2019年10月21-24日，2019北京国际风能大会暨展览会（CWP2019）在北京隆重召开，大会主题“风电助力‘十四五’能源高质量发展：绿色、低碳、可持续”。自2008年首次在北京举办以来，已连续举办11届，成为北京金秋十月国内外风电行业争相参与的年度盛会。
10月22日上午，举办了“智慧运维论坛——大数据应用，智能预测及故障诊断”。
中国船舶重工集团海装风电股份有限公司高级数据专家张方红发表了题为《海装风电数字化诊断预警平台》的主旨演讲。
以下为发言内容：
主持人（柳地）：谢谢柴先生，技术论坛很精细，每位嘉宾的演讲也很精细，他们时间掌握的也很精细，接下来演讲的嘉宾是中国船舶重工集团海装风电股份有限公司高级数据专家张方红女士，她毕业于比利时根特大学大数据分析专业，一直从事这个行业，演讲的题目是智慧赋能数字化诊断预警平台，大家欢迎。
张方红：大家上午好，很荣幸今天在这里能给大家做这样一个汇报和分享，今天在这里同大家分享的题目是智慧赋能抢海装风电的数字化平台，主要想分享这几个方面的内容：
首先和大家探讨一下用智慧赋能风电，二是海装数字化诊断预警平台中实现的功能，最后想跟大家分享一下我们在这个平台上，通过大数据技术做的一些实际应用的案例。
我们都知道风机在复杂的条件下，会有许多风险，带来很多经济损失。风机它一般装机容量比较大，运送也很困难。是否维修最理想的状态就是可以庆幸提前预警预判，并做好防范工作，目前运维方式还是初步上去检修和定期巡检的模式。定期巡检对缺陷的消除有促进作用，但会存在欠维修和盲目维修的状态。随着海上风电，尤其是陆上风电项目突飞猛进的发展，我们就在想，如何可以通过大数据技术来进行风电的智能运维进行远程的维护，将智慧赋能风电，就是我们的目标。
然而实现风电智慧的运维，很大挑战在于数据的分析和建模，现阶段我们很多数据的质量也不太好，需要进行大量的底层数据的清晰和准化规算的工作。尤其是故障样本量，纯靠数字分析的方法去建模，所需样本数据远远不够。此外数据模型泛化能力比较弱，很多设备受到设备工况的影响，通用性也不足，模型调优工作很大。
这个时候我们就在想，如果很多数据模型的子模块和模型也不是一个整体，很多精通风电范围的人员对大数据不了解，相反懂数据的对风电领域理解又不够深入。种种这些都是我们对风电进行智慧赋能，做数据分析的所面临的挑战，所以如何把数据分析的结果和实体运维需求结合，做到线上线下的真正统一，这才是数据分析的最终目的。
因此我们需要构建一个真正的具有兼容性的大数据运用层的平台，这个平台可以包括多个应用子平台，通过平台多维数据分析结果，提供一个整体集成化的智能解决方案。基于这样的理念和想法，我们搭建了海装风电的整装预警平台，这是基于海上匀净平台。去年的这个时候我给大家介绍过海装大数据平台的架构体系，海装大数据平台目前已经存储了包括风资源数据、风机运行数据、管理数据等，整个大数据平台采取是层级格式架构。现在海装平台已经可以实现风机级、风场级采集整合。整个平台正在进行优化，正在进行和将要完成的就是建立协同制造云平台体系和云服务应用体系，最终完善我们的工业互联网应用的云平台体系。在这个大数据平台上又搭载了应用层平台，这个平台主要是用来统一构建我们海装研发所有风电装备、故障算法模型库，进行共享应用。
同时基于业务开发的环境，针对风电装备的业务模型、业务的应用开发，并实现基于微服务环境的容器化服务，输出预警展示，满足风电装备故障的诊断预测，设备健康管理以及系统运维优化的要求。这个应用层平台目前通过的是调用大数据平台，包括LIGA平台以及运维平台各种类型数据，进行了一个整合、解析和处理，从而对数据进一步分析挖掘和预测，满足我们现在和未来的多个业务长颈的需求，同时这个运用层平台实现了一个功能，目前所有开发部署的业务模型可以进行关联规则的分析和探索，这样形成一个闭环检验，将每个预警模型同运维平台数据进行运维结果的验证，通过真实在线数据直接验证模型的预警效果。
这个诊断预警平台首页有预警功能区、故障展示区、故障处置区，比如风场每年故障频次排名，在这个故障上我们继续深入，到每个风场的内部，进行风机的及时分析，比如我们通过风速功率曲线，进行了所有风机性能的评估分析，构建了一个风机性能裂化模型，分别找出性能最优和性能最差的基础进行比对，进一步推力发电量性能指标升高或降低的原因，同时对风场所有风机发电量进行比对分析，希望通过比对分析来找出同等工况下同一个风场某一台或者某几台风机发电量损失的原因。这个是实时、动态的，可以按照时间刷新的结果提供给运维业务人员解读。
我们还在这个平台上实现了对海装故障诊断模型统一部署的功能，对所有部署的模型首先进行的是运维框架的分析，其次进行了一个服务化的分装，模型运行的监控以及提供模型应用管理发布标准化部署的指南，我们将模型所需的多元异构平台进行了分类的存储和管理查询。每一个部署的模型在实现故障诊断预警的同时，均可定制开发前端的可视化界面，此平台也满足面向服务的架构，具备与所有第三方相关系统灵活支撑的能力，如果有需要可以轻量级部署到任何第三方系统平台上。
我们也在应用层平台上建立了一个海装的小超算中心，每个工程师可以不成为科学家的前提下，也可以很友好调用大数据平台上风机的历史数据，进行自己的模型运算和研发，这是公司级内部的。
模型训练的结果可以存入指定的数据库进行查询、下载，帮助它进一步优化它的模型算法，另外在这个应用层平台上我们还搭建了这样的海装CMS数据解析平台，将所有不同的供应商提供的CMS原始数据进行了统一的解析，目前已经解析出13个标准的指标参数，这样解析出来的CMS指标进行进一步数据建模，建设基于CMS数据指标诊断已经模型，总的来说就是用数据驱动，聚焦我们的核心指标，比如说提升我们的发电量，提升可利用率，所以通过数据进行应用，通过分析进行预测，这样可以保证风电机组健康稳定的运行，实现各项健康核心指标的优化和提升。
最后同大家分享一下目前在我们诊断预警平台上的几个大数据技术的应用的实例，我们建立部署了一系列风机的大部件诊断预警模型，其中就有风电机组健康检测模型。但是如果可以将多维SCADA数据融合起来，进行这样一个故障的诊断预警，可以更准确、更有效。比如我们可以将SCADA系统，包括俯仰角、通过大数据分析中发现传统浅层机器歇息融合SCADA参数的模型，是否难以真正挖掘在SCADA中深层特征，导致我们用很多故障数据和正常数据验证模型时精度很低，达不到理想期望值。比如说自适应模糊系统模型和神经网络模型机器学习模型都尝试过了，但是模型的准确率、灵敏度、精度都不太理想，实际值和测试值中间的差值都不在我们的标准偏差范围内，所以通过对数据进行进一步的分析，尝试了采用深度学习模型融合SCADA数据，重新优化这个模型。
我们通过长短时记忆算法，来进行这样一个风电机组的健康状况的监测，这是一种新的尝试，我们进行了更多故障数据的收集测试，来验证模型的准确度，结果表示，深度学习模型算法得到的风机健康状况高于传统机器学习的算法，所以针对这个模型，最终就在平台统一部署了这样一个基于深度学习融合SCADA数据风电机组健康状态监测模型。
在平台齿轮箱故障模型建设方面，我们也运用了一个深度学习算法进行故障的诊断检测，通过对齿轮箱相关大量历史数据的搜集，我们通过自编码网络算法，构建了风机在正常运行状态下的VAE模型，不仅能够深层学习数据级间的结构特征和数据内部之间直接或间接的关联关系，同时它还可以通过添加各种约束条件，使得网络的隐藏变量能够实现原始的分布规则，通过大量的数据分析发现，相比于普通深度学习模型，变分自编码网, 加载了这个VAE模型，通过运行可以重构出模型输出参数指标峰值和确定比对的阈值。
超过正常运行状态下误差阈值的时候，风机齿轮箱就会得到预警。目前已经部署在这个平台上开始实际的运行。这是我们实际数据分析出的结果，通过模型进行了一个正常状态和故障状态的比对，发现故障状态下模型的输出值与正常状态确实有明显的差异。如何通过数据来升级风电场运维健康管理，也是我们目前平台正在做的一项工作，通过对风电场大量数据进行流计算的监控，再结合人工智能、AI的算法，提供了一个仿真的环境，实现自动创建巡检工单到运维平台，并通过贝叶斯分析算法实现闭环。同时通过数据进行一个统计的分析，预测优化等方法，升级风电场运维的健康管理。
鉴于时间关系，这里只介绍了一部分，这个诊断预警平台上的工作，当然我们一直在路上，在继续的努力。目前我们平台已经可以实现的是，实时运行预警模型，生成预警信息，而且平台也能推送预警信息到运维平台，让运维工程师们肯定这些模型的预警信息，同时还能从运维平台接受模型结果反馈，这个诊断预警平台下一步要做的工作就是希望将故障和知识专家经验库数字化，把所有以往的口语化的纸质文本的、多年积累下来的故障维修知识，通过数字化手段结合文本探索技术，在平台上建立海装的数字专家维修故障知识库，未来我们希望实现平台上的模型预警同时根据平台上的专家故障知识库品配的故障维修信息，进行维修建议的推动，这样将更大幅度提高智能运维水平，全方位实现这个平台的诊断预警功能。
