工业智能技术加速-风电行业智能化建设

风电行业智能化建设

——

在智能化落地过程中我们学到了什么

主讲：金超 北京天泽智云科技有限公司北极星电力学院，分享，学习，成长工业智能技术加速

金 超 博士技术研发副总裁，北京天泽智云科技有限公司全面负责工业智能前沿技术及算法模型研发专注于工业大数据、机器学习、深度学习、信息-物理系统CPS、故障预测与健康管理PHM等工业智能技术和算法的研究与应用。深耕风力发电、轨道交通、机加工和的能效优化管理等领域，服务客户包括东方电气，中车、中船、富士康等国际知名企业。毕业于美国辛辛那提大学机械工程系，师从工业大数据、工业智能等领域的世界级学科领头人李杰教授，在美国国家科学基金（NSF）产学合作智能维

护系统中心（IMS中心）任职助理研究员。参与数十个世界级企业与机构的科研项目，涉及领域包括电力、能源、半导体制造以及航运。根据李杰教授CPS理论撰写的“赛博制造”提案获美国NSF研究奖金资助。课程概要风

电

智

能

化

三

要

素工

业

智

能

在

风

电

行

业

的

应

用

价

值工

业

智

能

是

什

么工业智能是新一代信息技术，物联网、工业互联网、人工智能、5G等与工业转型升级之间的桥梁。结合对工业生产与运营的深刻理解，将跨领域的技术进行融合并应用于工业场景当中，帮助工业产业重构能力体系，提升应对未来的竞争力。避免解决可见不可见利用新知识实现价值改善利用智能信息加速新知识的诞生以预测性的视角解决未知问题持续改善与训练将隐性问题显性化，从解决可见问题到避免不可见问题衰退Degradation失效Failure隐性问题不断积累，形成显性问题与损失可见的问题与管理：•设备故障、产品缺陷、加工失效、质量偏差等•通过KPI绩效体系对管理问题进行管控和优化工业智能的目标：解决和避免不可见世界的隐性问题价值模型痛点OTPT&ATDT数据领域知识天泽智云在工业智能落地的经验“对症下药”“对症”：痛点分析安全效率成本IT基础设施与数据现状领域知识深厚程度企业管理水平与文化价值目标企业现状调研分析企业痛点，需要从价值目标与现状两个维度来考虑，找到企业真正的智能化强需求。以效率提升为目标的痛点分析：某汽车制造厂机械臂故障Component

Fault

Frequency-Downtime

for

138

MH

Robots

(each

dot

represents

one

component)01002003004005006000.005.00 10.00 15.00 20.00 25.00Average

Downtime

Caused

by

Components

(min)30.00Components

Fault

frequencyCable,otherEncoderRobotMotoretBrack

4ClampSwitch,otherSwitch,

prox.PalletSwitch,

limitUnknownMatehen2备品备件1设计改良3传统维护预测性维护厂家定义——领域知识并非所有问题

都适合用工业智能技术解决第一要素：数据来源与质量管理价值模型痛点OTPT&ATDT数据领域知识来源与质量管理风电智能化转型的关键在于对数据价值的挖掘和利用• 利用风电业务领域知识，结

合智能化技术，将风电过程数据转化为洞察和知识，并形成可执行的决策，优化生

产要素和业务流程。• 风电智能应用可以成为数据洞察闭环优化生产的一个重

要途径。决策知识信息数据执行根据确定要解决的问题，倒推确定数据需求。系统在监控的，接入数据；现有的系统无法监控的，利用传感器来采集原本没有但需要的数据。数据来源管理资料来源:

IDC,

McKinsey

Global

Institute

analysis2000181291177377642439737533627627325624520716611687Annual

New

DataStored

bySector,2010

(Petabytes)0 500 1000 1500MANUFACTURINGGOVERNMENTBANKINGCOMMUNICATIONS

AND

MEDIARETAILPROFESSIONAL

SERVICESHEALTHCARESECURITIES

AND

INVESTMENT…EDUCATIONINSURANCETRANSPORTATIONWHOLESALEUTILITIESRESOURCESINDUSTRIESCONSUMER

AND

RECREATIONAL

…CONSTRUCTION数据的量大≠数据质量好≠价值高25.6kHz

采样率、130Mb/s、分布式数据采集与特征提取5Kb/s特征数据，基于事件的原始数据推送与分析数据来源管理——在数据收集时考虑成本最优数据质量管理“Garbage

in,garbage

out.”数据质量对数据驱动的模型效果非常重要。提前获得足量、连续、高质量、能够代表所建模对象行为的数据，是保证模型质量的必要条件。问题 对策• 数据“坏点”多：奇异值、缺失值、超限值……• 样本不平衡• 数据缺乏，标签缺乏• ……• 提早进行数据探索• DT/PT/AT各个层级都对输入输出数据进行质量校验• 模型/数据层面处理样本不平衡• 在建模无数据时，结合领域知识，模型冷启动数据质量管理——案例：基于SCADA的发电机轴承故障预警传动链摩擦生热电能->内能建立预测模型计算电机轴承温度残差实际电机轴承温度故障风险-电机的转速和功率是影响电机轴承温度变化的主要负载因素，因此通过负载参数、环境参数、其他参照测点温度等作为输入参数，建立健康状态下的发电机轴承温度预测模型，并通过与实测温度的差异判断轴承当前健康状态。风机传动系统温升负载因素示意图 电机轴承风险判定机理向机舱、冷却系统的热量损失负载等相关参数轴承温度变化

~机理模型算法优势1.训练过程不需要大量数据，可以做到模型快速冷启动：仅~7天数据训练即可完成参数拟合2. 受环境温度等外界变化影响较小：使用不同季节数据训练，得出的�𝑖变化较小3. 受工况影响较小：较之前模型相比，在低负载、降温段仍然有较好的预测效果4.模型更简单，解释性更强预测精度较为稳定，测试集残差始终保持mean~0,sigma<1，不随季节变化而偏移第二要素：模型全生命周期管理价值模型痛点OTPT&ATDT数据领域知识全生命周期管理模型类型选择要因地制宜数据弱强机理强弱数据驱动0100

200

300

400

500

600

700

800

900Power(KW)Probability#

10

-301234567•历史基线C

V

at

W

in

d

S

p

eed

=

6.2

is

0.44571当下• 风速仪异常• 偏航对风不正• 变桨电机温度异常变桨控制异常理论值与拟合值的偏差机理数据融合模型正常行为• 发电机轴承温度异常• 发电机绕组温度异常• 齿轮箱轴承温度异常• 齿轮箱油温异常集群基线IGBT温度异常• 变流器温度异常VS个体经验/实验机理模型/规则工业大数据创新竞赛获奖算法启示风机叶片结冰预测化工设备转子部件脱落故障等级排序数据驱动机理数据融合名次方法优势劣势1基于CNN-LSTM深度•准确度高•训练时间长（8•小时）算力资源耗费学习网络的风机叶片•低门槛，无需大结冰预测领域知识•模型泛化能力有待验证2基于物理原理+KNN分类的混合预测模型••模型可解释性强通常模型泛化能力更强••需要一定领域知识储备，门槛高非常依赖工程师的个人能力名次方法优势劣势1基于旋转机械振动分析特征工程与LightGBM的故障等级分类模型••模型可解释性强通常模型泛化能力更强••需要一定领域知识储备，门槛高非常依赖工程师的个人能力2基于GAN的非监督式故障等级排序模型••非监督的数据驱动深度学习算法，容易上手对标签无要求••算力资源耗费大模型泛化能力有待验证模型成长需要“教育”和“习题册”教育练习领域知识更多工况下的故障样本冷启动模型婴儿成人成长迭代不准确成熟模型准确硬件安装数据准备系统部署数据接入价值痛点工业智能应用业务需求&领域知识模型的全生命周期管理分

析技

术（A

T

）◼ 工业大数据分析◼ 工业智能模型与算法运维技

术（

O

T

）◼ 领域知识◼ 系统设计◼ 工程化实施能力数

据技

术（DT

）◼ 多源数据采集◼ 智能边缘计算◼ 工业物联网平台技

术（

PT

）◼ 计算平台（云+边缘）◼ 分析建模平台◼ 大数据管理平台◼ 工业APP开发平台第三要素：跨领域跨技术的系统工程以模型全生命周期管理为核心的风电智能运维应用设计DTATIT工业微服务开发可视化组件开发平台集成部署业务需求领域知识OT导入风电智能应用风电智能运维应用研发流水线叶片在线监控发电性能分析工业大数据服务平台智能排程数据接入风机各硬件系统数据采集SCADA系统边缘计算硬件开发、部署及管理… 边缘智能硬件CMS工业物联与边缘计算系统业务数据分析结果数据历史数据 设备故障库实时数据测试文件数据验证实验数据模型部署与监控-

模型打包发布-

模型指标监控-

模型优化故障诊断工业智能模型研发生命周期管理平台传动链故障预测数据预处理-

数据标识-

降噪降维-

质量检查-

工况分割-

数据探索特征库建立-

机理分析-

特征工程-

数据转化模型训练与验证-

建模技术路径探索与实施-

模型调试实验模型存储与管理-

模型存储库-

工业智能资产积累与传承价值模型痛点OTPT&ATDT数据领域知识天泽智云在工业智能落地的经验业务闭环与知识积累风电故障预警的业务目标拆解风场运营收益

(Profit)

↑=

风场发电收入

(Revenue)

↑–

O&M成本

(Cost)↓O&M成本

(Cost)

↓=

固定运营成本(交通、人力等)

↓+

停机维修成本

↓故障预警业务目标停机维修成本

↓=

(单次停机时长

↓

*故障造成的发电功率损失

↓

+

维修备件费用

)*停机频次

↓无忧风场业务目标1. 大部件更换提前备件，减少备件的等待时间2. 在故障恶化前完成维修处理1. 选择在风速更低的更优维护时间窗停机1. 降低因故障造成的突然停机（MTBF）对应措施用工业智能技术全方位保障风电行业安全高效运营风机振动监测分析基于高频振动信号分析与工业智能算法，实现风机核心部件的早期故障识别与在线故障预诊；通过对运维任务进行综合建模，实现备件和人员等资源的智能化调度，实现风机级、风场级和企业级的高效运维。叶片在线