基于大数据的辅机设备振动噪声监测分析平台

刘肃平，谭志平

广东科技学院 计算机系，广东 东莞 523083

1 引言

机组由主机和辅机设备组成，目前在机组的运行过程中，由于重大设备故障而导致机组计划外停机已经达到平均两年一次的频率[1]。辅机设备作为机组的重要组成部分，往往是机组状态检测的薄弱环节。因此，辅机设备能否安全运行的关键问题在于是否能做好辅机设备的状态监测工作。做好辅机设备状态监测能保证电厂机组正常运行，减少电厂因停机而带来的经济损失，而且也能通过对辅机设备的状态监测保证工作人员的人身安全。因此，加强对辅机设备的状态监测成为电厂迫切需要解决的问题。

辅机设备在运行过程中，噪音和振动现象十分普遍，随着设备运行时间的延长，噪音振动呈全面加剧之势。国网、南方和香港电网近一两年发生的几起机组辅机设备故障，其故障原因尚未确准，但运行人员反映其最明显的特征是运行中噪音振动明显变大。目前既无此方面的数据记录和积累，也无具体可执行的技术措施、标准或手段进行定量化的评测和管理，故有必要展开对辅机设备振动、噪音等特征量的研究。

目前，国内外在该领域做了一些有益的尝试。文献[2-3]中，开发了辅机设备预警系统，但具有很大的技术局限性。系统只能监测少量辅机设备，随着对辅机设备状态监测的广度和深度的不断加强，数据成指数级增长，该系统将无法实时处理数据流，更不能对海量数据进行数据挖掘和建模，对海量数据的集成管理、实时处理、分析、展现成为技术难题。随着大数据技术的不断发展，实时大数据分析技术在商业互联网领域应用广泛，但是大数据在状态监测领域的应用研究还处于探索起步阶段，只有一些理论研究。文献[4]提出了大数据要求下在线监测系统建设要点，包括数据采集、传输、存储、调用、挖掘分析；文献[5]提出了复杂装备的状态监测实时流数据处理框架；文献[6]探讨了在输变电设备状态监测领域的实时流数据处理框架，全面提高了数据处理的实时性；文献[7]提出了如何有效存储和分析输变电状态监测大数据的研究方法。分析可知，虽然未形成真正能应用于辅机设备状态监测领域的实时大数据分析技术，但提供了一些技术参考。

本文在此基础上，探讨了在辅机设备状态监测分析与研究领域的实时大数据处理技术，解决了在这一应用领域的大数据技术难题，研发了一个辅机设备噪音振动大数据研究平台，满足了对辅机设备大范围状态监测与研究的需求，为大数据技术在辅机设备领域的应用进行有益的尝试。

2 状态监测流数据

本文监测的对象为某电厂#5、#6两个机组的41台辅机设备。采集#5、#6发电机组的12台风机、10台磨煤机、10台水泵、6台气泵噪音振动数据以及2台升压变、1台启备变的噪音振动、中性点电流、高压侧电流、电压、谐波数据，共计208个数据采集点。按1 s间隔，以48 kHz/24 bit采集噪音数据，以25.6 kHz/16 bit采集振动、电流、电压数据，每分钟数据总量为982.88 MB，每天数据总量为1 382.17 GB，每月数据总量为40.49 TB。如此大规模的流数据要求在线实时处理，及时评估设备状态，这对在线监测系统的实时性、吞吐量和可靠性等方面提出了很高的要求。

3 状态监测实时数据处理框架

通常实时大数据计算模式分为两类：流式计算（Stream Computing）和批量计算（Batch Computing）。它们分别适用于不同的应用场景：对于先存储后计算，实时性要求不高，同时数据的准确性、全面性更为重要的应用场景，批量计算模式更加适合；对于无需先存储，可以直接进行数据计算，实时性要求很严格，但数据的精确度要求稍微放宽的应用场景，流式计算具有明显优势[8]。大数据计算模式如图1所示。

图1 大数据计算模式

结合本文的需求来看，一方面需要实时处理采集到的噪音、振动、电流、电压、谐波原始数据，计算得到噪音的A、C、Z值和振动速度v、加速度g、位移s值以及全频谱数据，实现对辅机设备运行状态的实时监测；另一方面，将所有原始数据集中存储至大数据服务器中，建立辅机设备的噪音振动大数据库，可对历史数据进行全面的分析，包括FFT全频谱分析、趋势分析等，且能作为对辅机设备故障诊断、故障定位等深层次研究的一个平台。因此，本文采用流式数据实时分析技术和实时批处理技术相结合的方式，对应目前的主流开源框架技术，采用Storm+Hadoop架构，如图2所示。

图2 状态监测数据实时处理体系结构

监测数据以数据流的方式进入系统，首先利用Storm以流计算的方式，对流式监测数据进行快速计算和处理，形成针对特定运龄、工况、环境条件下辅机设备运行特征参数的判断、预测和预警处理，处理后的数据传输至实时监测中心，通过大数据的数据展现技术，管理人员可直观、准确地看到各个辅机设备的运行状态；然后，采用批计算技术，将海量原始数据存储到基于Hadoop的分布式文件系统（Hadoop Distributed File System，HDFS）中，建立大数据库，再采用基于MapReduce的大数据分析技术对海量数据进行数据挖掘和建模，从而发现隐藏在海量数据中丰富、有价值的信息，为辅机设备的更深层次的研究建立一个研究平台。

3.1 状态监测实时流数据处理技术

目前，大数据流式计算系统实例有很多，其中比较典型的、应用比较广泛的、具有代表性的是Storm系统[9]、S4系统、Puma系统、Kafka系统、TimeStream系统，各有优势。其中，Storm是一款分布式、开源的、实时的、主从式大数据流式系统，在电力行业状态监测领域应用较多。

Storm采用主从系统架构，在辅机设备状态监测中，使用Storm处理流数据时，首先要设计流数据处理过程中的任务拓扑（Topology）结构，即Storm的逻辑单元，对状态监测流数据的处理顺序依次为获取数据、去噪（多种）、计算特征量、状态评价等。任务拓扑结构如图3所示。

图3 Topology结构

一个任务拓扑是由一系列Spout和Bolt构成的有向无环图，通过数据流（Stream）实现Spout和Bolt之间的关联。在图3中，Spout负责从外部数据源不断地读取数据，并以Tuple元组的形式发送给相应的Bolt；Bolt负责对接收到的数据流进行计算，表示数据处理的一个过程，比如去噪、计算特征量、评价等；不同的特征量计算方式和不同的评价方式表示不同的Bolt，一个Bolt的输出，可以作为另一个Bolt的输入。在对各个特征量的评价中，不同的设备、不同的运行时间段，标准值会有所不同。将计算后的特征量与标准值相比较，评估出各个设备在相应时间段的运行状态，若超出阈值，立刻预警。

3.2 状态监测数据批处理技术

在状态监测中，除了对流式监测数据进行快速处理，对设备状态进行分析外，随着辅机设备运行时间的累积，形成了海量的历史数据，有必要对海量历史数据进行存储，并通过对历史数据的数据挖掘，找到隐藏在大数据中的有价值的信息。

Hadoop分布式文件系统采用主从架构，Hadoop集群可采用廉价PC。MapReduce是一种处理海量数据的并行编程模型和计算框架，用于对大规模数据集的并行查询和计算，该计算模式在Hadoop上得到了实现。通过这两项技术的结合，可搭建分布式、高性能、可伸缩的数据存储系统，实现对状态监测动态信息的存储和并行查询，构建低成本、高效率的辅机设备大数据挖掘与分析研究平台[10-12]。

4 系统实现

4.1 方案设计

系统采用分布型网络体系架构，由2台大数据服务器、100 Mb/s光纤以太网和按辅机设备配置的41台S930智能噪音振动传感器三部分构成。1台S930监测1台辅机设备。S930负责采集流数据并进行流式计算，形成针对特定运龄、工况、环境条件下辅机设备运行特征参数的判断和预警处理；大数据服务器主要负责将辅机设备的状态监测数据存储到HDFS中，建立大数据库，以及利用MapReduce并行编程模型和计算框架，对大规模数据集进行并行查询和计算。此外，大数据服务器中的高级应用软件可利用大数据库中的数据进行分析和研究。系统结构如图4所示。

图4 系统结构图

在图4中，S930按照实时1 s间隔，以48 kHz/24 bit采集噪音数据，以25.6 kHz/16 bit采集振动、电流、电压数据。然后，S930利用Storm以流计算的方式，对流式监测数据进行快速计算和处理，得到噪音A、C、Z值和振动速度v、加速度g、位移s值，按频点计算实时频谱值，再与标准值相比较，作出评价。通过以太网，将处理后的数据传输至监测中心并实时显示，实现了对该位置的辅机设备的状态监测以及预警；同时，S930将状态监测流数据压缩，通过IEC61850/ModBus/DNP通信协议传输至大数据服务器的HDFS中进行存储，建立辅机设备振动噪音大数据库；当监测人员发现某个辅机设备出现预警信息时，监测人员可通过Web网页登录大数据服务器中的高级应用软件FFT分析仪，分析仪通过MapReduce查询到待分析数据在HDFS中的具体位置，并读取。分析仪利用读取的原始数据进行FFT全频谱分析、趋势分析，并在界面中显示分析结果。

4.2 硬件设计

4.2.1 S930

硬件选型如下：

（1）噪音传感器，采用AWA14423的电容传声器，1级声级精度标准，灵敏度50 mV/Pa，频带范围10 Hz～20 kHz，动态范围15～140 dB。

（2）振动传感器，采用YD9200的振动速度传感器，灵敏度20 V/(m⋅s)，频带范围10～1 000 Hz。

（3）前置放大器，采用型号为AWA14604的前置放大器，1级声级精度标准，与声音传感器和振动传感器相连，频带范围10 Hz～100 kHz，动态范围15～134 dB。

（4）模拟数字转换器（ADC），采用AD7606，这是一款16位，8通道同步采样模数数据采样系统（DAS），工作电压是5 V，提供SPI接口，方便与MCU之间进行参数的传递。

（5）CPU，采用恩智浦公司推出的LPC1788芯片，以Cortex-M3为内核的微控制器，主频高达120 MHz，具有8通道的DMA控制器，片上有EEPROM，其掉电保存，方便保存一些固定参数，支持SDRAM外设，SDRAM的大容量有利于保存大量的采样数据，同时还具有丰富的接口功能。

以上硬件组装非常方便，整机完全满足测量范围30～130 dB和实时监测的要求。

硬件设计结构如图5所示。

图5 S930硬件设计框图

4.2.2 大数据服务器

硬件选型如下：

（1）服务器，采用型号为ThinkServerTD340 S2407v2 4/1 THO的服务器，主频为2 400 MHz，硬盘扩展至16TB，支持多个千兆网口，操作系统是Windows Server 2012 R2版本，数据库管理系统采用SQL Server2012版本。

（2）液晶显示屏，采用联想的LI2032WD十九寸液晶屏，实时显示每个设备的预警信息。

（3）快速以太网收发器，采用型号为STV-D8110-MC-2KM，与光缆相连，接收光缆传递的信号。

（4）光电转换器，采用型号为T651的智能终端，将电缆输入的电信号转化为光信号。

（5）交换机，采用中兴的ZX210-2950，接收快速以太网收发器和光电转换器T651终端的信号，与服务器相连，将数据存储至服务器中。

硬件设计结构如图6所示。

4.3 系统软件设计及核心算法实现

4.3.1 S60软件

S60是S930智能噪音振动传感器的软件部分，它采用基于内核的嵌入式实时操作系统。在CPU的软件设计过程中，主要采用模块化的设计方法，优点是降低模块间的耦合度，提高软件复用性。整体的软件架构包括驱动层、系统层和应用层三部分。

图6 硬件设计框图

在本系统中主要实现对噪声信号和振动信号的采集、计算和传输任务，应用任务工作流程如图7所示。

图7 S60软件流程图

在噪音处理中，采用无限脉冲响应（Infinite Impulse Response，IIR）数字滤波器算法计算Z、C、A频率计权的连续等效声压级，使用实序列快速傅氏变换（Fast Fourier Transformation，FFT）算法分析噪声频谱[13]。

根据国家标准《JJG 188—2002，声级计检定规程》可知，C计权C(f)可用如下公式计算：

任何频率上的A计权A(f)可用如下公式计算：

在以上公式中，C1000和A1000表示常数，C1000=-0.062 dB，A1000=-2.000 dB。 f1到 f4取近似值为：f1=20.6 Hz,f2=107.7 Hz,f3=737.9 Hz,f4=12 194 Hz。

由式（1）推导出C频率计权的传递函数为：

表1 计算误差

由式（2）推导出A频率计权的传递函数为：

双线性变换公式和预畸变公式为：

以上i=1,2,3,4，fs表示采样频率，fs=48 kHz。

将式（5）和式（6）代入式（3）、（4）中推导可得C、A、Z计权等效连续声级公式。

在振动处理中，本文采用基于最小均方差思想的有限长单位冲击响应（Finite Impulse Response，FIR）滤波器的方法设计了一种新型的微分器；在设计积分器时，首先采用维纳滤波器进行滤波处理，以提高信号的信噪比，再采用梯形积分法进行积分，但积分后的信号中原始信号中直流量所引起的趋势项，采用最小二乘法消除了一次趋势项，其积分算法原理如下：

设加速度连续周期信号为x(n)，它的频谱为X(k)，根据傅里叶变换定义的谐波信号时域和频域的对应关系，设 x(n)、v(n)、d(n)为加速度信号 x(t)、速度信号 v(t)、位移信号d(t)的离散化表示，每条谱线对应时域中的一个正弦波，表达式为：

进而有：

在式（7）～（11）中，wk=2πkΔf,Δf=Fs/N。由式（10）、（11）计算出速度离散信号v(n)、位移离散信号d(n)后，再根据均方根值即可计算出相应的有效值[14]。

与其他算法相比，以上算法精度相对较高[15]，计算误差如表1所示。

表1中的误差为不同频率信号下的最大误差，由表可知，噪音和振动的测量精度完全满足国家一级标准，已经在中国赛宝实验室（工业和信息化部电子第五研究所）计量检测中心取得了检定认证。

4.3.2 FFT分析仪

FFT分析仪安装于大数据服务器中，它基于LabView软件平台。首先，依次读取待分析的机组号、设备号、测试单元、数据源，如#6机组6B风机第1路振动，加载相应的界面；然后，选择起始日期和采样频率，判断是否按下载入键，若是，连接数据库，读取相应设备在那个时间段的数据，若不是，则继续等待；数据载入后，对数据进行解析，解析后对数据再进行FFT分析；最后，界面上显示出原始波形以及分析处理后的波形、频谱图、功率谱、3D瀑布图。软件流程图如图8所示。

图8 FFT分析仪软件流程图

5 应用成效

2015年9月，该系统已经在某电厂安装实施，由于辅机设备分布广，结构复杂，数量多，种类多，相应的监测点非常多，现列出部分具有代表性的应用现场，如图9所示。

系统安装运行以来，取得了以下应用成效。

（1）实现了对电厂辅机设备的#5、#6机组的41台辅机设备状态监测流数据的采集。共计208个数据采集点，每分钟数据总量为982.88 MB，每天数据总量为1 382.17 GB，每月数据总量为40.49 TB。

（2）实现了对辅机设备状态监测海量数据的实时处理，以1 s为计算周期，计算得到噪音的A、C、Z值和振动速度v、加速度g、位移s值，以及全频谱数据，形成针对特定运龄、工况、环境条件下辅机设备运行特征参数的判断、预测和预警处理。

（3）实现了海量流数据的通信传输。兼容ModBus、DNP和IEC870-5-104、IEC61850协议，提供100 Mb/s双光纤/电网络、CAN、RS485和WiFi、GPRS接口，解决了丢包问题，保证了数据的完整性。

图9 应用现场

（4）实现了海量数据的存储和并行查询。研制了大数据服务器，搭建分布式、高性能、可伸缩的数据存储系统，实现对状态监测动态信息的存储和并行查询，构建低成本、高效率的辅机设备大数据挖掘与分析研究平台。在该平台上，可对海量数据进行数据挖掘和建模，从而发现隐藏在海量数据中的丰富、有价值的信息，满足对辅机设备进行更深层次研究的需求。

（5）建立了辅机设备大数据分析模型。研制了一套基于大数据全频谱FFT和2D、3D趋势分析软件，建立了辅机设备振动噪音的检测标准、实测的大数据记录库和事故隐患的诊断预警、寿命预测的大数据分析模型。

（6）实现了在线远程监测。基于互联网Web应用体系架构，电厂监测中心可通过互联网或移动互联网登录在线监测系统，从而可在线实时查看辅机设备#5、#6机组运行状态和预警信息，如图10所示。

该系统大大提高了机组的安全可靠性。在系统的长期运行过程中，系统多次发现辅机设备存在的潜伏性故障，电厂电气工程师根据预警信息到现场进行诊断，发现确实存在相应的潜在性故障，对机组采取果断、及时、正确的操作，并对该机组采取相应的跟进措施，避免事故的发生；同时，该系统建立的辅机设备振动噪音的研究平台，存储了辅机设备运行过程中的海量原始数据，提供了大数据分析工具，可作为辅机设备的故障诊断、故障定位等深入研究的基础，供电力行业相关研究人员使用。该系统大大降低了研究人员研究过程中获取实验数据的成本，提高了研究人员的研究效率，促进了对辅机设备的深入研究。

图10 基于Web的在线监测系统

辅机设备振动噪音的研究平台之所以能够开发成功并快速实现规模化应用，主要得益于以下几方面：第一，目标明确，建立可应用于辅机设备的噪音振动大数据研究平台，满足发电厂对辅机设备进行状态监测以及研究分析的业务需求；第二，勇于创新，在技术层面取得重大突破，将大数据技术应用于系统中；第三，团结协作，技术骨干联合攻关。

6 结束语

本文通过对目前辅机设备状态监测研究现状的分析，发现主要存在以下三方面的技术难题。第一，如何实时地处理监测过程中采集到的海量数据流，快速生成分析结果；第二，如何存储、查询海量数据，从中挖掘出有价值的信息；第三，如何解决各厂家在线监测装置通信规约不统一、不透明，造成数据资源不能共享的问题，提高系统的开发性、通用性、易扩展性、易维护性，促进系统在电力行业的应用与推广，促进该领域的智能化、数字化建设。为了满足以上需求，本文创新地提出流式数据实时分析技术和实时批处理技术相结合的方式，以Storm+Hadoop大数据处理架构很好地解决了前两个关键问题。为了解决第三个问题，本系统里的S930智能终端按照智能电网技术标准体系中的大机组设备状态监测与故障分析系统技术标准进行设计，支持智能电网统一通信规约，通过IEC61850协议进行通信传输，实现数据资源共享，促进智能电网大机组设备状态监测与故障分析领域的数字化、智能化建设。系统中的智能终端不仅可以应用于机组辅机设备，还可以应用于各种振动噪声监测场合，根据监测场合的不同，可以很方便地对系统进行剪裁，增加或减少智能终端的数量来适应现场需求。这使得系统的开发性、通用性、易扩展性、易维护性大大提高，非常易于应用与推广。目前，该系统已经成功应用于某电厂，取得了预期的应用效果，证明了该系统是可靠的。接下来，将在此基础上开展更深层次的研究工作，具体内容如下：

（1）提出在大数据环境下的数据压缩技术方案，提高传输海量数据的速度，降低海量数据对存储容量的需求，缓解海量数据增长速度，在满足数据处理分析速度的前提下，优化大数据平台对系统扩容的需求，降低大数据平台的软硬件投入成本。

（2）设计一种适应同时接入不同类型的数据信号的同步采样方法，避免相位和幅值随着时间的积累产生严重误差，保证大数据的数据质量，为辅机设备和变压器的异常噪声源识别定位研究提供可靠的数据基础。

（3）开展对辅机设备中的风机和变压器的异常噪声源识别定位研究工作，建立异常噪声源识别定位分析系统。该系统对空间中的一个观察平面上的不同点的声音强度进行扫描，绘制出一幅声强的分布图，将异常噪声实时动态地呈现给观测人员。

（4）对大数据进行数据挖掘，根据机组辅机设备类型、型号、状态的不同，相应地提取出准确、有价值的数据进行分析，为设备检修工作提供可靠、准确的数据支持，提高检修效率，减少检修成本，提高设备利用率，保证设备的安全性，总体上提升设备运行管理水平。

（5）将此系统应用于更多电厂的大机组辅机设备，根据各个电厂设备的不同，建立不同类别、不同型号、不同状态的大数据库，通过智能电网统一通信规约实现不同电厂的数据共享。

（6）完善大数据共享平台，包括改进通信信息建设和数据安全性、隐私保护相关研究。

（7）国内外智能电网大数据的研究和工程应用刚刚起步，尚处于探索阶段，如何将此领域的大数据接入智能电网，需要多方努力沟通，达成共识，共同消除存在的障碍，制定各方面的发展战略。