案例一：監(jiān)測車輛6萬臺，降低車輛故障率約45%

• 通過采集電源系統(tǒng)相關(guān)數(shù)據(jù)及狀態(tài)信息，建立電源系統(tǒng)產(chǎn)品數(shù)據(jù)庫，掌握電源系統(tǒng)全壽命周期內(nèi)的電池性能變化情況。通過對不同技術(shù)狀態(tài)下的性能進行對比分析與信息挖掘，為后續(xù)技術(shù)路線改進提供科學(xué)依據(jù)；通過分析產(chǎn)品溫升數(shù)據(jù)，為設(shè)計研發(fā)高充電倍率電源系統(tǒng)提供數(shù)據(jù)支撐。
• 通過TempoAI的場景建模對電池使用歷史數(shù)據(jù)和使用過程情況進行挖掘分析，實現(xiàn)電池狀態(tài)評判和壽命預(yù)測，保障電池梯級利用過程中的安全、可靠和價值最大化。
• 通過構(gòu)建電源產(chǎn)品遠程狀態(tài)監(jiān)測和運維平臺，實時監(jiān)控運行數(shù)據(jù)及車輛位置，方便第一時間發(fā)現(xiàn)異常，提供更快捷的現(xiàn)場服務(wù)（故障定位+維修策略推薦）；提前發(fā)現(xiàn)安全隱患并采取有效的預(yù)警措施，防患于未然。

案例二：故障預(yù)測準確度超過90%，設(shè)備故障率降低30%以上

• 變壓器油色譜濃度預(yù)測：基于灰色關(guān)聯(lián)分析和支持向量機算法的變壓器設(shè)備油中溶解特征氣體濃度預(yù)測方法，輸入基于支持向量機算法的變壓器油中溶解氣體濃度預(yù)測模型，得到預(yù)測目標特征氣體未來三日的油中溶解濃度。
• 變壓器油色譜故障智能診斷分析模型：基于變壓器歷史油色譜故障案例庫，利用C5.0決策樹分類算法進行機器學(xué)習(xí)，構(gòu)建基于油色譜的變壓器故障智能診斷分析模型。利用狀態(tài)監(jiān)測系統(tǒng)采集的變壓器油色譜特征氣體作為輸入變量，以分析模型為載體，實現(xiàn)對變壓器故障的智能診斷。
• 系統(tǒng)集成：實現(xiàn)了變壓器智能運維系統(tǒng)與Tempo平臺在線分析模塊單點登錄、與故障分析預(yù)測模塊單點登錄與應(yīng)用。

案例三：設(shè)備智能診斷成為遠程運維新模式

 

• 建立電站機組設(shè)備健康履歷：基于電站、機組、設(shè)備進行原始運行數(shù)據(jù)及輔助診斷文件的統(tǒng)一管理，支持海量數(shù)據(jù)存儲應(yīng)用；實現(xiàn)設(shè)備健康狀態(tài)、特征數(shù)據(jù)、診斷結(jié)果、分析報告的關(guān)聯(lián)管理及追溯，支撐設(shè)備狀態(tài)監(jiān)控及故障診斷。
• 實現(xiàn)設(shè)備健康狀態(tài)監(jiān)測和統(tǒng)計，支撐遠程會診：設(shè)備數(shù)據(jù)傳輸狀態(tài)及運行狀態(tài)監(jiān)測；設(shè)備總體情況監(jiān)測及統(tǒng)計，通過對比某特性的時間分布，對共性問題進行深度分析。
• 基于TempoAI實現(xiàn)設(shè)備故障及時診斷評價及反饋：實現(xiàn)松脫、振動、主泵泄漏多類設(shè)備故障的診斷模型構(gòu)建，全面提升了故障診斷的效率與準確性，為排故與系統(tǒng)預(yù)警發(fā)揮價值；并實現(xiàn)了診斷任務(wù)跟蹤、狀態(tài)自動更新與及時通知等功能。
• 設(shè)備診斷知識積累和算法自定義開發(fā)：平臺支持算法自定義擴展，支持python、Scala、java、R、SQL等語言的擴展；提供便捷的算法升級、模型構(gòu)建、應(yīng)用服務(wù)發(fā)布部署等功能，為企業(yè)實現(xiàn)更精確的狀態(tài)診斷及預(yù)測和更科學(xué)的運維管理提供擴展應(yīng)用平臺。