预测性|在碎片化工业场景中，有没有包打天下的AI模型？_Know-How|工业|风机|场景|智能

机器之心原创
作者：吕海洋

一台风力发电机的叶片上刚刚出现了一处沿展向 0.5 米左右的雷击开裂，风电机组的预测性维护系统马上给风场运维人员发出了损伤和维修警报……

风机叶片是由复合材料制造而成，其结构比其他金属类机械部件更复杂。作为风机最重要的部件之一，它占了总成本的近 20% 左右。叶片雷击损伤开裂，是风机最常见的失效模式之一，在硕大的风机叶片上，一道不足 1 米的浅裂痕可能对风机叶片承载能力和机组安全造成严重的威胁。
这种昂贵设备的故障，在实际运行中虽然并不频繁，但风电叶片在运行过程中会遭遇多种复杂的物理环境，如风、雨、冰、雷电、高低温等。这些复杂的多重的物理环境，与复合材料材料自身的属性的特异性叠加，会产生不同物理效应，以致于很难简单识别（或者判断成本太高）故障是形成的过程，何时会发生显著的损伤，以及如何通过运维策略降低故障率。

文章图片

传统的工业生产，基于物理或化学的硬机理模型，经过几十甚至百年的生产验证，形成工业规程。在很多工业领域，工人可以根据过往经验人为判断何时需要检修和维护。而在新型工业场景中，数据驱动的工业 AI 模型可以在短时间通过机理融合数据驱动分析，迅速挖掘出导致故障的分析洞察，并且在运行过程中有效地把专家经验固化下来，优化原有模型或者形成新的模型。
风电场大多地处偏远地区，一些风场甚至建在一望无际的大海之中，每次运维都要带着备品备件翻山跨海。且不说出现停机、设备损坏的损失，风场为了保护设备、保证正常运行做的定期维修、维护，就要耗费巨大的人力、交通等成本，相应的设备 Know-How 知识沉淀就变得极有价值。
【预测性|在碎片化工业场景中，有没有包打天下的AI模型？】设备昂贵、损坏无规律、难预测、维护频率低但损坏影响大、维护成本高，是预测性维护的典型应用场景，风电设备可以说完全符合这些特点。
作为工业 AI 在现阶段的头号应用，基于 AI 分析的预测性维护，可以在工业生产流程中实现精准管控，最小化停机、停产时间，大幅减少资源、产能浪费。