1、基于GenPro的工业智能建模案例分享GenPro产品亮点PHM建模方法论引述案例分享加速数据预处理风机叶片结冰预警工业智能行业模板基于温度的轴承故障预警深度行业算子基于振动的轴承故障诊断总结目录C O N T E N T S工业数据的“3B”挑战意味着工业智能建模的高门槛、高投入Broken 碎片化数据分散在多个信息系统，往往需要人工合并对齐标签和建模参数Bad Quality 质量差需要大量数据清洗和特别的降噪处理Background 强行业属性数据专业性强不同设备数据受到参数设定、工况、环境等背景信息的影响，建模过程难以泛化工业数据“3B”挑战制造企业数据分析团队的问题来源：李杰，工业大

2、数据，2015建模效率低大量重复性工作（数据清洗、整理、模型泛化训练）建模门槛高需要跨学科能力与经验积累工业智能领域知识机器学习代码编程端到端的建模支持平台内置丰富的机理分析和机器学习建模组件，完整覆盖数据预处理、特征工程、模型训练、模型评估等建模环节将天泽智云在轴承、风电等行业的建模经验转化为平台算法组件，降低用户建模门槛，提升建模效果融入领域知识的行业组件丰富的工业智能建模模板为典型行业和工业建模场景提供建模模板，固化成熟的技术路径，支撑模型快速原型化简单直观的建模流程画布和可视化图表，所见即所得“拖拉拽”画布式建模在GenPro开发的模型可快速部署至CyberSphere模型运行引擎中，

3、接入实时数据流并根据用户设定的调度策略给出计算结果生产环境无缝对接模型快速部署GenPro:工业智能建模分析系统GenPro产品亮点PHM建模方法论引述案例分享加速数据预处理风机叶片结冰预警工业智能行业模板基于温度的轴承故障预警深度行业算子基于振动的轴承故障诊断总结目录C O N T E N T SInvisibles：wear,corrosion,leakages,crack,dust,distortion,structural damageVisible：failure,defects,drift,quality deviationSolve Visible ProblemAvoid Vi

4、sible ProblemSolve Invisible ProblemAvoid Invisible ProblemMonitoring AnalyticsActions维护的目标被动维护（RM）预防性维护（PM）基于状态的维护（CBM）故障预测与健康管理（PHM）故障预测与健康管理（Prognostics and Health Management,PHM）技术是实现预测性维护和智能运维中最为关键的核心技术。人损坏后维修机器警报后维修预测模型预测与预防数据机器智能维护策略的发展趋势0Feature 1Feature 2Normal BehaviorModel of FailureARMA

5、PredictionEvolution of ARMA PredictionPrediction UncertaintyPredicted Confidence ValuePredicted Probability of FailureStart of Performance DegradationCurrent Situation预测性建模的理论基础Model ComparisonVirtual ModelSelf ComparisonPeer ComparisonFitness to normalDrift from normalNormal BehaviorMost recent Beh

6、avior2013NowDissimilarity with othersDegradation Assessment数据驱动的PHM方法数据探索数据预处理特征工程特征选择模型训练模型验证机理分析+数据驱动多源数据Cyber World洞察、决策、知识Physical World工业智能建模流程GenPro产品亮点PHM建模方法论引述案例分享加速数据预处理风机叶片结冰预警工业智能行业模板基于温度的轴承故障预警深度行业算子基于振动的轴承故障诊断总结目录C O N T E N T S背景介绍：叶片结冰是一个典型的样本不平衡的二分类问题。故障发生时往往造成设备性能损失。建模原理：根据维护记录打标签，

7、提取风机性能相关特征，训练机器学习模型预测叶片结冰故障预处理结冰动力学模型结冰-风机性能关系模型特征提取特征子集结冰演化过程分析特征提取时序特征子集特征提取分类模型诊断结果原始数据风机功率对风速的响应：Pw=12rACpv3功率空气密度风扫过的叶片面积风能利用率风速加速数据预处理案例一：风机叶片结冰预警背景介绍轴承是旋转设备的核心零部件，在风电、高铁、CNC机床等工业装备中均有使用。对轴承的故障诊断和健康管理是学术界和工业界共同关注的问题。本案例基于SCADA温度信号，建立预警模型，提前预测发电机轴承故障，优化备件准备流程，降低风机停机时间。建模原理：发电机转速和功率是影响轴承温度变化的主要负

8、载因素，因此通过负载参数、环境参数、其他参照测点温度等作为输入参数，建立健康状态下的发电机轴承温度预测模型，并通过与实测温度的差异判断轴承当前健康状态建立预测模型计算电机轴承温度残差负载等相关参数实际电机轴承温度故障风险-电机轴承风险判定机理电能输出能量输入向机舱与散热器的热量损失传动链摩擦损失发电机温升负载因素示意图工业智能建模模板案例二：基于温度的轴承故障预警包络谱分析是常用的一种增强旋转机械振动信号中故障频域信息的方法。左图展示了带通滤波后信号的包络信号（红色虚线），右图展示了包络信号与原信号在故障频率上幅值的差别，说明了包络谱分析能够有效增强信噪比。背景介绍轴承早期故障一般通过振动信号

9、进行检测，但是早期故障很难通过常规的时域分析和频域分析检测到。建模原理：基于高频振动信号，通过定制化的时频域特征提取和机器学习分类模型，实现对轴承故障的自动、实时诊断。在变转速情况下，利用阶次跟踪避免转速波动对频谱分析的影响，利用包络谱检测轴承早期故障。深度行业算子阶次跟踪从时域上看，把等时间采样的信号转换为等旋转角度采样的信号从频域上看，把频谱（Hz）转换为阶次谱（order）0.40.4050.410.4150.420.425-2-1.5-1-0.500.511.52Time(s)Vibration(g)Envelope Signal for Bearing with Scratch Le

10、vel 3 Band-Pass Filtered SignalEnvelope Signal of Filtered Signal原信号的频谱包络信号的频谱案例三：基于振动的轴承故障诊断GenPro产品亮点PHM建模方法论引述案例分享加速数据预处理风机叶片结冰预警工业智能行业模板基于温度的轴承故障预警深度行业算子基于振动的轴承故障诊断总结目录C O N T E N T SPHM建模的核心思想：评估当前状态与健康状态的偏移健康状态可以有多个来源：物理模型、历史最优、集群标杆健康状态的学习和记忆可以有多种方法：监督式、非监督式对于“偏移”量化方式和分析方式有多种路径保留了状态参数的机理含义，使现场工程师对结果更加理解PHM建模的关键：充分理解并利用机理关系对数据进行预处理和特征提取注意不同采样频率和信号不同的Dynamics（变化性）注意工况变化对建模造成的影响，并通过相关机制进行管理GenPro可以发挥的价值：提升效率、降低门槛加速工业碎片化数据的预处理效率通过行业模板固化典型问题技术路径，模板化建模对于复杂情况下的工业数据分析，通过行业算子固化建模knowhow16总结