基于大數據的船舶發電系統電泵故障監測系統

俞凱耀

（浙江國際海運職業技術學院 海洋裝備工程學院，浙江 舟山 316021）

0 引言

船舶發電系統為整個船舶提供電力，電泵是電力系統的關鍵組成部件。電泵將電能轉換為機械能為流體提供壓力，從而為發電系統中的各類器件提供冷卻。電泵為電力系統的穩定工作提供了必要條件，若電泵工作異常，那么柴油發電機、葉輪等有可能會出現溫度過高而報警，從而影響船舶的整個發電系統。而船舶發電系統是一個非常龐大且復雜的系統，當前船舶發電系統的維修仍然依靠人工排查，然后根據經驗來判斷故障，這就對船舶維修人員提出了更高的要求。很多時候在排查完確定是電泵問題后，不了解電泵的基本結構以及常見故障，維修人員都是直接更換，這也提升了船舶維護成本。同時由于不同船舶電力系統中電泵型號各異，其結構也不盡相同，很多船員在對電泵進行排查時就需要掌握很多專業的知識，另外有經驗的員工對出現過的故障和現象可以快速判斷，但是對于沒有出現過的故障則難以進行辨別，需要更加專業的人員進行分析和判斷。

直接對電泵故障進行判斷過于依賴經驗，同時也容易受到情緒等外界因素的干擾。國內目前有很多學者都對故障監測系統以及相關技術進行研究。李強[1]對電力系統中的裝備狀態監測和相關診斷技術進行了研究；盧仁軍[2]提出了一種變頻探測法，可以對電力系統中的故障進行定位和分析；陸熀林[3]對電力系統中的絕緣故障智能定位技術進行了研究。通過對比可以發現，目前對船舶發電系統中的電泵故障監測研究較少，同時對故障進行監測和定位僅限于某一種類型的電力設備，而對于復雜電力系統中的多型號設備故障監控則難于實現。這是由于當前無法將所有型號電力設備、故障現象等建立數據庫，并在監測系統中建立模型對故障進行分析。大數據技術是通過將大量的數據結合到數據庫或者云平臺上，然后結合專業化的數據分析實現一些特定功能。對于電泵故障監測而言，由于故障種類多，某一特定故障對應的現象也多，不同型號電泵的結構也存在不同，因而結合大數據技術構建船舶電力系統電泵故障監測系統可以有效提升故障解決效率，提升船舶電力系統運行穩定性。

1 關鍵技術分析

1.1 大數據技術

大數據技術包括以下幾個方面[4]：

1）故障數據源。所有大數據技術都需要獲取大量的最原始數據，這些數據是后續數據管理的基礎。

2）數據收集。使用傳感器、嵌入式系統等對數據進行收集，并將其傳輸到船舶控制中心。

3）數據庫存儲。船舶發電站中水泵故障數據初始時都是存儲在嵌入式采集節點的Flash 中，在采集完成后將這些數據發送到船舶監控中心，經過初步處理后再將這些數據發送到岸基控制中心，并將處理后的數據存儲到數據庫。

4）資源管理。資源管理是大數據技術的關鍵組成部分，它主要負責將現有的存儲資源和計算資源進行合理分配。傳統的大數據技術一般將故障數據存儲在本地存儲器，但是隨著云平臺和分布式存儲技術的發展，可以將采集到的故障數據存儲到云平臺，調用這些數據時只需要訪問云平臺即可。

5）數據批量處理、流處理、交互式分析。對已經獲取的故障數據進行批量化處理，這個過程可以在岸基控制中心進行，也可以在云平臺進行，主要用于處理非連續的故障數據。流處理主要用于處理連續性數據，有一些需要和用戶交互的數據則需要用到流處理技術，交互式分析主要用于建立數據和用戶之間的關系，分析哪些數據是需要在界面上展現出來的，哪些數據是用戶所關注的。

6）數據挖掘和數據倉庫。數據挖掘是大數據技術中的核心，對于電泵故障數據而言，本身數據量較大，如果僅僅依靠人工對這些故障數據進行查找以及判斷，那就需要花費大量的時間。而數據挖掘技術是從大量的數據中對關鍵數據進行分析，并尋找這些數據中的規律，分析出這些數據所對應的故障類型。數據挖掘是實現船舶發電系統水泵故障智能識別的關鍵所在，可以有效為船員維修和監控電泵時提供決策支持。數據挖掘使用的主要方法包括聚類分析、關聯分析以及異常分析等。數據倉庫是為船舶電泵故障分析提供一個綜合的數據集合，數據倉庫中的數據都是經過處理的電泵故障數據，同時還包括所有船舶電泵相關的其他數據，這些數據都是經過加工和處理得到，數據格式高度一致且滿足特定格式要求，后續為發電站電泵故障分析提供基礎。

7）數據可視化。船舶工作人員很難通過單純的數據對電泵故障進行分析，而數據可視化是將數據通過圖、表、動畫等形式表現出來，更加清晰地將電泵的故障數據表現出來，幫助工作人員快速作出決策，有效提升故障排查效率。

從大數據技術基本框架可以看出，通過大數據技術不僅可以將船舶發電系統電泵故障數據進行加工整理，同時還能夠為后續的故障分析提供數據基礎，結合可視化技術提供交互平臺，從而為電泵故障監測提供有效保障。

1.2 遠程數據傳輸技術

在船舶上很難構建大型數據庫系統和故障分析系統，因而目前主流的解決方案是通過數據傳輸技術將船舶發電站電泵故障數據傳輸到岸基控制中心，然后再傳輸到云平臺上，實現數據的分布式存儲和分布式計算。在這個過程中遠程數據傳輸技術就顯得非常重要，由于船舶航行路線的不固定，船舶的數據傳輸主要是依靠4G 無線傳輸。云平臺上存儲的數據分為兩部分，一部分是事先已經上傳的電泵故障數據集合，另外一部分是船舶監測系統獲取的實時監測數據，因而通過4G 無線傳輸的數據量比較小，以當前4G 無線傳輸的速率而言，基本上可以實現實時傳送。

4G 無線網絡傳輸可以在嵌入式平臺中實現。數據從船舶上傳輸到基站后，經過基站將信號放大并傳輸到核心網絡，并最終傳輸到岸基控制中心。

2 電泵故障監測系統

2.1 系統架構

本文提出一種基于大數據技術和4G 無線網絡傳輸技術的船舶電泵故障監測系統，系統包括嵌入式監控平臺、船舶控制中心、岸基控制中心以及云平臺，電泵故障監測系統架構如圖1 所示。

圖1 電泵故障監測系統架構Fig.1 Electric pump fault monitoring system architecture

1）嵌入式監控平臺。嵌入式監控平臺處在電泵故障監測系統最底層，其控制核心是ARM 微處理器，負責對電泵中的電流、電壓、壓力以及轉速等關鍵參數進行采集，ARM 上配置有無線網絡通信模塊，在完成數據的采集后，ARM 處理器將數據發送到船舶控制中心，同時通過4G 無線網絡通信傳輸到岸基控制中心。

2）船舶控制中心。船舶控制中心提供電泵控制監控界面，負責接收嵌入式監測模塊采集的數據，同時也接收岸基控制中心發送的數據。船舶控制中心配置有顯示界面，能夠對電泵狀態以及各采集參數實時顯示。

3）岸基控制中心。岸基控制中心負責和船舶通信，在接收到采集的電泵故障信息后將這些數據通過網絡傳輸到云平臺。

4）云平臺。云平臺具有分布式計算、分布式存儲以及建立故障模型分析的能力，因而云平臺在接收到相關的控制指令后可以根據當前建立的電泵故障模型進行分析和計算，并將分析得到的故障結果返回到岸基控制中心，最后到達船舶控制中心。

2.2 電泵故障大數據存儲和計算的實現

船舶上的嵌入式處理器由于處理速度慢，只適合進行少量的數據計算，且無法運行建立的故障分析模型[5-6]，因而對于電泵故障的監測和模型分析需要在云平臺上加以實現。最終云平臺需要實現對數據的存儲和計算分析功能。

1）分布式存儲實現

在云平臺上使用分布式存儲能夠實現船舶發電系統電泵故障數據的高擴展性，岸基控制中心一般都會同時管理一定數量的船舶，這些船舶上都會產生海量的監測數據，并且隨著時間的遷移，這些數據量會越來越大，如果自己購買存儲器對數據進行存儲，就需要不斷擴展這些存儲器容量，或者刪除超過一定時間的故障數據，第1 種方法不符合經濟性原則，第2 種方法則不利于構建電泵故障診斷模型。在云平臺上使用分布式存儲可以很好地解決這個問題。

分布式存儲的數據具有高度的一致性，且具有極高的可靠性，建立的故障數據分布式存儲軟件結構如圖2 所示，包括存儲引擎層、存儲服務層以及存儲接口層。存儲引擎層是負責處理數據冗余，確定分布式路由的基本分發策略，并負責實現故障數據的重構均衡；存儲服務層為數據和資源提供保護和優化服務；存儲接口層則負責為云平臺或者其他應用軟件進行數據調用時提供不同的數據接口，這些接口包括常見的HDFS 接口、NFS 接口等。

圖2 分布式云存儲的軟件架構Fig.2 software architecture of distributed cloud storage

2）分布式計算實現

監測系統獲取的數據都需要通過建立神經網絡模型+支持向量機來加以處理，而這些都會耗費大量的計算資源，因而在結合系統實際需求基礎上，應用云平臺分布式計算。

以電泵故障診斷模型中的求電流平均值為例，在對電泵分析過程中，由于嵌入式監控平臺獲取的電流數據是每一秒采集一次，因而系統在監控電泵電流時除了在異常時報警，還需要對電流結果異常前后的電流值進行獲取并求取平均值，進而作為輔助判斷電泵故障的依據。采集的電泵電流數據量非常大，且需要對一段時間內的電流值進行獲取并求取平均值進行判斷，使用分布式云計算將這個計算過程進行分解并得到結果，可以有效提升計算效率。圖3 為分布式云計算實現的基本過程，主要包括以下步驟：

圖3 分布式云計算實現Fig.3 Distributed cloud computing implementation

1）任務提交。根據建立的電泵故障診斷模型，將任務提交給JobTracker。

2）任務分配（Map 階段）。系統會首先將電泵監測規定時間內所有的電流值數據從數據庫中取出，同時將所有的電流值分為若干個數據片段，并分配給不同的TaskTracker。

3）任務計算（Reduce 階段）。TaskTracker 將獲取的部分電流值求取平均值。

4）結果匯總。將Reduce 階段獲取的所有平均值結果進行匯總和計算，輸出平均電流值結果。

在Map 階段對任務進行分解后可以根據實際任務量的多少指定足夠數量的TaskTracker 來完成計算任務，在電泵故障診斷模型中需要進行很多的數據獲取和計算，TaskTracker 被放置在不同位置，可以根據實際需求來進行計算，并在Reduce 階段將計算結果匯總，從而大幅度提升計算效率。

本文的研究對象是發電系統中的電泵故障監測，而在船舶上需要對發電系統中的發電機、燃氣輪機、機艙設備等多類設備同時進行監控，監測的數據非常龐大，因而本文提出的基于大數據技術的發電系統電泵故障監控系統能夠擴展到對船舶所有設備進行故障監控。

3 結語

傳統電泵維修和監測主要依靠人工經驗，存在很大的局限性，本文完成的工作主要包括以下幾個方面：

1）對電泵故障監測系統中的關鍵技術——4G 無線網絡傳輸技術以及大數據技術進行闡述；

2）設計了基于大數據技術的船舶發電系統電泵故障監測系統架構，分析系統各個部分的基本功能；

3）使用云平臺計算實現了電泵故障數據的分布式存儲和計算，以電泵電流平均值計算為例分析了分布式計算的實現過程。