《基于大数据系统的设备状态预警的设计》由会员分享,可在线阅读,更多相关《基于大数据系统的设备状态预警的设计(6页珍藏版)》请在金锄头文库上搜索。
1、基于大数据系统的设备状态预警的设计 刘瑞 中国电建集团海外投资有限公司 摘 要: 利用大数据分析技术对海量数据进行动态建模, 分析设备在不同工况下的运行性能, 对比分析寻优或寻差, 归纳总结出评价体系, 能够对当前的设备、系统运行方式给出指导, 预测设备、系统可能出现的故障, 提前给出预警, 进而实现状态检修、降低维修成本、提高工作效率。关键词: 大数据; 状态预警; 动态建模; 作者简介:刘瑞 (1981-) , 男, 硕士研究生, 研究方向:电厂过程控制。收稿日期:2017-11-14Design of Equipment Status Warning Based on Big Data
2、SystemLiu Rui Powerchina Resources Ltd.; Abstract: This paper uses the big data analysis technology to dynamically model the mass data, analyzes the operation performance of the equipment under different working conditions, compares and analyzes the optimization or find the difference, and summarize
3、s the evaluation system, which can give the current equipment and system operation mode To guide, predict equipment, system failure may be given in advance warning, and then to achieve state maintenance, reduce maintenance costs, improve work efficiency.Keyword: big data; status warning; dynamic mod
4、eling; Received: 2017-11-140 引言大数据的核心就是预测, 大数据能够预测体现在很多方面。大数据不是要教机器像人一样思考, 相反, 它是把数学算法运用到海量的数据上来预测事情发生的可能性。正因为在大数据规律面前, 设备的异常状态将无处可逃。1 需接入的数据大数据系统必须具备将动态数据、静态数据等各种形态数据 (如:DCS、SIS、ERP、监控、门禁、消防等系统) 接入能力, 应对采集到的数据进行校验, 提供多种容错机制来确保程序在异常中断的情况下仍能保证数据采集的连续性, 防止数据丢失, 确保数据的有效性和准确性。2 建立规范1) 采集的数据进行标准化分类, 制定元数
5、据规范, 便于与数据采集模块的快速对接, 能够降低后期数据处理难度、提高系统效率。2) 建立科学的预警、报警指标体系, 制定异常报警信息规范。3) 制定统一的数据采集接口服务规范, 简化数据采集的复杂度, 支持不同来源的数据, 降低数据接入成本。4) 具备 DCS 画面的展示能力, 画面格式需符合 W3C 发布的 HTML5 格式标准, 满足移动应用需求。5) 保证数据安全的规范。通过严格的授权保证数据不会被非法访问。采用分布式存储方式, 将采集的数据存放在多个不同的服务器节点上, 当其中一个节点的数据发生故障时, 系统应能正常工作, 系统可以自动对故障数据进行修复。系统应具备自动化定期备份功
6、能。3 数据的处理3.1 数据采集与校验通过使用 SQL、ORACLE 等数据库与现场总线和 DCS 数据进行连接, 构建高可靠性、高伸缩性、高扩展性的数据采集功能模块, 满足 30 亿条/天, 高峰期10000-20000 条/秒的数据采集需求;提供多种容错机制来确保程序在异常中断的情况下仍能保证数据采集的连续性和可靠性, 确保没有报警数据丢失。3.2 数据存储数据存储基础采用分布式存储系统, 设计 30 亿条/天的数据存储能力, 满足大量的数据存储需求, 至少能存储 5 年生产数据, 并进行数据分析处理。同时, 具备高容错能力, 并在不改变大数据平台原有程序的基础上能够通过增加硬件及修改配
7、置文件来自动提升存储效率和可靠性。数据的存储具备完备的容灾备份机制, 保证系统集群中单机宕机不影响系统的正常运行;集群整体宕机, 数据能够被恢复。避免由于系统本身或者不可抗拒的外力造成数据丢失。设置系统事件监控管理模块, 实时监控系统整体的运行状态, 监测并记录机器所有运行状态, 并能够推送运行状态通知。3.3 实时处理以设备的正常运行数据为基础, 通过对数据进行实时分析处理, 判断数据是否超出报警范围, 并通过报警规则过滤重复报警和无效报警, 生成报警消息并推送给相关责任人。找到设备之间的关系, 利用历史数据构建决策树, 高效地对未知的数据进行分类, 一次构建, 反复使用, 并且可读性好,
8、利于人工分析, 生成系统优化报告1。报警数据按报警级别由最严重到建议进行分组, 每一个类别的报警详细列出报警设备位号、厂商/型号/版本、报警时间和事件、报警的健康等级和报警指导文件。按照工厂控制网络结构组织仪表设备台账, 可以综合管理和查找智能仪表实时报警、历史事件和仪表参数信息。建立仪表组态参数历史库, 同时可以将不同时间不同版次的组态参数进行对比。3.4 报警规则报警规则的配置功能, 通过可视化的配置界面设置监控指标的报警范围, 作为数据实时处理模块判断设备是否出现警报的依据。制定完备的报警推送机制, 对采集到的数据进行数据处理后, 如有报警发生, 则需要调用通知网关 (邮件、工作流服务、
9、手机 APP 等) 发送通知给响应者 (人员或系统) , 并保存报警信息和数据, 发送的内容须包含设备位号、报警事件描述、发生时间、报警等级、报警解释文件、报警故障处理/维修指导意见等信息。报警推送具有扩展性, 支持后续添加新的报警推送方式。基于大量的设备实时监测数据和运维历史数据, 整理出数据的相关性, 建立测点、设备、系统、工艺的评价范围及体系, 按照一定的算法原则计算, 建立设备的运行数据模型, 根据数据模型对具体设备的未来运行趋势进行预测, 结合报警规范生成分级预警, 以提高设备的可用性, 避免灾难性的事故, 优化检修计划。根据厂家、型号、版本和事件过滤报警事件, 根据特定时间段、特定
10、区域内的仪表过滤报警事件, 根据特殊的系统事件过滤报警事件。这 3 组过滤条件可以单独使用或合并使用, 过滤器触发后, 采集程序会根据过滤条件自动遍历仪表设备历史报警事件, 将符合条件的报警事件另行存储。4 数据分析对所有智能仪表 (FF、DP 和 Hart 仪表) 的故障报警事件和分类进行标准化处理, 为电厂的综合查询、透视统计提供数据结构基础, 为建立仪表设备故障和维护核心数据仓库提供支撑2。在大量真实历史故障报警事件的基础上, 建立MTBA (Mean Time Between Alarms) 指标, 从而有效衡量仪表的运行状态。根据设备型号对各个仪表设备的 MTBA 值重新进行组合计算
11、, 得到基于设备型号分类的 MTBA 值。使用数据分析处理工具, 建立数据分析引擎, 能够通过配置来扩展数据分析算法, 将海量数据中的有效数据从不同维度视点进行数据分析, 剔除噪音数据, 数据经过分析处理后形成标准的数据分析模型, 为大数据的分析和挖掘提供准确可靠的数据基础。大数据系统数据分析处理工具应支持配置分析处理规则, 能够让招标方通过简单的规则配置实现数据分析处理规则的定制, 以满足业务变化。大数据系统数据分析处理工具应充分利用分布式数据存储的优点, 能够并行计算, 提高系统效率。对已有的数据 (动态数据、静态数据、结构化数据、非结构化数据等) 进行分析, 寻找数据之间的相互关系, 建
12、立数据之间的评价体系, 预测设备运行的优化趋势和劣化趋势, 从而提出优化建议或预测性报警。5 数据展示将经过分析挖掘后的数据通过报表的方式呈现出来, 报表模块需要支持表格、图表、透视表的形式;通过配置来建立报表, 满足招标方通过配置的方式创建简单的报表, 无需掌握任何数据库技术;包含设备报警统计、设备运行曲线、设备最佳运行参数、设备 MTBA 指标、设备故障预警等报表。配备平台用户的管理功能, 通过域管理系统进行用户管理。同时, 设计用户自定义报表模板, 并对模板进行管理。并提供可视化的报表设计功能, 具备常用的电子地图、仪表盘、图表等展示组件便于进行报表设计工作。6 运维管理基于角色的权限管
13、理模块, 实现用户与访问权限的逻辑分离, 通过调整角色成员得到这些角色的权限, 简化权限管理工作。同时, 提供可视化监控模块, 监控组件的运行状态、各个组件任务处理的进度与处理状态, 利用可视化的负载均衡监控模块, 能够实时监测集群中各机器 CPU、硬盘、内存等的使用率, 当集群中某些机器资源使用率接近警戒值时, 要求平台自动调整实现负载均衡, 所有警报信息需要能够通过配置好的通知网关 (邮件、手机 APP 等) 发送通知给相关运行维护人员3。图 1 风机振动和轴承温度曲线图 Fig.1 Fan vibration and bearing temperature curve 下载原图7 实例本
14、文基于电厂所采集到的设备性能指标及告警信息, 采用决策树构建设备故障预警模型, 做到对设备的实时预警, 为运维人员争取更多的作业调度时间, 调整设备的运行方式。该模型在某电厂的真实数据上得到了较好的验证。如图 1所示。图 1 中浅蓝色为 1#机力塔风机电机电流。紫色为 1#机力塔风机电机轴伸端轴承温度。深蓝色为 1#机力塔风机振动, 橘黄色是根据 1#机力塔风机电机电流和1#机力塔风机电机轴伸端轴承温度预测 1#机力塔风机振动的值。该数据分析模型已经可以投入实际使用, 如果预测值与实际值偏差有严重的偏离且有恶化趋势, 说明该设备有部件脱落的风险, 需要尽快检修。具有较大的指导意义和实际应用价值。8 结束语为了进一步提高预测精度, 后续的研究工作中, 可以从两方面着手:一是采集更多的设备信息;另一是加入更多的预测方法, 构建更合适的模型, 满足设备检修的需求。参考文献1万倩, 谢峰, 赵明.基于大数据的设备故障预测J.广播电视信息, 2016 (11) :71-73. 2郑慧莉.电厂迈入现场总线技术新时代J.仪器仪表用户, 2013, 20 (1) :5-8. 3管华, 夏何杰, 徐军利.云计算环境下的资源监控平台研究J.武汉轻工大学学报, 2013 (4) :35-39.