数字之风在世代中改变

以下是需要考虑的分析类别:

描述性分析-事件
大多数使用传感器数据的人都熟悉描述性分析，例如简单的基于阈值的警报。多年来，这些一直是监测方法的基础，并且仍然是使用传感器数据的起点。然而，为了充分优化资产性能，许多性能工程团队现在转向更高价值的类别，包括异常检测和预测分析。

使用异常检测的预测分析
异常检测如何具有非常大的影响力的一个例子是使用异常检测来预测故障将在何时发生。在narrvewave，我们在研究风力涡轮机的轴承温度数据时建立了这样的分析。我们注意到，在轴承温度触发其基于阈值的警报之前，它将开始显示与相邻轴承不同的温度行为。使用我们的快速开发工具，我们能够在几个小时内创建一个分析程序，自动识别这种异常，检查其他因素(例如传感器本身是否值得信赖，以及风速)，并通知操作员涡轮机未来极有可能出现故障。这种异常检测的使用非常强大且易于实现，因为它不依赖于先进的机器学习技术——而只是对资产应该如何操作的敏锐理解，并将其实现为分析．

规范的分析

规范性分析被一些人认为是分析框架的最后一步，包括回答“下一步是什么?”为了有效地做到这一点，必须将以下几个元素纳入分析:

• 发生了什么事?
  • 例子:热电偶越过了门槛
• 当时的整体情况是怎样的?
  • 例子:涡轮机在最大负荷下运行，环境温度很高，这是过去12小时内第二次发生这种情况，风速很高。
• 它发生的可能原因是什么?
  • 例子:热电偶故障、风速超标或轴承出现异常
• 下一步的建议是什么?
  • 例子:关闭涡轮机，更换热电偶，密切监测涡轮机12小时。

如何使用它在控制室设置中自动化决策？例如，一家大型可再生能源运营商不再需要技术人员手动诊断某些故障，而是通过叙事波使用规范性分析来自动化和加速决策制定。这提高了决策的准确性，标准化响应，并提高了涡轮机的恢复服务时间。

结论

有许多新方法可以使用分析来优化生成资产的性能。我们在NarrativeWave是分析的忠实粉丝，这些分析结合了领域专家的知识，以最大限度地提高分析的影响，并实现决策过程的自动化，同时仍然让工程师和领域专家参与其中。无论您采用何种方法，我们都建议从用于证明重点目标区域的Pilot开始，然后使用所学到的经验教训扩展到整个运营舰队。

关于NarrativeWave:

NarrativeWave授权领域专家协作并快速创建分析模型，以提高资产性能和运营效率。NarrativeWave允许用户创建决策地图，可以全面分析事件并决定下一步该做什么。了解自己资产的领域专家现在可以应用他们的知识来创建分析模型和决策输出，而不需要成为软件开发人员或数据科学家。