多源异构数据的风机叶片服役状态监测平台

针对大型风机叶片在复杂环境条件下的运行开裂等问题，根据叶片载荷/加速度/音频/螺栓轴力等多源传感监测数据,研究典型故障条件下载荷形变/模态等关键响应特征参数的提取方法，构建基于多源异构大数据的叶片健康状态评估及智能预测模型，为复杂环境条件下风机叶片的安全运行和维护提供决策支持。

技术路线如下：

系统特点

（1）依托国内公司强大的传感器技术，保障风机设备的数据正确性和有效性。

（2）结合Scada、故障日志等多格式、多来源的多维度数据进行融合分析，保障故障分析的全面性。

（3）预留数据接口，便于未来更多的数据来源的接入做精细化数据融合分析。

（4）基于振动分析的定量分析和基于海量数据和工况的人工智能算法的定性分析，两者相辅相成，更加全面地保证分析的准确性和预警的及时性。

（5）在数据分析的基础上，通过梳理风场的整体运行流程，进行系统性拓展，实现包括维修策略、风场作业智能调度、维修建议、故障处理经验共享、备件管理等多项业务功能。

系统价值

（1）安全性
实时在线分析保障有效发现故障，降低事故风险机率。叶片监测模块及时发现叶片出现折断异常时的状态变化，及时有效降低叶片折断对周围事物造成次生带伤的机率；塔筒监测模块通过阈值设置及传感器数据分析，及时发现塔筒倾斜异常，有效避免倒塔事故。
未来通过气象数据、电量需求等数据，智能安排风场风机的调度，既保障风机安全，又满足了电网用电的需求，分散式发电场景下尤为突出。

（2）成本
前期通过振动分析和关联性统计分析，有效降低安全事故发生机率的同时，无形中也降低了风场的运维成本；
后期通过机器学习，深度学习等AI技术，结合历史数据进行预见性分析，提前预测将来可能发生的风机故障，进一步节省风场运营成本。

（3）增效
通过风场维修经验实时共享、故障维修方法智能推荐、维修设备提醒等功能，节省风场作业人员尤其是新员工的思考和准备的时间，提升维修的整体效率。

（4）附加值
未来在利用数据最大化满足风场故障预测和维修的情况下，通过对风场运营的价值链分析，帮助风场解决包括备件管理等在内的高损耗场景下的运营成本问题。