5月22日-23日，2018年(第四屆)風電場運行維護及后評價專題交流研討會在福州召開。本次會議由中國電力企業聯合會科技開發服務中心和全國風力發電技術協作網主辦，200多位來自風電運營、設計、科研、咨詢、調試及科研院所等單位的領導和專家與會交流。

北京天澤智云科技有限公司解決方案副總裁史喆博士出席會議，發表主題演講 - “風場智能運維系統的技術實踐”。以下為演講實錄：

感謝大家。這是我們公司第二次參加會議，第一次是去年在北京，我分享了我們公司做的風電智能運維系統，得到了很多專家的指正。經過又一年的實施和應用，我們在這方面有了更多的心得和體會，今天跟大家做一個分享和探討。

智能化升級的核心

工業環境里的很多典型設備（例如旋轉設備等），在風機上都是可以看到的。風機是一個非常典型的個體，如果能在風機上做一套完整的在線監測和運維應用，我們可以把它的底層平臺應用在很多其他領域，比如電廠、風場、海洋、高鐵等等，所以說風機的智能監測是一個非常典型的應用，我今天分享的內容具有相當的通用性。那么智能化到底包含什么樣的內涵？

我們認為可以分為兩部分，一個是做數字化，一個叫做智能化。數字化是智能化的根基，智能化是數字化衍生出來的應用，兩者相輔相成。如果沒有數字化，智能化就沒法實施；沒有智能化的數字化，從工業資產上來看是一個負資產，因為我們不可能把自己的數據賣給其他人。

互聯網的數據、流量可以賣錢，對于工業而言，我們也當然希望可以將收集到的數據變成一部分資金收入，從而降低運維費用，提供新的服務。如何將數字化和智能化有機結合，是整個智能化轉型升級的核心。

最基礎的挑戰：分布式硬件連接及設備管理

面向分布式的資產和硬件，有很多核心技術需要突破。

一是針對大型資產、復雜設備，如何做一個分布式的監測方案，可以把所有的數據都收集起來統一分析，而不是像原來那樣，需要很多專家到現場一個點一個點的去看。

二是物聯網的應用，整個產線或生產單位的監測涉及非常多且復雜的算法。我們不可能將所有的參數、界面用人工的方式一一去查詢，而是以復雜的系統和算法做支撐，將整個基礎設施和體系都接入進來變成一套整體的系統，進而更好地發揮價值。

工業智能的ABCDE+O技術

對于整個體系建設而言，我們提出一些典型框架，包括整個風場怎么樣去構建；對于不同的子系統和區域、每個大系統中的不同應用，如何構建一個更合理的體系為業主提供服務等。這些也是以信息化和智能化為支撐，天澤智云提供的技術架構可以用工業智能的“ABCDE+O”來概括。

AT：建模分析技術，比如針對風機做一個風力發電曲線的衰退，或者結冰預測等。

BT：商業分析技術，即收集到數據之后，如何用數據創造更大的價值，以模型為核心發現外延價值。

DT：數據管理技術（更基礎的計算機科學），即對于采集到的很多數據，包括SCADA、CMS、文件系統、OM系統等數據，如何管理好，如果需要其中某一段，怎么樣抽取出來從而支持分析和應用。

CT：賽博平臺技術，即如何打通不同系統，這里需要軟件技術，以CPS的5C架構為核心，融合邊緣計算、分布式的智能，以及遠程云端的協同，實現更大的平臺或者整個社區之間的知識共享。

OT：運營技術。不論做什么樣的建模分析，出來的還是分析結果，從最終優化的角度來講依然是一個中間數字，換言之，它和我們單純測量出的溫度是沒有區別的，此時需要一個數字或者指標放入整個運營體系做整體優化，才能得到最終優化的結果。

ET：工程技術。如何將上面的優化結果反饋回運營，其實就是工程技術，即如何去維修或者排程。

無憂風場

國內外很多大數據平臺之所以選擇風電作為案例，是因為風電是實踐工業大數據最理想的行業之一，符合工業大數據和CPS的三個先決條件：

• 風電設備較新，數據測點齊全。

• 風電是一個重資產，風機建設起來后成本很大部分都是運維，其維護保養費用昂貴，停機損失大。

• 風機組裝以集群形式出現，個體之間以及環境之間的聯系緊密，從建模上來講相對比較簡單。

天澤智云是一個專門做模型和工業智能系統的團隊，核心技術團隊來自美國IMS中心的機械工程博士，在研究階段做了很多實踐項目，有著豐富的經驗積累。從整個構架上看，我們能提供整體的解決方案，通過對風場的監控、風機狀態的精確分析、運維決策的尋優、以及調度策略的尋優這樣一個閉環，對風場進行更好的管理，實現無憂風場。

PHM的建模流程

我研究的方向叫PHM，即故障預測與健康管理，它包括很大的范圍，具體建模流程如下：首先是數據采集，采集到數據后做數據的預處理；預處理之后找到有效的特征，進行特征變換，發現它在不同的狀態下有不同的分布；然后進行衰退性評估，如果衰退是一個逐漸磨損、損耗的過程，可以根據這個趨勢預測未來的狀態；最終能把這個狀態和實際的使用相結合。這是一個非常典型的流程，也是個非常理想的一個流程。

維護模式變化與創新

風機的維護策略的發展是從失效維護，到基于狀態的維護（定期維護），再到預測性維護。預防性維護是PHM最大的支撐。下圖是我們很早期的時候專門為風電行業畫的，從圖中可以看出，找到一個很準確的維修維護的空間，并在這個階段進行維修整個風場的損失最小。風場的損失包括換件的時間、風的狀態等因素，所以在風最小的時候安排維修，整體損失最小。

預防性維護

智能維護技術在發電行業應用特點

基于我們多年來對模型的研究，總結出智能應用技術在發電行業應用的幾個核心挑戰：

• 一是大量可監測和已監測信號，業主可以提供很多不同的數據，但是不知道該從何下手。

• 二是有限的失效數據。建模的時候如果我們面向故障、或者設備的運行優化來看，失效數據其實是非常有限的。我所謂的失效數據就是比較典型的，比如一個風機壞幾次，這在長期的運行時間里是很少見的，所以在建模的時候就會面臨這樣一個沖突。

• 三是模型與安全性直接相關，模型的結果將影響風場或者風機業主的決策，如果判斷出現失誤，將直接影響效果。

拋開基于機理模型建模的方式，典型的數據建模分為三類：

• 第一是模型比較。基于物理做一些仿真模型，做殘差分析。

• 第二是通過歷史數據基線的自比較，比如基于新風機測量的基線，或者風功率曲線的基線分析，做分布漂移評估。

• 第三是同類比較。在一個風場，假設他們基線相同，同時假定大部分風機運行正常，此時如果一臺風機的發電量總是比其他的低，很有可能內部出現了問題，可以用同類比較的方法去定位問題。

這當中涉及很多具體的技術，包括多變量監測與異常檢測、過程控制預測、核心設備的基于振動分析的預防性維護等，目標都是為了檢測設備的衰退以及傳感器的漂移，在建模流程中把分析方法進行集成，得到清晰的指標，并告訴用戶這樣的指標代表什么含義，以及該不該去維護。

智能維護技術應用的挑戰

•數據

從應用上面來看，對于一個風機和一些典型的數據，用基線建模，通過殘差分析做異常報警，這是典型設備的異常檢測流程。不論使用什么樣的模型，大量的工作都是在設備和數據層，所以需要找到設備，并收集到好數據之后再去建模。

而由于失效樣本少、數據測點不完整、不平衡等問題，建模在應用層面很難保證模型的準確性和穩定性，此時需要分為兩部分來解決，一部分是優化模型，另一部分是從工程上增加更多的測點，這個問題我們之前在高鐵等其他的項目上也遇到過，到最后實在沒辦法就自己加傳感器。

•建模

在此我想分享建模過程中關鍵的一點，不管做什么樣的模型，拿到什么樣的數據，有一個非常重要的工作就是POI（Pattern of Interest, POI）識別即關鍵特征識別，不管是時間序列信號、還是振動信號，要對它們進行數據分割，與實際運行狀態進行比對。抓住正常狀態的表象非常重要，如果沒有找到，那就要考慮增加新的測點。這與理論研究有非常大的區別。

•模型管理

未來對于建模分析的整個體系，不管是預防性維護還是智能化，都是以模型為核心，而不是以人為核心。應用的時候，比如PLM里面的資產管理，設備其中一個點的升級都會牽連到其他部件的升級，從而引發很多參數的改動。模型也是一樣，我們不能奢望模型可以自動得到它不知道的信息，如果一個設備發生了一些狀態的變化，我們應該對模型進行優化或者升級。

對于模型全生命周期的管理，風場初建、風場運行一段時間以及風場最終階段的模型各不相同，包括它們的表象和參數，所以要求一是對模型的認知要準確，二是整個底層IT建設要更加強大，而不僅只是數據吞吐量大，或者做一些業務呈現，它對中間層面的靈活性要求非常強。

•機理VS數據

還有業務的挑戰，有機理，但是不能反映所有的情況，無法定義故障的具體狀態；有數據，但可能不穩定，那么機理和數據怎么樣去融合與優化，兩方面誰去指導誰，目前在研究領域還是實踐上仍然有很多的討論。

以模型為中心的智能化運維體系

總結而言，我們現在提供的整個服務是一個以模型為中心的智能化運維體系，是一個賦能的服務系統，我們把建模和軟件開發這一整套體系交付給客戶，讓他們更好地使用。

包括三層，第一層叫IoT，典型的物理網，包括數據的接入、數據的存儲、資產的管理。

之后的一層是AT分析技術，包括建模環境（如何離線去訓練、建立模型）和驗證環境（實施部署的環境），這兩個環境相互迭代，不斷提升模型的準確性。

之后人機交互的部分，這實際上是這套信息系統/智能化系統得到的結果，和實際的操作人員/風機實體發生交互的界面。

最終積累下來是三部分。一個是數據庫，我們可以采很多的數，未來可以不論是做風機的研發、運維服務的研發，還是和外部端進行合作，都有一個完整的大數據平臺。

數據庫上面是模型庫，模型庫是核心，可以更好的管控模型，是知識傳承的過程。模型庫把有經驗的專家和老師傅腦子里的想法和經驗做成模型，統一進行優化迭代。

最后是應用庫。比如風功率曲線和正常相比衰退了30%或者15%的時候，僅僅體現在報表上，此時需要應用庫去支撐，即我們OM體系怎么和數字結合在一起，當發現降低后應該采取什么樣的操作，這里面就涉及到業務和IT交互的過程。

以上是對于風電智能運維系統應用落地的一些思考，我們希望能夠積攢更多的經驗、知識，提供更完整的系統平臺和解決方案，同我們的合作方、業主攜手一起打造智能的無憂的風場。