那麼智能化到底包含什麼樣的內涵？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，對於工業而言，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。

2、最基礎挑戰：分散式硬體連接及設備管理

面向分散式的資產和硬體，有很多核心技術需要突破。

一是針對大型資產、複雜設備，如何做一個分散式的監測方案，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複雜的演算法。我們不可能將所有的參數、界面用人工的方式一一去查詢，而是以複雜的系統和演算法做支撐，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。

3、工業智能的ABCDE+O技術

對於整個體系建設而言，我們提出一些典型框架，包括整個風場怎麼樣去構建；對於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，天澤智雲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，即收集到數據之後，如何用數據創造更大的價值，以模型為核心發現外延價值。

CT：賽博平台技術，即如何打通不同系統，這裡需要軟體技術，以CPS的5C架構為核心，融合邊緣計算、分散式的智能，以及遠程雲端的協同，實現更大的平台或者整個社區之間的知識共享。

DT：數據管理技術（更基礎的計算機科學），即對於採集到的很多數據，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，怎麼樣抽取出來從而支持分析和應用。

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。

OT：運營技術。不論做什麼樣的建模分析，出來的還是分析結果，從最終優化的角度來講是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。

4、無憂風場

國內外很多大數據平台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，風機建設起來後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繫緊密，從建模上來講相對比較簡單。

天澤智雲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。

5、PHM的建模流程

我研究的方向叫PHM，即故障預測與健康管理，它包括很大的範圍，具體的建模流程如下：

首先是數據採集，採集到數據後做數據的預處理；預處理之後找到有效的特徵，進行特徵變換，發現它在不同的狀態下有不同的分布；然後進行衰退性評估，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。

6、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，到基於狀態的維護（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，並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。

7、智能維護技術在發電行業應用特點

基於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：

• 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。
• 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裡是很少見的，所以在建模的時候就會面臨這樣一個衝突。
• 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。

拋開基於機理模型建模的方式，典型的數據建模分為三類：

• 模型比較。基於物理做一些模擬模型，做殘差分析。
• 通過歷史數據基線的自比較，比如基於新風機測量的基線，或者風功率曲線的基線分析，做分布漂移評估。
• 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，此時如果一颱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，包括多變數監測與異常檢測、過程式控制制預測、核心設備的基於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感測器的漂移，在建模流程中把分析方法進行集成，得到清晰的指標，並告訴用戶這樣的指標代表什麼含義，以及該不該去維護。

8、智能維護技術應用的挑戰

數據

從應用上面來看，對於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。不論使用什麼樣的模型，大量的工作都是在設備和數據層，所以需要找到設備，並收集到好數據之後再去建模。

而由於失效樣本少、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，到最後實在沒辦法就自己加感測器。

建模

在此我想分享建模過程中關鍵的一點，不管做什麼樣的模型，拿到什麼樣的數據，有一個非常重要的工作就是POI（Pattern of Interest, POI）識別即關鍵特徵識別，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

未來對於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裡面的資產管理，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。

對於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。

模型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，那麼機理和數據怎麼樣去融合與優化，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。

9、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，我們把建模和軟體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。

上面的一層是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。

之後人機交互的部分，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。

一個是資料庫，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台。

資料庫上面是模型庫，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裡的想法和經驗做成模型，統一進行優化迭代。

最後是應用庫。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體系怎麼和數字結合在一起，當發現降低後應該採取什麼樣的操作，這裡面就涉及到業務和IT交互的過程。

更多精彩案例，歡迎關注天澤智雲微信公眾號（微信號：CPS-China）

【相關閱讀】

風機齒輪箱故障診斷 — 基於振動信號?

zhuanlan.zhihu.com風電遇上數據科學家 | 一種異常檢測的方法?

zhuanlan.zhihu.com從修復性維護到預測性維護 風機維護策略的發展趨勢?

zhuanlan.zhihu.com關於《工業大數據創新競賽白皮書》 你想知道的都在這裡了?

zhuanlan.zhihu.com
推薦閱讀：