基于大数据的设备状态实时异动监测

摘要：

本文主要说明基于大数据的设备状态实时异动监测原理及意义

背景知识要求：

无

甲：“阿嚏----阿嚏----阿嚏----阿嚏--”

乙：“你要感冒了吧？！”

甲：“没事，扛一扛”

没过多久果然感冒了。

乙：“你都感冒了，赶紧去医院看看”

甲：“没事，扛一扛”

没过多久发展成了成鼻炎了。

通过以上对话不能看出，一个打喷嚏慢慢发展成感冒再发展成鼻炎的过程，究其原因是没有及时进行治疗。如果在刚开始打喷嚏的时候就喝一包感冒冲剂也许就不会有后面的病变。假如把打一个喷嚏称为一个人体信号的正常特征，那么连续的喷嚏可定义为异常特征。对于人体的整个生态系统来说，一个信号异常特征就表示整个生态系统有不好的健康走势。整个原理是否也可以运用到工业领域呢？把一个工业系统设备同理为人的整体生态系统，设备信号（电流、电压、速度、含量）同理为人体特征信号。任意一个设备信号如果也出现“连续的喷嚏”，是不是意味着工业系统设备也有不好的健康走势呢？

工业数据结论

在工业场景下，任意取一个设备信号量——电流，在设备正常运行过程中，电流正常的区间可以绘制下图一样的色带，曲线就是电流趋势。

当电流信号出现异常后，出现下图形中的效果：

去检查设备现场后发现是设备轴承损坏导致。

试验监测原理

首先在时间维度上，将设备自投产之日开始到现在为止所有的设备健康信号数值做一个整合梳理，根据设备工况的不同，形成不同的数据集合，最终将会形成一条随设备工况变换而变化的设备健康状态区间。可以理解为只要设备参数在这个区间，设备就是没问题的。但设备监测参数出现在区间之外后，那就说明历史上在这个工况下从未出现该数值并以不同标识进行可视化展示，如上图的红点。当设备打一个“喷嚏”的时候，可以理解为是自然的生理反应；当设备出现一连串的“喷嚏”的时候，那这个设备的健康就有不利的健康趋势，这种形象直观的方式将设备健康状态一览无余。通常我们将上述的监测手段称之为基于大数据的设备状态实时异动监测。

设备异动状态监测的意义

设备出现异动报警后，提醒运行维护人员对设备进行全面健康体检，发现问题隐患及时消除，这样可以使工业设备处于长周期的安全稳定状态，将设备管理模式由出了问题再检修过渡到出现问题之前进行保养修复，消除即将可能出现的问题。这样不仅可以大大降低设备频繁更换备件造成高成本的负担，同时还可以消除微小事故隐患累积成造成关键设备急停引起大范围负荷动荡。

EIOT数据俱乐部

聚焦工业互联，分享数据价值

助力人才转型