大数据应用说明文档

1、1大数据应用1.1大数据应用模型1.2预警稳态工况预警变工况-预警预警是通过特征值的变化来发现异常，根据设备的运行情况分为:（1）稳态工况下的预警，即：设备运行时的转速功率和相关工艺参数比较稳定的情况， 该种情况下预警分为:阈值预警自适应阈值预警趋势预警（2）变工况下的预警，即：设备运行时的转速功率和相关工艺参数会经常发生变化的 情况，该情况下采用多参量建模预警。1.2.1阈值预警设备类型|设备信息I阈值预警是通过设备类型和设备信息，筛选出与之匹配的标准，根据标准配置特征参 数，根据标准的阈值设定报警门限值。例如:设备类型为：卧式双支撑多级泵设备信息为：转速2980RPM，功率1500kw根据

2、设备类型和设备信息，筛选出的标准为：ISO10816-3根据标准，选取的特征参数为：速度有效值（10-1000HZ），单位mm/s根据标准，设定的阈值为：速度高报7.1，高高报111.2.2自适应阈值预警基于标准的阈值预警不能解决所有问题：（1）标准并不能覆盖所有的设备类型，而且标准的更新速度比较慢，并不能够完全 适应新的机型；（2）同一种类设备类型，因为设备的振动与安装和组装情况有很大关系，因此从设 备标准中查询到的阈值，并不一定适用于该设备。设备可能已经出现了早期故障，但是还 没有到达报警临界点，会造成早期故障的漏诊断；设备可能是没有出现异常，但已经报警， 出现误报警。在自适应预警中，对于

3、不同的设备，从该设备的历史特征值数据中，经过数据清洗， 得到代表正常运行的特征值数据集，将设备正常运行的特征值数据集导入自适应阈值计算 模型中，得到自适应的阈值。自适应报警适用于各种特征值报警，包括振动特征值，温度， 压力等，并且自适应阈值不需要事先获取设备的各种参数，只需要设备运行的历史特征值 数据集，就可以从中挖掘出设备正常运行的特征值临界点。和传统的人工设定阈值相比， 自适应阈值克服了阈值设置偏高或偏低导致的漏诊断和虚假报警，能够准确而及时的发现 设备故障。1.2.3趋势阈值阈值报警解决了基本的设备阈值情况，及自适应阈值报警的不足之处在于还存在的问 题在于：只利用了单次数据进行判断，没有

4、考虑跨时间维度的数据变化情况，例如：振动 特征值并没有超过报警阈值，但已经发生趋势的缓慢变化或快速变化。趋势预警就是建立 统计模型，对一段时间内的振动趋势进行分析判断， 技术将采集到的特征值在一定的时 间维度上进行回归拟合，计算该时间维度上的特征值的增长率（计算时间段可根据不同设 备自定义），当特征值增长率超过相应阈值则触发报警。1.2.4多参量建模预警对于变工况运行条件下，由于状态参数受到工况的直接影响，仅观察单个参量，会出 现该变量随工况在不断变化，难以识别这些变化是由于工况变化还是由于机器健康发生了 劣化，使用多变量建模的技术可以很好的解决这些问题。多变量建模技术利用设备直接相关的工况参

5、数（工艺参量、变化的工况参量）以及设备的 状态参数（温度、压力、振动等）组成的历史数据，从中清洗异常数据得到设备正常状态 下的数据集。根据设备正常状态下的数据集直接建立以数据驱动的多变量预测模型，通过 在已有的正常（或异常）数据集中测试模型的准确性，确认模型对于正常状态和异常状态 的可检测性。多变量建模技术适用于多种工业场合。工业现场设备之间并非相互独立不相关，同时单个 设备上的多个测点参数也并不独立无关。通过获取主要的变化工况参数并结合多个状态参 数可以很好的将整个设备的状态建立模型。当有实测数据到来时，模型会自动输出实测数 据所对应的正常预测值，通过对比实测值和预测值的残差可以快速的定位设

6、备的异常状态。 相较于传统方法，这种技术有能力在异常发生的初期即触发报警，有助于避免更严重的损 失。1、工况参数2、状态参数去除停机数据异常状态数据Mi四1.3.1基于知识库的智能诊断通过预警，可以实现设备异常的及时发现，但是对其原因、部位进行识别和评价需要 提取更深层次的信息。这部分工作通常是由诊断工程师完成，诊断工程师需要具备设备基 础知识，工艺知识，信号分析及诊断知识，存在培养周期难度大，现有人力资源少等问题。基于诊断知识库的智能诊断系统，可以实现从人工诊断向自动诊断的初始化:（1）建立设备的数字化模型：通过振动数据，设备属性信息，SCADA/DCS数据的描述 完成设备数字化模型的建立。

7、其中，振动数据包括：速度、加速度、位移、包络的原始波 形及各自对应的特征值；设备属性信息包括：额定电流，额定功率，轴承型号，联轴器类 型，泵叶片数等；SCADA/DCS数据包括：实时转速，实时功率，实时流量，实时压力等。（2）每一个数字化的模型都有对应的诊断算法库和和诊断知识库。诊断算法库用于 实现故障特征的特征提取，诊断知识库用于描述故障诊断的识别过程。（3）数据源接入后，每次新来的数据进入设备模型，通过匹配数字模型对应的诊断 算法库和诊断知识库，计算出计算机可识别的特征值，并执行故障诊断的识别过程。（4）推理引擎类似人的大脑思考过程，通过设备模型提取出的特征值和识别过程经 过推理引擎得到诊

8、断结论，诊断结论对设备异常进行了故障定位。（5）诊断结论经过现场验证后可以被标记为诊断案例，当积累到一定数据量的案例后，可以对诊断模型进行更新，实现诊断模型的不断迭代更新。初始录入以滑动轴承的双支撑泵为例，初始设备模型可诊断的故障举例如下，随着后续诊断案例的不断增加，设备模型不断更新升级，可智能诊断的故障逐渐增加。三相异步电机驱动多级泵1.4效能监测机泵运行的经济性是节电增效的重要指标，对机泵的能效进行监测，可以有效反映单 台机组的实时效率，并通过大数据分析，有效挖掘机组的性能分布及整体新能变化情况。 对机泵的性能监测的步骤包括：机泵监测的数据源包括：设备信息，如：电机铭牌参数，泵铭牌参数等。设备设计数据：泵的流量-扬程，流量-效率，流量-轴功率曲线。SCADA数据：流量，入口压力，出口压力，液体密度等。电气控制柜数据：三相电流，三相电压，功率因数。通过内置的专家算法库，计算出电机的负载率，电机运行效率，泵效率和机组效率， 对这些实时计算的数值可以通过行业标准进行设备运行效率的评判，是否合格，是否节能。通过长时间积累