大數(shù)據(jù)應(yīng)用說(shuō)明文檔

1、1大數(shù)據(jù)應(yīng)用1.1大數(shù)據(jù)應(yīng)用模型1.2預(yù)警穩(wěn)態(tài)工況預(yù)警變工況-預(yù)警預(yù)警是通過(guò)特征值的變化來(lái)發(fā)現(xiàn)異常，根據(jù)設(shè)備的運(yùn)行情況分為:（1）穩(wěn)態(tài)工況下的預(yù)警，即：設(shè)備運(yùn)行時(shí)的轉(zhuǎn)速功率和相關(guān)工藝參數(shù)比較穩(wěn)定的情況， 該種情況下預(yù)警分為:閾值預(yù)警自適應(yīng)閾值預(yù)警趨勢(shì)預(yù)警（2）變工況下的預(yù)警，即：設(shè)備運(yùn)行時(shí)的轉(zhuǎn)速功率和相關(guān)工藝參數(shù)會(huì)經(jīng)常發(fā)生變化的 情況，該情況下采用多參量建模預(yù)警。1.2.1閾值預(yù)警設(shè)備類型|設(shè)備信息I閾值預(yù)警是通過(guò)設(shè)備類型和設(shè)備信息，篩選出與之匹配的標(biāo)準(zhǔn)，根據(jù)標(biāo)準(zhǔn)配置特征參 數(shù)，根據(jù)標(biāo)準(zhǔn)的閾值設(shè)定報(bào)警門限值。例如:設(shè)備類型為：臥式雙支撐多級(jí)泵設(shè)備信息為：轉(zhuǎn)速2980RPM，功率1500kw根據(jù)

2、設(shè)備類型和設(shè)備信息，篩選出的標(biāo)準(zhǔn)為：ISO10816-3根據(jù)標(biāo)準(zhǔn)，選取的特征參數(shù)為：速度有效值（10-1000HZ），單位mm/s根據(jù)標(biāo)準(zhǔn)，設(shè)定的閾值為：速度高報(bào)7.1，高高報(bào)111.2.2自適應(yīng)閾值預(yù)警基于標(biāo)準(zhǔn)的閾值預(yù)警不能解決所有問(wèn)題：（1）標(biāo)準(zhǔn)并不能覆蓋所有的設(shè)備類型，而且標(biāo)準(zhǔn)的更新速度比較慢，并不能夠完全 適應(yīng)新的機(jī)型；（2）同一種類設(shè)備類型，因?yàn)樵O(shè)備的振動(dòng)與安裝和組裝情況有很大關(guān)系，因此從設(shè) 備標(biāo)準(zhǔn)中查詢到的閾值，并不一定適用于該設(shè)備。設(shè)備可能已經(jīng)出現(xiàn)了早期故障，但是還 沒(méi)有到達(dá)報(bào)警臨界點(diǎn)，會(huì)造成早期故障的漏診斷；設(shè)備可能是沒(méi)有出現(xiàn)異常，但已經(jīng)報(bào)警， 出現(xiàn)誤報(bào)警。在自適應(yīng)預(yù)警中，對(duì)于

3、不同的設(shè)備，從該設(shè)備的歷史特征值數(shù)據(jù)中，經(jīng)過(guò)數(shù)據(jù)清洗， 得到代表正常運(yùn)行的特征值數(shù)據(jù)集，將設(shè)備正常運(yùn)行的特征值數(shù)據(jù)集導(dǎo)入自適應(yīng)閾值計(jì)算 模型中，得到自適應(yīng)的閾值。自適應(yīng)報(bào)警適用于各種特征值報(bào)警，包括振動(dòng)特征值，溫度， 壓力等，并且自適應(yīng)閾值不需要事先獲取設(shè)備的各種參數(shù)，只需要設(shè)備運(yùn)行的歷史特征值 數(shù)據(jù)集，就可以從中挖掘出設(shè)備正常運(yùn)行的特征值臨界點(diǎn)。和傳統(tǒng)的人工設(shè)定閾值相比， 自適應(yīng)閾值克服了閾值設(shè)置偏高或偏低導(dǎo)致的漏診斷和虛假報(bào)警，能夠準(zhǔn)確而及時(shí)的發(fā)現(xiàn) 設(shè)備故障。1.2.3趨勢(shì)閾值閾值報(bào)警解決了基本的設(shè)備閾值情況，及自適應(yīng)閾值報(bào)警的不足之處在于還存在的問(wèn) 題在于：只利用了單次數(shù)據(jù)進(jìn)行判斷，沒(méi)有

4、考慮跨時(shí)間維度的數(shù)據(jù)變化情況，例如：振動(dòng) 特征值并沒(méi)有超過(guò)報(bào)警閾值，但已經(jīng)發(fā)生趨勢(shì)的緩慢變化或快速變化。趨勢(shì)預(yù)警就是建立 統(tǒng)計(jì)模型，對(duì)一段時(shí)間內(nèi)的振動(dòng)趨勢(shì)進(jìn)行分析判斷， 技術(shù)將采集到的特征值在一定的時(shí) 間維度上進(jìn)行回歸擬合，計(jì)算該時(shí)間維度上的特征值的增長(zhǎng)率（計(jì)算時(shí)間段可根據(jù)不同設(shè) 備自定義），當(dāng)特征值增長(zhǎng)率超過(guò)相應(yīng)閾值則觸發(fā)報(bào)警。1.2.4多參量建模預(yù)警對(duì)于變工況運(yùn)行條件下，由于狀態(tài)參數(shù)受到工況的直接影響，僅觀察單個(gè)參量，會(huì)出 現(xiàn)該變量隨工況在不斷變化，難以識(shí)別這些變化是由于工況變化還是由于機(jī)器健康發(fā)生了 劣化，使用多變量建模的技術(shù)可以很好的解決這些問(wèn)題。多變量建模技術(shù)利用設(shè)備直接相關(guān)的工況參

5、數(shù)（工藝參量、變化的工況參量）以及設(shè)備的 狀態(tài)參數(shù)（溫度、壓力、振動(dòng)等）組成的歷史數(shù)據(jù)，從中清洗異常數(shù)據(jù)得到設(shè)備正常狀態(tài) 下的數(shù)據(jù)集。根據(jù)設(shè)備正常狀態(tài)下的數(shù)據(jù)集直接建立以數(shù)據(jù)驅(qū)動(dòng)的多變量預(yù)測(cè)模型，通過(guò) 在已有的正常（或異常）數(shù)據(jù)集中測(cè)試模型的準(zhǔn)確性，確認(rèn)模型對(duì)于正常狀態(tài)和異常狀態(tài) 的可檢測(cè)性。多變量建模技術(shù)適用于多種工業(yè)場(chǎng)合。工業(yè)現(xiàn)場(chǎng)設(shè)備之間并非相互獨(dú)立不相關(guān)，同時(shí)單個(gè) 設(shè)備上的多個(gè)測(cè)點(diǎn)參數(shù)也并不獨(dú)立無(wú)關(guān)。通過(guò)獲取主要的變化工況參數(shù)并結(jié)合多個(gè)狀態(tài)參 數(shù)可以很好的將整個(gè)設(shè)備的狀態(tài)建立模型。當(dāng)有實(shí)測(cè)數(shù)據(jù)到來(lái)時(shí)，模型會(huì)自動(dòng)輸出實(shí)測(cè)數(shù) 據(jù)所對(duì)應(yīng)的正常預(yù)測(cè)值，通過(guò)對(duì)比實(shí)測(cè)值和預(yù)測(cè)值的殘差可以快速的定位設(shè)

6、備的異常狀態(tài)。 相較于傳統(tǒng)方法，這種技術(shù)有能力在異常發(fā)生的初期即觸發(fā)報(bào)警，有助于避免更嚴(yán)重的損 失。1、工況參數(shù)2、狀態(tài)參數(shù)去除停機(jī)數(shù)據(jù)異常狀態(tài)數(shù)據(jù)Mi四1.3.1基于知識(shí)庫(kù)的智能診斷通過(guò)預(yù)警，可以實(shí)現(xiàn)設(shè)備異常的及時(shí)發(fā)現(xiàn)，但是對(duì)其原因、部位進(jìn)行識(shí)別和評(píng)價(jià)需要 提取更深層次的信息。這部分工作通常是由診斷工程師完成，診斷工程師需要具備設(shè)備基 礎(chǔ)知識(shí)，工藝知識(shí)，信號(hào)分析及診斷知識(shí)，存在培養(yǎng)周期難度大，現(xiàn)有人力資源少等問(wèn)題。基于診斷知識(shí)庫(kù)的智能診斷系統(tǒng)，可以實(shí)現(xiàn)從人工診斷向自動(dòng)診斷的初始化:（1）建立設(shè)備的數(shù)字化模型：通過(guò)振動(dòng)數(shù)據(jù)，設(shè)備屬性信息，SCADA/DCS數(shù)據(jù)的描述 完成設(shè)備數(shù)字化模型的建立。

7、其中，振動(dòng)數(shù)據(jù)包括：速度、加速度、位移、包絡(luò)的原始波 形及各自對(duì)應(yīng)的特征值；設(shè)備屬性信息包括：額定電流，額定功率，軸承型號(hào)，聯(lián)軸器類 型，泵葉片數(shù)等；SCADA/DCS數(shù)據(jù)包括：實(shí)時(shí)轉(zhuǎn)速，實(shí)時(shí)功率，實(shí)時(shí)流量，實(shí)時(shí)壓力等。（2）每一個(gè)數(shù)字化的模型都有對(duì)應(yīng)的診斷算法庫(kù)和和診斷知識(shí)庫(kù)。診斷算法庫(kù)用于 實(shí)現(xiàn)故障特征的特征提取，診斷知識(shí)庫(kù)用于描述故障診斷的識(shí)別過(guò)程。（3）數(shù)據(jù)源接入后，每次新來(lái)的數(shù)據(jù)進(jìn)入設(shè)備模型，通過(guò)匹配數(shù)字模型對(duì)應(yīng)的診斷 算法庫(kù)和診斷知識(shí)庫(kù)，計(jì)算出計(jì)算機(jī)可識(shí)別的特征值，并執(zhí)行故障診斷的識(shí)別過(guò)程。（4）推理引擎類似人的大腦思考過(guò)程，通過(guò)設(shè)備模型提取出的特征值和識(shí)別過(guò)程經(jīng) 過(guò)推理引擎得到診

8、斷結(jié)論，診斷結(jié)論對(duì)設(shè)備異常進(jìn)行了故障定位。（5）診斷結(jié)論經(jīng)過(guò)現(xiàn)場(chǎng)驗(yàn)證后可以被標(biāo)記為診斷案例，當(dāng)積累到一定數(shù)據(jù)量的案例后，可以對(duì)診斷模型進(jìn)行更新，實(shí)現(xiàn)診斷模型的不斷迭代更新。初始錄入以滑動(dòng)軸承的雙支撐泵為例，初始設(shè)備模型可診斷的故障舉例如下，隨著后續(xù)診斷案例的不斷增加，設(shè)備模型不斷更新升級(jí)，可智能診斷的故障逐漸增加。三相異步電機(jī)驅(qū)動(dòng)多級(jí)泵1.4效能監(jiān)測(cè)機(jī)泵運(yùn)行的經(jīng)濟(jì)性是節(jié)電增效的重要指標(biāo)，對(duì)機(jī)泵的能效進(jìn)行監(jiān)測(cè)，可以有效反映單 臺(tái)機(jī)組的實(shí)時(shí)效率，并通過(guò)大數(shù)據(jù)分析，有效挖掘機(jī)組的性能分布及整體新能變化情況。 對(duì)機(jī)泵的性能監(jiān)測(cè)的步驟包括：機(jī)泵監(jiān)測(cè)的數(shù)據(jù)源包括：設(shè)備信息，如：電機(jī)銘牌參數(shù)，泵銘牌參數(shù)等。設(shè)備設(shè)計(jì)數(shù)據(jù)：泵的流量-揚(yáng)程，流量-效率，流量-軸功率曲線。SCADA數(shù)據(jù)：流量，入口壓力，出口壓力，液體密度等。電氣控制柜數(shù)據(jù)：三相電流，三相電壓，功率因數(shù)。通過(guò)內(nèi)置的專家算法庫(kù)，計(jì)算出電機(jī)的負(fù)載率，電機(jī)運(yùn)行效率，泵效率和機(jī)組效率， 對(duì)這些實(shí)時(shí)計(jì)算的數(shù)值可以通過(guò)行業(yè)標(biāo)準(zhǔn)進(jìn)行設(shè)備運(yùn)行效率的評(píng)判，是否合格，是否節(jié)能。通過(guò)長(zhǎng)時(shí)間積累