CN112541563A - 基于边缘计算技术的旋转设备振动预测管理系统 - Google Patents
基于边缘计算技术的旋转设备振动预测管理系统 Download PDFInfo
- Publication number
- CN112541563A CN112541563A CN202011233801.4A CN202011233801A CN112541563A CN 112541563 A CN112541563 A CN 112541563A CN 202011233801 A CN202011233801 A CN 202011233801A CN 112541563 A CN112541563 A CN 112541563A
- Authority
- CN
- China
- Prior art keywords
- data
- vibration
- equipment
- cloud server
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 39
- 238000004364 calculation method Methods 0.000 title abstract description 20
- 238000003745 diagnosis Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 27
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000007418 data mining Methods 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 10
- 238000013473 artificial intelligence Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000004044 response Effects 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 36
- 238000004422 calculation algorithm Methods 0.000 description 23
- 230000008901 benefit Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000010354 integration Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000003245 coal Substances 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000005284 excitation Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000001503 joint Anatomy 0.000 description 3
- 238000010977 unit operation Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000006477 desulfuration reaction Methods 0.000 description 2
- 230000023556 desulfurization Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Strategic Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于边缘计算技术的旋转设备振动预测管理系统，其包括：振动数据采集装置，设置在旋转设备侧，用于采集、边缘处理所述旋转设备的振动数据以得到振动特征值；云端服务器，设置在云端侧，与所述振动数据采集装置连接，用于根据预先建立的诊断模型库对所述振动特征值和所述旋转设备的运行工况数据进行处理，得到表征旋转设备运行状态的诊断结果，所述诊断模型库为人工智能神经网络模型；工程师站，设置在电厂本地侧，与所述云端服务器连接，用于提供人机交互界面和显示经所述云端服务器处理所得到的诊断结果。本发明通过上述技术方案使得本系统可以为用户提供快速响应的最近端的数据应用服务，自动预警报警、状态评价及故障诊断。
Description
技术领域
本发明属于自动化技术领域，特别涉及一种基于边缘计算技术的旋转设备振动预测管理系统。
背景技术
当前国内外大部分具备自动故障诊断功能的系统都是采用故障专家规则、轴承参数库、齿轮箱参数库配合传统决策树算法的方式进行自动诊断。但是这种自动诊断模式存在着诸多问题：诊断规则固化，无法针对具体机型、具体工况变化；决策树层数固定，遇到复杂的故障，无法得出准确结论，鲁棒性差；对于无法提供轴承和齿轮型号的机组，轴承库和齿轮库失效，无法进行自动诊断相关故障；更难以准确预测设备轴承的更换时间或大修期。
在电厂通常使用有TDM(Turbine Dignosis Managment,旋转机械诊断监测管理系统)，其一般是指汽轮发电机组振动在线状态监测和分析系统，主要作用在于对机组运行过程中的数据进行深入分析，获取包括转速、振动波形，频谱、倍频的幅值和相位等故障特征数据，从而为专业的故障诊断人员提供数据及专业的图谱工具，协助机组诊断维护专家深入分析机组运行状态。
对于该系统国内外相关产品很多，如华北京华科同安监控技术有限公司的TN8000机组振动在线监测系统、北京英华达科技有限公司的旋转设备振动监测分析诊断系统等、美国本特利公司的System1产品、德国Bkvibro的Compass6000等产品只是从电厂TSI(Turbine Supervisory Instruments，汽轮机监视装置)系统衍生出来的对旋转机械振动数据进行分析诊断的TDM系统，该系统通常是以用户为专家，系统本身只是提供一些供专家使用的软件工具。这种系统的缺点是系统只有少数专业人员能使用，也只有少数专业人员会使用，且系统应用得好坏，能否发挥作用也和使用者的专业水平有很大关系。专业水平高的，可能系统就能用得好；反之，专业水平一般的，系统可能就无法发挥原有的功能和作用，大量的有价值的信息被尘封在数据库里，宝贵的数据资源被浪费。
发明内容
为了解决上述问题，本发明提供了一种基于边缘计算技术的旋转设备振动预测管理系统，其包括：振动数据采集装置，设置在旋转设备侧，用于采集、边缘处理所述旋转设备的振动数据以得到振动特征值，所述振动特征值包括：峰峰值、有效值、平均值、分频值、分频相位，所述旋转设备为电厂的旋转设备，且设备类型为多种；云端服务器，设置在云端侧，与所述振动数据采集装置连接，用于根据预先建立的诊断模型库对所述振动特征值和所述旋转设备的运行工况数据进行处理，得到表征旋转设备运行状态的诊断结果，所述诊断模型库为人工智能神经网络模型；工程师站，设置在电厂本地侧，与所述云端服务器连接，用于提供人机交互界面和显示经所述云端服务器处理所得到的诊断结果。
可选地，所述云端服务器还用于基于大数据挖掘技术对所述旋转设备的振动特征值和历史诊断数据进行处理，得到表征所述旋转设备振动异常的预警信息，所述预警信息用于推送给设备管理人员。
可选地，所述云端服务器还用于对所述预警信息进行判断；若判断出所述预警信息表征跳机风险，则将所述预警信息推送给调度人员，以使所述调度人员对机组负荷进行调度安排。
可选地，所述云端服务器还用于自动提取所述振动特征值和运行工况数据生成所述旋转设备的与振动相关的数据图表。
可选地，所述云端服务器还用于自动生成和提交技术监督报表。
可选地，所述云端服务器还与大数据平台、开发平台和三维可视化平台通过网络通讯连接，并基于大数据云计算技术实现各平台之间监测数据和系统功能的融合要求。
可选地，所述云端服务器还用于跟随所述旋转设备的磨损情况，修复所述人工智能神经网络模型，以使所述人工智能神经网络模型与所述旋转设备的使用年限相匹配适应；其中，所述旋转设备的磨损情况数据来自于所述大数据平台。
可选地，所述系统还包括：边缘计算核心工作站；所述边缘计算核心工作站用于存储所述旋转设备的振动数据。
本发明实施例提供的技术方案带来的有益效果是：
本系统应用最新的“边缘计算”和“大数据挖掘”技术，建立了一个以平台为管理和决策核心，以边缘计算工作站为计算和应用主体的全新的网络化分布式数据应用场景模式。充分发挥“振动数据源头”的就近优势，在电厂建立“边缘计算核心工作站”，为用户提供快速响应的最近端的数据应用服务。平台用户作为“云端”侧计算，一方面可以发挥大数据平台的功能标准化、数据集约化优势，另一方面可以充分利用数据融合实现的数据共享和功能对接等便利条件，深入挖掘更深层面的应用需求，结合Python等大数据挖掘开发语言，实现机组振动数据更加优化、更加高级的管理和应用。
应用“边缘计算”技术和“大数据挖掘”技术把数据在靠近源头的边缘侧就激活应用起来，避免众多的设备振动数据全部集成到平台以后再进行挖掘处理，如此可以充分发挥振动数据这座数据宝库的作用，以此为基础开发面向平台管理和应用需求的高级应用，全面提升电厂生产管理人员对设备运行状态的管控水平，发挥智慧电厂生产管理系统的卓越功能，提供更准确、更便捷、更环保的管理手段，减轻电厂运维人员和管理人员的劳动强度，提高工作效率。
将以往仅限于电厂本地侧旋转设备振动专家诊断系统融入大数据云平台，升级为区域级、集团级振动专家诊断管理系统，数据源更广泛，通过建模分析达到对设备的振动管理更精确，为管理者制定电厂设备轴承的更换时间或大修期预测方案提供有效依据和数据支撑。
附图说明
图1为本发明实施例提供的一种基于边缘计算技术的旋转设备振动预测管理系统的结构示意图；
图2为本发明实施例提供的一种基于边缘计算技术的旋转设备振动预测管理系统的架构结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
参见图1～图2，本发明实施例提供了一种基于边缘计算技术的旋转设备振动预测管理系统，其包括：振动数据采集装置、云端服务器和工程师站。
振动数据采集装置设置在旋转设备侧，用于采集旋转设备的振动数据，并对该振动数据进行边缘处理(或称预处理)，得到振动特征值。振动特征值可以包括：峰峰值、有效值、平均值、分频值，还可以包括：分频相位等振动特征参量，如此使得处理后的数据为本系统的使用者真正关心的数据。该装置具体包括：振动监测传感器、变送器和数据采集器50。振动监测传感器安装于旋转设备的轴承处，用于检测并送出旋转设备在运行过程中产生的振动波形(或称振动信号或称数据)，即用于采集原始信号，该信号可以表征振幅、频率、转速、振动波形等。旋转设备为电厂使用的旋转设备，其分为：主机和辅机，例如：汽轮机43、汽泵给水泵44、送风机31、引风机32、一次风机30、磨煤机33、凝结水泵34、循环水泵35、脱硫氧化风机36、辅机循环泵37、低加疏水泵38、碎煤机39、电动消防泵40、电动给水泵41、公用辅机循环水泵42。各设备的数量可以为多台，从而形成多个机组(即主机和辅机的总称)以及机组与机组共用的公用辅机，图1中，示意出了第一机组(或称1#机组)100、第二机组(或称2#机组)101和公用辅机102，其中，公用辅机包括碎煤机39、电动消防泵40、电动给水泵41、公用辅机循环水泵42。各机组均包括：送风机31、引风机32、一次风机30、磨煤机33、凝结水泵34、循环水泵35、脱硫氧化风机36、辅机循环泵37、低加疏水泵38。例如：某电厂的旋转设备共有53台。变送器安装于旋转设备侧，与振动监测传感器电连接，用于将振动信号转换为标准信号。实际应用中，变送器与振动监测传感器之间的距离通常比较近，而变送器的工作环境较恶略，为了实现信号的有效传输，该连接方式采用硬接线方式，即以电缆连接为主。数据采集器与变送器连接，用于将接收的振动数据进行边缘处理得到振动特征值，即用于对原始信号进行处理得到反映振动特征的参量，然后通过网络通讯发送出去，即进行远距离传输。数据采集器50采用网络通讯与云端服务器8连接时，依次经光纤交换机21、交换机(或称网络交换机)23、接口机24、隔离网闸22实现。为了存储和管理振动数据，本系统还包括：边缘计算核心工作站9，其与振动数据采集装置连接，用于存储旋转设备的振动数据。振动数据还发送给电厂的DCS(Distributed contro System，分散控制系统)7，发送时，依次经光纤交换机21、交换机23、接口机24、隔离网闸22实现。为本系统配置电源45，电源优选为UPS(Uninterruptible Power Supply，不间断电源)装置。
云端服务器设置在云端侧，与振动数据采集装置连接，用于根据预先建立的诊断模型库对振动特征值和电厂的机组运行工况数据进行处理，得到表征旋转设备设备运行状态的诊断结果，诊断模型库为人工智能神经网络模型。机组运行工况数据即为旋转设备运行工况数据。人工智能神经网络模型基于大数据及人工智能神经网络技术，通过配置可以得到不同模型，利用历史数据对该模型进行训练，可以实现对故障进行分析和诊断。每个模型包括输入层、中间层和输出层3个部分。输入层用于接收输入数据，其包括：实时数据、历史数据、参数值等，例如：转速、轴振与瓦振，及膨胀与偏心，以及汽温、汽压与真空以及轴向位移；中间层主要用于运算逻辑，通过多层神经网络计算，分析参数之间的相互影响关系及其权重；输出层用于输出中间层的运算结果或结果集合。利用该人工智能神经网络模型可以对设备故障特征指标进行计算，包括：不平衡、初始弯曲、热弯曲、对中度不好轴瓦不稳定、油膜涡动、油膜振荡、汽流激振、电磁激振、参数激振、摩擦、转子裂纹、轴承或支座松动共振或高次谐波共振等。通过设置人工智能神经网络模型使得本系统具备专家的知识和判断能力。用户不用自己直接面对数据库里存储的海量信息，系统自身就能判断哪些信息是有用的，哪些信息是值得关注的；哪些信息是孤立事件，哪些信息之间是有关联的。系统有自己的逻辑，能把重要的信息，以各种形式推送到用户界面面前。无论用户本身是不是专家，系统都能让用户能轻易上手，具有很好的操作体验。
工程师站62设置在电厂本地侧，位于工程师室内，与云端服务器连接，用于提供人机交互界面和显示经大数据平台服务器处理所得到的诊断结果。应用时，工程师站可由工业级主机、24”彩色LED和A4黑白激光打印机61组成。
云端服务器还用于基于大数据挖掘技术对机组的实时振动数据和历史诊断数据进行处理，得到表征旋转设备振动异常风险的预警信息，预警信息用于推送给设备管理人员以提示设备管理人员旋转设备可能会出现振动异常，请加强关注，采取必要的防范措施。用大数据挖掘技术(如用Python语言实现)对机组振动数据(或称旋转设备的振动数据)进行深度开发，结合历史积累的机组振动诊断数据(或称旋转设备的历史诊断数据)实现对机组(或称旋转设备)振动的实时智能预警，提醒设备管理人员对可能出现的设备振动异常加强关注，采取必要的防范措施。
由边缘计算技术带来的低延时功能还可以扩展到电网调度侧，当本系统监测到正在运行中的旋转设备存在跳机风险时，本系统会第一时间把预警信息(或称风险提示信息)推送给调度人员，调度人员根据情况提前做好机组负荷的调度安排，避免突然的机组非计划停运造成的甩负荷给电网造成冲击。应用时，利用大数据挖掘技术建立大数据模型库，对电厂关键设备运行特性、运行工况变化进行实测分析，将旋转设备运行中的实际状况和各项指标特征输入大数据模型库，经过数据训练，模型优化，应用Python语言开发适合振动数据的大数据智能预警模型。换言之，应用大数据挖掘技术对振动数据和运行工况数据进行计算分析，对超出预警范围的信号给予提示关注，发出预警信息，即旋转设备的智能预警。若旋转设备为汽轮机，则在汽轮机正常运行时，即高速(3000转)旋转状态下，其运转所产生的振动为实际状况；各项指标特征是指振幅、频率、转速、振动波形等。这些数据属于振动数据和历史诊断数据。
本系统是一种利用边缘计算、人工智能和大数据建模技术相结合的旋转设备振动预测管理系统，能实现对旋转设备健康度的综合在线感知、故障特征精细化提取、故障诊断快速定位、故障源头溯源分析、设备状态量化评价等功能。本系统在注重监测分析的基础上，着力提升了对监测设备的智能诊断能力，应用AI智能算法建立诊断模型库，能根据监测数据的统计分析以及诊断模型给出诊断结果，为监测设备给出设备的状态评价结果，供设备管理人员参考。应用时，搜集和整理现场实际的振动数据，采用人工智能神经网络模型，通过一定数据的训练，归纳故障特征、识别故障数据，使系统具备故障推理，实现故障诊断的能力，可以对设备进行综合的状态评价，为设备优化运行、状态检修和监督管理提供依据，即对设备状态评价。从而可以形成针对供热机组的振动故障诊断专家模型库。建立设备不平衡、碰磨、不对中、油膜振动、气流激振等常见故障的预警和诊断数据模型库。
云端服务器还用于跟随旋转设备的磨损情况，修复人工智能神经网络模型，以使人工智能神经网络模型与所述旋转设备的使用年限相匹配适应；其中，旋转设备的磨损情况数据来自于大数据平台，即人工智能神经网络模型会不断修复，与旋转设备的使用年限相匹配适应。
云端服务器除了具有预警(或称分析)和诊断功能外，还可以自动提取振动特征值和运行工况数据生成旋转设备的与振动相关的数据图表。数据图表类型包括但不限于波特图、轴心轨迹图、级联图、极坐标图、相关趋势图、轴心位置图、多轴心轨迹图。名称与产生振动数据的旋转设备的名称对应。为了能够完全脱离人为参与，代替汽机专工完成技术监督报表的制表工作，云端服务器还用于自动生成和提交技术监督报表，如此能避免人为对数据的改动，造成报表数据的失真。
本系统采用大数据云计算技术和边缘计算技术相结合的分布式技术架构路线，充分利用两种技术的计算优势，以最优的性能实现本系统的功能。
为了实现本系统与大数据平台(或称大数据云平台)、开发平台和三维可视化平台的融合，本系统应用大数据云计算技术可以较好地实现各平台之间监测数据和系统功能的融合要求。大数据云计算技术是一种专门处理海量数据的新技术，其具有虚拟化、动态可扩展、灵活性高、可靠性好、性价比高等特点。大数据云计算技术可以有效解决火电机组振动数据集成和应用中面临的海量数据集成、功能整合和数据存储、管理、检索以及面向第三方的应用扩展等难题。应用时，确定各平台的数据接口类型和数据发布内容，开发相应的接口实现对第三方系统的数据和功能融合
对旋转设备振动数据的监测、分析和诊断的实时性、准确性有着非常高的要求。边缘计算技术能够充分发挥振动数据采集装置靠近振动数据源头的就近优势，把毫秒级采集的海量振动原始数据在振动数据采集装置处完成最初级，也是最繁重的初级计算处理。把本系统的使用者关心的振动特征量，交由云端的大数据平台(或称云端服务器)处理，如此可以大大提升处理效率，减轻云端的负荷，减少数据应用对网络带宽的依赖。由于边缘计算更加靠近数据源侧，可为用户提供实时性更强，响应速度更快的应用服务。
实际应用中，在实现振动监测实现时，为全电厂的主机、小机、重要辅机、公共辅机等旋转设备安装配置本系统，对旋转设备的振动信号进行实时在线监测、数据管理、集中存储，同时确保监测设备(即旋转设备)之间的数据互联互通，建立一套标准化，网络化、智慧化的旋转设备振动预测管理系统。
在实现技术监督时，本系统监测的振动数据结合机组运行相关参数，针对生产企业技术监督的管理要求，实现多维度数据的联合分析并自动生成专业报表。
在实现智能诊断时，本系统具备完善的故障诊断专家知识库，可以自动的预知和诊断故障类型、故障原因、故障部位、故障程度，并提供故障解决方案。系统具备的设备状态评价功能能够实现对故障提前预警，评估机组健康状态、寿命预测等功能。
在实现本系统与hadoop提供的大数据数据库融合时，本系统具备多种接口融合方式与hadoop系统的数据对接，可以将振动监测、数据分析、故障诊断、事件报警、系统设置等相关内容部署到hadoop大数据，实现本系统数据在hadoop大数据的部署。
在实现本系统与开发平台融合时，依托自身良好的开放性和扩展性，实现数据与hadoop大数据平台融合，无缝嵌套到开发平台提供的软件应用框架中，通过必要的开发工作，系统将提供和平台风格统一，界面效果一致的软件功能界面。诊断功能的人工智能神经网络模型(或称AI智能算法)可以服务的形式布置在hadoop算法平台，并向第三方提供调用接口，为第三方的二次功能开发提供算法服务。
在实现本系统与三维平台融合时，本系统具备三维可视化功能，能够把监测数据展示在三维模型中。本系统数据融合在hadoop大数据中，三维平台完成设备三维建模后，可以通过hadoop大数据平台调用其中的相关数据进行展示；通过三维平台提供的模型可视化显示服务，也可以和三维系统进行接口通讯完成三维的数据展示。
在实现大数据平台建模时，本系统可以依托大数据平台的海量数据，不断完善自身的诊断模型，诊断模型的AI智能算法能够识别大数据平台对模型迭代演进所需要的相关数据，并进行优化处理，使模型对设备更加具有适应性。诊断模型支持对第三方的调用接口，可以通过平台统一的接口形式对第三方的二次功能开发提供算法服务。
本系统具有如下特点：
JAVA应用:支持跨平台的Web应用技术，适用于当今各种主流浏览器，符合主流软件的应用习惯。
智能数据采集：自动识别机组运行工况，采取针对性的数据采集策略，实现精准采集，智能采集。
一体化设计：一体化设计原则使得系统具备极强的兼容性和扩展性，可以适应任何大数据应用和开发平台，系统具备多样的数据接口融合模式，确保与各系统各平台间数据的无障碍通讯。
大数据+人工智能，系统采用大数据分析算法，融合人工智能神经网络及机器学习技术，能自动辨识机组不同运行工况，归纳和总结机组运行特征，结合丰富的故障诊断样本数据、知识库和分析评价模型，能够实现自动预警报警、状态评价及故障诊断。系统将大数据分析、微服务架构、AI智能诊断算法等技术引入到本系统解决方案之中，为使用者提供更多有效结论，创造更多经济效益和安全保障。
多元数据融合：电厂是一个复杂的生产系统，涉及的专业较多，涵盖的设备类型广泛，各种监测系统和生产管理系统都是根据其具体的应用需求进行设计的。这些系统在技术架构、数据规范、网络环境和数据接口等方面存在较大的差异，彼此之间关联度不高。在系统集成时，过于分散的软硬件资源无法充分发挥设备原有的优势。多源数据融合就是要将不同的设备和服务协同在一起，通过特有的虚拟化技术，从不同架构、不同平台、不同规范的、不同接口的设备和服务中抽象出统一架构、统一平台、统一规范和统一接口的虚拟应用资源和服务。根据应用的实际需求，这些抽象出来的硬件资源和软件服务可以动态增减，具有良好的扩展性和开放性。
智能诊断：采用专家规则库、大数据分析、神经网络、分布式计算引擎、机器自学习等技术相结合的先进算法，实现机器自动诊断。
本系统通过AI计算引擎(或称AI智能算法)，实时计算各种特征量及指标值。算法平台的功能包括：
1)流式计算：以实时采集的各种数据为基础，结合历史趋势数据，对各种特征量及指标值进行计算。
2)可视化算法配置：系统提供可视化算法配置及管理界面，经过简单组态、配置即可得到对应的特征量及指标算法。
3)容器化算法管理：系统采用容器化算法管理方式，各种算法作为独立模块部署在算法容器中，系统自动从容器中调取对应的算法进行指标计算。
4)分布式部署：算法平台支持分布式部署，可以将算法部署在1台或多台服务器上，利用计算机分布式处理的优势，加快数据计算速度，提高计算的实时性。
5)自动计算：各种算法，不需要人工干预，可以自动对各种指标进行计算，形成中间结果，供后续应用进行调用。
本系统应用最新的“边缘计算”和“大数据挖掘”技术，建立了一个以平台为管理和决策核心，以边缘计算工作站为计算和应用主体的全新的网络化分布式数据应用场景模式。充分发挥“振动数据源头”的就近优势，在电厂建立“边缘计算核心工作站”，为用户提供快速响应的最近端的数据应用服务。平台用户作为“云端”侧计算，一方面可以发挥大数据平台的功能标准化、数据集约化优势，另一方面可以充分利用数据融合实现的数据共享和功能对接等便利条件，深入挖掘更深层面的应用需求，结合Python等大数据挖掘开发语言，实现机组振动数据更加优化、更加高级的管理和应用。
应用“边缘计算”技术和“大数据挖掘”技术把数据在靠近源头的边缘侧就激活应用起来，避免众多的设备振动数据全部集成到平台以后再进行挖掘处理，如此可以充分发挥振动数据这座数据宝库的作用，以此为基础开发面向平台管理和应用需求的高级应用，全面提升电厂生产管理人员对设备运行状态的管控水平，发挥智慧电厂生产管理系统的卓越功能，提供更准确、更便捷、更环保的管理手段，减轻电厂运维人员和管理人员的劳动强度，提高工作效率。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (8)
1.一种基于边缘计算技术的旋转设备振动预测管理系统，其特征在于，所述系统包括：
振动数据采集装置，设置在旋转设备侧，用于采集、边缘处理所述旋转设备的振动数据以得到振动特征值，所述振动特征值包括：峰峰值、有效值、平均值、分频值、分频相位，所述旋转设备为电厂的旋转设备，且设备类型为多种；
云端服务器，设置在云端侧，与所述振动数据采集装置连接，用于根据预先建立的诊断模型库对所述振动特征值和所述旋转设备的运行工况数据进行处理，得到表征旋转设备运行状态的诊断结果，所述诊断模型库为人工智能神经网络模型；
工程师站，设置在电厂本地侧，与所述云端服务器连接，用于提供人机交互界面和显示经所述云端服务器处理所得到的诊断结果。
2.根据权利要求1所述的系统，其特征在于，所述云端服务器还用于基于大数据挖掘技术对所述旋转设备的振动特征值和历史诊断数据进行处理，得到表征所述旋转设备振动异常的预警信息，所述预警信息用于推送给设备管理人员。
3.根据权利要求2所述的系统，其特征在于，所述云端服务器还用于对所述预警信息进行判断；
若判断出所述预警信息表征跳机风险，则将所述预警信息推送给调度人员，以使所述调度人员对机组负荷进行调度安排。
4.根据权利要求1所述的系统，其特征在于，所述云端服务器还用于自动提取所述振动特征值和运行工况数据生成所述旋转设备的与振动相关的数据图表。
5.根据权利要求2所述的系统，其特征在于，所述云端服务器还用于自动生成和提交技术监督报表。
6.根据权利要求1所述的系统，其特征在于，所述云端服务器还与大数据平台、开发平台和三维可视化平台通过网络通讯连接，并基于大数据云计算技术实现各平台之间监测数据和功能的融合要求。
7.根据权利要求6所述的系统，其特征在于，所述云端服务器还用于跟随所述旋转设备的磨损情况，修复所述人工智能神经网络模型，以使所述人工智能神经网络模型与所述旋转设备的使用年限相匹配适应；
其中，所述旋转设备的磨损情况数据来自于所述大数据平台。
8.根据权利要求1所述的系统，其特征在于，所述系统还包括：边缘计算核心工作站；
所述边缘计算核心工作站用于存储所述旋转设备的振动数据。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011066135 | 2020-09-30 | ||
| CN202011066135X | 2020-09-30 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112541563A true CN112541563A (zh) | 2021-03-23 |
Family
ID=75013818
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011233801.4A Pending CN112541563A (zh) | 2020-09-30 | 2020-11-06 | 基于边缘计算技术的旋转设备振动预测管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112541563A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113295445A (zh) * | 2021-05-19 | 2021-08-24 | 郑州大学 | 一种旋转机械的振动信号采集及故障实时监测系统及方法 |
| CN113742855A (zh) * | 2021-07-27 | 2021-12-03 | 清华大学 | 一种故障预测方法、系统、电子设备与可读存储介质 |
| CN113934175A (zh) * | 2021-10-26 | 2022-01-14 | 华电莱州发电有限公司 | 一种智能无线汽轮机数据采集系统 |
| CN114048261A (zh) * | 2021-09-22 | 2022-02-15 | 国家能源集团乐东发电有限公司 | 一种基于数据描述的振动矢量预警值确定方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101487756A (zh) * | 2009-01-13 | 2009-07-22 | 东南大学 | 旋转机械振动分析中的谐分量转速平衡方法 |
| CN102042893A (zh) * | 2009-10-23 | 2011-05-04 | 宝山钢铁股份有限公司 | 一种连续退火机组辊间带钢张力的软测量方法 |
| CN102102629A (zh) * | 2011-01-17 | 2011-06-22 | 东南大学 | 一种风电机组在线数据采集与分析装置 |
| CN103727975A (zh) * | 2012-10-11 | 2014-04-16 | 成都赛腾自动化工程有限公司 | 具有实时传输数据功能的旋转机械在线监测保护装置 |
| CN206281656U (zh) * | 2016-12-16 | 2017-06-27 | 湛江电力有限公司 | 一种实现汽轮机组过程量数据监测的tdm系统 |
| CN108708773A (zh) * | 2018-05-11 | 2018-10-26 | 湖北华电襄阳发电有限公司 | 一种汽轮机故障诊断方法、系统及装置 |
| CN108731923A (zh) * | 2018-03-28 | 2018-11-02 | 中控技术（西安）有限公司 | 一种旋转机械设备的故障检测方法及装置 |
| CN108801441A (zh) * | 2018-04-25 | 2018-11-13 | 哈尔滨电气股份有限公司 | 一种基于工业互联网及边缘计算的汽轮机数据采集系统 |
| CN110530507A (zh) * | 2019-08-29 | 2019-12-03 | 郑州大学 | 用于旋转设备监测的边缘计算方法、介质及系统 |
| CN110529202A (zh) * | 2019-09-26 | 2019-12-03 | 齐鲁工业大学 | 基于电厂数据的汽轮机故障诊断检测及预警方法及系统 |
| CN111043023A (zh) * | 2019-12-27 | 2020-04-21 | 橙色云设计有限公司 | 一种压裂泵在线监测及故障诊断系统 |
-
2020
- 2020-11-06 CN CN202011233801.4A patent/CN112541563A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101487756A (zh) * | 2009-01-13 | 2009-07-22 | 东南大学 | 旋转机械振动分析中的谐分量转速平衡方法 |
| CN102042893A (zh) * | 2009-10-23 | 2011-05-04 | 宝山钢铁股份有限公司 | 一种连续退火机组辊间带钢张力的软测量方法 |
| CN102102629A (zh) * | 2011-01-17 | 2011-06-22 | 东南大学 | 一种风电机组在线数据采集与分析装置 |
| CN103727975A (zh) * | 2012-10-11 | 2014-04-16 | 成都赛腾自动化工程有限公司 | 具有实时传输数据功能的旋转机械在线监测保护装置 |
| CN206281656U (zh) * | 2016-12-16 | 2017-06-27 | 湛江电力有限公司 | 一种实现汽轮机组过程量数据监测的tdm系统 |
| CN108731923A (zh) * | 2018-03-28 | 2018-11-02 | 中控技术（西安）有限公司 | 一种旋转机械设备的故障检测方法及装置 |
| CN108801441A (zh) * | 2018-04-25 | 2018-11-13 | 哈尔滨电气股份有限公司 | 一种基于工业互联网及边缘计算的汽轮机数据采集系统 |
| CN108708773A (zh) * | 2018-05-11 | 2018-10-26 | 湖北华电襄阳发电有限公司 | 一种汽轮机故障诊断方法、系统及装置 |
| CN110530507A (zh) * | 2019-08-29 | 2019-12-03 | 郑州大学 | 用于旋转设备监测的边缘计算方法、介质及系统 |
| CN110529202A (zh) * | 2019-09-26 | 2019-12-03 | 齐鲁工业大学 | 基于电厂数据的汽轮机故障诊断检测及预警方法及系统 |
| CN111043023A (zh) * | 2019-12-27 | 2020-04-21 | 橙色云设计有限公司 | 一种压裂泵在线监测及故障诊断系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘吉臻 等: ""数据驱动下的智能发电系统应用架构及关键技术"", 《中国电机工程学报》, vol. 39, no. 12, pages 3578 - 3586 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113295445A (zh) * | 2021-05-19 | 2021-08-24 | 郑州大学 | 一种旋转机械的振动信号采集及故障实时监测系统及方法 |
| CN113742855A (zh) * | 2021-07-27 | 2021-12-03 | 清华大学 | 一种故障预测方法、系统、电子设备与可读存储介质 |
| CN113742855B (zh) * | 2021-07-27 | 2022-03-18 | 清华大学 | 一种故障预测方法、系统、电子设备与可读存储介质 |
| CN114048261A (zh) * | 2021-09-22 | 2022-02-15 | 国家能源集团乐东发电有限公司 | 一种基于数据描述的振动矢量预警值确定方法及系统 |
| CN113934175A (zh) * | 2021-10-26 | 2022-01-14 | 华电莱州发电有限公司 | 一种智能无线汽轮机数据采集系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112541563A (zh) | 基于边缘计算技术的旋转设备振动预测管理系统 | |
| CN104503399B (zh) | 一种集团级风电机组状态监测及故障诊断平台 | |
| CN110766277B (zh) | 用于核工业现场的健康评估及诊断系统和移动终端 | |
| CN106525415B (zh) | 一种风电机组传动链健康状态评价系统及方法 | |
| Zaher et al. | A multi-agent fault detection system for wind turbine defect recognition and diagnosis | |
| CN105809255A (zh) | 一种基于物联网的火电厂旋转机械健康管理方法及系统 | |
| CN103234585A (zh) | 一种大型风电机组在线监测及故障诊断系统 | |
| Chen et al. | Survey of commercially available SCADA data analysis tools for wind turbine health monitoring | |
| KR20160073945A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
| KR20160017681A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
| CN107065824A (zh) | 一种水电机组远程故障诊断开放式平台 | |
| CN115013261B (zh) | 一种用于海上风电场的状态监测方法及系统 | |
| CN109209782A (zh) | 一种风电场智能化运维方法、装置及系统 | |
| CN110531656A (zh) | 一种水电机组性能的监测系统和方法 | |
| CN116228186A (zh) | 基于人因工程的船舶机舱智能运维系统 | |
| CN114911206A (zh) | 一种基于物联网的选煤厂智能化预测维护系统 | |
| CN115364992B (zh) | 一种磨煤机健康监测系统及健康监测方法 | |
| CN113689123A (zh) | 一种天然气模块化采集智能管理平台 | |
| CN110617981B (zh) | 一种调相机故障诊断方法 | |
| Eltyshev et al. | Intelligent diagnostic control and management of the condition of electrotechnical equipment | |
| CN110210634A (zh) | 基于大数据驱动的民航发动机故障诊断与健康管理系统 | |
| Edwards et al. | Internet of things–A complete solution for aviation’s predictive maintenance | |
| CN112650166A (zh) | 基于无线网络的生产线状况大数据系统及其诊断方法 | |
| CN112465164A (zh) | 航天发射场地勤系统一体化故障诊断与辅助决策系统 | |
| CN208431106U (zh) | 风电机组偏航系统在线监测机构 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |