风机效能分析与故障预测定位

我们通过人工智能方法利用从客户现有SCADA系统获得的数据为客户风场中每一个风机创建数字孪生模型。 通过数字孪生模型用户可以掌握正常工作时每台风机的工作性能，辅助客户对成本以及收入进行决策； 帮助客户了解每台风机的运行状态，以及现有故障对发电量的和收入的影响； 帮助客户定位导致发电量下降的原因所在，提高客户风机的发电效率； 预测未来会发生的故障，帮助客户减少停机时间、改善配件库存管理、延长设备使用寿命、节省维修成本从而为客户带来利润。

我们知道您的风机在说什么

我们通过整合和跟踪一系列历史数据变量，为各个风机组的子系统建立其独特的数据模型。 其结果是可以更准确地估计每个独特的风机的性能潜力。 通过将实际数据与各个子系统的数据模型相对比，可以发现各个风机组的细微变化，定位出影响发电能力的故障点，以及对未来可能出现的故障进行预测。

性能

我们的性能数字模型（数字孪生）基于多维方法进行运算， 在这个过程中跟踪风机以及相邻风机所面对的所有环境参数（包括但不仅限于风速，温度和压力等）， 产生非常强大且准确的计算结果，预判单个风机应当产生的功率（我们的平均误差约为1.5％）。 该数字模型的结果将被用于客户的成本以及有关发电收入的决策环节。

定位

我们的数字模型会随着时间的推移持续跟踪风机的运行状态和性能，深入观察风机的细微变化。 通过我们的各个子系统的数字模型，我们可以发现具体是哪些问题导致了风机组的性能下降。

预测

风机组的数字模型可以帮助我们提前预测故障。在发电能力刚刚开始出现下降时或一些组件出现细微损坏时， 我们就可以发现这些问题，而往往这时风机组的外在表现是"良好的"。

解决风机的"亚健康"问题

现在国内的很多风场的风机都存在"亚健康"问题。 所谓的"亚健康"指的是风机组表面上看起来是"健康"的， 不会出现一些重大故障，还在稳定运行，但是其发电效率确实低下的。 我们系统的一个重要功能就是帮助客户去定位这些带来发电功率低下的问题，帮助客户来提升风机的发电效率。 保证风机组的高质量运行。

传统报警VS基于数字模型的故障预警

传统的报警系统基本上是基于阈值来判断的，当相关数据超过一定数量，就向客户发送警报。 其背后的逻辑十分简单，仅仅是比较大小。
而基于数字模型的故障预警其背后是复杂的深度学习模型。 我们为各个风机组都建立了其子模块（发电机、齿轮箱、变桨系统、液压系统、变流器等等）的数字模型。 通过这些子模块的数字模型，我们可以知道各个子模块在健康状态下的表现。 当实际数据和数字模型期望的数据相违背时，我们就可以定位出问题。 这使得我们可以在风机组部件刚刚才出现一些问题时就可以发现这些问题。 而往往这些问题在半个月甚至一个月以后才会"表现"出来。

主动运维 VS 被动运维

传统的被动运维方式方式是在停机之后开始安排人员对故障进行检测，在诊断之后开始订购或者从库存中协调出维修所需要的配件，等配件到达了风机所在风场才能开始维修。从风机停机到风机重新运行这一周期相当漫长，意味着更多停机时间更多的损失。
而我们所提供的预测性的运维方式会在停机之前发现潜在问题，在风机运行时就可以订购维修所需要的相关配件，改善了库存管理，减少了人员的不必要的攀爬，在设备出现重大问题前进行维修延长了设备的使用寿命，同时大大的减少了停机时间。

我们为用户带来的价值

现代多兆瓦风机是十分复杂的，其运行过程中产生海量的数据，这些数据难以实现可操作性。 我们基于人工智能的分析解决方案持续评估每个风机运转，定位带来发电能力下降的问题，提高风机发电能力； 预测未来会发生的故障，以确保小问题不演变成大问题。
基于这套系统我们为客户带来这些价值：
  • 改善机组发电能力
  • 减少停机时间
  • 降低维护成本和波动性
  • 改善库存管理
  • 延长设备使用寿命