电站锅炉远程在线服务系统研究

马益新，梁 希，马会钧（.无锡市人力资源和社会保障局，江苏无锡 40；.重庆大学，重庆 40；.无锡华光锅炉股份有限公司，江苏无锡 405）

科技与应用

电站锅炉远程在线服务系统研究

马益新1，梁 希2，马会钧3
（1.无锡市人力资源和社会保障局，江苏无锡 214011；
2.重庆大学，重庆 401331；3.无锡华光锅炉股份有限公司，江苏无锡 214035）

综合应用云存储技术、分布式实时数据库技术、专家系统技术等研制完成了一种针对电站锅炉的远程在线服务系统，给出系统的软件体系架构，介绍了其关键技术及其实现情况，供同类系统研究、开发者参考。

电站锅炉；云存储；远程在线服务；海量大数据

随着我国制造业的迅猛发展，企业的竞争已逐步从传统的制造竞争演变为市场竞争、客户竞争，企业的管理重心也从传统的物流、财务和制造管理转向全面地客户管理系统，而售后服务是全面客户管理关系中的一个重要方面［1］。

互联网、物联网的发展与应用，使在线服务逐步进入企业售后服务中。与传统的服务模式相比，在线服务及时方便，有利于大幅降低服务成本。目前这种服务在软件、人力资源、咨询等行业应用较为普遍，但在制造企业尚处于探索阶段。

电站锅炉是热电系统的三大核心部件之一，其质量直接决定着电力系统能否稳定可靠运行。目前，电站锅炉的售后服务主要存在以下几个方面的问题：

1）锅炉出现故障时，解决问题的速度仍然不能很好地满足用户要求。

2）售后、安装服务成本。一方面，锅炉出现故障停运，往往需要生产厂家派由技术、售后等人员组成的团队现场诊断、解决问题，差旅成本很高。另一方面，由于电站锅炉结构复杂（如：大型循环硫化床锅炉有上百万个零件构成，高度也达到几十米。）往往是边生产、边运输、边安装，现场指导安装的工地代表需要几个月时间才能完成一个项目，成本很高，且安装过程中出现问题时，不能及时“会诊”。

3）质量问题赔偿金额大。锅炉停止运行意味着电厂停止生产，不仅会直接带来停产损失，而且二次点火的费用也很大（如：一台30万容量机组的锅炉，每点一次火的固定成本就超过20万元）。如果锅炉本身质量原因造成，索赔金额往往很大。

4）电厂锅炉运行维护成本居高不下。发电企业为了保证电力生产不出现意外中断，对锅炉的“过维护”情况很多。

显然，研制锅炉远程在线服务系统将能实现锅炉设计、制造人员和电厂运行维护人员的优势互补，实现产品制造企业和用户单位的协同维护，将“事后服务”转为“事前预防”，有效降低锅炉故障，降低售后服务成本，减少停机时间，对锅炉制造企业和发电企业都具有较高的经济效益价值。

1　系统的体系结构

综合应用云存储技术、分布式实时数据库技术、专家系统技术、互联网、物联网技术研制完成了锅炉远程在线服务系统，系统由硬件层、虚拟平台层、操作系统层、应用支撑平台层、应用软件层构成。其层次化体系结构如图1所示。

图1　锅炉远程服务系统的软件体系结构

1）硬件层。硬件平台层包括网络设备及网络、应用服务器及云存储设备、桌面设备、通讯设备等。

2）虚拟平台层。建立在操作系统之上，通过虚拟机模式支持不同操作系统的应用。

3）支撑平台层。图型平台用来支持锅炉远程监测系统的运行；实时数据库用于支持用户锅炉运行数据的采集与存储；知识库支持专家系统的知识推理和系统交互。

云存储平台基于数据立方构建。锅炉安装过程视频通过移动网络摄像机保存，系统在需要时通过4G网络访问这些设备的实时数据。

4）应用软件层。呼叫中心平台支持售后服务人员和客户直接的语音通讯，客户服务管理系统支持客户服务全过程的管理，包括：服务请求管理、任务管理、工单管理、服务处理结果记录、服务成本分析、服务质量统计分析及配件管理等，锅炉运行远程诊断系统用于锅炉设计专家对用户锅炉的远程诊断及分析，基于锅炉运行数据的海量大数据的专家系统，一方面通过数据挖掘等手段得到有益的知识和信息，为设计人员改进设计提供支持；另一方面，通过系统推理为用户锅炉运行情况提供更专业的诊断结论。锅炉安装远程视频采集系统主要用于支持锅炉的远程安装指导和分析。

2　远程在线服务系统的系统结构

锅炉远程服务系统运行的系统结构如图2所示。其中，用于采集各用户锅炉实时数据的数据采集代理计算机和远程服务器集群构成专用的VPN隧道。大屏幕显示系统用于实现服务大厅用户锅炉现场数据的实时显示、远程安装视频播放等，在线服务的各种应用程序部署在应用服务器。

图2　锅炉远程在线服务的系统结构

3　关键技术研究

3.1基于锅炉海量大数据的专家系统

锅炉运行的过程参数变化数据量极其庞大，如：在一台400 MW的中小型锅炉需要采集的数据节点有4 000左右，按照采样周期3秒钟，每天产生12亿条数据。锅炉运行海量大数据的专家系统是本研究的最大特点，目前国内外均没有此类系统。由学习子系统、数据挖掘子系统、决策支持子系统、交互子系统构成。它通过学习、数据挖掘、知识推理和人机交互等子系统为设计人员优化锅炉设计提供依据，并全方位的支持客户的锅炉运行优化调整和故障诊断。

海量大数据专家系统利用神经网络学习功能［2-3］、大规模并行分布式处理功能、连续时间非线性动力学和全局集体作用实现知识获取自动化。

海量大数据专家系统分别提供两种界面给锅炉专家和一般用户。首先将锅炉专家提供的锅炉问题解决实例知识的数据文件进行预处理，神经网络作为知识获取机制，从处理后的数据文件中学习锅炉知识，并将其存储在权值和阈值中，以数据文件的形式保存。通过知识录入界面，锅炉专家可以总结锅炉领域内的经验知识，对神经网络输出结果进行分类判断处理，并给出专家建议或对不同结果的解决方案。对于一般用户，可将遇到的锅炉问题数据输入系统中，经过并行推理机的计算，得到问题的数值性结果。将此结果传输到对象推理机，对象推理机自动和知识库连接，得到与此问题相关的问题描述性回答及专家建议或解决措施，结构如图3所示。

图3　海量大数据专家系统的结构

3.1.1学习子系统

学习子系统包括：模型管理和学习任务管理两个子系统，模型管理模块对模型的名称、目的、输入、输出参数、中间层参数、期望误差和迭代次数进行设定和设置，学习任务管理模块完成学习任务的制定、学习任务执行周期设定，学习成果存储等等。如：对于前文提及的锅炉排放、锅炉运行预警建立如图4所示的管理模型。

图4　锅炉排放管理模型

对于锅炉的排放，模型学习过程如下：首先初始化权重矩阵，设定计算精度值和最大迭代次数。

其次以风机转速、频率、风量，炉膛温度、燃烧器的燃料流量、冷却水流量、温度、冷却空气温度、除尘出口氯化氢、氧化硫浓度等参数值作为输入值，对氮氧化物含量、硫化物含量、烟尘含量等设置期望值并进行迭代计算，公式如下：

中间层k=输入层1*权重wi11+…+输入层i*权重wiii输出层k=中间层1*权重wh11+…+中间层i*权重whii

最后将输出层k氮氧化物、硫化物、烟尘值与期望的氮氧化物、硫化物、烟尘值对比，满足设定精度或者达到最大迭代此，则停止计算，否则开始新一轮迭代。

可以看出，海量大数据专家系统可以提炼出当前锅炉设计、运行专家不具备经验和知识，能为锅炉安全高效的运行、进一步优化设计等提供重要依据，如：针对锅炉运行安全问题，建立的锅炉运行预警模型，通过学习可以得到负荷、锅炉给水、燃料量、冷却水、送风和引风量等与运行安全之间较为准确的相关性的指标，而这些指标在传统的设计经验值和理论估算中往往留有很大的安全系数。

3.1.2决策支持子系统

决策支持子系统将学习系统的成果展示给用户，该子系统依据模型中输入输出数据特点选用逻辑推理或不确定性推理方式。

如：对锅炉排放管理模型来说，若输入输出数据都是完整的、准确的数值，在这种情况下推理方法采用逻辑推理，其推理过程与学习系统模型学习过程类似。

在不确定性推理中，知识表示方式是产生式规则，其形式一般为：

IF ETHEN H（CF（H，E））

其中E是知识前提条件，H是知识结论CF （H，E）是知识可信度。CF（H，E）取值范围为［-1，1］，值越大表示满足前提知识条件的结论H越可信，反之亦然。

如：对汽包压力大的问题其推理过程如下：

前提条件：

IF E1 THEN H1（0.8）

IF E2 THEN H2（0.3）

IF E3 THEN H3（0.1）

其中E1=汽包压力大，E2=汽包压力小，E3=送风小；H1=燃料流量大，锅炉负荷大；H2=锅炉低负荷；H3=锅炉高负荷。

经过提问后得到各个证据的可信度为：

CF（E1）=0.8，CF（E2）=-1，CF（E3）=-1

接下来计算结论可信度CF（H1）=0.8*|max （0，CF（E1）|=0.8*0.8=0.64

同理CF（H2）=0，CF（H3）=0；所以H1＞H2＞H3，所以结论为H1，可信度为0.64。

3.1.3大数据分析子系统

电站锅炉产品中所有的子系统都是非线性的，因此，必须对数据进行统计、分析、挖掘才能提炼出能用于用来优化设计或优化锅炉运行状态的有用知识，大数据分析子系统通过对数据分类、采样、统计、模型分析提炼出有用的知识，并按照不同的需求生成各类报表。

采用K-means统计方式，曲线及图形绘制采用R语言。例如：对于烟尘浓度分析，首先选择出不同客户的同一类型、容量相同或者相近的所有锅炉，然后定义采样周期，针对风烟类数据抽取到所需要的小时、日、月、年等数据，其次采用K-means聚类算法找出中心值作为R图分析的采样样点数据，最后利用R图工具绘制出其正态分布图，从而得到最稳定的烟尘浓度参数。

3.1.4交互子系统

大数据专家系统中，交互子系统主要支持知识的检索和统计报表的查询，交互子系统通过授权方式可以开放给用户。

3.2云存储系统

本系统采用数据立方［4-5］实现云存储系统构建，其由索引、数据访问管理模块、数据查询解析器、作业解析器、元数据、并行计算机构和分布式实时数据库系统构成，如图5所示。

图5　远程服务系统中的云存储架构

数据立方中，锅炉运行实时数据的入库通过采集代理系统完成，数据采集代理系统将客户锅炉运行实时数据读取后存储到本地实时数据库文件中，实时数据库的历史数据按照测点名分区存放，索引文件基于测点名称为关键字构建，每个测点在实时数据库文件中对应不同的位置偏移量，即X=（Ptname，Positon），x、Ptname、Positon分别表示索引记录、测点名称和数据库文件中的偏移量，新的测点数据增加后，索引随之自动更新。

远程服务系统中的元数据存储在远程服务系统的关系式数据库中，元数据和各代理系统的测点表基于以下模型结构构建：

M=｛Bt，Bb，Bs，Bn，Btn，Bnode，Bnum｝

M代表系统参数的空间集合。

Bt∈T1，T1是锅炉类型的集合（包括：秸秆炉、余热锅炉、煤粉炉、垃圾炉等几种）。

Bb∈T2，T2是锅炉设计额定容量（蒸吨数的集合。（如：130、220、280、750等）。

Bs∈T3，T3是表示所有的锅炉子系统。（包括：风烟子系统、燃烧子系统、除渣子系统、给水子系统、脱硫/脱硝子系统等等）。

Bn∈T4，Tn是锅炉参数的集合（如：主蒸汽温度、含氧量、主蒸汽压力等等）。

Btn∈T5，T5是用户锅炉测点名称的集合。

由于不同用户使用不同DCS系统，测点编码规则完全不同，所以测点名和参数名称基本上都是N：1关系，同时，同一节点（指数据采集代理系统计算机）上的测点名具有唯一性。

Bnode∈T6，T6是节点名称的集合，它由安装数据采集代理系统的计算机名称的表示。

Bnum∈T7，T7是锅炉编号的集合，每个连接在远程服务系统中的锅炉具有唯一的编号，每台数据采集代理系统对应一台或者多台锅炉，每一台锅炉的所有参数对应一个唯一的Point Type（数据类）。

数据访问管理模块主要完成元数据的构建、管理，查询需求生成及结果输出。

SQL解析器基于查询需求生成sql查询语句。

作业分析器根据SQL语法树、元数据和测点表信息，分析所要处理的数据表对应的所在存储子节点位置，生成查询作业并发送给并行计算架构。

数据立方的分布式并行架构是一种典型的主从结构，如图6所示。并行计算架构接收到作业生成器生成的作业，切分查询作业形成子任务，然后将子任务发送给数据所在的存储子节点，在执行完毕后将结果返回。

图6　基于并行计算的作业提交示意图

例如：在相关性分析中，对于需求—“查询130蒸吨循环硫化床锅炉在2014年11月主蒸汽温度和压力的所有数据”，sql解析器生成的结果为：

Go

DECLARE@ServerName VARCHAR（30）

DECLARE@dbname VARCHAR（30）

ECLARE@Praname1 VARCHAR（30）

SET@ServerName='@ServerName'

SET@dbname='@DBname'

SET@Praname1='@MainSteamTemperature'

SELECT tag，value，time

FROM piinterP

WHERE tag=@Praname1

AND time BETWEEN'*-720h'AND'2014/11/30

23:59:59'

Go

Go

DECLARE@ServerName VARCHAR（30）

DECLARE@dbname VARCHAR（30）

ECLARE@Praname2 VARCHAR（30）

SET@ServerName='@ServerName'

SET@dbname='@DBname'

SET@Praname2='@MainSteamPressure'

SELECT tag，value，time

FROM piinterP

WHERE tag=@Praname2

AND time BETWEEN'*-720h'AND'2014/11/30 23:59:59'

Go

假设作业分析器依据元数据和测点表找到两台130蒸吨循环硫化床锅炉在运行。采集代理计算机机器名分别为：AgentServer1、AgentServer2，存放实时数据的数据库分别为：AgentDB1、AgentDB2，测点参数名分别为：（41TE04_2， 41PT04_2） 和（1LAB71CT001，1LAB71CP001）。作业分析将会替代SQL分析器结果中的参数为实际值并生成作业描述文本。

并行计算架构根据作业文本生成4个子任务task1，task2，task3，task4，子任务task1、task2发送给节点AgentServer1，子任务task3、task4发送给节点AgentServer2。

任务描述格式如下：

Taski=（Severi，Dbnamei，Pramerteri，CommandStri，

Resultsetnamei）

对于上述的task1，任务描述如下：

Sever1=“AgentServer1”

Dbname1=“AgentDB1”

Pramerter1=“41TE04_2”

CommandStr1=“SELECT tag，value，time

FROM piinterP WHERE tag='41TE04_2'

AND time BETWEEN'*-720h'AND'2014/11/30

23:59:59'”

Resultsetname1=“DS_tbl_41TE04_21”

上述云存储架构具有如下优点：

1）可扩展性，开放性好。增加锅炉采集代理节点时，不需要对远程服务系统的应用程序做任何修改。

2）网络负荷小，只有需要被分析或者显示的数据才被从数据采集代理系统中读取。

3）可以数据源切换的方式动态显示不同锅炉的实时数据，远程服务系统数据集中存储与数据同步可以和数据采集异步进行。

4）使用并行计算架构，数据抽取速度快，能满足大数据分析的需要。

3.3数据采集代理系统

数据采集代理系统主要由消息管理器、同步接口、OPC接口、实时数据库系统构成，如图7所示。

图7　数据采集代理系统

3.3.1消息管理器

消息管理器主要负责与远程服务系统通讯并设定接口的有关参数和工作状态。主要包括：OPC接口的运行、停止，OPC接口采集数据的扫描频率，同步接口同步数据的类型（测点表或实时数据等）。

3.3.2OPC接口

OPC是工业控制领域的软件接口标准，它按照标准的方法完成不同设备之间数据交换的问题。利用这些接口，客户可以按照统一的数据访问标准与不同厂商的软硬件产品进行通信。目前电站锅炉使用的DCS系统中，基本都提供了OPC访问服务。

OPC接口完成锅炉运行数据的实时采集，由于OPC服务器提供的测量数据来源于DCS数据总线，因此，在同一时刻，远程服务系统监控图上看到的数据和电厂控制室看到的数据是同步的，几乎没有延迟。

3.3.3同步接口

同步接口完成代理系统实时数据向远程服务系统数据库的实施数据同步和测点表的推送（测点表只有在测点描述信息发生变化时才需要同步，一般情况，数据采集代理系统部署完成后同步一次即可）。

3.3.4代理系统实时数据库

安装在数据采集代理计算机上的实时数据库主要用于对应的锅炉实时数据的存储。这种架构的数据采集代理系统具有如下特点：

1）最大程度的保证了数据采集的完整性。一般代理系统放置在客户的控制室中，和OPC服务器之间的网络连接比较可靠，所以即使数据采集代理系统和远程服务系统之间的网络连接中断，数据采集不受影响，同时这些数据也可以通过同步接口传到远程服务系统中来，从而保证了客户锅炉运行数据的完整性。

2）系统运行成本可控。某些电厂的DCS系统、工程师工作站和internet网络是物理隔离的，因此，有些用户节点需要用无线设备（移动4 G设备等）进行数据传输，按照每月20 G流量计算，数据费需要350元以上（不限流量500元/月），运行成本较高，对于这些用户，本系统架构灵活支持长期连接或者进行服务时动态连接的方式，减少网络流量的使用，从而降低系统运行成本。

3）便于分步实施和部署。远程服务系统开发完毕后，用户锅炉分步接入系统时，只需要搭建数据采集代理系统，几乎不需要对远程服务系统本身做任何改变。

4　系统实现与应用

本文以Osisoft公司的PI 2012实时数据库及其SDK工具［6］等为基础，在Visual studio 2013开发环境下完成了系统开发。研究成果在无锡华光锅炉股份有限公司得到了应用，如图8所示，系统得到企业设计人员和用户的好评，目前系统运行稳定。

图8　锅炉远程服务系统（运行诊断子系统）

5　结束语

锅炉远程服务系统的建立和应用，实现了传统服务模式的创新，为提升锅炉制造企业品牌形象，提高服务效率和质量，降低企业制造成本、售后服务成本开辟了新的途径，因此，该系统在锅炉行业制造企业中推广将具有广阔的市场前景。同时本文的技术架构及系统完全可应用于区域环保部门监测和分析本地域锅炉的排放和分析。

［1］马会钧，柴新建.面向制造企业的售后服务协同管理集成平台的研究与实现［J］.中国机械工程，2006（12）：1253-1256.

［2］侯媛彬，杜京义，汪梅.神经网络［M］.西安：西安电子科技大学出版社，2007.

［3］SimonHaykin.神经网络与机器学习［M］.第3版.北京：机械工业出版社，2011.

［4］BEYER K，RAMAKRISHNAN R.Bottom-up computation of sparse and iceberg cube［C］//ACM SIGMOD Record. ACM，1999，28（2）:359-370.

［5］AGRAWAL R，IMIELINSKI T，SWAMI A.Mining association rules between sets of items in large databases［C］// ACM SIGMOD Record.ACM，1993，22（2）:207-216.

［责任编辑：吴卓］

Research on Remote Online Service System of Power Plant Boiler

MA Yixin1，LIANG Xi2，MA Huijun3
（1.Wuxi Human Resources and Social Security Bureau，Wuxi Jiangsu 214011，China；
2.Chongqing University，Chongqing 401331，China；
3.Wuxi Huaguang Boiler Co.，Ltd，Wuxi Jiangsu 214035，China）

Based on the cloud storage technology，the distributed real-time database technology and the expert system technology，a software architecture of remote online service system is proposed，and the key technology and the implementation strategy are introduced.The research results of this paper can provide reference for similar system research and insights for developers.

power plant boiler；cloud storage；remote online service；massive data

TP311.52

A

1672-6138（2015）01-0011-07

10.3969/j.issn.1672-6138.2015.01.003

2014-12-16

马益新（1963—），女，江苏无锡人，高级工程师，硕士，研究方向：软件工程开发应用和软件项目管理。