云智擎信息技術(北京)有限公司副總經(jīng)理王曦出席“第五屆中國風電后市場專題研討會”，在風電場技改與優(yōu)化專題論壇，分享題為“基于神經(jīng)網(wǎng)絡的預防性維護策略實踐”的主旨演講。

云智擎信息技術(北京)有限公司副總經(jīng)理 王曦先生

　　王曦：我們是跟之前所有的演講嘉賓的公司不一樣，我們是純第三方做數(shù)據(jù)分析，工業(yè)大數(shù)據(jù)平臺獨立開發(fā)的一個廠商，風電行業(yè)其實覺得也是蠻有淵源的，風電行業(yè)的合作來講2014年就開始了，最近三四年的時間公司也比較大的投入做這方面的投入，公司本身我們是不做硬件，不做傳感器和采集盒子，我們本身是工業(yè)大數(shù)據(jù)的平臺以及算法，我們的合作伙伴，我們是第三方公司，我們技術上和微軟、亞洲研究院，和NVIDIA中國的團隊有深度的合作，針對深度學習、記憶學習的行業(yè)應用上。

　　客戶的群體來講，能源角度我們新能源、風力發(fā)電和石油、石化方面有一些客戶的合作，目前主要的客戶來源都是設備的整機廠商和石油、石化設備研發(fā)公司，還有海油和中石油設備研發(fā)公司這樣，風電行業(yè)業(yè)主的區(qū)公司有比較多的合作，設備的故障預測、診斷，以及我今天會主要講的運維策略整體解決方案角度。

　　這頁片子講了我們行業(yè)面臨的問題以及挑戰(zhàn)，很早以前，2014年國內(nèi)的廠商可利用小時數(shù)，國外的可利用效率比我們多，發(fā)電效率比我們好，國內(nèi)這幾年整機的研發(fā)、整機的利用、整機的技術迭代來講，我不覺得硬件角度存在什么問題。我們可能存在運維策略，對硬件沒有利用上，可能有一個很好的提升，這里面我們列了幾點，包括我們運維管理還不是完全的閉環(huán)管理，我們傳統(tǒng)的關系被動式的，不是預測系統(tǒng)，報警系統(tǒng)，是有問題了才報出來，現(xiàn)場有運維和工程師解決，然后再反饋，這個反饋就很薄弱，包括數(shù)據(jù)的質量。

　　我們從設備品牌來講已經(jīng)接入了6到5個設備品牌的數(shù)據(jù)，我們發(fā)現(xiàn)數(shù)據(jù)質量遠遠沒有達到這樣的標準，我們在美國參觀過GE的現(xiàn)場，和他們的監(jiān)控中心，他們引以自豪的就是說可能我們的截面，我們的功能沒你們做的那么酷炫，那么強大，我們的數(shù)據(jù)質量一定是非常好的，因為他們有很多對于數(shù)據(jù)質量的提升機制。我們回來花了一年多的時間在這部分對數(shù)據(jù)質量評判，數(shù)據(jù)有效性的評判，包括數(shù)據(jù)的機制都建立起來了。

　　對業(yè)主來說機型、品牌比較多也是一個困擾，比如說長時間等待備件也是一個問題。運維整體方案來講這是整體的方案，數(shù)據(jù)實時接入，包括大數(shù)據(jù)計算方面的子系統(tǒng)，包括后面無人式工單和策略的管理，底層是大數(shù)據(jù)的管理，大數(shù)據(jù)的分析和最后可視化結果的展現(xiàn)。

　　這頁騙子就一行字，這個就是我們踩過N多坑最后的總結，每家企業(yè)，每家運維服務團隊都在講我要提高運維質量，我要做基于預測性、主動性的運維，怎么做？對于我們來說就這幾點，首先我接入靠譜、高質量的數(shù)據(jù)，數(shù)據(jù)不管接了急控，接了實施數(shù)據(jù)，我可能會接一些故障數(shù)的數(shù)據(jù)，接一些比如說分資源的數(shù)據(jù)，這個數(shù)據(jù)的質量怎么樣，會不會幫我們形成比較好的結果？

　　此外精準的算法，算法每年的法國都特別快，算法的角度講我們這里講精準，實操層面就是靠譜的算法，不一定每一個場景都要用深度學習，每一個場景用CPU進行大量的運算，只要精準貼合就好了。前兩個是一個基礎，但同樣要和專業(yè)的專家的知識圖譜融合，否則你先做數(shù)據(jù)標記，我沒有行業(yè)專家，沒有行業(yè)的知識圖譜，你連標記都做不準，肯定有比較大的問題。

　　從整體來講這是我們整體用比較簡單的圖形表現(xiàn)出來我們工作的方式，所以要做一個基于深度學習比較精準高質量的運維體系，所以左側就是剛才跟各位介紹的我們揭露的數(shù)據(jù)，中間我們包括風機數(shù)據(jù)、運維數(shù)據(jù)、氣象數(shù)據(jù)N多數(shù)據(jù)的算法，左邊是包括故障預警、設備健康度，基于這兩個產(chǎn)出的運維策略包。

　　其實剛才講的那么多，最離不開的就是我們基礎的大數(shù)據(jù)的運行平臺，雖然預警、精準運維很出彩，所工作都是通過分布式的集群進行計算，這個集群底層是數(shù)據(jù)揭露層，風場的數(shù)據(jù)，實時數(shù)據(jù)，錄播各種設備的數(shù)據(jù)，包括資產(chǎn)數(shù)據(jù)，風機生命檔案這樣的數(shù)據(jù)都要接進來，當然我們在數(shù)據(jù)大數(shù)據(jù)平臺進行處理、規(guī)劃、分類、匯總，再上層是大數(shù)據(jù)分析平臺，上面有很多實時分析的算法，預警算法，以及我們叫運維最優(yōu)化的算法，包括融入了很多故障數(shù)的數(shù)據(jù)，融入了很多數(shù)據(jù)做最后整體的展現(xiàn)。

　　我今天的主題是深度學習基于神經(jīng)網(wǎng)絡的預測性運維的策略，其實從整體來講，在我們開來最后要產(chǎn)生一個能落地的，能讓現(xiàn)場同事，現(xiàn)場工程師快速解決的方法，我們把運維策略分三個部分，第一部分無論是預警也好，還是我們叫設備健康度，我們這個風場25臺風機，哪臺或者是哪幾臺風機運行最差，最差是什么樣的問題我們首先要找到，有了個問題我找到問題了，派什么樣的人，帶什么樣工具，帶什么樣的備件什么時候點去做，什么時候做停機最合適，就叫運維窗口期和運維工作包，就是策略包。比如說這個運維點需要4個人早上幾點做比較好，什么時候停機比較好，里面是不是有故障數(shù)、處理措施的支持，還是我有足夠的人員能力和備件的支持，我們有動態(tài)運營、疲勞期等等設備分析是不是在比較差的疲勞期，這些都是我們中間結果和產(chǎn)出了，底層一樣，底層我們需要大量的數(shù)據(jù)，運維數(shù)據(jù)，相關的其他數(shù)據(jù)做支撐。

　　這個剛才也提到了，我們要算健康度要看相關點位的動態(tài)預值，要看相關的一些問題，不會看到不相關部件的一些點位，另外要看全場對比，全場對比就是說全場里找出來模擬標準工況下什么指標下運行，不同的直銷是不是會有樣的問題，當然我們會分析疲勞度，也會有故障預警來做這樣的工作。

　　說是這個想法的由來，現(xiàn)在覺得很普及，有很多做這樣的事情，主機的角度和運維的角度SCADA很多運維的設置比較靠后，不會是非常靈敏的數(shù)值，可能是比較靠后的準備，以及提前準備好工作包和運維策略來幫助整體最終無論是成本的降低還是發(fā)電量的提升。

　　所以我們的基本原理也是剛才這幾點，包括我們針對滑動窗口期一個坍塌的計算，什么叫滑動窗口期？這跟傳統(tǒng)SCADA和急控的考慮不一樣，我們是會往前延長一個有選擇的時間窗口期來選擇適當?shù)臄?shù)據(jù)，幫助我們做未來的預測，當然這里面還是有一些統(tǒng)計學和應用數(shù)據(jù)的理論在里面，我們會算疲勞期，疲勞期很多人會想，疲勞期很簡單，我就說這個風機工作多式小時，我們后來發(fā)現(xiàn)這樣比可能不是完整的，雖然能夠解決一定問題，完整的想法我們是想說，疲勞期是不是應該在同功率，同發(fā)電量的情況下比較疲勞期，疲勞期要跟時間關聯(lián)，跟故障率相關聯(lián)，這是比較完整的疲勞期。

　　我們用深度學習專干期記憶LSTM的模型做這樣的事情，這是建模的過程，這里不詳細講了，這也是涉及到剛才四個主要建模的過程。具體模型的創(chuàng)建和其他機器學習的方法沒有什么區(qū)別，數(shù)據(jù)進來做聚合、提取做重要點位，然后做模型，做預測做驗證，效果好持續(xù)優(yōu)化，效果不好做一些各個點位的一些調(diào)整和技術的一些工作，當然我們是分三步做的，這是第一個，第二個是針對我們?nèi)珗鰧Ρ鹊模槍σ恍顟B(tài)預測的結果，針對疲勞的一些分析，都是通過機器學習和深度學習進行的這樣一個分析。

　　詳細說說動態(tài)閾值是什么概念？SCADA會進行報警，這是詳細的閾值，動態(tài)閾值不同工況下不定不同，不同的風速、不同的轉速有時候可能80度夠了，有的時候可能85度需要報，我們用深度學習歷史的數(shù)據(jù)作為模型，未來24小時、48小時溫度的點位、數(shù)值應該在什么數(shù)值上，這是我們要考慮的問題，這個過程是實時數(shù)據(jù)，沒有寫太細，對于數(shù)據(jù)的質量我們做了大量的工作，數(shù)據(jù)確實怎么補齊，數(shù)據(jù)有的水溫低于多少度以上，用什么樣的方式修整過來。體征提取，對于設備零部件的亞健康，特寫特征跟它比較密切。

　　當然我們也會針對這些異常用聚類分析，判斷哪些點位是異常的，會匯聚到我們整體工作當中，疲勞期開始的時候下降比較快，平穩(wěn)期，最后是損耗失效期，這個是一個樣子，每一臺設備算出來的比率或者是梯度都是不一樣的，整體的趨勢是這樣的，我們把它放在整體策略的前期分析里面做整體策略分析的支持。

　　當然最后說一下預警，其實這個是我們的一個老片子了，我們預警模型不止這些了，針對預警模型來講，我們原來覺得這個跟SCADA差不多，用戶也覺得是SCADA，我們可能提前預測用戶覺得很好，后來只是覺得我只是預測出來一個事件意義是不大的，為什么我們要做針對這種大部件或者是整機的健康度？我們要把這些東西關聯(lián)到一個大部件，或者是二級、三級部件上才有意義。但是我們整體的一個分析計算里面都是按照計算，分析葉片、整機等等這些都會跟我們具體大部件健康度的分析融合在一起的。

　　剛才計算了那么多，無論是疲勞期、動態(tài)閾值還是其他的這些東西，我們要做成集成算法匯集起來，算法這邊會看到有幾個比例，70、20、10，動態(tài)閾值狀態(tài)預測70%，異常點檢測20%，疲勞度分析10%，我們每次比例都是不一樣的，只有我們觀察動態(tài)閾值還是70%，所以其他的每次都不一樣。

　　講了這么多我們這次結果還是不錯的，左側是我們預測的故障的時段，右邊是健康時段，雖然有下降，但是還是屬于我們健康的故障圖譜里面，我們通過這樣完成了整個的過程。說一個具體的例子，就拿齒輪箱，齒輪箱運維上面的問題有時候還是比較多的，我們預防性策略上一個具體的例子，比如說我們會算齒輪箱健康度，我們會看齒輪箱的油溫，最佳時間，什么樣人可以做這個事情，我們可以用什么故障解決方案做，以及他需要什么樣的工具。齒輪箱健康度和我們運維策略包會合成一個工單下發(fā)下去，這個工單做完之后會回來的。

　　這是內(nèi)蒙風場廠的一個案例，我們做了一些處理，把一些隱患找到了。這里多說一句，其實SCADA這個是特別好的一個東西，它相當于對設備是一個在最底層，或者是真正大的損壞之前會報出來，但是它不關注小的隱患，我們?yōu)槭裁匆P注小的隱患，部件的隱患？因為很多部件的隱患不做處理有一天報警了，SCADA的問題不做出來，然后有一天SCADA的問題真的出現(xiàn)了，我們正套的運維就是查缺補漏，我們會預先、提前來發(fā)現(xiàn)這個問題，告知這個問題，以及具體怎么操作，形成我們策略包做這樣的事情。

　　這是我們產(chǎn)品的一些截屏，放在最后不是我們最重要的部分，是我們預警加策略包的產(chǎn)品，我們剛才講的算法、底層的計算，和大數(shù)據(jù)相關是我們的關鍵，但是沒有算法、底層的計算，高效的計算能力這些都沒有辦法做到實時。現(xiàn)在我們這套機制，包括全局管理、性能KPI指標，行業(yè)內(nèi)十幾個KPI指標，包括預警，健康度預警，審批及工單，以及策略包和解決方案建議，這是完整的一套體系。到了這邊工單完成之后還會回到整體的平臺里面做持續(xù)的優(yōu)化和分析。

　　簡單來說我們的初衷很簡單，就是能省的成本省下來，能發(fā)電的時間盡量發(fā)電，提升發(fā)電量，降低運維成本，少換配件，提前維修就這么簡單。

　　這是我整體的介紹。

　　謝謝大家！

　　（根據(jù)發(fā)言整理，未經(jīng)本人審閱）