风场智能运维系统的技术实践

供稿:北京天泽智云科技有限公司

5月22日-23日,2018年(第四届)风电场运行维护及后评价专题交流研讨会在福州召开。本次会议由中国电力企业联合会科技开发服务中心和全国风力发电技术协作网主办,200多位来自风电运营、设计、科研、咨询、调试及科研院所等单位的领导和专家与会交流。


北京天泽智云科技有限公司解决方案副总裁史喆博士出席会议,发表主题演讲 - “风场智能运维系统的技术实践”。以下为演讲实录:



感谢大家。这是我们公司第二次参加会议,第一次是去年在北京,我分享了我们公司做的风电智能运维系统,得到了很多专家的指正。经过又一年的实施和应用,我们在这方面有了更多的心得和体会,今天跟大家做一个分享和探讨。


智能化升级的核心


工业环境里的很多典型设备(例如旋转设备等),在风机上都是可以看到的。风机是一个非常典型的个体,如果能在风机上做一套完整的在线监测和运维应用,我们可以把它的底层平台应用在很多其他领域,比如电厂、风场、海洋、高铁等等,所以说风机的智能监测是一个非常典型的应用,我今天分享的内容具有相当的通用性。那么智能化到底包含什么样的内涵?



我们认为可以分为两部分,一个是做数字化,一个叫做智能化。数字化是智能化的根基,智能化是数字化衍生出来的应用,两者相辅相成。如果没有数字化,智能化就没法实施;没有智能化的数字化,从工业资产上来看是一个负资产,因为我们不可能把自己的数据卖给其他人。


互联网的数据、流量可以卖钱,对于工业而言,我们也当然希望可以将收集到的数据变成一部分资金收入,从而降低运维费用,提供新的服务。如何将数字化和智能化有机结合,是整个智能化转型升级的核心。


最基础的挑战:分布式硬件连接及设备管理


面向分布式的资产和硬件,有很多核心技术需要突破。


一是针对大型资产、复杂设备,如何做一个分布式的监测方案,可以把所有的数据都收集起来统一分析,而不是像原来那样,需要很多专家到现场一个点一个点的去看。


二是物联网的应用,整个产线或生产单位的监测涉及非常多且复杂的算法。我们不可能将所有的参数、界面用人工的方式一一去查询,而是以复杂的系统和算法做支撑,将整个基础设施和体系都接入进来变成一套整体的系统,进而更好地发挥价值。


工业智能的ABCDE+O技术


对于整个体系建设而言,我们提出一些典型框架,包括整个风场怎么样去构建;对于不同的子系统和区域、每个大系统中的不同应用,如何构建一个更合理的体系为业主提供服务等。这些也是以信息化和智能化为支撑,天泽智云提供的技术架构可以用工业智能的“ABCDE+O”来概括。


AT:建模分析技术,比如针对风机做一个风力发电曲线的衰退,或者结冰预测等。


BT:商业分析技术,即收集到数据之后,如何用数据创造更大的价值,以模型为核心发现外延价值。


DT:数据管理技术(更基础的计算机科学),即对于采集到的很多数据,包括SCADA、CMS、文件系统、OM系统等数据,如何管理好,如果需要其中某一段,怎么样抽取出来从而支持分析和应用。


CT:赛博平台技术,即如何打通不同系统,这里需要软件技术,以CPS的5C架构为核心,融合边缘计算、分布式的智能,以及远程云端的协同,实现更大的平台或者整个社区之间的知识共享。


OT:运营技术。不论做什么样的建模分析,出来的还是分析结果,从最终优化的角度来讲依然是一个中间数字,换言之,它和我们单纯测量出的温度是没有区别的,此时需要一个数字或者指标放入整个运营体系做整体优化,才能得到最终优化的结果。


ET:工程技术。如何将上面的优化结果反馈回运营,其实就是工程技术,即如何去维修或者排程。


无忧风场


国内外很多大数据平台之所以选择风电作为案例,是因为风电是实践工业大数据最理想的行业之一,符合工业大数据和CPS的三个先决条件:


  • 风电设备较新,数据测点齐全。

  • 风电是一个重资产,风机建设起来后成本很大部分都是运维,其维护保养费用昂贵,停机损失大。

  • 风机组装以集群形式出现,个体之间以及环境之间的联系紧密,从建模上来讲相对比较简单。


天泽智云是一个专门做模型和工业智能系统的团队,核心技术团队来自美国IMS中心的机械工程博士,在研究阶段做了很多实践项目,有着丰富的经验积累。从整个构架上看,我们能提供整体的解决方案,通过对风场的监控、风机状态的精确分析、运维决策的寻优、以及调度策略的寻优这样一个闭环,对风场进行更好的管理,实现无忧风场。


PHM的建模流程


我研究的方向叫PHM,即故障预测与健康管理,它包括很大的范围,具体建模流程如下:首先是数据采集,采集到数据后做数据的预处理;预处理之后找到有效的特征,进行特征变换,发现它在不同的状态下有不同的分布;然后进行衰退性评估,如果衰退是一个逐渐磨损、损耗的过程,可以根据这个趋势预测未来的状态;最终能把这个状态和实际的使用相结合。这是一个非常典型的流程,也是个非常理想的一个流程。


维护模式变化与创新


风机的维护策略的发展是从失效维护,到基于状态的维护(定期维护),再到预测性维护。预防性维护是PHM最大的支撑。下图是我们很早期的时候专门为风电行业画的,从图中可以看出,找到一个很准确的维修维护的空间,并在这个阶段进行维修整个风场的损失最小。风场的损失包括换件的时间、风的状态等因素,所以在风最小的时候安排维修,整体损失最小。


预防性维护


智能维护技术在发电行业应用特点


基于我们多年来对模型的研究,总结出智能应用技术在发电行业应用的几个核心挑战:


  • 一是大量可监测和已监测信号,业主可以提供很多不同的数据,但是不知道该从何下手。

  • 二是有限的失效数据。建模的时候如果我们面向故障、或者设备的运行优化来看,失效数据其实是非常有限的。我所谓的失效数据就是比较典型的,比如一个风机坏几次,这在长期的运行时间里是很少见的,所以在建模的时候就会面临这样一个冲突。

  • 三是模型与安全性直接相关,模型的结果将影响风场或者风机业主的决策,如果判断出现失误,将直接影响效果。


抛开基于机理模型建模的方式,典型的数据建模分为三类:


  • 第一是模型比较。基于物理做一些仿真模型,做残差分析。

  • 第二是通过历史数据基线的自比较,比如基于新风机测量的基线,或者风功率曲线的基线分析,做分布漂移评估。

  • 第三是同类比较。在一个风场,假设他们基线相同,同时假定大部分风机运行正常,此时如果一台风机的发电量总是比其他的低,很有可能内部出现了问题,可以用同类比较的方法去定位问题。


这当中涉及很多具体的技术,包括多变量监测与异常检测、过程控制预测、核心设备的基于振动分析的预防性维护等,目标都是为了检测设备的衰退以及传感器的漂移,在建模流程中把分析方法进行集成,得到清晰的指标,并告诉用户这样的指标代表什么含义,以及该不该去维护。


智能维护技术应用的挑战


数据


从应用上面来看,对于一个风机和一些典型的数据,用基线建模,通过残差分析做异常报警,这是典型设备的异常检测流程。不论使用什么样的模型,大量的工作都是在设备和数据层,所以需要找到设备,并收集到好数据之后再去建模。


而由于失效样本少、数据测点不完整、不平衡等问题,建模在应用层面很难保证模型的准确性和稳定性,此时需要分为两部分来解决,一部分是优化模型,另一部分是从工程上增加更多的测点,这个问题我们之前在高铁等其他的项目上也遇到过,到最后实在没办法就自己加传感器。


建模


在此我想分享建模过程中关键的一点,不管做什么样的模型,拿到什么样的数据,有一个非常重要的工作就是POI(Pattern of Interest, POI)识别即关键特征识别,不管是时间序列信号、还是振动信号,要对它们进行数据分割,与实际运行状态进行比对。抓住正常状态的表象非常重要,如果没有找到,那就要考虑增加新的测点。这与理论研究有非常大的区别。



模型管理


未来对于建模分析的整个体系,不管是预防性维护还是智能化,都是以模型为核心,而不是以人为核心。应用的时候,比如PLM里面的资产管理,设备其中一个点的升级都会牵连到其他部件的升级,从而引发很多参数的改动。模型也是一样,我们不能奢望模型可以自动得到它不知道的信息,如果一个设备发生了一些状态的变化,我们应该对模型进行优化或者升级。


对于模型全生命周期的管理,风场初建、风场运行一段时间以及风场最终阶段的模型各不相同,包括它们的表象和参数,所以要求一是对模型的认知要准确,二是整个底层IT建设要更加强大,而不仅只是数据吞吐量大,或者做一些业务呈现,它对中间层面的灵活性要求非常强。


机理VS数据


还有业务的挑战,有机理,但是不能反映所有的情况,无法定义故障的具体状态;有数据,但可能不稳定,那么机理和数据怎么样去融合与优化,两方面谁去指导谁,目前在研究领域还是实践上仍然有很多的讨论。


以模型为中心的智能化运维体系


总结而言,我们现在提供的整个服务是一个以模型为中心的智能化运维体系,是一个赋能的服务系统,我们把建模和软件开发这一整套体系交付给客户,让他们更好地使用。


包括三层,第一层叫IoT,典型的物理网,包括数据的接入、数据的存储、资产的管理。


之后的一层是AT分析技术,包括建模环境(如何离线去训练、建立模型)和验证环境(实施部署的环境),这两个环境相互迭代,不断提升模型的准确性。


之后人机交互的部分,这实际上是这套信息系统/智能化系统得到的结果,和实际的操作人员/风机实体发生交互的界面。


最终积累下来是三部分。一个是数据库,我们可以采很多的数,未来可以不论是做风机的研发、运维服务的研发,还是和外部端进行合作,都有一个完整的大数据平台。


数据库上面是模型库,模型库是核心,可以更好的管控模型,是知识传承的过程。模型库把有经验的专家和老师傅脑子里的想法和经验做成模型,统一进行优化迭代。


最后是应用库。比如风功率曲线和正常相比衰退了30%或者15%的时候,仅仅体现在报表上,此时需要应用库去支撑,即我们OM体系怎么和数字结合在一起,当发现降低后应该采取什么样的操作,这里面就涉及到业务和IT交互的过程。


以上是对于风电智能运维系统应用落地的一些思考,我们希望能够积攒更多的经验、知识,提供更完整的系统平台和解决方案,同我们的合作方、业主携手一起打造智能的无忧的风场。


发布时间:2018年5月28日 9:47 人气: 审核编辑:袁键灏
更多内容请访问(北京天泽智云科技有限公司

我有需求