工业智能技术加速风电行业智能化建设VIP免费

风电行业智能化建设——在智能化落地过程中我们学到了什么主讲：金超北京天泽智云科技有限公司北极星电力学院，分享，学习，成长工业智能技术加速金超博士技术研发副总裁，北京天泽智云科技有限公司全面负责工业智能前沿技术及算法模型研发专注于工业大数据、机器学习、深度学习、信息-物理系统CPS、故障预测与健康管理PHM等工业智能技术和算法的研究与应用。深耕风力发电、轨道交通、机加工和的能效优化管理等领域，服务客户包括东方电气，中车、中船、富士康等国际知名企业。毕业于美国辛辛那提大学机械工程系，师从工业大数据、工业智能等领域的世界级学科领头人李杰教授，在美国国家科学基金（NSF）产学合作智能维护系统中心（IMS中心）任职助理研究员。参与数十个世界级企业与机构的科研项目，涉及领域包括电力、能源、半导体制造以及航运。根据李杰教授CPS理论撰写的“赛博制造”提案获美国NSF研究奖金资助。课程概要风电智能化三要素工业智能在风电行业的应用价值工业智能是什么工业智能是新一代信息技术，物联网、工业互联网、人工智能、5G等与工业转型升级之间的桥梁。结合对工业生产与运营的深刻理解，将跨领域的技术进行融合并应用于工业场景当中，帮助工业产业重构能力体系，提升应对未来的竞争力。避免解决可见不可见利用新知识实现价值改善利用智能信息加速新知识的诞生以预测性的视角解决未知问题持续改善与训练将隐性问题显性化，从解决可见问题到避免不可见问题衰退Degradation失效Failure隐性问题不断积累，形成显性问题与损失可见的问题与管理：•设备故障、产品缺陷、加工失效、质量偏差等•通过KPI绩效体系对管理问题进行管控和优化工业智能的目标：解决和避免不可见世界的隐性问题价值模型痛点OTPT&ATDT数据领域知识天泽智云在工业智能落地的经验“对症下药”“对症”：痛点分析安全效率成本IT基础设施与数据现状领域知识深厚程度企业管理水平与文化价值目标企业现状调研分析企业痛点，需要从价值目标与现状两个维度来考虑，找到企业真正的智能化强需求。以效率提升为目标的痛点分析：某汽车制造厂机械臂故障ComponentFaultFrequency-Downtimefor138MHRobots(eachdotrepresentsonecomponent)01002003004005006000.005.0010.0015.0020.0025.00AverageDowntimeCausedbyComponents(min)30.00ComponentsFaultfrequencyCable,otherEncoderRobotMotoretBrack4ClampSwitch,otherSwitch,prox.PalletSwitch,limitUnknownMatehen2备品备件1设计改良3传统维护预测性维护厂家定义——领域知识并非所有问题都适合用工业智能技术解决第一要素：数据来源与质量管理价值模型痛点OTPT&ATDT数据领域知识来源与质量管理风电智能化转型的关键在于对数据价值的挖掘和利用•利用风电业务领域知识，结合智能化技术，将风电过程数据转化为洞察和知识，并形成可执行的决策，优化生产要素和业务流程。•风电智能应用可以成为数据洞察闭环优化生产的一个重要途径。决策知识信息数据执行根据确定要解决的问题，倒推确定数据需求。系统在监控的，接入数据；现有的系统无法监控的，利用传感器来采集原本没有但需要的数据。数据来源管理资料来源:IDC,McKinseyGlobalInstituteanalysis2000181291177377642439737533627627325624520716611687AnnualNewDataStoredbySector,2010(Petabytes)050010001500MANUFACTURINGGOVERNMENTBANKINGCOMMUNICATIONSANDMEDIARETAILPROFESSIONALSERVICESHEALTHCARESECURITIESANDINVESTMENT…EDUCATIONINSURANCETRANSPORTATIONWHOLESALEUTILITIESRESOURCESINDUSTRIESCONSUMERANDRECREATIONAL…CONSTRUCTION数据的量大≠数据质量好≠价值高25.6kHz采样率、130Mb/s、分布式数据采集与特征提取5Kb/s特征数据，基于事件的原始数据推送与分析数据来源管理——在数据收集时考虑成本最优数据质量管理“Garbagein,garbageout.”数据质量对数据驱动的模型效果非常重要。提前获得足量、连续、高质量、能够代表所建模对象行为的数据，是保证模型质量的必要条件。问题对策•数据“坏点”多：奇异值、缺失值、超限值……•样本不平衡•数据缺乏，标签缺乏•……•提早进行数据...