立项背

近年来，随着我国高质量发展战略、数字经济建设、电力体制改革和绿色清洁生产等布局标准的提升，火电行业的综合经营效益环境结构性收紧，发电企业利润率普遍低迷，都在主动创新地结合自身区位优势积极拓展盈利增长极。在国家科技投入鼓励政策的支持下，智慧电厂理论不断完善，实践持续丰富，尤其在电力生产运行维护主型业务的应用智能化赛场，大家群策群力、才智众筹，拓新争先氛围热烈，有效推动着提质增效信息化的进程和质量

工业生产的五要素为原材料、工艺、设备、能源和数据，其唯一的实体资产就是设备，在物理底层决定着工业运行的安全、环保、经济和先进性。对于资金大户的工业设备系统来说，当前常规的设备管理方法模式在智慧运行、柔性创收和风险预控的价值趋向面前，相悖和制约现象日益显露。设备性能状态缺乏更全面、更先进的技术监测手段，设备专业人员的技能和经验缺乏支持有效积累的资源载体，设备全生命周期数据缺乏在线分析预判的实时机制，涉及设备运维事前、事中、事后的管控过程无法有效互联、共享、协同和共治，致使设备问题不能及早准确预知、预判和预处理，设备治理综合工效不高，状态运维检修的效益挖潜仅仅是冰山一角

工业设备管理从基地式、抢修型方式经过自动化、计划型的长期发展，到现在已经进入智能化、状态型的崭新阶段。但如何从数据视角透视工业设备的全生命周期特性，实时精准掌握其工作性能动态，进而结合生产经营需求参量、生产资源支持参量以及外部不可控条件参量，进行最优化的规划决策并做出合理措施调整，迫切需要一款能够与工业设备母体同步运行并以智能算法模型为驱动的实时或亚实时系统工具，既能从技术深度在线发现、识别、侦定各类设备异常故障，又能从业务深度在线组织、触发、处置、闭环各类设备事务流程，形成一个面向工业设备健康管理的发现问题、分析问题、解决问题的技术管理认知信息化机制

内涵和主要做（方）

本成果立足于数据视角，充分研究利用以超球分析算法为核心的任务套件式数据技术思维和工具，直击设备管理进阶升级的痛点和梗阻，以设备状态为中心，以故障预警为引领，以闭环处理为流程，紧扣设备劣化过程中不同阶段、不同类型、不同程度的异常事件，融合多源业务数据，深入挖掘数据隐藏的规则性关系，培育、开发和运营设备劣化故障特性库、特征集，识别、评定工业设备的正常运行、异常事件、轻微损伤、潜在故障、机械保护、功能失效等状态，进行超前、实时地定性与定量研判，尤其能对早期劣化迹象进行高准确度地诊断分析，在设备性能成本拐点前预警处置问题，保障工业设备在变工况条件下稳定经济运行在最佳状态区间，全面提升机组设备精益运行、精准检修的决策和实施水平

原理或机

超球分析任务套件是针对工业设备管理中难啃的硬骨头——资产性能的保值增值，面向以工业设备生产运行中触发的各种业务场景，集中工业应用场景中的设计数据、运行数据、点检数据、检修数据、事件数据、报警数据、试验数据、管理数据和成本数据等，聚合工作流引擎、数据库引擎、消息引擎、数据通讯引擎、安全引擎、规则引擎、移动应用引擎、图形管理引擎、表单管理引擎、数据服务组件、权限管理组件、设备状态组件、图表服务组件、报警服务组件等，充分发挥CAU超球计算组件的驱动作用和CAU超球分析服务总线的协同作用，构成具有数据中台性质的轻量化微型信息系统体系，创建以业务应用功能需求为任务、超球计算组件集合为引擎、超球分析服务总线为协调的可灵活组合调度套用的业务套件应用机制，达到工况模型、预警模型、流程模型、事件模型、评价模型、机械模型和性能模型协同、融合、联动的可视化技术展示效果。方法论示意图如下

超球分析任务套件的核心单元是超球计算组件。其主要场景包括模型训练、模型预测、模型输出三个阶段。1、模型训练阶段：利用完整的工况点建立状态矩阵；2、模型预测阶段：根据实时的观测向量传入模型，计算当前状态和模型状态之间的距离，从而确定当前设备的相似度，利用相似度和和模型内部各个参照点的坐标生成设备运行状态的预测值；3、模型输出阶段：输出设备总体健康曲线，输出设备每个测点的健康曲线和预测。其关联场景包括工况监控、事件识别、状态评价、性能模拟、异常预警、故障定位、图形可视、响应处置等。主要场景和关联场景共同配合、相互辅助，构成一个工业设备健康管理的轻量型整合治理闭环系统。若后期与因果链路、贝叶斯等深度分析算法融合使用，能够有力推动工况识别、异常侦测、故障追溯、劣化预警的跨迭代提升。主要原理如下

创新亮点和值得学习借鉴之

本成果从工业工程实践角度深入理解和转化工厂重要设备健康管理业务需求，利用大数据分析、机器学习等新一代信息技术，构建企业级数据聚合分析平台，运用以超球算法技术核心和异常处置闭环流程相结合的数据驱动型任务应用套件，实现对火力发电设备的健康性能评估预测和故障早期预警，有效提升状态检修效能水平。挽回运行电量与设备检修成本损失共计700万元以上

实施应用前后效果（益）情况对

实施前，企业设备管理业务模式沿用传统的点检定修和人工分析方式，设备运行性能数据主要集中在DCS、SIS系统和专业工程师的个人台账里，数据分析型在线系统缺失，重要设备的健康状态和故障隐患无法及早发现。实施前两年，企业设备缺陷隐患线下月度专题分析12篇，设备年平均轮换性检维修37台次，功率200kW以上转机年平均跳闸19次，功能部件年平均失效26台套，非计划停机年平均2次/41小时

实施后一年内，设备健康性能实现实时在线预测和诊断，事件预警累计1532次（其中有效预警1232次），发送预警处置单1187次。设备性能分析报告实现在线自定义，设备轮换性检维修环比降低21台次，功率200kW以上转机跳闸环比降低11次，功能部件失效环比降低18台套，非计划停机环比降低1.5次/28小时，挽回运行电量与设备检修成本损失共计700万元以上

可推广应用范

本成果属于以大数据、机器学习等智能算法为数据服务核心的综合业务解决方案，成功创新地应用于大型燃煤发电企业，在突破工业设备缺陷故障不可预知预防的瓶颈方面进行了有力有效探索，尤其对于设备运行状态监控测点比较齐全的大功率重要设备或特性同类型数量庞大的机泵群设备，效果明显。动静设备是工业生产制造工艺的物理载体，本成果广泛适用于电力、石化、钢铁、水泥、冶金和能源等行业，能够高贴合度地服务于热电、电网、煤制燃料、炼钢、焦化等企业的设备管理场景，具有广阔的推广应用前景