据采集与监控系统(SCADA)聚合这些信号,是数据驱动模型的常见来源。
- 5.
预测建模方法
5.1. 统计和ML技术
经典统计和ML方法是HTGU和旋转机械诊断的起点,计算轻量、确定性强且易于解释。监督分类器如支持向量机(SVM)和最小二乘SVM(LS-SVM)常用,决策树、随机森林和 boosting 用于需要特征重要性和透明规则时。无监督方法如k-means、DBSCAN、高斯混合模型(GMM)和自组织映射(SOM)用于标记样本稀缺时。在应用中,Huynh和Min结合SVM与特征排序用于旋转机械故障诊断;Zhou等应用LS-SVM于水电机组轴系故障诊断,验证于水电数据;Yao和Liu结合LS-SVM与多传感器信息融合用于振动故障诊断;Ahmed等结合最小生成树(MST)聚类和决策树用于无监督筛查;Betti等应用经典多元统计和SOM于真实水电站高维传感器数据;Jad等结合降维、聚类和每簇AE用于CBM。这些研究显示工程特征与经典学习器可提供可靠且可解释的 diagnostics,但依赖手动特征设计,跨单元和电厂转移能力有限,对长时依赖建模弱,这促使DL方法发展。
5.2. 深度学习与混合方法
DL从监测信号直接学习层次表示,捕获非线性结构。空间模型如CNN用于局部结构,1D CNN用于原始振动或电流信号,2D CNN用于时频图。时间处理模型如RNN、LSTM和门控循环单元(GRU)用于序列依赖。Seq2Seq、Transformer和Mamba用于长期依赖。在应用中,Ince等用1D CNN从定子电流检测电机轴承故障;Rudenko等将多传感器时间序列编码为GAF图像用2D CNN分类;Ibrahim等用VAE对大型水轮发电机进行无监督异常检测;Wang等结合变分模态分解(VMD)和深度卷积AE进行异常检测;Jad等用每簇AE进行异常检测;Komorska和Puchalski用VAE和降维进行故障检测;Yan等用优化堆叠变分去噪自编码器(OSVDAE)用于轴承基准;Tachago等用双向LSTM AE进行早期故障检测;Hajimohammadali等比较AE、CNN、LSTM并提出CNN-LSTM-AE混合模型;Li等用GAN-LSTM重建框架。现代发展中,Jin等用时序Transformer(TST)用于轴承故障;TSViT用于振动;Yi等用VibrMamba(Mamba风格状态空间模型)用于振动故障诊断。这些先进架构主要在旋转机械基准上验证,而非运行HTGU数据。
5.3. 新兴方向:RUL预测、数字孪生、物理信息AI、XAI和LLM
剩余使用寿命(RUL)预测是PdM的预后核心,估计组件在达到故障阈值前可继续运行的时间,经典方法基于统计退化模型,数据驱动方法常用LSTM/GRU和注意力模型,但需不确定性量化。数字孪生是物理资产的虚拟表示,持续同步传感器数据,结合物理模拟和数据驱动组件,用于仿真退化场景和生成合成故障数据,但当前实现多为简化仪表板而非完全同步的预测孪生。物理信息AI(如物理信息神经网络PINN)将物理定律嵌入学习过程,减少训练数据需求,保证物理合理预测。可解释AI(XAI)技术如SHAP、LIME、Grad-CAM和注意力可视化用于解释模型输出,对工业部署至关重要。大型语言模型(LLM)和 foundation 模型通过检索增强生成(RAG)集成非结构化文本知识(维护日志、手册)与数值传感器数据,作为工程副驾驶,但需本地索引以保护机密。
5.4. AI方法对HTGU的批判性评估
尽管DL方法通常实现优越预测性能,其实用应用受限于故障数据稀缺。比较不同AI家族的权衡:可解释性、数据需求和计算复杂度。经典ML可解释性中等-高,数据需求低-中,实时部署高。CNN可解释性低-中,数据需求低,实时部署高(基于紧凑1D模型)。AE可解释性中等,数据需求中等(健康数据量),实时部署中等。Transformer可解释性低,数据需求高,实时部署低。Mamba实时评级中等,尚未在工业PC上演示。混合方法提供最佳平衡。关键结论是:HTGU PdM文献以无监督异常检测为主;经典ML是强可解释基线;Transformer和Mamba未充分验证;混合管道目前提供最实用的性能-可解释性权衡。
- 6.
研究差距与未来方向
主要研究差距包括:故障数据稀缺;可解释性有限;跨电厂泛化差;工业验证不足;数字孪生和LLM系统 underdeveloped。未来方向聚焦于:迁移学习和域适应以重用数据丰富源模型;自监督学习利用未标记流;持续学习更新模型;联邦学习在保密下共享知识;图神经网络匹配传感器拓扑;不确定性感知和贝叶斯DL用于RUL;边缘AI和压缩用于实时部署;混合数字孪生-AI框架;自主维护作为长期目标。实际挑战包括极端类别不平衡、传感器漂移、模型可转移性、网络安全、计算约束和运营商信任。路线图分为短期(无监督异常检测、迁移学习、XAI)、中期(混合物理-AI模型、数字孪生、联邦学习)和长期(LLM知识集成、自主智能维护系统)。
- 7.
结论
本综述映射了HTGU的PdM算法领域,从经典ML到DL、Transformer和SSM。三个主要发现:水电专用研究以无监督异常检测为主;经典学习器和AE-based深度模型是最常在运行电厂验证的家族;最新架构(Transformer、Mamba)主要在旋转机械基准上表现强劲,应视为架构潜力而非已证明的可部署性。近期进展应优先关注HTGU相关数据机制:迁移学习、物理信息混合数字孪生、不确定性感知预后和可解释决策支持。缩小基准SOTA与验证电厂部署之间的差距是水电机组PdM的中心开放挑战。