在大会“分布式能源与燃气轮机机组选型”分论坛上，新奥能源动力科技（上海）有限公司副总经理张洪就“新奥动力燃气健康管理系统开发进展”发表主题分享。以下内容来源于大会现场速记：
《新奥动力燃气健康管理系统开发进展》
张洪
新奥能源动力科技（上海）有限公司
副总经理
谢谢主持人，各位专家、各位同行下午好。
我先感谢一下张总，既是我们的用户也是合作伙伴，来自用户的肯定是对我们最大的鼓励。
今天我的分享是围绕我们现在在做的一个事情，燃机的健康管理系统整体开发策划与进展。
第一部分我说一下，我们现在在做系统时候的一些考虑。现在我们的燃机在外厂运行的台数越来越多，面临一个必然的问题，就是燃机做维护的时候，原来传统的维护方式是人工的计划型维护，比如到什么时间做定期维护，但是这个很有可能会出现维护不及时或者过维护的情况，而且这个机器如果数量多了以后，相应的投入人工和成本都会越来越多。这时候预测性的维护可以很好的解决这个问题。主要的做法是通过实时的监测和分析燃机的健康状态，预测可能出现的一些故障，并提前做一些响应。我们希望通过这样的技术，同时建立我们的预测性维护的分析模型，通过对设备的实时监测，结合现在智能的算法，实现我们故障性的预测维护和运维。
相对于传统的方式来说，一般我们会做一些事后的运维和周期的运维，这两种方式有这样一些弊端。比如说我们做事后运维的话，通常是等设备出了问题以后我们再做维护，通常情况下会面临成本会非常高，如果做一些周期维护的话，可能出现的问题是过维护或者维护不及时的问题。如果说我们通过对于设备的状态定期监测，结合我们对于经验的总结，我们开发一套这样的预测性维护系统，可能在前期的投入会比较高，但是完成这个系统开发之后，后期就可以通过这样的滚动状态的根据需要的方法，不断降低成本和提高效率。
不管国内还是国外，对预测性运维都是非常重视的，也有相应的标准。比如说《中国制造2025》就提出，要引导制造业实施全生命周期的管理，这个当中就包括远程的监测、故障诊断、远程维修和趋势预测等等。目前在国内外相应的这些燃机设备，包括空调制冷设备厂家，也都在做这样的事情。最典型的是西门子和GE，GE不仅有燃机的数据，还有很多航机的数据，现在公开的数据文献来看，西门子这块认为他们的预测性维护预测性可以达到95%，这已经是非常高的概率了。
通过这样的运维工具的开发，我们希望达成这样的目的，这个过程也是随着燃机不断成熟而做的。首先是在前期的时候，这个里面有一个重大的作用，通过对状态的监测，在整个过程当中，可靠性和稳定性提升方面是起到积累数据和知识库的作用，随着燃机的成熟期不断发展，也可以对设备的寿命延长和市场竞争力提升，最终还可以作为一个增值服务提供给用户。
这是我们关于预测性维护的架构构想，通过我们现在监控中心以及数据的用户侧终端，实现数据的双向流动，上行数据诊断，下面通过诊断结果对燃机运行情况做控制。通过这样的工具开发，大家可以看到，对不同的环节，从运营的、采购、生产到最后的数据分析、财务等等，都会有相应的价值贡献。
第二个方面，说一下整体开发的需求和实施思路。这个是根据现在提取的2022到2023年外厂运行暴露的故障做分析的，这个里面大家可以看到，占比比较多的一个故障类型，振动、传感器、发动机等等，还有一些其他的因素，这些其实不属于疑难技术问题，根据这些技术问题来说，我们可以看到几个关键的需求点，比如振动、传感器，长期来看还有一些寿命的衰减、性能的衰退。我们把我们整体的需求梳理出来，针对这些需求提出了我们不同开发模块功能。
第一个模块是振动模块，这个振动模块希望通过历史的振动数据，结合现在我们的专家库资源，形成这样一个振动算法诊断的模型，通过对外厂的振动现象采集到的高频数据，提前做一些分析，识别出潜在的可能出现的振动问题的前兆。
第二是做气路的诊断，希望通过现场采集到的实时数据，通过在线仿真模型分析性能衰退的情况，定位出哪一个部件出现的问题。第三个大模块是传感器，我们传感器很多，涉及到传感器的故障也是比较典型的问题。第四是寿命预测的模块，这个专家系统是所有功能的集合，最终我们把整个产品做可视化的集成。
这是我们整体的开发思路，做这个事情的同时，是有很大的技术风险在的，这个里面包括机理上的风险，我们很难准确判断到某一个现象的准确机理。第二是我们通过一些算法模型做这样开发的时候，也需要通过这样的迭代过程，有可能是前期做的算法，需要做一个颠覆性的更新，我们需要做模块化的工作，以避免将来做局部更新的时候，导致大规模的架构推翻和返工。
这是我们一些开发思路，包括第一个部分，我们做一些特征的挖掘和算法的开发，包括我们以机理启动，要明确每一个故障现象下对应的机理是什么。然后在这个基础上开发模块化的产品，并且在外厂做一些部署和验证。最终通过迭代，形成最终的可上线利用的产品。
具体来说，这个是我们整个系统的架构，从设备端是不同型号的设备，在设备端我们部署了不同的传感器，把这些传感器的数据上传到数据库，通过我们开发的一系列算法，做一些分析诊断。最终形成一个可视化的界面工具，输出这个诊断结果。这是我们整个数据架构，前面已经说过了。
整体的开发思路，跟大家做一个简单的介绍。这个里面分几个大的模块来说，第一个模块是振动模块，这个当中包括几个大的关键部分，第一个部分是需要对这些振动数据做一些降噪的处理，通过一些振动信号的分析，通过我们AI识别的图谱，分析它发生故障的情况，这个里面有一些典型工具大家也都用过，比如轴心轨迹、图谱分析等等。结合现在大量的监测数据，以及我们现在数据库当中的一些振动分析模型，给出各类故障发生的概率。比如说第一个概率是什么，比如不平衡占60%等等，最终把诊断的结果推送到现场的技术人员或者售后人员做问题的排查和确认。确认完以后，也有可能前期做的分析结果是有偏差，或者概率不对，结合这样的过程，对这个原来的算法或者知识库做一个完善，使得准确度更进一步提升。
第二，在气路模块，这个当中主要是通过现在终端采集的气路数据，在线上搭建Simulink模型进行部署实施，跟采集到的数据进行交互分析，实现这个气路分析。这个当中要解决的问题是，如果我们把这个气路的仿真模型建的很复杂，就涉及到一个效率的问题，我们这有一个平衡，我们的模型和数据量的权衡，怎么达到一个相对比较高的效率，同时保证比较精准的预测效果。传感器这块，我们核心是通过传感器故障数据建立相应的规则，通过这样知识库的建立，研究不同传感器故障征兆和算法，最终实现智能诊断。
对于整个专家系统，这是我们前期各类的故障的集合，这属于是我们在每一项故障，包括前期做的一些工作得到验证以后形成的自诊断系统，这个是靠后期的规划。
这是关于寿命预测做的一些事情，这个当中包括典型的问题，比如说各大部件性能的衰退，以及实际上用完以后的构件失效的模式分析等等，这个当中需要大量的前期不同工况、不同时间运行的数据，这个整体来说，我们是这么规划的，过程当中需要对这些材料数据、寿命数据做一些积累，才能完成最终的功能实现。
这个当中有涉及到一些关键技术，最终诊断离不开这些数据，外厂的数据是很庞杂的数据，怎么对数据做一些针对性的管理，以及对当中几个关键模块。
第一个部分，燃机的数据技术，这个当中主要是把现在我们提取到的采集到的海量数据做剔除和分析，结合有效数据做管理，并且推送到模型端做分析应用。
第二个，在轴系诊断这块，轴系的问题，不仅是简单的对应到图谱分析就可以得到结论的，往往在外厂发生的问题，都是多因素耦合在一起的，除了一个图谱分析，我们还要结合一些其他的变量，比如说颗粒度的检测等等，做最终的一个综合分析。在气路诊断这主要解决的问题，是模型跟诊断的精度关键问题，在最终燃机的智能分析诊断模块这个，包括整体的集合，包括前期的专家算法等等。
下面跟大家介绍一下，前面是我们中长期的规划，整体工作是需要很长的一段时间，尤其是寿命这块的分析，需要大量的数据积累，我们现在外厂已经运行了十多万小时，但是这个里面很多的故障模型，尤其是关于寿命的原始数据是远远不够的，这个里面可以把已经实现的功能做一些展示。首先我们说最重要的是故障诊断，状态监测是第一步，目前整个系统已经实现了整体的燃机运行状态的监控，这个里面包括整体的全国站点的预览，单点的数据分析和察看，以及可以对一些气路数据做监控，制订一些简单的分析统计的工具，做趋势的监测。当然也可以对轴系这块做图谱，监测分析等等。这是智能巡检，我们会监测到外厂，包括已经发出报警的信息，也包括一些我们诊断出的可能会出问题的报警信息，做这样的推送了预警。
我们整体是采用模块化方法建立，有一些项目可以通过这样的组态建模，实现无代码的站点建立。
关于我们刚才说的几大模块，目前我们在振动分析这块，做的工作相对来说比较多一点，我们把现在开发的振动监测和分析的模型跟之前在场内试验和外厂运行的数据做了对比分析，两者的结果，前面是我们做试验分析的结果，我们技术人员分析出来的结果，这边是通过这样的算法模型诊断出来的结果。
整体对比来看，他们两个的匹配度达到了95%以上。这个当中我们举个例子，这是一个前期试验的时候遇到的气流激振的情况，轴心轨迹紊乱，这个对我们做振分析来说有几个大的原因，一个是气流的激振导致，一个是不对称导致，这个人工分析的结果和我们算法诊断出来的结果基本是匹配的。目前我们认为振动模块的监测精度和分析精度已经达到产品级的要求，所以我们包装成这样一个模块化的产品，接下来会做部署和验证，迭代完以后，把一些缺失的规则库、知识库做进一步的完善。
我们说的传感器、寿命等等都在做模型搭建和验证工作！
这次就不展示了。
最后想说一下，不管对于可靠性打磨还是正式进入商业化运营，通过这个数字化的技术，是能够帮助到我们燃机的可靠性提升和将来做大规模推广运维降本的，整体来看，相关系统是必须要做的事情，而且必定会在整个燃机的全周期当中发挥更重要的作用。
这是我汇报的全部内容，谢谢大家。
