背景意义
随着现代生产管理模式的不断改进，发电企业对设备的安全、经济和环保运行的要求也越来越高，如何借助大数据、物联网、人工智能等先进的技术手段，实现电厂设备的健康度评价、分级报警与状态检修决策建议，从而保证设备在长周期运行中的安全稳定也变得越来越重要。
将数字化、智能化技术与发电企业设备智能监控工作高度融合，针对电厂“机、炉、电、控、化、煤”六大系统的100余个关键设备，从“三大模型、两个维度”开展评价工作。构建设备三大模型（机理模型、数据模型和经验模型）下的理想性能评价矩阵，制定在两个维度（运行方式、设备本身故障）下的劣化减分标准，采用深度学习和自学习算法完成健康度的“百分制”定量评价，实现设备的“绿黄橙红”四级预警功能，利用专家系统优化检修决策，减少非计划事件，为建设一流火电企业保驾护航。
1. 数据采集融合。基于物联网和数据采集系统，实现电厂设备的广覆盖、多角度采集，构建设备时序数据、运维记录数据、设备结构数据及振动监测等特殊格式的特征数据的数据库，解决数据的存储问题。数据通过中继器利用网络把数据发送到服务器采集程序，服务器采集程序采集到数据后写入数据库，通过时频域分析，实现数据的分析处理。接口协议实现数据库与现场监控系统之间数据的交换。
2. 理想性能曲线。采用机器学习与知识推理等先进的数据挖掘技术，采用机理与数据驱动混合建模，从大量正常运行历史数据中挖掘出隐含的参数关联性、耦合性，构建设备运行特征模型，形成理想性能曲线，评价的电厂关键设备。
3. 健康度评价模型。通过以上模型与评价方法的对比设备的实际曲线，实现设备健康度的评价。
4. 设备劣化分析与早期预警。根据设备的健康度评分，利用深度学习算法，由监测参数状态评分计算设备的状态评分及对应状态设备劣化分析与早期预警。
5. 状态检修决策建议。利用平台建立设备状态检修专家系统数据库，监控设备的运行状况和生成检修策略建议。
特点
1. 综合运用人工智能算法，针对设备的时序数据、运维记录数据、设备结构数据进行分析，实现数据的融合，做到算法模型计算结果有据可查；
2. 结合“四大模型”评价标准，采用分层次的评估方法，对比理想性能曲线矩阵，实现对于设备、系统以及机组的健康状态评价，自动生成告警提示信息；
3. 利用“两个维度”模式下预置专家系统数据库，并提供综合、准确的知识库更新和维护决策功能。实时跟踪和判断测点数据的准确性，主动发现测点异常，有效消除测点异常对设备状态评价的影响；
4. 采用设备的“绿黄橙红”四级预警功能，利用专家系统优化检修决策。
实现功能
2. 结合“四大模型”评价标准，采用分层次的评估方法，对比理想性能曲线矩阵，实现对于设备、系统以及机组的健康状态评价，自动生成告警提示信息；
3. 利用“两个维度”模式下预置专家系统数据库，并提供综合、准确的知识库更新和维护决策功能。实时跟踪和判断测点数据的准确性，主动发现测点异常，有效消除测点异常对设备状态评价的影响；
4. 采用设备的“绿黄橙红”四级预警功能，利用专家系统优化检修决策。
1. 数据准确性甄别；
2. 设备监测模型创建；
3. 参数相关性分析；
4. 设备健康状态评价；
5. 设备状态监测；
6. 设备健康度状态监测报告；
7. 异常监测邮件推送；
8. 设备异常提示及维护。
2. 设备监测模型创建；
3. 参数相关性分析；
4. 设备健康状态评价；
5. 设备状态监测；
6. 设备健康度状态监测报告；
7. 异常监测邮件推送；
8. 设备异常提示及维护。