基于大數據的智能成套裝備專家系統設計

宋振鐸，程 凱

（1.中國煤礦機械裝備有限責任公司，北京 100011；2.中煤華晉集團有限公司王家嶺分公司，山西 河津 043300）

0 引言

隨著煤礦的增多，會帶來其他方面的資源整合，其中煤機設備就包含在內。總體上看，中國煤炭機械設備市場一直處于迅猛上升趨勢，而采煤機、液壓支架、噴霧泵等作為煤炭企業建設高產、高效、安全采煤礦井，實現采煤機械化不可或缺的關鍵設備，其價值量逐年遞增。

隨著煤機設備的增長，煤礦特殊的工作時間安排，設備長期處于復雜的環境及長時間的工作狀態中，必然會帶來設備的損耗。例如，采煤機會由于在運行中受到巖石及采集的煤的沖擊出現荷載，還會受到水汽及煤塵的影響，極容易使內部機械零件或者液壓元件出現磨損，使采煤機設備出現故障，進而影響生產，甚至影響周邊環境，所以對煤機設備的設備診斷是必要的[1]。

傳統的設備診斷技術更多是依靠人工拿著儀器或者專業技術人員采集現場數據后進行分析研究，再得出結論。這種方式一方面很依賴技術人員的經驗及相關技術等，并且不同問題所涉及的技術也不同，協調技術人員也需要消耗時間精力等。另一方面分析研究結果也會消耗很多的時間，使生產受到影響。近年來，隨著傳感器技術及大數據技術的發展，基于這方面技術的故障診斷方式出現了。

大數據是收集、組織、處理和收集大型數據集洞察所需的非傳統策略和技術的總稱。涉及大數據處理的一般活動類別是：將數據提取到系統中；將數據保存在存儲中；計算和分析數據；可視化結果。由于煤礦數據具有數據量大、數據復雜等特點，傳統的數據采集分析方式已經無法滿足日益增長的需求，所以煤礦大數據是滿足智能化礦山建設的重要一步。

因此，針對目前存在的問題及各種大數據的特點，可通過傳感器采集煤機設備，如在采煤機、液壓器、噴霧泵等內部零件或者元件上用傳感器采集實時數據，包括溫度、轉速、電流、電壓等運行數據，通過大數據分析研究，得出該設備在運行過程中出現的零件損耗或者運行異常等問題，保證生產的穩步進行[2]。

1 系統總體框架

大數據成套裝備專家系統的系統體系結構，由數據采集層、數據存儲層、服務層，業務層以及用戶端的Web展示層組成。系統總體功能框架如圖1所示。

圖1 系統總體框架

系統可使用服務端數據采集模塊通過數據連接代碼讀取OPC實時數據，當失去實時數據連接的時候，從歷史數據庫獲取數據，解析數據被發送到KAFKA消息隊列。接著服務端啟動2個原始數據消費者，其中一個消費者將原始數據直接存入實時數據存儲庫；另一個消費者，根據模型管理中配置的在線模型是否需要接收的實時信息和關聯的數據集信息，啟動模型；模型接收數據服務輸入的數據，將運行結果反饋給數據服務，數據服務將分析結果數據存入分析數據庫，同時發送結果信息至KAFKA。預警模塊通過消費結果判斷是否預警，如果預警，根據預警元數據信息存入傳統數據庫，并放入緩存，前端實時展示。業務端每天通過定時任務，調用離線模型請求服務端的數據存儲服務，將分析數據存入分析數據庫，并放入緩存。業務端調用在線模型，請求數據服務獲取數據集，完成如預警信息、圖形化展示等功能，調用一次熱點數據后放入緩存，再次訪問時提高訪問速度[3]。

2 系統分層結構

大數據成套裝備專家系統的系統體系結構，由數據采集層、數據存儲層、服務層，業務層以及與用戶端的Web展示層組成。

2.1 數據采集層

數據采集層主要包括兩個部分，分別為實時數據庫和歷史數據庫。當系統實時數據庫連接成功后，通過數據協議采集實時數據，當實時數據庫連接失敗后，會自動從歷史數據庫中獲取數據，確保數據時刻能被提供進行分析展示。

2.2 數據存儲層

數據存儲層主要包括傳統數據庫以及大數據數據存儲，大數據數據存儲包括實時數據存儲和分析數據存儲。

其中從現場煤機設備上采集的實時數據存儲在大數據實時數據庫HIVE中，離線分析數據存儲在大數據HBASE中，傳統數據庫使用MySQL，主要存儲元數據、熱點數據、關系數據等，并且建有緩存，可以和上層服務層進行數據交互。

2.3 服務層

服務層主要抽象成六大服務模塊：數據采集、預警管理、指標管理、數據服務、模型元數據、數據集，用于為業務層提供數據支撐。

數據采集模塊用于實時數據采集、數據解析，將數據轉發至KAFKA。預警管理模塊主要處理預警信息、診斷信息與模型數據和原始數據的關系，通過預警信息可以查詢診斷信息，通過預警信息可追溯相關的原始數據信息等。指標管理模塊主要管理重要分析模型指標的配置，根據現場工況建立不同設備的分析模型，針對不同的設備使用需求、運行狀況和使用壽命建立分析模型。數據服務模塊主要提供統一的大數據查詢、存儲接口，可以提供模型需要的數據，提供模型輸出數據的存儲接口，接收數據并將其存儲到分析數據庫Hbase，還可以消費KAFKA數據采集信息，將原始數據存入實時數據庫HIVE中。模型無數據模塊主要把模型分為在線模型和離線模型，在線模型主要負責請求原始實時數據及歷史數據；離線模型主要從請求服務端實時數據存儲庫中，將分析的數據提取出來。模型從功能分為預警模型、診斷模型，功能涉及存儲模型入參、出參以及模型的基本元數據信息，可以為模型入參及出參配置數據集。數據集模塊主要維護數據集信息，包括數據庫配置、表字段信息、條件信息等[4]。

2.4 業務層

業務層主要功能包括用戶管理，礦區、工作面管理，設備基礎信息管理，以及設備異常預警、故障診斷、能耗分析、生命周期預測等業務展示頁面的接口，同時包括模型的運行。

2.5 展示層

系統提供一個統一的綜合門戶，為用戶提供設備監控、專家業務系統等業務功能的集中展示頁面。

3 系統業務實現功能

3.1 基礎信息管理

基礎信息管理提供維護煤礦信息、工作面信息、設備基礎信息、指標信息等基礎信息的維護功能。

3.2 設備在線監測

設備在線監測顯示工作面內采煤機、輸送機、支架、帶式輸送機、乳化液泵、噴霧泵等設備的實時運行狀態。

（1）總覽頁面。系統提供總覽界面按設備類型分類，顯示不同類型設備的數量及狀態，狀態分為正常、預警、報警、通信異常、停機和重點關注。同時總覽頁面還展示故障記錄統計信息，包括設備名稱、設備編號、故障類型、故障等級、故障發生時間等重要信息。

（2）某類型設備頁面。在總覽界面中點擊某種類型設備，進入相應類型設備的展示頁面，展示具體設備的運行狀態及歷史故障趨勢曲線，故障記錄信息等內容。

（3）單體設備頁面。點擊某臺設備進入設備明細頁面，可展示該設備所有的測點信息實時數據，以及按時間和狀態查詢任何測點的原始數據、分析曲線，歷史報警信息、故障記錄及分析結論等內容。

3.3 預警管理

預警管理根據專家系統的預警模型分析得出設備預警信息，在預警中心中統一管理，以列表方式展示當前的所有預警信息，點擊某條預警信息可查看一段時間的原始數據，并可查看分析預警原因。

3.4 故障診斷

故障診斷根據專家系統故障診斷模型可分析出設備故障原因，設備故障內容包括電機壽命、輸送機鏈條壽命等。

3.5 閾值配置管理

閾值配置系統提供維護設備和指標的關系，維護每種類型設備對應的關鍵指標，以及指標對應閾值的配置功能[5]。

3.6 綜合分析

綜合分析包括統計信息、異常設備數量總數、異常設備數據分布情況、風險設備數量變化趨勢、設備報警累計時長統計（Top10）、設備報警持續時間較長的事件（Top10）等重點關注的統計信息，以圖形化的方式展示。

3.7 系統配置

系統配置功能包括用戶管理、用戶角色管理、權限管理、日志管理等功能。

4 結束語

本系統通過研究全面感知技術、數據管理技術、設備智能診斷技術、大數據技術等，由統一數據采集模型，規范各類型設備數據接入方式，構建了一個統一的工作面成套裝備運行大數據中心，整合專家知識，構建智慧的預測分析模型，通過大數據BI分析技術，構建專家業務分析系統，實現對煤礦工作面設備大數據的智慧化管理。■