故障预测与健康管理（PHM）在制造业领域中已非新鲜的词汇或概念，而是随着维修理念的转变和维修方式的变革发展起来的一项新技术，其有效地实现了由传统的事后维修向状态维修的转变，由对故障的被动反应转向对故障的主动预防，由传统的事后故障诊断转向基于智能系统的故障预测。
制造型企业经常面临设备突发性故障、维修费用高、维修周期长、停机损失大等一系列问题，天数润科故障预测与健康管理系统（PHM）结合了大数据技术与人工智能技术，通过机器学习算法建立故障预测模型，对海量传感器数据进行挖掘分析，形成预测诊断结果，包含时间点、故障类型与发生位置，自动生成诊断报告，提供精准科学的运维决策参考。
天数风眼系统是针对风电行业打造的一款的故障预测和健康管理平台，基于公司自主研发的SkyDiscovery大数据机器学习平台，实时监测风机的运行状态，并通过对CMS、SCADA、图像视频等历史数据进行建模和分析，实现对风电装备的全方位健康度管理，包括齿轮箱、发电机、叶片等的性能评估、异常检测和预测，以及调度和维护策略优化，能够大幅降低运维成本，提升运营效率。
天数风眼是由VUE+echarts+H5和FLASK开发出的一款平台系统，其采用Mango和PostgreSQL混合型数据库，能灵活对接关系型以及非关系型的数据，大幅提高数据效率，模型以Python开发，采用的是最受欢迎的深度学习框架TensorFlow。
天数风眼由实时监控，健康管理，告警中心，体检中心，模型管理，配置管理以及用户管理七大模块组成。
以下针对主要的实时监控、健康管理、告警中心、体检中心、模型管理作介绍：
1. 实时监控
在实时监控模块中，用户可以通过地图直观的看到风机机组的所在位置，并进入风场风机的详情界面查看如齿轮箱油池温度、发电机转速等实施情况。通过对SCADA实时数据的收集，界面能对指标数据做出及时的响应，如故障提醒和维修建议。
2. 健康管理
作为PHM的核心，天数风眼的健康管理模块利用机器学习模型算法计算出风机机组的健康度评分，用劣化模型计算出风机机组的发电效率，使用检测和预测训练模型监测风机机组的使用情况，且会在检测到异常的时候实时给出告警提醒。
3. 告警中心
告警中心对风机机组的各种告警类型以及告警级别做统计，帮助用户深入了解机组的健康状况，进行高效的故障预防与管理措施，进而提升风机设备的使用寿命。
4. 体检中心
体检中心模块从风场角度出发，根据用户所选的风机机组进行检测，自动生成一份完整的PDF报告。
5. 模型管理
模型管理模块能够集成训练好的模型，并根据用户需求配置检测和预测任务。
模型以Python开发，并采用多种框架，如TensorFlow、Sklearn、XGBoost、LightGBM、pySpark等等，轻松满足用户不同难度的模型要求。
天数润科针对风电行业痛点，结合用户的真实需求开发出来的风眼系统，能够大幅大大降低用户对模型操作的门槛、更好的理解数据的意义并做出更科学的决策，实现真正的转型升级。
