基于大數據的設備狀態監測管理理論與方法研究

摘要：

傳統的機電設備狀態監測與管理體系通常均采用獨立配置的方式，布局零散且設備之間關聯性較差，容易出現監測內容不全面及監測信息記錄不完整的問題。研究基于大數據技術，對機電設備狀態監測方法進行了創新，重點對機電設備狀態監測系統中的大數據遠程傳輸、存儲等核心問題進行了分析，開發出一套運用大數據技術進行機電設備狀態監測和管理的系統。該系統運行效果良好，對其他企業設備狀態監測管理工作有較強的借鑒意義。

關鍵詞：

大數據; 狀態監測; 管理理論

中圖分類號： TP 311

文獻標志碼： A

Research on Theory and Method of Equipment Condition

Monitoring Management Based on Big Data

ZHAO Defu

（College of Management and Economics， Tianjin University， Tianjin 300072， China）

Abstract：

Traditional mechanical and electrical equipment condition monitoring and management systems usually adopt independent configuration. The layout is scattered and the correlation between the devices is poor. It is easy to cause the problems of incomplete monitoring content and incomplete monitoring information record. Based on the large data technology， the state monitoring method of electromechanical equipment is innovated. The core problems of the state monitoring system of electromechanical equipment， such as the longdistance transmission and storage of large data， are analyzed. A state monitoring and management system of electromechanical equipment using large data technology is developed. The system runs well and has a strong reference value for the equipment condition monitoring and management of other enterprises.

Key words：

big data; condition monitoring; management theory

0引言

以傳統方式配置的機電設備狀態監測管理系統，通常會因為獨立且分散的布局出現兩方面的問題：①單獨的檢測系統不能全面對設備進行檢測，在反映設備整體工作狀態上存在缺陷;②獨立配置的設備狀態監測系統會將檢測數據就地儲存于該設備主機內，受主機存儲空間影響，會對數據存儲時間有所限制，造成某些具有長期保留價值的數據被刪除[13]。在數字化與智能化的要求下，機電設備狀態監測管理系統需要將監測管理體系中的數據進行融合并進行統一管理，確保改進后的系統能夠在設備整個生命周期內完成對設備的全面監測和數據分析，為技術人員及管理人員提供全面、可靠的技術支撐。

研究以我國某大型企業為例，利用大數據技術對企業機電設備監測管理系統進行了改造[4]。改造后的系統能夠實現“集團級”狀態監測和數據存儲與管理，在此基礎上開發一套完善的機電設備狀態監測系統，實現了對企業機電設備的全方位、全生命周期的監測、分析、評估和診斷。

1系統建設目標

1.1完成多源數據介入

改造后系統要能夠接入企業下屬各個部門的機電設備狀態監測系統，能夠同時完成不同設備數據的調用和存儲，并將監測數據完整傳輸至總部數據中心進行保存。

1.2構建全景數據中心

利用大數據及云計算技術，完善以往單一的實體數據存儲體系，構建全景數據中心對監測數據進行統一管理。

1.3構建輕量化應用中心

利用大數據技術，采用輕量化、插件化的數據挖掘與分析思路，實現對機電設備狀態的遠程監測、分析、評價和故障診斷。

2系統總體架構

本次搭建監測系統總共分為三層，總體架構見圖1所示。

①數據接入層，通過數據接口軟件搭建數據接入平臺，與各部門機電設備監測子系統進行連接，獲取全部設備的檢測數據[5];②數據中心層，在企業總部搭建云平臺進行數據存儲，并按照功能搭建子數據庫，對企業所有設備信息進行統一管理，并向各子數據庫提供數據支持[6];③應用中心層，采用輕量化、插件化思路部署應用運行管控平臺，針對企業設備運行狀態開發監測應用軟件，實現對機電設備狀態的智能管理[7]。

3系統網絡結構

本次設計系統的網絡結構，如圖2所示。

3.1數據采集層

該層設備主要包括：①數據采集前置服務器，通過在各不同部門的全面部署，實現對接入設備的實施狀態監測，并將監測數據通過專用網絡傳送至總部數據庫儲存;②縱向加密裝置，對傳輸過程中數據進行加密，保證數據安全性[810];③數據通信服務器，位于企業總部，接收到企業各部門采集到的數據后存儲至數據中心數據庫。此外，由于企業各部門設備監控系統數據均已傳輸至總部集控中心，因此主要通過Ⅲ區接口服務器完成監控系統數據接入。

3.2數據中心層

該層設備主要包括：①實時數據庫服務器，主要負責設備狀態監測的特征數據及原始數據的存儲工作;②關系數據庫服務器，主要負責設備狀態監測過程中的測點信息、設備檔案、評估及診斷結論等信息的存儲工作;③數據預處理服務器，主要負責對狀態監測過程中產生的各種數據進行加工，方便軟件對數據進行快速反應[11]。

3.3應用中心層

該層設備主要包括：①應用服務器，主要負責簡化系統應用軟件;②應用管控服務器，主要負責對各環節應用軟件進行管控和部署。

4數據采集層

4.1數據采集

為滿足該企業現場數據接口種類繁多的需求，研究將該企業設備使用頻率較高的通信協議做成獨立模塊，可根據具體需求安裝到對應的數據采集前置服務器上。該系統支持常用的IEC61850、IEC104、Modbus等通信協議，支持通過以太網口及串口接入各類型數據。對于該企業中某些非標準協議通信系統，采用特定通信協議進行通信。

4.2數據遠距離傳輸

機電設備狀態監測系統中，數據產生的頻率通常為s級甚至ms級[12]。如何保證檢測數據遠距離傳輸過程中的完整性和實時性成為系統搭建中的難點。研究采用基于消息隊列的數據傳輸機制來進行數據遠程傳輸，如圖3所示。

1.系統在采集到狀態監測數據后可首先將數據寫入消息隊列，首先保證數據得到一定時長的緩存。緩存時間具體數值可以更具不同部門以及不同設備自行設置。

2.消息隊列中的新數據可以通過通信程序定期傳輸至總部數據中心。根據網絡帶寬情況，若網絡傳輸速率小于數據產生速率，則尚未傳輸的數據可繼續保留，網絡空閑時自動進行傳輸。保證了數據傳輸的完整性，又不影響數據傳輸的穩定性。

3.數據采集前置服務器可進行3d時間的數據緩存，一旦各部門設備狀態監測系統與數據中心之間出現網絡中斷現象，可在網絡恢復后繼續進行數據傳輸。

對于數據量大、產生頻率高的振擺系統，系統通過時頻轉換，將其原始波形轉化為相應的頻譜，避免其直接傳輸影響通信網絡的實時性和穩定性。

5數據中心層

數據中心層存儲及管理架構，如圖4所示。

本次開發的系統數據存儲策略能夠根據數據不同的特點（非結構、半結構、結構數據），靈活采用不同的方式對數據進行有效管理和存儲，既保證了數據的完整和準確，又保證了軟件能夠快速高效地進行數據調取和查詢。

5.1分布式實時數據庫

實時數據庫具有存寫快、可在線壓縮等優勢。通過對計算機集群上部署分布式實時數據庫，能夠對包括全部特征量和原始數據在內的系統實施狀態數據進行存儲。同時，該機制能夠有效節約存儲空間，并充分發揮多機并行的工作優勢。缺點是在該機制下數據庫本身不能將不同測點數據之間的邏輯關系儲存下來，同時也無法根據邏輯條件查詢相應數據。

5.2關系數據庫

布置關系數據庫一定程度上可以彌補分布式實時數據庫的不足[13]。除單純存儲數據外，關系數據庫還能夠存儲如存儲設備參數、數據挖掘及計算結果等數據之間的邏輯關系，便于系統根據各數據之間的邏輯關系進行數據調取和查詢。

5.3內存數據庫

在內存數據庫中對監測數據進行操作，具有存取極快、反應極敏捷的優勢。當系統中需要進行某些復雜計算時，將部分常用監測數據緩存到內存數據庫中可以顯著提高系統的反應速度。

5.4文件數據庫

主要用于存儲非結構化以及半結構化數據，如圖片、音頻、視頻以及各類型報表等。針對振擺波形數據、故障案例數據等同樣可以采用文件形式存儲進文件數據庫[1415]。

系統的數據存儲空間以及存儲時間均可通過擴展計算機集群節點的方式實現，根據該企業需求，將數據存儲時間年限暫定為15年。在數據中心部署數據服務層，能夠在為各個應用程序提供數據服務的同時，分離應用層和數據存儲層，有效提高了系統應用的可靠性和可擴展性。

6應用中心層

6.1輕量化應用策略

輕量化的應用策略表現為：該系統中的所有應用之間均保持相對獨立，其應用功能專為解決某一特定問題或關注某個特定設備狀態而設計。在該策略的支持下，能夠有效降低系統內部的復雜性，同時能夠保證系統的更新迭代速度，使企業以盡量低的成本和代價來應對某些業務邏輯發生的變化。

6.2應用開發框架和管理平臺

該系統中的應用開發框架以及管理平臺實行統一規范進行部署，系統中的各個應用軟件以插件的形式在該開發框架和管理平臺中統一進行統計、分析以及組態。有利于保證不同應用軟件的一致性。

6.3應用集市

應用集市，即將系統中各種輕量化應用軟件統一部署到某一模塊中的策略。通過系統部署的應用集市功能，能夠保證不同用戶根據自身需求和權限靈活選擇應用軟件進行操作。

6.4應用軟件功能

該系統應用軟件功能主要包括：①全景數據展示，即通過二維、三維或動畫等數據可視化手段，將機組狀態監測系統、調速器監測系統、監控系統等數據進行多維度展示，使管理人員能夠從全方位、多維度實現對機電設備狀態的監測;②預警報警，主要包括動態閥值報警、趨勢預警、故障預警等;③專業分析，針對不同部門、不同的監測設備，開發具有針對性的專業分析工具，對監測數據進行深入分析，該公司所用到的分析工具主要有波形圖、頻譜圖、瀑布圖、大衛三角法、立體圖示法等;④大數據分析，利用大數據回歸、聚類分析等算法，對監測系統采集數據進行深度挖掘，通過對數據變化特征和規律進行分析，得到設備的運行規律以及其他特征;⑤狀態評價，主要針對監測設備的工作狀態、專項故障以及某些實驗數據進行評價或評估;⑥故障診斷，通過系統大數據分析結果，針對設備常見故障建立故障診斷數據庫，并將人工智能技術、機器學習技術等與該系統故障樹推理機技術相融合，實現了系統針對常見設備故障的自診斷功能，同時系統故障診斷知識庫采用開源形式，技術人員或管理人員能夠更具設備運營實施情況，有針對性地進行功能的增刪改查，實現了人工與機器自學習的結合。

7總結

本次研發的基于大數據的設備狀態監測管理系統已經正式投入使用。共接入該企業下屬所有分公司、各類型設備等40多個子系統，超過14萬個測點數據，初步實現了系統設定中的“完成多源數據介入”“構建全景數據中心”“構建輕量化應用中心”等各項功能。系統的建成和成功運行，實現了原有系統不具備的設備狀態遠程監測功能，有效降低了人工先現場分析后診斷維護的成本;實現了專家“遠程會診”的可能，極大地提高了系統監測和故障診斷效率。該系統部署的設備狀態監測數據中心能夠實現設備全壽命周期的數據統一管理和存儲，能夠為設備后續多年的監測、維護以及系統升級提供數據服務和技術支持。然而，利用大數據進行設備狀態監測管理的形式還比較新，系統中尚存在一些問題，如大數據分析準確度問題以及開源的系統故障診斷知識庫安全問題等，需要在今后的工作和研究中逐一解決。

參考文獻

[1]吳秋莉，郭麗娟，呂澤承，等.基于大數據的井噴式狀態監測數據實時處理研究[J].電力信息與通信技術，2017（3）：5459.

[2]高帆，王玉軍，楊露霞.基于物聯網和運行大數據的設備狀態監測診斷[J].自動化儀表，2018，39（6）：58.

[3]李子龍.基于大數據的設備狀態在線監測與預警診斷系統研究[D].Beijing：華北電力大學，2016.

[4]宋亞奇，周國亮，朱永利，等.云平臺下輸變電設備狀態監測大數據存儲優化與并行處理[J].中國電機工程學報，2015，35（2）：255267.

[5]王德文，周青.一種電力設備狀態監測大數據的分布式聯機分析處理方法[D].中國電機工程學報，2016，36（19）：5111

5121.

[6]鞏宇，曾廣移，李德華，等.基于大數據的設備狀態監測系統設計及應用[J].水電與抽水蓄能，2019，5（2）：102108.

[7]王曉，陳杰，李濟順.大型設備遠程狀態監測及信息采集技術研究[J].自動化儀表，2018，39（1）：6669.

[8]李紅衛，楊東升，孫一蘭.智能故障診斷技術研究綜述與展望[J].計算機工程與設計，2013，34（2）：632637.

[9]裴洪，胡昌華，司小勝，等.基于機器學習的設備剩余壽命預測方法綜述[J].機械工程學報，2019，55（8）：113.

[10]周福娜，高育林，王佳瑜.基于深度學習的緩變故障早期診斷及壽命預測[J].山東大學學報，2017，47（5）：3037.

[11]孔憲光，鐘福磊，馬洪波.工業大數據環境下的混合故障診斷模型研究[C].2015年全國機械行業可靠性技術學術交流會暨第五屆可靠性工程分會第二次全體委員大會論文集，2015：200204.

[12]江秀臣，盛戈皞.電力設備狀態大數據分析的研究和應用[J].高電壓技術2018，44（4）：10411050.

[13]劉達新.基于運行大數據學習的復雜裝備故障診斷技術及其典型應用[J].中興通訊技術，2017，23（4）：5659.

[14]魏大千，王波，劉滌塵.基于時序數據相關性挖掘的WAMS/SCADA數據融合方法[J].高電壓技術，2016，42（1）：315320.

[15]黃宜華.大數據機器學習系統研究進展[J].大數據，2015，1（1）：2847.

（收稿日期： 2019.07.01）

作者簡介：趙德甫（1978），男，本科，工程師，研究方向：管理科學與工程。

文章編號：1007757X（2020）08015403