基于数据模型的设备状态预警系统研究

南昌印钞有限公司 江西 南昌 330043

1 引言

随着科学技术与工业信息化融合与发展，工业企业对关键生产线及设备的状态监测已经达到了新的平台要求，全面向工业4.0，技术信息化等全新高度。通过对关键设备的状态采集、计算机网络传输，服务器数据存档，数据建模，故障预警发布，完成对生线线、关键设备的信息化管理，为故障预判、故障维修、备件预警提供了决策依据。本文主要针对凹版印刷机主旋转机构的状态预警系统作为分析实例。

2 凹版印刷机主旋转机构

凹版印刷机主旋转机构长时间稳定运转，依赖润滑系统的正常工作，目前印刷凹印机主旋转机构的润滑系统都是封装在设备齿轮箱中，供油泵靠主旋转机构带动旋转从而供油，没有设置专有的检测装置观察。主旋转机构的实时状态无法监测。

设备故障突发是生产中极待解决的问题，针对印刷凹印生产线连续运行要求高、停机损失大、故障检测困难等的实际问题，对印刷凹印机及产品线进行多层次分析，为避免设备因故障临时停机而提高生产效率，也有益于降低维修成本和实现设备全安全周期管理。根据实际实情况，目前运行状态主要是针对活动件的温度、以及各分支润滑油的流量进行采集监测，如图1所示。

图1 现场设备图

3 系统架构

从信息流角度出发，整个系统总体上可分为三层，如图1所示。

图2 系统架构

3.1 设备层 设备层包含了凹印设备预警硬件系统由温度传感器、流量传感器、采集PLC和上位机工控主机构成。即在凹印设备主旋转机构加装温度传感器和润滑系统加装流量传感器，传感器再连接到采集PLC的I/O接口，以便将系统状态信息提取到控制器。

3.2 数据层 数据层主要由数据库服务器构成，数据库服务器通过以太网与采集PLC及凹印机控制器连接，以将控制器内存数据提取到数据库，从而为设备预警系统提供信息支撑。

3.3 应用层 应用层，即最终用户的PC机通过B/S或C/S模式访问设备预警软件系统，查看预警信息和实时的温度、流量数据。其他系统若需要查看预警数据，可通过定制和共享预警系统的数据库视图实现集成。

系统涵盖了数据采集、设备远程在线监控、数据模型分析、预警系统、设备管理等功能。如图1所示，设备预警系统总体框架以统一数据模型为基础，搭载由工作流引擎、报表引擎及可视化组件构建的通用工具集之上。通过系统集成接口与外界系统进行数据交换，通过信息发布平台发布实时信息以及故障预警信息。同时为多个工业平台提供数据接口，实现信息共享。

4 软件架构

系统采用基于RIA的富客户端技术，既有C/S模式的特点，又有B/S模式的优势，如图3所示。

图3 软件架构

4.1 实体模型 ADO.NET实体模型，是数据库表、视图、存储过程等的映射，为服务端和客户端提供数据支撑。为业务逻辑间的数据传递提供数据结构支撑，同时起到校验数据的作用。

4.2 域服务 域服务DomainServices，是向客户端公开数据层的WCF Services，创建一个DomainServices实例时，就指定了需要公开的实体模型，以及它所允许的数据操作。也可以通过Partial附加DomainServices类，添加用户自定义的操作。可以对数据的增、删、改、查，也可以是客户端相对复杂的业务逻辑。

4.3 客户端 客户端包括UI层、业务逻辑层、数据访问层、数据代理层。UI层负责客户端界面的展示以及接受用户的操作指令，将指令发送到业务逻辑层或者数据访问层。业务逻辑层接收指令，对需要做的操作作出响应。数据访问层同样接受UI层发送过来的指令，并对其作出响应，通过WCF服务异步触发服务端的方法。数据代理层是实体模型在客户端的映射，作为数据的校验、复杂逻辑、安全的堡垒，为客户端的信息传递提供数据支撑。

4.4 公共类库层 公共类库层Common Libraries，主要为客户端提供公共的类资源，包括常用的公共类、操作类、验证类等。

4.5 公共资源层 公共资源层Common Asset，主要为客户端提供公共的资源，包括主题资源、样式资源、模版资源以及本地化资源等。

4.6 控件扩展层 控件扩展层ControlExtension，主要为客户端提供控件的扩展类，包括常用控件、第三方控件的扩展和重写等

4.7 热部署 系统采用了动态加载技术，客户端的通过互交界面，按需求加载应用程序包，当客户端发生更改时，由WCF服务即时通知到各个客户端，客户端自动加载新的应用程序包。

5 数据模型

通过大量数据采集、积累和分析，逐步建立设备运行等状态的检测标准及模型。通过数据模型建立实时状态监测与故障预警。

5.1 实时监测 实时的温度、流量能在机旁以及工厂设备管理系统查看实时温度、流计数据、实时曲线以及历史曲线、记录查询、报警查询，同时可设定报警，以及报警输出。如图4所示，图5所示。

5.2 数据模型 完成数据采集存储数据库，对数据进行预处理，利用Apriori改进算法、频繁项集、时序规则模式、以及频繁时序关联规则，最后提供决策预警信息，如图6所示。

5.3 Apriori算法 Apriori算法是一个关联规则挖掘算法，也是最经典的算法。它利用逐层搜索更新迭代方法找出数据库中各项集各数据的关系，以形成某种条件规则，其过程由连接类矩阵运算与去掉那些没必要的中间结果组成。该算法中项集的概念为项的集合。包含K个项的集合为k项集。项集出现的频率是包含项集的数量，称为项集的频率。如果某项集满足最小支持度，则称它频繁项集。

图4 实时画面

图5 曲线查询画面

图6 数据模型

Apriori算法是挖掘关联规则的频繁项集算法，一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心思想是通过候选集生成的向下封闭检测两个阶段来挖掘频繁项集。

其核心是基于两阶段频繁集的递推算法。该关联规则在分类上属于单维、单层、布尔关联等单一规则。

Apriori算法已经被广泛的应用到工业、商业、信息技术、网络安全等各个领域。

Apriori算法采用了逐层搜索以及快带更新迭代的方法，简单明了，没有复杂的理论推导，易于实现。

5.4 Apriori算法思想 该算法的基本思想是：

先找出所有的频集，这些项集出现的频繁性和原预定义的最小支持度一样。然后由频繁集产生强关联规则，然后使用第一步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。

一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。为了生成所有频集，使用了递归的方法。

6 结束语

本文采用数据模型，通过实例达到数据采集、计算机网络传输、实时状态监测、故障预警系统，设备管理及平台发布功能。

最后关键设备基于数据模型的状态监测预警系统是设备在健康状态下安全可靠运行的保证，同时也有效降低设备的突发及严重故障的发生。随着科技的不断发展。基于数据模型的状态监测预警系统会有更进一步的发展。