航天云网数据分析平台电气

Demo故障发生之后，纠错性故障发生之前基于固定时间间隔和可视化检查根据实际状态，进行维护数据的传输和根据对系统状态的

，进行通过分析模式和趋势，实现失效可靠性/性能保证新的商业模式技术复杂度纠错性预防性基于状态性下一代以数据为中心的设备维保方式Maintainability

Threshold:

Based

onPreventive

Maintenance

Tasks,

FieldServiceability,

Rate

of

DegradationComponent

ConditionTimePF

=

Threshold

of

Component

Failure:PS

=

Threshold

of

Component

ServiceabilityPL

=

Threshold

of

RequisitionPM

=

Threshold

of

MaintenanceTL

=

Threshold

of

Logistics

Lead

TimeComponent

Failure

Threshold:

Based

onFatigue

Life,

Environment,

Usage,

PublishedServiceability

Limits

(DMWR/FMECA)ServiceabilityThreshold:

Based

onReparability,

Usage,

Published

ServiceabilityLimits

(TMs)Requisition

Threshold:

Based

on

Availability,Demand,

Unit

Classification,

OPTEMPO,Ship Time

(Distance

from

SSA),

Rate

ofDegradationPFPSPLPMTLUnserviceable

&

Un-repairableUnserviceable

&

RepairableMaintainableServiceableSupply

Chain设备维保方式决定了时间冗余以及备件库存基于statuscode数据的故障分析XX

风电公司分析思路和分析方法将事件序列按停机划分成多个Session确定每个

Session

的停机原因分析不同停机原因之间的

转移情况分析告警与停机原因

之间的关联如果出现了一个告警，接下来可能会发生什么原因的停机故障？如果发生了一次停机故障，接下来还会发生其他什么停机故障？分析思路按业务规则分析每个session停机原因去掉前后重复的故障停机合并待风停机隔开的session利用时间序列模型、黄金路径等模型，给出故障停机之间的迁移和关联网络利用协同过滤等模型，给出告警和停机之间的关联网络问题去掉重复数据以“刹车”事件作为停机标志每台风机两次停机间的事件列划成一个session去掉30秒内出现的连续停机故障停机原因之间的关联网络指定故障（变频器故障）与其他故障停机间的关联在历史数据上统计出的停机关联关系。所谓关联，是指在一定时间间隔内，两种停机故障伴随出现的概率。当一个故障出现了，根据分析，就能

接下来的一段时间内（比如3个小时）出现箭头指向停机故障（比如变频器故障）的概率，从而实现

性维修。变桨供电故障气候原因停机塔基温度超限安全链断开电网异常故障停机原因之间的迁移网络指定故障(变频器通讯故障)和其他停机原因之间的迁移网络基于历史数据来看故障停机两两之间是如何迁移的。所谓迁移，是指某个停机故障的前一个故障的来源。当一个故障（如变频器通讯故障）出现了，通过分析，就能它接下来出现各种故障的概率，从而实现性维修。风向与机舱中轴线偏差大停机转速机组超限气候原因停机指定故障（变频器故障）的前驱停机故障路径(无时间限制)指定故障（变频器故障）的后继停机故障路径（无时间限制）所谓故障前驱，是指某个停机故障（比如变频器故障）的前面N个（比如5个）停机故障。所谓故障后继，是指当某个停机故障出现了，后面N个可能出现的停机故障是什么，这样就可以有效做一些防护，以实现 性维修。各种停机故障和告警事件之间的关联网络指定停机故障（变频器故障）和告警事件之间的关联网络所谓告警事件和故障停机的关联，是指当出现了某个告警（如发电机转子过流）后发生指定故障停机（如变频器故障）的概率（如50%）。根据历史发生的规律，可以提前维护，从而实现性维修。基于SCADA数据的首故障分析XX

风电公司首故障分析步骤及思路（逐步聚焦到转子过流）从首故障入手分析故障事件挑选出典型的故障事件研究分析故障和正常情况下差别1

2

3重要故障因素分析4应用方向和加载分析5从SCADA中提取首故障记录故障记录的特征分析故障的session划分分风机、故障类型统计故障

session数分风机、故障类型统计故障session数挑选出典型故障：转子过流故障选样分类模型：故障样本：200正常样本：20万分类模型：决策树、神经网络、logistic解析模型：得到重要影响因素重要因素的深入探索分析故障风险重要故障特征实现工作得到转子过流的关键影响因素达成两类成果得到故障的判别模型重要影响因素的提取过程635个测量点中，65个属性可参与建模模型初步筛选结果，人为调整因素，因素有偏差重新选择样本，剔除季节因素，再建模对用电量数据等进行变换，迭代建模梳理，得到最终影响因素（5类16个因素）73781972975Z向振动实时值736

向振动实时值电网电压L3803

转子轴承A温度1秒平均值桨叶2电机温度1秒平均值桨角度机舱温度1秒平均值742

发电机转速8177448037518188068237367668

2电网电压L1发电机转速30秒平均值转子轴承A温度1秒平均值变桨角度1秒平均值电网电压L2转子轴承B温度1秒平均值风速30秒平均值向振动实时值齿轮箱DE端轴承温度1秒平均值速1秒平均值821风速822风速1秒平207_x_30风机有功833机组运行757齿轮油温778发电机冷732桨叶3电机734电缆扭转797机舱外温790轮毂温度763塔基电柜809塔基温度818电网电压转子过流的影响因素分类梳理结果因素类别指标参数号机组运行情况机组运行时间总数833风速风速821风速1秒平均值822温度因素齿轮油温1秒平均值757机舱外温度1秒平均值797机舱温度1秒平均值794发电机冷风温度1秒平均值778塔基电柜温度1秒平均值763塔基温度1秒平均值809轮毂温度1秒平均值790桨叶3电机温度1秒平均值732电网因素电网电压L2818电网电压L3819电网电压L1817其他可关注因素电缆扭转总角度734风机有功用电量(30分钟)207_x参数号含义821风速822风速1秒平均值207_x_30风机有功用电量(30分钟)833机组运行时间总数757齿轮油温1秒平均值778发电机冷风温度1秒平均值732桨叶3电机温度1秒平均值734电缆扭转总角度797机舱外温度1秒平均值790轮毂温度1秒平均值763塔基电柜温度1秒平均值809塔基温度1秒平均值818电网电压L2参数号含义833机组运行时间总数797机舱外温度1秒平均值821风速732桨叶3电机温度1秒平均值778发电机冷风温度1秒平均值819电网电压L3809塔基温度1秒平均值207_x_30风机有功用电量(30分钟)757齿轮油温1秒平均值817电网电压L1818电网电压L2790轮毂温度1秒平均值794机舱温度1秒平均值822风速1秒平均值763塔基电柜温度1秒平均值734电缆扭转总角度这些因素对判别故障具有极佳的判别效果上表中0和1的含义：0——非转子过流故障1——转子过流故障实际发生决策树判别结果01state_6810计数55110251行%99.5466120.4533881计数0200行%0100实际发生神经网络判别结果01state_6810计数519973364行%93.923526.076481计数4196行%298直 揭示出最易发生转子过流的2个风险关键点是机组运行总时间和风速根据正常状态和转子过流状态下风速直可以看出，风速在2m/s左右时是过流故障发生的风险高。根据正常状态和转子过流状态下机组运行时间总数直

可以看出，机组运行170-255天期间容易发生转子过流。机组运行总时间直风速直风险点风险点几个温度指标之间和故障状态之间有交叉关系，可以用决策树模型来判别温度组合和故障间的关系齿轮油温1秒平均值<=50.104[过流故障]桨叶3电机温度1秒平均值<=30.809[正常]桨叶3电机温度1秒平均值>30.809[过流故障]齿轮油温1秒平均值<=44.104[过流故障]桨叶3电机温度1秒平均值<=54.017[过流故障]桨叶3电机温度1秒平均值>54.017[正常]齿轮油温1秒平均值>44.104[过流故障]轮毂温度1秒平均值<=24.400[过流故障]桨叶3电机温度1秒平均值<=57.314[过流故障]桨叶3电机温度1秒平均值>57.314[正常轮毂温度1秒平均值>24.400[过流故障]齿轮油温1秒平均值>50.104[正常]轮毂温度1秒平均值<=27.700[正常]轮毂温度1秒平均值>27.700[过流故障]需要从风机的工作原理上确认的问题：这些温度指标到底是故障发生的原因，还是结果？是否需要纳入

原因因素？此处，大数据分析起到关键性启发作用，为后续故障发现指明方向。XXXX系统故障因素分析齿轮油温平均值>50.104正常齿轮油温平均值<=50.104过流故障齿轮油温平均值<=44.104桨叶3电机温度>30.809

桨叶3电机温度<=30.809过流故障正常故障状态齿轮油温平均值>44.104过流故障过流故障从电缆扭转总角度分布看，扭转角度越大，发生过流的风险越大；发电机转子过流与偏航解缆故障具有很强的关联性关联？从30分钟内风机用电量看，故障状态下风机的用电量显著高于正常状态建模过程中发现：风机用电量是表征转子过流故障的重要因素；SCADA系统中用电量数据为整数型，精度不够。该指标在使用时影响到模型的应用。风电设备早期

及PHM一个基于大数据的多模块综合分析系统可进行早期的多个子系统整流罩齿轮箱测风桅杆主轴发电机机舱控制柜10,692

个涡轮机–1,536

离岸–9,156

陆地上关联到数据同步的表–1.05

亿行关联到的大表中，不同的指标包括：风速(主、次、主动)空气密度环境温度等等多风机综合分析需求错误代码1001（手动停机）的路径分析错误代码8230（冰检测，低扭矩）的路径分析错误代码8163（传感器扰动）的路径分析错误代码13101（发电机逆变器跳闸）的路径分析所有风机的服务数据（最近两个月）大的点，代表服务申请的数量风机需要一个服务 （大的点，代表

的

）平台建设、、预期效益故障 分析用电量设备健康状态客户关系管理物资需求分析大数据平台价值输出数据分析数据输入网上交易气象电厂运营财务人力设备竞争对手分析供应商投资策略分析日利润分析发电成本分析发电企业大数据平台和大数据应用企业大数据能力，在于洞察（Insight）。运用大数据的方法，能够回答…下一次优化的方向在哪里？将要发生什么？分析关注的问题当前能够做些什么？发生了什么？数据的高效分析能力和敏捷应用能力将成为企业的竞争力正在发生什么？理解“什么”的趋势标准报告即席查询报告下钻查询仪表板积分卡分析和细分优化正在发生什么？问题发生在哪里？多少，频率多少，在哪里？已经发生了什么？为什么会发生？智能程度/复杂度接下来会发生什么？模型如果这些势头持续？高级分析(

和规则)传统分析(描述)在哪里？如果想朝着某个方向发展， 最好的策略？数据驱动分析LANGUAGESMATH

&

STATSDATA

MININGBUSINESS

INLIGENCEAPPLICATIONS决策者、研发者

业务操作

业务分析

终端用户模型驱动探索驱动用户理论假设观察证明数据理论假设模式观察“自上而下”、“自底向上”是“and”的关系，而不是“or”的关系引领企业数字化、自动化、智能化数字化使得自动化成为价值提供者建筑能耗效率

:

HVAC,

lighting,

plug

load,

envelope与楼宇自动化控制系统集成,

提供IOT

解决方案能力空调系统设备故障

:

HRW,

AHU,

VAV,

FAU,

FCUCommercial

RefrigerationRefrigeration

alarm

management‘BigBox’

retailWhole

building

diagnosticsHPBTestbedCampus/

building

controls/

diagnosticsernment

BuildingBuilding

-

HVACdiagnosticsCampus

-

HVAC

controls/

diagnosticsCustomer

sites

故障客户收益约20-30%年建筑能耗降低提高建筑设备的使用效率降低

时间和人工Free

cooling

opportunityLight

schedule

issue提高

楼宇的运维效率提高楼宇使用满意度提供数据与数据分析服务给制造商和设计单位其他可能的效益机会智能化催生更高的价值转换飞行系统573

(92%

of

AH-64D

Fleet)

DSC

Equipped93

Monitored

Components58

Maintenan