★蘇州凌犀物聯網技術有限公司陳泉，劉斐斕，劉磊，劉洋

1　目標和概述

1.1　引言

隨著全球對可再生能源的日益重視，風電產業作為清潔能源的重要組成部分，正迎來飛速發展的黃金時期。然而，風電運維作為保障風電場持續穩定運行的關鍵環節，面臨著諸多挑戰。本解決方案旨在構建風電智能運維一體化平臺，以人工智能、邊緣計算等技術賦能風電運維，提升運維效率，降低運維成本。風電行業的發展不僅關乎能源結構的優化，更是推動全球綠色能源轉型的重要力量，展現出廣闊的前景和無限的潛力。

1.2　行業背景

風電行業作為可再生能源領域的重要組成部分，近年來得到了全球范圍內的廣泛關注和快速發展。隨著環境保護意識的提升和對傳統化石燃料能源依賴的減少，各國政府和企業紛紛加大對風電等清潔能源的投資和研發力度。中國、美國、歐洲等地都是風電行業發展的重要區域,風電產業作為中國戰略性新興產業之一，在優化能源結構、推動能源革命和促進生態文明建設方面發揮了重要作用，其中我國已成為全球最大的風電市場。

1.3　市場規模

（1）全球風電行業市場規模

根據最新的市場研究報告顯示，全球風電行業市場規模已經達到了2214億美元，其中1300億美元用于風能發電機的制造和生產，剩余的914億美元用于風電項目的建設、管理和維護等方面。而且全球風電裝機容量也在不斷增加，截至2019年底，全球風電裝機容量已經達到了651.1吉瓦，相較于2018年同期增長了19%。

此外，全球各國政府也在加大對風電項目的投資力度，促進了全球風電行業的發展。據統計，中國、美國、印度、德國和巴西等五個國家是全球風電規模最大的國家，其中中國的風電裝機容量占全球的一半以上。而在歐洲地區，風電行業的市場規模也在不斷擴大,加上還有法德等政府大力支持,未來在歐洲市場仍會有很大的發展空間。

（2）我國風電行業市場規模

我國風電行業市場規模也在不斷壯大。近年來，我國政府不斷加大對新能源建設的投資力度，鼓勵各地區開展風電項目建設，全力推進風電行業的跨越式發展。據統計，2018年我國風力發電的裝機容量達到了184.75吉瓦，占全球總裝機容量的28.4%。我國的風電裝機容量增長迅速，2023年的數據顯示，我國風電累計裝機容量同比增長了20.8%，新增裝機容量同比增長了101.7%。

隨著我國政府不斷加大對風電行業的支持，我國的風電行業也迅速發展起來。雖然我國的風電行業尚不如歐美國家發達，但是在不斷的發展中已經成為了風電行業市場規模龐大的重要國家之一。

1.4　風電運維的難點問題

（1）高海拔和惡劣環境的挑戰：許多風電場建在高海拔、惡劣氣候和復雜地理環境條件下，運維人員需要面對高風速、低溫、冰雪、沙塵暴等不利條件，增加了維護和修復難度。

（2）大規模和分散性：風電場通常由大量風力發電機組成，它們分散在廣闊的地域范圍內。供應鏈的管理、維護排程和設備檢修需要統籌安排，增加了調度和協調的難度。

（3）復雜性和技術含量高：風力發電機包含大量的機械、電氣和控制元件，且需要高度的自控能力。故障排查和修復需要專業知識和技術，維護人員需要具備較高的技能水平和經驗。

（4）風電設備的可靠性和維修性：由于長期暴露在外面的惡劣環境中，風力發電機設備容易磨損、老化和故障。維護人員需要及時識別和修復設備問題，以確保設備的可靠運行。

（5）供應鏈管理和備件支持：風電場所需的備件和材料非常龐大，而且往往需要長期儲備。合理的供應鏈管理和備件支持是保障設備維護和修復的關鍵。

（6）費用和效益平衡：風電行業對運維成本和發電效益有嚴格要求。維修和維護活動需要與設備的產能和效益進行權衡，以達到成本控制和效益最大化的平衡。

（7）安全和環保要求：風電場作為一種可再生能源，對環保和安全要求較高。運維人員需要遵守嚴格的安全標準和環境規定，并定期進行安全培訓和檢查。

1.5　解決方案目標

核心目標為成為高價值工業裝備智能運維專家。

通過引領創新，實現故障預測、健康管理、運維流程自動化及圖像識別等前沿智能化功能，將運維的效率和精確度提升至新的高度。透明風場一體化平臺致力于開創風電運維的美好未來，以智能化賦能行業，展現工業裝備智能運維的無限可能。

1.6　解決方案創新

（1）核心技術：針對風電運維場景的深度算法應用

在風機應用場景中，風機系統會依據外部環境因素如風速大小，動態調整其轉速和載荷，使得機組的運行并非恒定狀態，增加了監控和維護的復雜性。然而，凌犀的振動傳感器卻能游刃有余地應對這一挑戰。它能夠實時動態地調整振動采樣頻率、采樣加速度范圍以及濾波范圍等關鍵參數，從而精準地追蹤風機的實時狀態，這是其他競爭對手所無法比擬的動態跟蹤能力。

借助無線振動傳感器所采集的數據，我們運用先進的振動AI算法，能夠洞察風電裝置的運行數據異常、識別設備的異常狀態，并提供健康指數評估。這一創新技術為風電裝備的預測性維護奠定了堅實基礎，有助于提前發現潛在問題，防患于未然。

更進一步，我們利用風機的歷史運行數據，自動構建出風機運行的知識圖譜。這一圖譜不僅為我們提供了風機設備運行狀態的深入分析，還能智能識別出各種失效模式。最終，這些功能共同助力我們實現風機的智能預警與精確診斷，顯著提升風電裝備的運維效率和安全性。

（2）產品競爭力：引領風電智能運維技術發展方向

歷經近一年的穩健發展，我司以市場需求為導向，在工業互聯網領域持續深化研發，不斷錘煉技術實力。憑借卓越的創新能力和敏銳的市場洞察力，我們已在該領域嶄露頭角。

我們為這類高價值成套設備建立了?機?模型，包括實時數據驅動模型和行業知識圖譜模型，并沉淀得到了豐富的可復用的智能診斷用例。該模型在自主學習和演進能力方面的創新實踐，得到了多個行業合作伙伴和客戶的認可，比如遠景能源、蒂森克虜伯等。

公司首席科學家及研發團隊專注于工業AI技術十多年，他們在深度學習領域進行了基礎算法研究，幫助本解決方案在“機械振動AI和知識圖譜AI”方向積累了大量的元算法、元模型，他們于實際應用中積累構建的AIShop具有強大的行業聚集效應。

2　方案介紹

2.1　系統架構圖（如圖1所示）

圖1  系統架構圖

系統采用微服務容器化技術架構，包括應用層、平臺層和基礎層。

應用層是工業互聯網平臺的關鍵部分，該層形成滿足不同行業、不同場景的工業SaaS和工業App，并形成工業互聯網平臺的最終價值。

平臺層是設計、仿真、部署、運維一體化平臺的核心，該層基于通用PaaS疊加大數據處理、工業數據分析、工業微服務等創新功能，并構建可擴展的開放式云操作系統。

基礎層作為最靠近操作終端的設施，具有規模廣、結構差異大的特點。該層主要功能包括設備管理、資源管理、運維管理等，它通過高性能計算芯片、輕量化計算方法以及實時操作系統等先進技術，對海量工業數據進行先處理和預處理，在降低了網絡開銷的同時提升了云-邊-端一體化平臺的響應速度。

2.2　硬件平臺

2.2.1　振動傳感監測

采用振動傳感器進行監測，其產品特性如下：

（1）工業級可靠性，超長待機時間;

（2）高精度振動監測;

（3）支持加速度數據實時上傳，集成時域分析和頻域分析算法，輸出振動強度和振動頻率數據；

（4）無線SCADA擴頻通訊，超強抗干擾性;

（5）支持無線SCADA自組網主機和點對點無線網關靈活組網應用，支持定時上報、異常報警上報和低電量報警。

圖2 震動傳感器

2.2.2　基于震動數據的深度學習預測

我們從數據角度出發，進行多維度異常分析并輸出RUL（使用壽命）。

圖3 深度學習預測及分析圖

2.2.3　實時數據監控和預測

（1）多設備、多指標數據實時展示；

（2）機器學習算法支持數據預測，可以發現數據趨勢和分布范圍（置信區間）。

2.2.4　深度學習算法支持的異常探測

（1）快速發現異常數據，及時了解設備可能出現的問題；

（2）自動學習可發現復雜數據異常，包括突發異常、漸變異常、周期異常等。

·設備健康指數繪制

（1）機器學習和深度學習算法支持設備健康指數評估和預測；

（2）提前發現可能出現故障的設備，提前維護，避免對正常的設備過度維護；（3）通過對健康指數曲線的預測，可有效計算設備RUL。

2.2.5　設備狀態診斷分析

（1）利用機器學習自動對設備和系統狀態進行診斷；

（2）結合用戶經驗提升機器學習的能力，把人的經驗最大化；

（3）對設備狀態進行分析，優化設備使用率，提升生產流程效率。

2.2.6　數據特征提取

用戶通過界面可同時觀察到特定時間段內多個傳感器的多維數據特征，包括數據總數、缺失數、最大值、最小值、平均值、中間值、方差、缺失時間范圍等。

2.2.7　智能報警

（1）機器學習算法通過把握數據特征，可以對各種異常快速報警；

（2）不同于簡單的閾值報警，智能報警可以自動識別復雜數據特征，有效降低漏報和誤報；

（3）不同報警級別方便用戶優先排查預警時間、預警可信度，可以幫助用戶快速發現報警原因。

2.3　軟件平臺

圖4 軟件平臺架構

（1）內置常用的自動化部署環境，為應用（Java/NodeJs/Python/Go）部署提供定制化的容器運行環境；

（2）提供開箱即用的工具集，幫助開發者將代碼快速構建為可運行的容器鏡像，提高了開發效率；

（3）提供應用商店和應用生命周期管理，縮短了應用上線周期；

（4）提供從平臺到應用維度的日志、監控、事件、審計、告警與通知，實現了集中式與多租戶隔離的可觀測性；

（5）簡化應用的持續集成、測試、審核、發布、升級與彈性擴縮容；

（6）為云原生應用提供基于微服務的灰度發布、流量管理、網絡拓撲與追蹤；

（7）提供易用的界面命令終端與圖形化操作面板，滿足不同使用習慣的運維人員；

（8）通過應用商店一鍵部署與升級應用至Kubernetes；

（9）提供按需容器資源申請，支持設置容器的彈性伸縮（HPA），提升了應用的可靠性與靈活性；

（10）支持導入Helm應用倉庫可視化編輯與部署應用；

（11）應用商店支持多租戶運營，提供針對應用級的計量與計費。

3　代表性及推廣價值

以中國北方某風力發電場為例，該風電場始建于2018年，安裝了100臺單機容量為2MW的風電機組，總裝機容量為200MW。經過幾年的運行，項目方意識到高效的運維管理可以極大提升整體經濟效益，于是在2023年引入了一套先進的智能運維管理系統。

通過主要運維管理措施，基于故障預測與健康管理（PHM）技術，大數據分析與人工智能算法的優化，通過物聯網技術實現對風電機組的遠程監控和故障診斷，減少了現場維護頻次。

對比2022年（實施智能運維管理前）和2023年（實施智能運維管理后）的運行數據，分析高效運維管理對風電場的經濟效益和設備狀態的影響，取得了非常好的效果，具體如表1所示。

表1 實施智能運維管理前后對比

風電設備運維管理（Operation & Maintenance,O&M）在風力發電項目的成功和經濟效益中起著至關重要的作用。高效的運維管理不僅能夠確保風電設備的長期穩定運行，還能最大限度地延長設備的使用壽命，降低運行成本，提升發電效益。

系統價值主要體現：

（1）提高設備可用性和可靠性，減少非計劃停機時間及增強設備穩定性。

（2）延長設備使用壽命，保護關鍵部件，降低突發故障風險。

（3）優化運維成本，降低維修成本，減少人員成本。

（4）提升發電效率，優化運行參數，減少停機時間，提升整體發電量。

（5）提高安全性，減少高風險操作，自動化預警，確保人員和設備的安全。

（6）數據積累及智能化，累積數據運維經驗，引導智能化決策，提升整體運維水平。

（7）環境和社會效應，減少環境影響，增強公眾對風電項目的信任和支持。

作者簡介：

陳　泉（1985-），男，湖南岳陽人，高級工程師，本科，現就職于蘇州凌犀物聯網技術有限公司，研究方向為人工智能、智能工業物聯網。

劉斐斕（1981-），男，湖南邵陽人，碩士，現就職于蘇州凌犀物聯網技術有限公司，研究方向為人工智能、智能工業物聯網。

劉　磊（1988-），男，江西德興人，碩士，現就職于蘇州凌犀物聯網技術有限公司，研究方向為人工智能、智能工業物聯網。

劉　洋（1979-），男，廣西玉林人，中級工程師，本科，現就職于蘇州凌犀物聯網技術有限公司，研究方向為人工智能、智能工業物聯網。

摘自《自動化博覽》2024年6月刊