引言

在传统的核电厂内，对各类复杂设备的监控与优化需求非常迫切，这些设备的数据采集具有高频率、大批量、高并发、长周期的特征，每天产生的运行数据达数百G，如何远程监测、储存并利用这些数据，让其产生价值，成为了一个急需解决的问题。传统的核电监测与诊断系统多为单机式、集中式、离线式，难以实现设备的异地监测。而且其多通过设定阈值，触发多级报警来实现异常检测，诊断更是多通过人为经验来判断推理。近年来，国家推出了两化融合、“互联网+”行动，积极推进了物联网、云计算等新兴技术在设备远程监测领域的应用，而机器学习等基于数据驱动的智能算法在工业设备故障诊断中的研究也愈来愈广泛。

1智能无线监测系统在核电站中的应用

某核电站依托厂房覆盖的无线网络，搭建智能无线监测系统，实现了泵、风机、阀门等设备上安装的临时传感器的信号采集，以及现场采集的信号数据的实时监测和趋势查看。在不增加现场铺设电缆的前提下，只需要少量的安装和部署工作，即可实现传感器信号的采集和传输。在设备特殊工况运行和设备状态异常的情况下，无须对原有控制系统进行改造，可以及时、方便地增加设备测点，降低执行风险。通过平台端的组态配置，可以方便地实现现场数据的上送、解析和存储。目前，智能无线监测系统已在某核电站循环水泵、气动调节阀等重要设备新增振动监测信号上进行应用。利用智能无线监测系统，完成临时测点（振动、温度等）的增加、数据采集和数据分析，为设备状态监测和故障诊断提供数据。另外，智能无线监测系统已在智能厂房建设中实现ＰＸ泵房、电气厂房温湿度与ＰＭ２．５监测，ＧＢ廊道氧含量监测，控制区辐射剂量监测，并在大修后期阀门、泵组再鉴定工作中得到广泛应用。

2基于云平台的设备远程监测及智能诊断的架构

2.1边缘端

2.1.1数据采集平台

数据采集平台采用美国国家仪器（NI）的卡件搭建，利用LabVIEW编程实现对设备运行过程中振动和工艺信号的自适应采集及数据预处理。正常工况，低采样率采集数据，降低存储成本；一旦发生异常工况，提高采样率，以便诊断分析。

2.1.2边缘网关

物联网边缘网关，以虚拟镜像的方式可部署在本地不同量级的智能设备和计算节点中，支持连接不同协议接收本地数据，并通过协议转换将数据传送至IOT平台。

2.2云端

2.2.1物联网平台

1）设备通信。提供MQTT协议与边缘网关通讯，实现设备-OPCUA-边缘网关-MQTT-物联网平台长连接的实时性需求；提供2G/3G/4G、NB-IoT、LoRa、WiFi等不同网络设备接入；通过开发设备端SDK让设备直接接入。2）设备管理。通过配置边缘网关信息，可定义不同协议，关联相应设备通过定义设备传感的点名、数据类型等信息生成后台物模型代码，可实现多个设备生命周期管理、设备上下线变更通知等功能。3）规则引擎解析转发数据。可以配置规则引擎将物联网平台中的设备数据转发至其他模块中，进而获得存储、计算等其他服务。例如，基于规则引擎可以将数据转发到时序时空数据库。

2.2.2数据库

由于电厂采集的设备状态数据基本都是与时间相关的量，而且工业上的数据采集呈现出采样率高、采集时间长、测点传感密集、设备种类多样等特点，使用传统的关系型、非关系型数据库会造成数据的存储成本高和查询效率低等问题。本架构采用了时序时空数据库，它是专门针对工业物联网带时间标签数据优化的一种高性能、高实时的数据库，能达到秒级写入百万级数据的能力，可实现数据的高压缩比以低成本存储，高效的进行多维聚合计算和预降采样，对于缺失数据可以便捷的实现插值补全，快速的查询数据并实现可视化和历史回溯。而且TSDB需安装在VPC（私有网络）云服务器上，保证了数据的安全性。

2.2.3诊断模型训练及部署

对于设备诊断段模型的开发和部署可以使用机器学习平台PAI，它封装了常见的机器学习算法，可通过图形化的方式建立诊断模型，降低了开发人员的门槛,同时具有命令行工具，可将自己开发的算法嵌入到工程中。PAI除了内置机器学习算法外，还具有主流深度学习框架Tensorflow、Caffe、MXNet，底层提供GPU可进行模型训练加速。训练完的模型可在线部署生成API，通过建立API网关，被云端或边缘端调用实现实时诊断。

2.2.4监测画面

对于监测画面的开发可以采用DATAV软件，它是基于B\S方式的网页可视化工具，具有丰富的模板。DATAV数据接入方式有多种，如关系型数据库和非关系型数据库、本地CSV上传、在线RESTfulAPI及动态请求。基于网页形式开发的画面，可在任意显示端通过输入网址来查看设备监测状态。

3基于架构的应用开发

3.1边缘端数据采集与通讯

边缘端的搭建包括转子试验台、传感器、数据采集硬件、工程师监测站、边缘网关镜像。转子试验台可以模拟不同工况下的正常数据和不平衡、不对中两类故障数据，可利用LabVIEW进行转速测量、信号滤波、傅里叶变换、小波变换、轴心轨迹分析等预处理。

3.2云端

3.2.1设备数据上传IOT平台

通过物联网平台定义设备传感信息，生成物模型，配置边缘网关信息及驱动，并将其配置部署至边缘节点中，实现边缘网关通过MQTT协议将数据上报云端IOT平台。

3.2.2历史数据储存与回溯

在云端VPC（私有网络）的服务器上设置TSDB数据库实例，保证数据的安全性。上传到IOT平台的数据，通过规则引擎解析转发到TSDB数据库中，实现时序数据存储和历史回溯。历史数据回溯如图12所示。

3.2.3诊断模型训练

由于PAI构建在数据中台MaxCompute之上，所以先从云端TSDB数据库将历史数据导出，然后在云端虚拟服务器上安装并配置好MaxCompute客户端，通过tunnelupload命令上传数据至MaxCompute被PAI平台读取；从而实现数据由数据库到PAI平台的流转。

3.2.4实时监测画面开发

设备连接物联网平台后，DATAV通过调用基于JAVA开发的RESTFULAPI将数据实时更新到监测画面；而PAI通过在线部署，生成模型API网关被IOT或边缘端直接调用，将诊断结果返回至监测画面。

结束语

在设计的架构上，以实验台架作为应用对象，也验证了以上优有点。无论企业是选择私有云还是公有云的形式，本架构都有广泛的应用价值；而且基于云平台的方式，也为大数据分析-智能诊断算法研究提供了基础。

参考文献

[1]雷亚国,胡桥,段晨东.机电设备远程监测与诊断系统在LabVIEW平台上的实现[J].机械科学与技术,2005,24(1):119-122.

[2]杨文广.基于云平台的动力设备远程故障诊断系统研究[J].制造业自动化,2017,39(7):6-9.

[3]葛二灵.基于云计算的设备远程故障诊断中心的设计与实现[D].江苏:南京理工大学,2014.