【金猿案例展】某大型电机公司——水电机组智能运维系统建设_随笔

【金猿案例展】某大型电机公司——水电机组智能运维系统建设

昆仑数据案例

本项目由昆仑数据投递并参与“数据猿年度金猿策划活动——2021大数据产业创新服务企业榜单及奖项”评选。

数据智能产业创新服务媒体

——聚焦数智 · 改变商业

水力发电是支撑“双碳”目标的重要能源战略措施之一，将有长久而快速的发展，但对于大型水电机组来说，经历了引进消化、自主设计、技术创新几个阶段，下一代水电机组面临智慧化升级；同时，大型水电机组新装机组速度与容量增长呈现周期性的放缓，而且产品更新换代周期长（大型机组寿命长达30年），企业盈利空间被不断挤压，需要撬动存量设备后服务市场。

本项目围绕大型装备制造企业的数字化转型，增强企业内生的数字化创新能力，带动装备产品和后服务能力的数智化升级，更好地服务上下游用户。

实施时间：

开始时间：2021年1月

截止时间：2021年9月

应用场景

本案例聚焦水力发电机组后服务市场，打造“云 + 边”远程监测与智能诊断云平台，通过平台将数据、知识、过程与人有机结合，为诊断专家构建统一集成的模型研发环境，加速故障诊断模型软件化与服务化，为水电机组用户提供可持续改善的设备运维闭环管理解决方案，提高水电机组运行安全性，降低运维成本。项目着力解决以下两大技术难题：

数据回流与价值落地问题：水电机组分布地域广、数据源分散、数据种类庞杂，数据体量大，数据开放受到信息安全管理约束。设备提供商面临数据如何回收，大体量数据如何存储与管理、数据价值怎么挖掘，数据价值如何输出。

专家知识沉淀与继承问题：运行与维护知识缺乏有效沉淀与传承机制，目前大量知识以定性经验的形式散落在众多水电站一线 *** 作人员和制造商设计人员头脑中，欠缺有效的传递载体，专家知识不系统，很多经验没有经过充分的检验，也没有达到形式化的基础门槛，需要融合大数据进行有效补充与检验，这也是目前很多设备厂商在智能诊断方面止步不前的很重要原因。

面临挑战

1、如何建立新型的组织与资源调度模式：传统经营管理体系和业务模式已相对固化。对内，需要打破传统，突破思维和组织限制；对外，需要在既有的产业链生态下，基于不同的资源禀赋，创造新的机会窗口，并可持续盈利。

2、在既有的工业人才体系下，如何跨越数字化的技能鸿沟：在面向未来的工业人才体系下，需要产品研发人才、信息技术人才、数据分析人才与业务运营人才的结合，跨越数字化的技能鸿沟是一大挑战。只有建立起工业企业内生的工业数据分析力量，提高领域专家在推进数字化中的主导地位才能走的长远。

3、如何解决设备运行大体量数据的接存管用问题：大型水电机组设备型号多、定制化程度高，数据具有范围广（跨地域、跨组织、跨业务系统）、类型多（业务数据、时序数据、图像、视频）、体量大（PB级）、并发处理性能要求高、分析与开发应用难度大等特点，需要具备对多源、海量、高通的数据采集、处理、存储和管理能力。

4、故障诊断业务场景多样化，诊断模式呈现复杂性：受机组的地域分布、数据采集与传送、数据安全等多方因素的制约，在后服务市场中如机组智能诊断等典型应用场景上需要解决远程、现地、远程与现地协同诊断的业务场景多样化问题。同时，机组感知点多、机组故障类型繁杂，问题交织呈现，判定依据缺乏量化和精化，故障判定难。

数据支持

1) 构建有效的数据安全保护机制，实现管理区与生产区的单向隔离、生产区数据外传数据的敏感性消除措施、通过互联网通道传输数据的加密机制，实现数据的安全可控；对于知识模型，基于加密机制，有效保护知识产权。通过这些核心技术奠定了协同创新的基础。

2) 通过设备资产数字化管理模型，实现专家知识模型上下文的标准化，从而解决了模型的大规模部署应用问题。将水电站、水力发电机组、水轮机、推力轴承等设备部件、测点、运行状态等数据进行资源化管理，建立水电站数字孪生模型，制定设备资产对象的定义、存储和管理的标准。

应用技术与实施过程

项目关键技术包括如下：

“云+边”工业数据智能平台整体技术架构

1、工业大数据管理后台，支持海量、多源工业数据的接入和存储管理，实现工业数据的汇集和统一管理，包括数据接入管理和数据湖。

数据接入管理，解决不同数据接入协议、不同数据接入方式、不同类型数据灵活接入的问题。数据接入的特点包括：提供接入框架SDK，可扩展支持不同厂商提供的协议和接口转换，满足不同数据源的要求；支持数据的实时在线接入和批量离线接入，实时接入支持断线重连，批量接入支持配置时间策略按需进行接入。

数据湖管理，解决海量数据全量低成本接入，使用弱格式管理方式保留数据接入的灵活性，以及避免因过度治理带来的浪费。数据湖中时序类型的管理数据以测点为核心，每个测点存储了大量的二元组即时序数据，数据接入时测点不需要提前注册，随着数据的导入，就形成具有数据的相应测点。

数据湖中以数据目录为单元进行数据管理，用户可以定义有业务语义的“目录”，例如标示某电场某机组的数据目录。目录创建以后，在数据导入时选择要导入的目标目录。用户可以在系统上新建、查看、删除数据目录。用户无需预先定义类似于“表”、“测点”、“时间序列”等的模式对象，只需定义“目录”，然后便可以导入和存储数据。

数据湖提供开发套件形式支持海量数据的接入，开发套件提供了简单的编程模型，使数据工程实施开发人员在基于开发套件对接上游数据系统时，透明化数据湖内部的存储逻辑；同时，系统对所开发的接入程序提供运行时环境和管理。

2、工业设备建模和数据资源管理，支持设备域数据资源建模管理，为上层分析和应用提供统一设备资产模型下的数据组织和访问能力，解决应用或分析模型直接访问底层资源带来的问题。

工业设备建模，为了降低数据使用门槛，提炼设备数据管理最佳实践，围绕设备的海量多源数据接入、整合、建模和使用的标准化的目的，统一设备资产模型下的数据组织，提供数据资产建模与访问功能子系统。将设备按工业标准抽象定义为设备类型，支持从通用到专用的继承层级定义子类型，默认继承父类型的全部属性和标准，如下图表示设备类型的继承关系：

K2Assets内置工业常用的基础设备模版，方便企业用户进行选择使用，可以进行扩展。数据资源管理提供设备维度的统一数据和服务，对接各种主流技术组件，解决后台数据引擎灵活适配问题。提供数据质量分析和治理自动化工具，实现设备数据资源可视，便捷的分析和治理。

3、面向工业专家的知识沉淀，解决行业知识长期停留在专家头脑中、分散在不同计算机中的问题。

基于工业数据分析方法论，和内置常用的工业设备分析算子加速建模，提高模型研发效率。下图显示系统配置的时序征兆算子。

提供算子标准和算子库管理，提供算子手册指导行业专家技术人员复用算子进行模型研发，解决知识从零构建效率低、重复建设、口径不统一的问题。

提供可视化非编程的算子拖拽方式进行知识结构化建模，提升用户在知识构建中的效率，实现数据知识在行业纵深的积累。

支持利用海量数据，发挥大数据作用，对模型的准确性、适用性进行量化验证。运用机器学习等方法，对关键参数进行量化调优。解决模型建好后，可用性、可用范围的评估确认难问题。

4、工业知识应用，提供可视化模型部署管理，支持模型部署为批、流的方式运行或着发布为服务通过rest接口调用。提供模型运行作业管理，可以查看作业状态、日志和结果。提供低代码APP开发工具，支持通过拖拽和配置进行APP开发，大大降低知识应用的门口和路径。

“云+端”协同框架，“云+端”一体设计，统一架构，云和端侧统一数据模型、统一分析模型和运行时，并且实现了数据、模型和应用解耦，支持一键式发布部署。

面向工业应用场景的多种部署方案，支持分布式和主从和独立部署多种方案，满足不同的工业应用场景需求。分布式部署时，“云+端”为一个分布式的计算集群，统一调度管理，支持通过添加节点计算资源来扩展容量。主从部署时，主节点管理全部数据和模型，从节点为部署在端侧的计算节点，可按需配置部分数据和计算任务。独立部署时，多个环节相对独立，但支持导出、导入的方式实现模型、应用共享应用。

5、基于以上K2Assets工业数据智能平台的重要技术能力，打造“云+端” 水电机组远程监测与智能诊断系统，以智能诊断为抓手，将机组故障诊断工业模型软件化，构建智慧机组的大脑与数据中心，为水电机组用户提供可持续改善的设备运维闭环管理解决方案，提高水电机组运行安全性，提升运维效率，降低机组运维成本。

(1) 自主研发工业大数据处理技术，解决多源、海量、高通数据接存管用问题。系统设计容量满足未来5年500台以上机组数据的接入，能够支撑100PB以上数据存储与管理规模，并且可以根据实际数据接入情况进行动态扩展。

(2) 对设备资产建立数字化管理模型。建立水电站设备资产数字化管理模型，将水电站、水力发电机组、水轮机、推力轴承等设备部件、测点、运行数据等资源化管理，建立水电站数字孪生模型；固化和标准化设备资产对象的定义、存储和管理。

(3) 构建统一故障智能诊断模型集成研发环境，实现专家知识沉淀。通过平台将数据、知识、过程与人（ITDTOT人才）集成在一起，为诊断专家构建统一集成的模型研发环境。

通过对水轮机专家经验总结与数据映射，将专家知识模型化、软件化，建立故障诊断基础算法、故障诊断规则库、故障诊断模型库、故障特征数据库等，支持专家开发水轮机故障诊断分析模型近百个。

通过平台内置的规则、智能诊断模型与案例，自动从现象和历史数据中找到可能原因，对故障进行预警研判，辅助专家对故障问题进行快速判定，准确制定故障解决方案。为电站（场站）从发现问题到处置问题提供端到端的解决方案，实现问题的快速识别、快速定位、快速获得处置措施，并借鉴过往处置案例，降低处置难度，提高问题处置效率和效果。

(4) 通过云+端技术架构支撑多场景融合诊断：采用云+端技术架构，支持中心侧+端侧部署，提供远程即时诊断、现地即时诊断、远程与现地协同诊断三种诊断场景的应用。现场处置不仅可以获得平台提供的诊断知识和处置策略，同时可以获得更多的专家在线技术支持。

外部合作

工业企业要把数据价值融合到他们既有的有形产品或者服务中，就需要长期持续自主地探索数据价值。

本案例基于昆仑数据的数字化方法、产品和服务，与某大型电机公司共同构建了水轮机的数据资源化体系，共同开发了十多个典型的分析模型之后，产品进一步支持水电机组设备专家在自身行业know-how的基础上，逐步形成自身的数据价值发现能力，自主研制了水轮机上的五百多种智能分析模型，最后，以云边协同的方式，为水电站业主提供基于现场数据的数字化服务。

该项目是双方合作开发的结果。

商业变化

对设备提供商来说：

(1)“云+端”智能诊断云平台，推动企业服务数字化转型，为智慧电站、智慧电网提供创新性技术支撑能力，开拓后服务市场业务，打造新的可持续的后服务市场商业模式。

(2)通过服务的数字化，利用海量设备运行数据的汇集和分析模型的开发应用，为产品研发、制造提供高价值输入，提升产品质量和创新能力，引领装备升级。

(3)专家知识得以积累和传承，工业模型被软件化，通过不断迭代和精化，为智能机组、智慧机组的发展奠定基础。

对设备使用方来说：

(1)通过设备制造商与业主间数据、模型的流动，构建可持续改善的闭环管理，提升设备运行的健康管理能力、提高机组运维效率、降低设备整体运维成本。为减少非计划停机时间，机组运行维护由计划性检修向状态修转变提供有力支撑。

(2)通过智能诊断系统帮助业主推行“无人值班，少人值守”的电站运营模式，利用智能诊断手段和新技术促进人文关怀。

(3)为电站（站场）现场处置人员从发现问题、定位问题到获得处置措施，提供端到端闭环解决方案，能够大大缩短问题研判时间、获得更多专业支持、提高问题处置效率和成效。

水电机组智慧运维系统已经在多个大中型水电站进行了部署使用，帮助水电厂实现自动巡检，优化每班次轮次节省2小时，预警严重故障10余起，在汛期优化多次机组区域，保证安全发电3亿元以上。通过应用大数据分析诊断技术，成功诊断出某电站固定导叶水力故障导致严重裂纹，并提供永久处理方案和汛期优化运行建议，成功保障该电站安全度汛发电。

【金猿案例展】某大型电机公司——水电机组智能运维系统建设

发表评论

评论列表（0条）