基于數據模型的設備狀態預警系統研究

南昌印鈔有限公司 江西 南昌 330043

1 引言

隨著科學技術與工業信息化融合與發展，工業企業對關鍵生產線及設備的狀態監測已經達到了新的平臺要求，全面向工業4.0，技術信息化等全新高度。通過對關鍵設備的狀態采集、計算機網絡傳輸，服務器數據存檔，數據建模，故障預警發布，完成對生線線、關鍵設備的信息化管理，為故障預判、故障維修、備件預警提供了決策依據。本文主要針對凹版印刷機主旋轉機構的狀態預警系統作為分析實例。

2 凹版印刷機主旋轉機構

凹版印刷機主旋轉機構長時間穩定運轉，依賴潤滑系統的正常工作，目前印刷凹印機主旋轉機構的潤滑系統都是封裝在設備齒輪箱中，供油泵靠主旋轉機構帶動旋轉從而供油，沒有設置專有的檢測裝置觀察。主旋轉機構的實時狀態無法監測。

設備故障突發是生產中極待解決的問題，針對印刷凹印生產線連續運行要求高、停機損失大、故障檢測困難等的實際問題，對印刷凹印機及產品線進行多層次分析，為避免設備因故障臨時停機而提高生產效率，也有益于降低維修成本和實現設備全安全周期管理。根據實際實情況，目前運行狀態主要是針對活動件的溫度、以及各分支潤滑油的流量進行采集監測，如圖1所示。

圖1 現場設備圖

3 系統架構

從信息流角度出發，整個系統總體上可分為三層，如圖1所示。

圖2 系統架構

3.1 設備層 設備層包含了凹印設備預警硬件系統由溫度傳感器、流量傳感器、采集PLC和上位機工控主機構成。即在凹印設備主旋轉機構加裝溫度傳感器和潤滑系統加裝流量傳感器，傳感器再連接到采集PLC的I/O接口，以便將系統狀態信息提取到控制器。

3.2 數據層 數據層主要由數據庫服務器構成，數據庫服務器通過以太網與采集PLC及凹印機控制器連接，以將控制器內存數據提取到數據庫，從而為設備預警系統提供信息支撐。

3.3 應用層 應用層，即最終用戶的PC機通過B/S或C/S模式訪問設備預警軟件系統，查看預警信息和實時的溫度、流量數據。其他系統若需要查看預警數據，可通過定制和共享預警系統的數據庫視圖實現集成。

系統涵蓋了數據采集、設備遠程在線監控、數據模型分析、預警系統、設備管理等功能。如圖1所示，設備預警系統總體框架以統一數據模型為基礎，搭載由工作流引擎、報表引擎及可視化組件構建的通用工具集之上。通過系統集成接口與外界系統進行數據交換，通過信息發布平臺發布實時信息以及故障預警信息。同時為多個工業平臺提供數據接口，實現信息共享。

4 軟件架構

系統采用基于RIA的富客戶端技術，既有C/S模式的特點，又有B/S模式的優勢，如圖3所示。

圖3 軟件架構

4.1 實體模型 ADO.NET實體模型，是數據庫表、視圖、存儲過程等的映射，為服務端和客戶端提供數據支撐。為業務邏輯間的數據傳遞提供數據結構支撐，同時起到校驗數據的作用。

4.2 域服務 域服務DomainServices，是向客戶端公開數據層的WCF Services，創建一個DomainServices實例時，就指定了需要公開的實體模型，以及它所允許的數據操作。也可以通過Partial附加DomainServices類，添加用戶自定義的操作。可以對數據的增、刪、改、查，也可以是客戶端相對復雜的業務邏輯。

4.3 客戶端 客戶端包括UI層、業務邏輯層、數據訪問層、數據代理層。UI層負責客戶端界面的展示以及接受用戶的操作指令，將指令發送到業務邏輯層或者數據訪問層。業務邏輯層接收指令，對需要做的操作作出響應。數據訪問層同樣接受UI層發送過來的指令，并對其作出響應，通過WCF服務異步觸發服務端的方法。數據代理層是實體模型在客戶端的映射，作為數據的校驗、復雜邏輯、安全的堡壘，為客戶端的信息傳遞提供數據支撐。

4.4 公共類庫層 公共類庫層Common Libraries，主要為客戶端提供公共的類資源，包括常用的公共類、操作類、驗證類等。

4.5 公共資源層 公共資源層Common Asset，主要為客戶端提供公共的資源，包括主題資源、樣式資源、模版資源以及本地化資源等。

4.6 控件擴展層 控件擴展層ControlExtension，主要為客戶端提供控件的擴展類，包括常用控件、第三方控件的擴展和重寫等

4.7 熱部署 系統采用了動態加載技術，客戶端的通過互交界面，按需求加載應用程序包，當客戶端發生更改時，由WCF服務即時通知到各個客戶端，客戶端自動加載新的應用程序包。

5 數據模型

通過大量數據采集、積累和分析，逐步建立設備運行等狀態的檢測標準及模型。通過數據模型建立實時狀態監測與故障預警。

5.1 實時監測 實時的溫度、流量能在機旁以及工廠設備管理系統查看實時溫度、流計數據、實時曲線以及歷史曲線、記錄查詢、報警查詢，同時可設定報警，以及報警輸出。如圖4所示，圖5所示。

5.2 數據模型 完成數據采集存儲數據庫，對數據進行預處理，利用Apriori改進算法、頻繁項集、時序規則模式、以及頻繁時序關聯規則，最后提供決策預警信息，如圖6所示。

5.3 Apriori算法 Apriori算法是一個關聯規則挖掘算法，也是最經典的算法。它利用逐層搜索更新迭代方法找出數據庫中各項集各數據的關系，以形成某種條件規則，其過程由連接類矩陣運算與去掉那些沒必要的中間結果組成。該算法中項集的概念為項的集合。包含K個項的集合為k項集。項集出現的頻率是包含項集的數量，稱為項集的頻率。如果某項集滿足最小支持度，則稱它頻繁項集。

圖4 實時畫面

圖5 曲線查詢畫面

圖6 數據模型

Apriori算法是挖掘關聯規則的頻繁項集算法，一種最有影響的挖掘布爾關聯規則頻繁項集的算法。其核心思想是通過候選集生成的向下封閉檢測兩個階段來挖掘頻繁項集。

其核心是基于兩階段頻繁集的遞推算法。該關聯規則在分類上屬于單維、單層、布爾關聯等單一規則。

Apriori算法已經被廣泛的應用到工業、商業、信息技術、網絡安全等各個領域。

Apriori算法采用了逐層搜索以及快帶更新迭代的方法，簡單明了，沒有復雜的理論推導，易于實現。

5.4 Apriori算法思想 該算法的基本思想是：

先找出所有的頻集，這些項集出現的頻繁性和原預定義的最小支持度一樣。然后由頻繁集產生強關聯規則，然后使用第一步找到的頻集產生期望的規則，產生只包含集合的項的所有規則，其中每一條規則的右部只有一項，這里采用的是中規則的定義。

一旦這些規則被生成，那么只有那些大于用戶給定的最小可信度的規則才被留下來。為了生成所有頻集，使用了遞歸的方法。

6 結束語

本文采用數據模型，通過實例達到數據采集、計算機網絡傳輸、實時狀態監測、故障預警系統，設備管理及平臺發布功能。

最后關鍵設備基于數據模型的狀態監測預警系統是設備在健康狀態下安全可靠運行的保證，同時也有效降低設備的突發及嚴重故障的發生。隨著科技的不斷發展。基于數據模型的狀態監測預警系統會有更進一步的發展。