基于工業實時數據庫的生產過程監控與優化研究

姚羽

摘要：隨著科技的不斷進步和工業領域的快速發展，生產過程監控與優化的研究成為工業界的熱點和關注焦點。基于工業實時數據庫的生產過程監控與優化方法，為提高生產效率和降低成本提供有效的解決方案。當前，工業實時數據庫已經廣泛應用于生產過程監控領域，并取得了顯著的成果。通過實時數據的采集、存儲、處理和展示分析，工業實時數據庫能夠及時反饋生產過程中的異常情況，有助于企業實現及時調整和實時決策。然而，目前仍存在一些挑戰，如數據處理的速度和準確性、異常檢測算法的精度和穩定性等。隨著人工智能、大數據、大模型技術的發展，工業實時數據庫在生產過程監控與優化中的作用將更加突出。

關鍵詞：工業；實時數據庫；生產；監控

DOI：10.12433/zgkjtz.20240306

一、工業實時數據庫介紹

（一）工業實時數據庫的定義和特點

1.定義

工業實時數據庫是一種專門用于工業生產過程中的數據存儲和處理的數據庫系統，如圖1所示。它是不同于關系型數據庫管理系統的另一個分支，是實時系統和數據庫技術相結合的產物，適用于處理不斷更新的、快速變化的數據以及具有時間限制的事務處理。實時數據庫是工業領域信息化的核心基礎軟件，也是云計算、物聯網、工業互聯網、邊緣計算等新興產業不可或缺的重要支撐軟件，在工業化與信息化融合過程中發揮著重要作用，廣泛應用于能源電力、石油石化、化工、安監、煙草、制藥、環保、冶金、智能制造、離散加工、軌道交通、國防軍工等核心生產系統中。

2.特點

（1）具備高效、穩定的數據存儲能力

在工業生產過程中，需要對大量的機器設備、傳感系統實時產生的數據連續不斷，高頻率更新變化，如打時間戳標簽的數據采集、計算和存儲，實時數據庫系統需要高效保存大容量的數據，并保證數據的完整性和可靠性。

（2）實現快速的數據讀寫操作

由于工業生產過程中產生的數據的實時性要求極高，數據量隨時間延長增加，需要在業務要求的時間窗口范圍內及時完成事務處理。這就要求實時數據庫系統在極短時間內對海量產生的數據進行快速的讀寫操作，以滿足實時監控和實時決策的需求。

（3）支持多種數據類型的存儲和處理

在工業生產過程中所涉及的數據類型多種多樣，包括溫度、壓力、電流、功率、流量、流速等各類數學數值類型的實時數據，也包括各類裝備設備產生的振動波形、小圖像塊、小音頻塊、小視頻塊、日志等非數值類型的實時數據，以及生產計劃、設備狀態等非實時數據。這就要求實時數據庫系統能夠靈活地支持各種數據類型的存儲和處理。

（4）工業實時數據庫需要具備高度的可擴展性和可靠性

隨著工業生產規模的不斷擴大，智慧工廠、無人工廠、物聯網的普及，各種類型的傳感器、PLC、控制系統等可感知設備也越來越多，這些設備量和數據量呈指數級增長，這就對實時數據庫系統支持海量數據的存儲和處理提出更高的需求，并且保證系統長時間的穩定性和可靠性，以應對全數字化發展的需求和新型場景的發展趨勢。

（二）工業實時數據庫在生產過程監控中的應用

首先，工業實時數據庫可以實現對關鍵參數的實時監測和報警功能。通過實時采集和存儲生產過程中的各項指標數據，如溫度、壓力、電流、電壓、功率、流量、流速等，可以快速檢測到異常情況，并及時觸發報警，減少異常情況而導致的生產事故。

其次，工業實時數據庫支持對生產過程中的數據進行實時分析和實時統計。這有別于傳統的數值實時監控功能，它通過對實時數據的處理和分析，包括實時計算、實時統計、實時分析、實時挖掘、狀態判斷、故障預警、預測性維護，實現對生產全過程的立體實時監控和深層次數據應用挖掘，有助于企業及時發現潛在問題和瓶頸，并及時采取措施調整和優化。這是海量實時數據的更大價值所在。

最后，工業實時數據庫還能實現對生產過程的可視化展示和實時報告生成。通過將實時數據以圖表、曲線、統計圖等各類BI形式展示，工業實時數據庫可以直觀地呈現生產過程的狀態和趨勢，便于監控人員實時監測和決策分析。

（三） 常見的工業實時數據庫系統介紹

1.OSIsoft（PI）

OSIsoft 公司是世界領先的實時性能管理軟件系統供應商。

其核心產品PI 系統（Plant Information System）在全球范圍內已有超過19000套，PI廣泛使用于制造、能源、公用事業、制藥、生命科學、數據中心、設施和加工行業以及公共部門和政府。PI系統基于C/S、B/S 結構的商品化軟件應用平臺，并基于Microsoft.NET平臺開發，以其旋轉門壓縮專利技術和獨到的二次過濾技術實現實時數據的高效壓縮與存儲。集成不同設備和系統的數據，實現實時數據的采集、存儲和分析，以及生產過程的優化和決策支持。

2.INSTEP（eDNA）

INSTEP（印步）軟件公司是全球領先的工程基礎軟件產品供應商和解決方案供應商。INSTEP軟件公司應對各種復雜的技術挑戰，為電力行業、電信業、流程工業以及政府和院校提供各種軟件及解決方案。eDNA是美國INSTEP公司開發的旗艦產品，公司也因此而享有盛譽。eDNA是一套實時/歷史數據庫系統，采集、存儲、分析海量的數據，具有業界獨特的無損壓縮技術，采用完全分布式體系結構。

由于在電力行業占壟斷地位的PI價格居高不下，INSTEP公司憑借價格優勢進入電力行業，逐漸擁有了一定的客戶，現在eDNA在電廠的知名度很高。目前，大型電力企業仍然偏愛PI，不少中小型電力企業則選擇eDNA。

2014年10月9日，INSTEP SOFTWARE被全球能效管理專家施耐德電氣全資收購，INSTEP旗下的eDNA數據庫將和原施耐德電氣收至旗下的WONDE-RWARE Historian數據庫融合。

3.InfluxData（InfluxDB）

InfluxData的產品包括開源時間序列數據庫Influx-DB，是一款專門用于時間序列數據存儲和處理的開源數據庫系統。它支持高寫入負載，大數據集存儲，通過下采樣節省空間，自動過期和刪除不需要的數據，以及備份和恢復。通過提供易于使用的類似SQL的查詢語言，InfluxDB使分析數據變得容易。用戶使用開源項目Chronograf繪制和可視化用戶的數據，并對數據執行特殊的探索。它包括對模板的支持，以及對公共數據集的智能預配置儀表板庫的支持。此外，InfluxDB還支持其他工具，如Grafana。

InfluxDB的特點：設置metric的保存時間，支持通過條件過濾以及正則表達式刪除數據。支持類似 SQL 的語法，設置數據在集群中的副本數，支持定期采樣數據，寫入另外的measurement，便于存儲數據。

4.北京庚頓數據科技有限公司（Golden RTDB）

庚頓實時數據庫管理系統（Golden Real-time Database Management System）具有極高的事務處理能力、數據壓縮比和查詢檢索速度，實現對海量實時/歷史數據的高效管理，如圖2所示。產品支持C/S和B/S應用模式，采用先進技術架構，支持跨平臺二次開發，提供豐富的信息系統開發工具，其開放的、可擴展的結構可以讓用戶基于實時數據庫構建各類應用系統，特別適用于海量實時/歷史數據的采集、存儲、處理、分析和發布，滿足用戶構建各種應用的需求。

目前，庚頓實時數據庫已達到國際領先水平，其產品在生產管理、先進控制、節能環保、石油化工、智慧能源、智能制造、軌道交通、車聯網、醫療、軍工等行業或領域都有應用案例，廣泛應用于國家電網、南方電網、神華集團、華能集團、華潤集團等世界500強企業中，以及金風科技、廣東明陽、大唐華創風能、湖北能源集團、華能新能源等風電領軍企業中，裝機量超1000套，管理超2.6億傳感數據，覆蓋39個行業或領域。近年來，庚頓公司在耕耘傳統流程工業領域的同時，與百度、華為等公司開展端云一體化合作。

庚頓實時數據庫管理系統除了Windows版（圖3），還有Linux版，可運行在CentOS、RedHat、Debian、openSUSE、中標麒麟、銀河麒麟、凝思等主流商用和開源的Linux操作系統上，符合國家《ISCCC-TR-048-2015實時數據庫管理系統安全技術要求》，是高可靠、高安全的數據庫產品。庚頓實時數據庫尤其適用于處理機器產生的多源、高頻、時序的傳感器數據，可以有效管理海量的實時/歷史數據，與Hadoop、Spark等主流的大數據平臺有機融合。

二、生產過程監控需求分析

（一）生產過程監控的基本要求

生產過程監控的基本要求是準確、實時、全面地獲取生產過程中的各項關鍵數據，并監測和記錄。這些數據包括生產設備狀態、工藝參數、原材料消耗等信息。監控系統能夠實時判斷生產過程是否正常運行，及時發現異常情況并采取措施，確保生產過程的穩定性和高效性。

（二）監控指標及其重要性分析

在生產過程監控中，監控指標是評估生產效率和質量的重要依據。常見的監控指標包括產量、能耗、故障率、合格品率等。這些指標直接反映生產過程的健康狀態和績效水平，可以發現生產過程中存在的問題，如生產效率低、能源浪費、品質不合格等，并采取措施優化并改進生產流程。

（三）監控系統的可行性研究

監控系統的可行性研究主要考慮技術、經濟和實施等方面的因素。首先，選擇合適的監控系統，并確保數據采集、傳輸、存儲和分析的可行性。其次，評估監控系統的投資成本和運維成本，確保可行性。最后，充分考慮企業規模、現有技術基礎和人員培訓等因素，確保監控系統順利實施并得到有效的運用。

通過對生產過程監控的基本要求、監控指標及重要性以及監控系統的可行性分析，為后續的工業實時數據庫應用和生產過程優化提供有價值的參考信息。

三、工業實時數據庫在生產過程監控中的應用

（一）數據采集與存儲

工業實時數據庫在生產過程監控中的關鍵任務之一是數據采集和存儲。實時數據庫通過連接各種設備和傳感器，能夠準確地采集生產過程中的關鍵數據，如溫度、壓力、流量、速度等。數據以高速率采樣，并通過網絡傳輸到實時數據庫中存儲。實時數據庫具備高性能的數據存儲能力，以確保大量的實時數據能夠快速、安全地保存。常見的實時數據庫技術包括關系數據庫、時間序列數據庫和分布式文件系統等。數據采集和存儲是實時數據庫的基礎功能，為后續的數據處理和分析提供了可靠的數據基礎。

（二）數據處理與分析

一旦數據被存儲在實時數據庫中，接下來的步驟是對數據進行處理和分析。實時數據庫提供強大的數據處理功能，包括數據清洗、數據聚合、數據插值等，以確保數據的質量和準確性。此外，實時數據庫還可以數據分析，利用統計方法和機器學習算法等技術，從海量的數據中挖掘出有價值的信息和規律。例如，通過分析歷史數據，了解生產過程中的趨勢和周期性變化，從而優化和調整未來的生產計劃。數據處理和分析有助于企業發現存在的問題和改進的空間，提高生產效率和產品質量。

（三）異常檢測與預警

實時數據庫實時監測生產過程中的數據，并通過預先設定的規則和算法進行異常檢測。一旦發現異常數據，會立即觸發預警機制，發送警報通知相關人員，及時發現和處理潛在的故障或異常情況，避免生產事故的發生。實時數據庫還可以進行故障診斷，通過與歷史數據比對，找出導致異常的原因，并提供解決方案和建議，有助于減少故障修復時間，提高生產設備的可靠性和穩定性。

（四）可視化展示與報告生成

工業實時數據庫將采集的數據以直觀、易懂的方式可視化展示。通過圖表、儀表盤和實時報告等形式，實時數據庫可以直觀地呈現生產過程的狀態和趨勢，有助于監控人員快速了解生產環境。此外，實時數據庫還可以生成詳細的報告，包括生產數據的統計分析結果、異常檢測的報警記錄等。報告用于日常管理和決策，支持生產流程的優化和改進。通過可視化展示和報告生成，實時數據庫提供了對生產過程的全面監控和分析，有助于企業實現精細化管理和持續改進。

四、生產過程優化方法研究

（一）現有生產過程優化方法的綜述

目前，針對生產過程優化的方法有很多，其中一些常見的方法包括傳統的統計方法、基于規則的優化方法以及數據驅動的優化方法。傳統的統計方法主要是基于歷史數據進行分析和優化。通過統計分析生產過程中的關鍵指標，如生產效率、質量指標等，識別出潛在的問題和改進的空間。利用優化技術，如統計建模、優化算法等，找到合理的生產參數配置，以提高生產過程的效率和質量。基于規則的優化方法是根據專家經驗和知識制定規則或策略，用于指導生產過程的優化。這些規則基于領域知識、工藝要求、設備特性等方面，對生產過程控制和調整。通過合理設計和應用規則，實現生產過程的優化和改進。數據驅動的優化方法是利用機器學習和數據挖掘等技術，從大量的實時數據中發現隱藏的模式和規律進行生產過程的優化。例如，使用聚類、分類、回歸等算法，對生產數據分析和建模，以實現優化策略的自動學習和更新。

（二）基于工業實時數據庫的生產過程優化方法

1.數據挖掘和機器學習方法的應用

工業實時數據庫中保存的大量生產數據可以用于數據挖掘和機器學習方法的應用。對于生產過程中的數據，利用聚類分析識別不同的生產模式和狀態。通過將相似的數據點分組，揭示出潛在的生產規律和異常，這對生產過程的優化非常有幫助。

此外，機器學習算法通過分類和回歸分析來建立預測模型。例如，建立模型預測某個特定指標（如產

量、能耗等）隨著生產參數的變化而變化的關系，通過預測模型，及時發現并調整生產過程中的異常，提前采取措施避免發生問題。

2.實時優化策略與算法設計

基于工業實時數據庫，實現實時的優化策略和算法設計。通過監測和分析實時數據，及時了解生產過程的狀態和趨勢。結合先進的優化算法，實時調整生產參數和控制策略，以達到高效的生產效率。例如，使用模型預測和優化算法計算出合理的生產參數配置。根據當前的實時數據和模型預測結果，自動調整生產設備和工藝參數，以最大限度地提高產量、降低能耗或廢品率，有助于減少資源浪費，并提升產品質量。

3.模型建立與優化結果評估

在基于工業實時數據庫的生產過程優化中，模型的建立和優化結果的評估非常重要。首先，選擇合適的建模方法，并利用歷史數據進行模型訓練和參數調整。建立的模型應準確地描述生產過程的特征和變化規律。同時，設計合理的評估指標評估優化結果，使用交叉驗證、誤差分析等技術來評估模型的準確性和穩定性。此外，將優化結果與實際生產數據對比，以驗證優化策略和算法的有效性。

基于工業實時數據庫的生產過程優化方法可以利用數據挖掘和機器學習方法進行生產過程的分析和預測，設計實時的優化策略和算法，以及建立合理的模型和評估方法，有助于提升產品質量和客戶滿意度。

五、試驗設計和結果分析

（一）試驗環境和數據集描述

在試驗環境方面，提供所使用的計算機配置、操作系統版本、數據庫管理系統等信息，以確保實驗的可重復性和可驗證性。

數據集是進行實驗的重要基礎，應該明確描述數據集的來源、規模、特征等。例如，明確數據集包含的生產指標數據、時間跨度、采樣頻率等。

（二）實驗設計和方法選擇

實驗設計是確定實驗步驟和流程的關鍵步驟，需要清晰描述實驗設計的目的、假設和具體步驟。

在方法選擇方面，根據實驗目標和問題特點，選擇適合的數據挖掘和機器學習方法。例如，選擇聚類分析、分類、回歸分析、異常檢測等方法。

（三）實驗結果統計和分析

在實驗結果統計方面，明確所選擇的評估指標和實驗結果的數值。例如，選擇準確率、召回率、F1值等指標來評估模型的性能。

在實驗結果分析方面，對實驗結果進行解釋和討論。比較不同方法的性能差異，分析其優勢和劣勢，并找出存在的問題。

（四）結果與現有方法對比分析

將實驗結果與現有方法進行對比是驗證實驗有效性的重要環節。可以選擇一些經典的生產過程優化方法作為對比，比較其在同樣數據集上的表現。通過對比分析，評估所提出的方法在性能上的優勢與劣勢，并探討其適用性和推廣價值。

在結果對比分析中，需要客觀、全面地評估不同方法的優缺點，并提出可能的改進方向和未來研究的方向。最后，對實驗結果的可靠性和穩定性進行討論，分析實驗結果的可解釋性和泛化能力。同時，也需要說明實驗中可能存在的局限性和假設條件，以便讀者理解實驗結果的限定范圍。

六、結語

基于工業實時數據庫，對生產過程監控與優化方法進行深入研究。介紹了工業實時數據庫的定義、特點和在生產過程監控中的應用。根據對生產過程監控的需求分析，提出了基于工業實時數據庫的數據采集、處理、分析和可視化展示等方法。此外，綜述現有的生產過程優化方法，并結合工業實時數據庫提出數據挖掘和機器學習方法的應用、實時優化策略與算法設計以及模型建立與優化結果評估等生產過程優化方法。最后，進行實驗設計和結果分析，并將結果與現有方法對比分析。本研究為工業生產過程監控與優化提供了有效的方法和思路，對提高生產效率和產品質量具有重要意義。

參考文獻：

[1]楊俊浩.工業大數據在生產監控系統中的運用分析[J].無線互聯科技，2021，18（19）：88-89.

[2]袁曉紅，王瑞，柏玲，等.工業大數據在生產監控系統中的應用[J].冶金自動化，2018，42（06）：67-73.