北京汉能华科技刘晓枫：工业大数据用于风电行业
能见APP讯：10月19日，2016年北京国际风能大会暨展览会在中国国际展览中心召开。北京汉能华科技有限公司董事长刘晓枫在分论坛上作了主题发言，分享的主题是，风机的工业大数据在智能制造方面的应用。
以下为发言全文：
大家好，非常高兴有这样的机会跟大家在一起分享一下风机的工业大数据在智能制造方面的应用，刚才赵总也简单介绍了一下我，我一共有七年风电工作经历，可以说很多岗位经历过，销售、项目管理、售后服务，唯独研发这块没有做过，2008年创立汉能华公司圆了我做科技型公司的梦想，汉能华做什么，我们业务分两块，一块完全做风电的，做风电的风力发电机动力监测，包括有自主研发传感器，监测叶片监测油液，塔筒低频摆动，倾角，还有自己数据采集系统还有大数据云平台，这是专门针对风电的，最近两年随着中国云计算、大数据、智能传感器发展我们把业务拓展到其他领域，做物联网这样的话我们所关注的领域主要大概三个方面，一个方面是连续生产流程，还有是旋转机械，还有其他一些所谓的工业应用场景，其实自动检测行业对行业不是特别敏感，当然跟行业结合了，今天我想把我们在风电行业的一些经验跟在座各位分享一下。我的汇报大概分这么几个部分，大家可以看到我就不一一念了因为时间的关系。
我大概从这么几个方面跟大家加以汇报，首先我们对智能制造体系有一个理解就叫四个流加六个智能，四个流物流、能源流、信息流、一个驾驶流。六个智能，智能物流，智能生产、智能装备、智能服务、智能产品、智能设计，开始从开户需求开始，我们有需求才会有设计，最后产生三个流，真正实现智能制造有智能生产流程，智能制造已经成为行业共识，各个国家表述不一样，中国叫智能制造2025。我们在其他媒体杂志论坛都能看得到主要关注这么几个方面，最主要提升企业的效率，表现在提高企业效率20%，降低成本20%，同时把能耗节能减排降下来，把能耗降到10%。路径就是要通过万物互联，数据驱动实现价值导向。
下面看一下风电产生的工业大数据都有哪些，其实主要跟我们行业相结合的话，风电产生数据主要分两个部分，我们说风电产生数据我说重点侧重于风电的运行维护阶段产生的数据。因为其实大数据这个概念很泛，从我们是研发开始客户需求这也是一种数据，设计中也会产生数据，包括图纸、信息包括各种测试数据都是研发生产当中包括后期运维当中都会产生很多数据。
我今天说重点谈到风机运行企业所产生数据，主要包括两个方面，一个是SCADA数据还有CMS数据，SCADA风机运行功能的产生数据，CMS数据就是状态监测数据，这两个数据有什么区别，大家可能在各种各样渠道都能经常会见到这两个数据，但是这两个数据有什么区别，其实还是有些差别的，SCADA数据更多关注到我们整个风机发电功能的实现，就说我要实现我们能量转换这样一个功能这样实验要把它稳定可靠实现，而状态监测数据更多关注与我们零部件尤其核心部件寿命，健康和寿命，一个能不能跑，像刘翔这样跨栏速度能跑多少年，一个是预期效率一个能达到的功能，状态数据基本包括这几个方面，针对监测对象不同监测项目不一样，通过噪音方式声学监测，监测叶片运转产生的噪音，同时甄别它是否有开裂、重度磨损，这样一些状态，我能把它做出来。
基本原理三只叶片在运行时，其频率特征应该保持一致的，如果有一只开裂了会产生频谱漂移，这样抓住这只叶片跟另外两只平均值不一样，这样我们可以判断出来这只叶片是否有问题这样。因为业内探讨过很多，包括我们跟国内顶尖的几家公司都讨论过，叶片故障如何监测的问题，我们在座也有叶片专家怎么去监测问题，遇到一些最大问题就是怎么进行，监测方法很多，做硬片用蓝波方法很多，如何找到既使用低成本的适合于规模化推广的方式，所以我们就想到了用这种非金属测量，真正在叶片安传感器，研发可以，成本非常高，它的供电信号传输包括对气侯温度变化都是很大一个考验，其实都不是特别可行。
我们这种方式比较简单，这是我们完全有国内国际我们都申请专利还有传动链（主轴承、齿轮箱、发电机轴承）的状态，塔筒国内最先进的一种技术，测塔筒低频结构，可以在各个层面，可以用研发这个阶段使用也可以，我们在后期运维阶段使用也可以，还有共振各个截面摆幅，还有倾角，塔筒倾角会有多少，这样可以提前预知不要发生塔筒倾覆发生恶性的事故。当然还有另外一块监测油液品质，密度、水分、粘度、颗粒度和颗粒数，背后还有机械杂质含量可以显现出来。
大家看到我们汉能华在这边也做了很多的工作，从风机传统的这样监测平台比如说振动监测，主轴，齿轮箱，叶片监测，发电机监测，油液监测，不仅仅颗粒，油液品质可以在同一个传感器监测。同时还有塔筒刚才谈到晃动和倾角，基于我们独特传感器技术。最终来讲监测不是目的，我们获得这些数据如何应用这些数据才是目的，就是工业大数据或者说我们叫大数据整个来讲是有这样层次结构，比如说拿到风电上来讲，其实前面还有研发、生产、运行，包括后期的维修，也包括企业管理商业大数据。
所有黄的跟我们风电关系不是特别大，所有蓝的和绿的才是真正今天所关注的工业大数据。我们看到底层是原始一些数据，当然这些数据一定把它数字化、信息化你才有可能数据上云才有后期处理及分析包括数据价值深度挖掘。关于大数据我们拿到之后如何进行深度挖掘，包括三个方面，一个要进行数据分析，分析有很多种方法了，有很多流程了这里边流程比较复杂如果细分起来的话，数据采集、处理、后期分析，最后数据呈现，数据用可视化方式进行呈现。分析完以后辅助大家进行决策，这是数据分析的一个很重要的功能，帮助我们进行更有效进行决策。决策完之后我们要采取行动包括我们对工艺流程改进也好，运维进行升级也好，最后效益怎么样，对于数据分析结果决策效果进行评估，相当于是我们做的后评估，对效益要进行评估。
结合到具体风电方面有好多方法这里边列举典型的，监测到轴心轨迹，轴心轨迹如果是说我们风机或者说我们配合有缺陷的时候，这个轴心轨迹会越来越恶化，我们通过分析长期趋势来知道我们轴承和我们轴之间配合的情况，包括轴承座和轴承外环配合情况，还有模块分析频谱分析，频谱分析包括很多，背后还有11种这样分析方法。最后通过这样会得到我们的寿命预测，我们这个零部件究竟还能用多久还能用多长时间，还有就是故障诊断究竟有什么问题。
我们知道咱们整个风电，今天主要谈的是风机智能制造，我们看到整个风电机组整个一个产业链先是系统研发、生产制造、运行维护主要分这么三大块。当风机被设计出来别制造出来放到风机场运行会产生运行数据，刚才我们谈到了包括SCADA数据和我们的状态数据，IBD就是工业大数据的意思。首先我们可以看到由于数据产生，各个环节都有数据了，设计研发、包括我们生产制造包括投产都有很多数据，工业流程也有很多数据。我们从运维期间所产生数据首先在运维本身来讲形成一种闭环，就说我们有对故障进行诊断，如何更好的优化我们维修资源，提高运行维修效率这仅仅在我们运维阶段实现这个闭环。
然后他们实现的功能比如说可以提高我们运行效率，预测寿命等等刚才也说过了。另外一块闭环实现了在跟我们生产制造流程这样一个闭环，就说我们得到这个数据可以反馈在我们生产当中，会对于我们生产的比如说你装配、工艺，以及我们检测手段等等方面会反映出就这些流程当中一些缺陷，对它会有很大指导意义。比如说可以提升进货检验标准，为什么后续状态不佳，可能进行进货检验有问题，或者质量控制标准不够严，出厂检验手段不够完善跟生产制造形成闭环。同时再跟我们研发也是形成闭环，最终来讲可以实现我们比如说改进设计，我们也监测很多风力发电机组，也有一部分是由于原始设计，设计中有天然局限，包括我们可能业内我们也监测业内比较知名的大部件批量故障，我们也都检测过，反映到设计上是设计缺陷，这都是大数据在设计上应用。
今天我们重点的说，因为今天主题是智能制造，我们重点说风电大数据运维的这些大数据如何对我们生产制造方面进行提升，我们做一些这方面的分享。我用三个案例跟大家一块分享一下，可能案例表达项目比较好。这是1.5兆瓦风机运行仅仅只有6个月时间，这是我们得到振动频谱波形，针对频谱细化分析会得到这样特征值分布。
数据分析工程师我们有大数据分析中心，数据分析工程师会根据频谱特征有很多知识和经验在里面进行分析，最后判定这是非常典型的存在着高达10X甚至20X频谱分量分布，这样的话它的揭示出来问题过盈量不够，轴承内环以及轴配合过盈量不够，实际情况是怎么样，我们最后也在现场得到确认，大家可以看到塞尺塞进去看到其中有间隙了，说明配合是松动的才会产生这样故障频谱的特征。最后反馈到生产当中装配制造问题或者有缺陷问题，比如说他给的厂家，因为我们后来监测之后不知道真正原因是什么，真正原因有可能是说设计工厂配合提的就不对，还是提的没问题，工厂装配有问题，我们总说智能制造，我们处在2.0阶段，最多3.0阶段，这就是数据典型应用在我们生产制造的应用。我了解很多主机厂没有真正把我们风电运维当中所得到这些数据得到一些有效挖掘和应用，可能大家都关注于坏了以后怎么去修，还关注于刚才谈的第一个小的闭环，其实还没有闭环到生产制造这个过程当中。
第二个例子这也是从现场采集到的，其实也不是现场真正呈现是在我们数据中心看到这样这样频谱特征，细分分析得到这样特征频率的分布，经过分析这是一个典型的高速轴和发电机联轴器不对中，发电机转子1X频2X频明显，不对中分好几种，基本分三种，平行不对中，还有角度不对中，有一个角度两条轴线之间会有这样一个角度，有这样一个呈现。还有一种两种复合都有，现在看来这种频谱分布特征1X频高，2X频高平行不对中，两条不在一个线上。原因出厂装配缺陷，后来为什么有这样问题我们跟主机厂做了很多讨论，其实不只一台发生这样问题，原因是什么，我们知道风机实际上，风机对中分冷态和热态，热态风机运行之后齿轮箱发电机法热，金属做的要进行偏移膨胀，膨胀之后其实会造成它轴心线会发生偏移，而发电机齿轮箱偏移不一样，冷态时候对应非常完美，我们有对中仪对中很好，由于装置位置不一样膨胀不一样，造成冷态完全对中，真正运行之后可能会发生一定的偏移，但这种偏移可以通过某种程度进行补偿，只要你不对中事实来讲还耗费很多其他的能量，不对中造成不见得轴承磨损长期以来会造成轴的磨损轴承磨损对齿轮造成额外硬力，还造成能量损耗。基于这样我们跟厂家进行讨论，是否可以在当然这也是回到我们在（英文）负责维修管东亚地区售后服务中国韩国菲律宾这些国家（英文）发电机的，我们当初其中就有一个我们事先要对在工厂做对中的时候事先进行预补偿，开始工厂不要把它对中，我们知道往西南第三象限差两个毫米三个毫米，以保证真正运营完全对中，从细节我们要知道你的发电机齿轮箱运行时候它的膨胀方向什么样子，以及膨胀量多少，才能保证运行时候才能完全对中。
最后一个案例给大家展现叶片安装支架上，可以搜集叶片运行时候产生三只叶片，大家可以看到两个周期数据，强强弱、强强弱，这两个还都在，第三个特别弱，声音特别弱，背后什么意思另外一只叶片存在安装角度误差，结果在捕捉频率的时候，这个其实经过这不是原始模型经过处理之后的，因为做这个传感器难度最大地方我们摸索了差不多两年的时间，可以轻易采集一大堆现场数据，我们去风电场背景噪音很大，如何把背景噪音去掉，提高信号比，真正把信号特征抓出来，因为我们把它叫做智能传感器因为它里面有算法，里面有（英文）软件有自己操作系统有自己算法，不需要上一级软件进行分析判断，它就是在它的传感器里面就已经嵌入了我们这样一种算法。所以说包括所有信号滤波处理都是在我们传感器这里面实现了。再有通过处理后的波形我们分析就是一个角度不对中，然后我们跟现场验证一下是不是这样子，其实我们在早期做实验的时候，事先知道有什么问题，用传感器进行验证，后期来讲这些事情就会比较，可能真正实现它的预判这样一个功能。
时间关系我说一下我的结论也是我们一个感想，最后是我们一个展望，工业大数据实际上来讲在我们风电当中用处很大，我们其实身边就有，我们不需要做很多特别多的工作，其实我们身边就有，因为状态监测系统普遍安装在风力发电机上了，目前监测范围不够广，只是停留在振动，叶片基本上是空白，还有齿轮箱油液，叶片摆动还没有普遍上，我们总上因为我们做状态监测我们总说振动现在我们普遍能上，好像平常上医院看心电图一样，不能完成表征身体状况，验了血了，做油液监测，叶片噪音，风机大部分可以实现低成本全覆盖了。
第二就是现在传感器包括芯片价格也是在可以说芯片、云计算可以说成本革命下降，为什么移动互联这么火是手机流量成本出现革命下降，智能传感器也有一个比较大的下降，这样就实际对风机运行监测成本越来越低，大家越来越能负担得起，成本不高多监测，远景陈总分享搞那么多传感器有什么用，成本那么高是不是会很贵，随着我们云计算、大数据这些成本，数据采集成本也都是实现比较大的下降，这样的话使得我们搞智能传感、云计算、大数据、包括大数据后期分析分享应用在我们风电智能制造成为可能，最后是我们的愿景，我们也完全有理由也有信心相信中国智能制造必将引领世界，走在世界前列，谢谢大家。
问答：
提问：大数据建模的一些算法能不能简单讲一下？
刘晓枫：其实不同数据肯定有不同的算法，比如说振动数据通过振动算法背后有11种一个算法，振动和噪音基本来讲是一个背景，我不是数据处理方面的专家，可能不能特别完美的回答你的问题。
提问：我想问一下我们在收集数据，这些数据如何甄别哪些是有用的数据，哪些是没有用的数据，在风机上面数据用一个硬盘存在那边有好几个G不可能全部出来，如何在数据处理过程中哪些有用的可以传输出来？
刘晓枫：泛泛的说风机监测这么多数据，风机运行当中产生的数据，我想是这样，其实我们在布传感器本身就是有目的型的，比如了解某种状态才把传感器布上去，不会没事布传感器，出一大堆数据，布之前知道模态，你刚才说的叶片做检测，我想知道模态分布，布光纤上去，采用硬片（音译）上去，取决于你想知道什么，当然了也存在一种情况，我布完之后得到数据通过综合管理会得到新的启示因为数据打通了，我们会有两块得到的（英文）一块我们数据本身监测所得到数据对原来想法有验证提升还有数据之间的关联，比方说监测叶片这个事情，其实不仅仅叶片我从一个传感器自身来讲把它反映出来，通过叶片噪音传感器反映某一只叶片开裂了，或者安装角度不对了我们能把它验证出来。还有一个我们在其他的传感器上也反映出这个问题，塔筒出现周期性摆动，我是塔筒低频的传感器，塔筒低频活动传感器它的情况，这个频率跟我风轮活动频率是一致的，跟主轴不平衡也是一致的，互相验证根上叶片上一直传递过来。
