基于大数据的大型装备全生命周期管理研究

王凤，周铁梁

(华电重工股份有限公司上海分公司，上海 200126)

1 大型装备全生命周期

随着互联网、大数据、人工智能和实体经济的深度融合[1]，电力行业的发展也步入了新阶段，迫切需要改变传统电厂管理模式。综合利用信息化技术、网络技术、现代管理技术、数字化技术、大数据、虚拟现实技术，构建统一的大数据云平台。利用大数据云平台进行数据分析、挖掘，将设备生产和运营管理深度融合，建设智慧管控于一体的设备全生命周期管理系统，确保大型装备生产活动信息传递的同步化和有效性，能够对大型装备生产和管理准确分析、控制以及智能决策。

2001年，国际环境毒理学与化学学会(SETAC)欧洲部把生命周期管理界定为“一种基于生命周期观点，包括概念、技术与规程在内的灵活综合性框架”。产品生命周期的概念最早出现在经济管理领域，由Dean[2]和Levirt[3]提出，经过50多年发展和并行工程的提出，逐渐扩展到了工程领域。产品生命周期的范围也从市场阶段扩展到了研制阶段[4]。

Kutin等人[5]通过在产品制造的生产系统使用阶段和设计生产阶段建立联系，使得新产品制造时间缩短30%～40%。对于产品生命周期管理，西门子公司开发出一款Teamcenter软件，有助于降低成本、提高质量和设计效率。Asea Brown Boveri(ABB)公司开发的Crane & Harbour CMS System设备远程监控系统只适用于ABB品牌的可编程逻辑控制器(PLC)控制系统[6]。

国内主要以建筑业的行业生命周期管理偏多，其次才是制造业。周亮亮等[7]采用全生命周期分析法，建立清洁燃煤发电技术的完整性生命周期清单，从建设、运行、退役3个阶段的能源和资源消耗、环境影响、生命周期成本进行评价，并对4种电厂进行了生命周期综合评价[4-6,8]。上海振华重工(集团)股份有限公司开发的大型起重机设备控制监视系统还局限在PLC与上位机之间的数据传输[1,9]。由上述可知，国内还没有单位开发出应用于火力发电厂输煤系统大型装卸设备的数据采集装置和全生命周期管理系统，有些企业和高校只是针对大型设备的部分机构或者部分功能进行了研究应用。

目前，产品全生命周期管理还仅仅存在于可持续管理的思想和概念上。随着大型装备的自动化和智能化，为了保证设备和企业的正常、高效运行，设备的生产、运输、运行、维护直至拆除的全生命周期管理系统扮演着越来越关键的作用，在工业生产中的应用也越来越广泛[10-12]。

本文利用先进技术手段，通过研发用于火力发电厂输煤系统大型装卸设备的数据采集装置，适用于多种控制系统，进行设备运行数据采集，对大型设备进行状态监测和故障诊断分析，定期生成体检报告，确保在设备故障前对其进行预防性维护。该管理系统，不仅能大大节省人力、物力和财力，减少不必要的消耗，而且是延长大型装备运行周期、提高生产率、增加企业经济效益的有效途径。

2 数据采集

数据在大型装备中主要存在3 类，即结构化数据、非结构化数据和多媒体数据[1,9]。结构化数据来源于电厂生产一线各类大型机构设备的传感器信息，具有严格的数据类型，可通过标准的语言查询。非结构数据无需通过预定义的数据类型实现结构化，这类数据不易用数据库二维逻辑表现，其与设备管理契合度很高。第3类多媒体数据，主要是一些图像视频数据。

对于工业级的数据采集而言，提供专门的数据采集模块是必不可少的，华电重工股份有限公司自主研发的数据采集装置专用于工业级生产数据采集传输，一般对大型装备的数据获取主要从3个部分完成：数据采集、数据传输存储和通信。通过对大型装备的多种数据采集，传输至数据中心，依靠大数据平台进行数据挖掘、评估、分析，如图1所示。

图1 数据采集系统功能示意

2.1 数据采集过程

数据采集是通过以太网通信协议和大型装备连接实现。将装备监测参数打包，通过数据链路发送给数据中心。数据中心的数据接收处理模块负责接收数据包，并完成存储、解析等后续工作。数据采集采取分类采集的方式，对不同类型的数据采取不同的采集方式，大大提高数据采集效率，支持对不同通信协议的设备进行数据采集，支持视频采集。

2.2 数据传输存储

数据传输主要通过以太网协议完成，在大型装备数据采集周期内可以实现数据同步传输，延时极小[13]。数据暂存是利用数据采集装置数据库来实现的，数据采集和通信均是依靠于数据库，采集到的数据可以实现本地存储和通过远程传输后存储于数据中心。数据采集装置采用一种嵌入式数据库对所采集的数据实现管理，并可以在较长一段时间中，保存所有采集的数据，确保数据不会丢掉。数据采集装置预留多种通信接口，兼容多种通信协议，可与多种类型控制系统通信。采集数据传输经过多次地址转换映射后，通过安全套接层(SSL)数据通信协议加密，自动连接到数据中心，实现数据智能传输。数据中心服务器仅开放80端口来处理与客户端的通信，提高服务器的安全性，保证数据安全传输。

2.3 通信

数据采集模块的通信主要包括2部分：一是数据采集模块与PLC控制系统连接和通信，另一个是数据采集模块与数据中心的连接和通信。数据采集模块和PLC控制系统直接通过以太网连接和通信；数据采集模块和数据中心的通信采用客户端/服务器的方式完成。数据采集模块主动向数据中心请求连接，数据中心确认采集模块发送的请求信息后建立连接，并通过以太网协议进行通信，可将结构化数据、非结构化数据和多媒体数据通过专有安全通信隧道传输至大型装备管理系统，实现数据资源共享[9]。由于本装置设计时考虑到通信技术快速发展，以及港口设备有在国外使用的可能性，数据传输模块进行模块化的设计，能够克服国外网络制式不同的问题，满足即插即用的功能要求。现阶段随着5G通信技术的出现，本装置通信接口可扩展为5G网络，同时使用过程中，只需数据采集系统的路由系统升级至5G版本，就可投入使用。

3 数据的价值挖掘

对于设备密集的电厂而言，如何高效监控大量设备是保障电厂正常运转的基础[14]。现阶段，大型装卸设备已经向智能化方向逐步发展，利用虚拟现实、大数据等技术，致力于大型装备监控现场、故障预警以及全生命周期服务，改变了电厂主设备传统的生产运营管理体系，实现少人值守、无人巡检、辅助决策。为了保证电厂设备的经济、安全、稳定、绿色运行，实现效益最大化，大型装备全生命周期管理系统扮演着越来越关键的作用。

在大型装备全生命周期管理解决方案中，如何将现场智能设备层的状态信息和数据传输至智慧管理级，挖掘数据价值，这是大型装备全生命周期管理的关键。可通过研发专用于设备智能管理产品，采集大型装备生产数据，建立大型装备管理库，结合三维可视化模型，实时监测设备运行状态。

3.1 基于数据的三维可视化建模方法

江苏某电厂通过激光扫描系统完成对堆场三维模型建立，该系统通过获取堆场物体表面和大面积外形的三维数据，又称之点云数据。这些数据记录了物体的位置信息以及其表面反射率，利用非接触式测量方法，快速扫描获取堆场平面和空间数据信息，建立堆场动态三维模型[10,15]。大型设备三维建模是利用数据采集模块获取的设备二维数据，将其转换成三维数据，这部分数据和点云数据组合形成三维数据库，通过对三维数据库、关系数据库进行处理分析，建立设备三维可视化模型，可以实现对设备的长度测量、剖面分析、面积计算、空间测距等分析功能。还可将定位系统有效融合到三维可视化模型中，可以准确地显示人员、工具、车辆在系统中的位置，这种方式更加直观、立体，十分有利于设备的智能管理，实现无人值守运行模式。

3.2 基于数据的大型装备智能运维系统

众所周知，大型装备运行过程中一旦有故障发生，为了保证企业生产效率，就需要安排维护人员及时维修。但由于大型装备具有分布地域广的特点，对于距离较远的大型装备，很难做到“随叫随到”。当相同故障同时出现在不同区域的多台装备上时，只能安排相应的人员前往装备所在地域，进行维修工作[8,15]。

若建立远程监测及故障维护管理系统，只需通过一个技术人员的远程指导就能解决上述难题。这对于企业来说，大大降低了人力成本，并可实现设备实时维护。

通过大数据、信息化技术，可将生产设备的生命周期信息数据通过数据采集装置提取，通过有线或无线的方式传输给PLC控制系统。然后利用数据采集模块发送至数据中心，利用数据中心管理平台，通过对实时数据和大量历史数据存储分析，运维人员通过远程对大型装备整个运行过程进行监控、统计查询，系统管理者可授权给相应操作人员，负责设备维护的操作人员可以在网站(Web)服务器上实时查询相应设备运行状态，每个人员登录或退出系统的时间需进行记录，以便维修查询，大型设备智能运维系统示意如图2所示。

图2 基于数据的大型设备智能运维系统示意

根据已有的生产运行数据计算装备的生命周期，预测装备的维护时间，通过位于远程监控中心的服务器可以查看与充分挖掘现场设备的相关数据，从而实现远程维护的功能，实现基于状态的装备维护方式[16-19]。保证设备能够准确、可靠、迅速、稳定、安全地完成工作内容。当发现装备运转异常时，运维人员可根据三维可视化模型，并结合数据中心统计分析预测结果，第一时间对异常信号作初步诊断，准确定位装备故障发生点，及时处理系统故障。将设备自控系统和管理系统有效融合，实现数据资源共享，精准分析装备运行状态，依托数据中心管理平台，可提供远程在线运维服务，这种运维方式提高了装备管理水平。

3.3 基于数据的大型装备预测评估

大型装备的运行状态是一个连续的过程，随着时间的推移，装备的性能或状态会逐渐下降，同时一些趋势预兆在故障发生前会频繁出现。这些故障的出现绝对不是瞬间状态的转变，而是一个时间积累的过程，也是一个具有一定变化轨迹的过程。在装备运行过程中，可通过对故障进行一定预测、控制，及时提出相应对策以避免故障发生[20-22]。

预测评估主要是对设备的关键零部件的寿命进行预测，判断各个零部件的是否在一段时间内还能够健康地工作，以便工作人员能够根据预测结果进行相应的处理，提前检查各个零部件，预防故障发生。通过获取大型装备各个测点大量历史数据，使用线性回归预测算法或灰色模型预测算法对大型装备的影响因素分解，并对各个因素的变化情况进行考察，进而预估装备零部件未来的状态。大型设备健康评估系统模型如图3所示。以仪表盘视图展示预测结果，预测数据走势范围、装备数据今后可能波动的范围和数据最可能的未来值，预测装备潜在隐患，剩余寿命天数以及装备零件损坏时刻，对装备未来的维修调度时间进行合理安排。

图3 大型设备健康评估模型

3.4 应用实例

以江苏某电厂1台条形料场斗轮堆取料机设备为例，该设备采用了激光扫描系统，激光扫描装置安装在斗轮堆取料机的塔架顶部，激光扫描装置在水平方向上对料场的扫描范围大于180°，通过该系统对堆场进行三维建模，获得料场和斗轮机空间位置信息，操作人员通过模型直接监测斗轮机堆取料情况。设备上安装数据采集装置，采用TCP/IP协议直接与PLC控制系统通信，将设备现场运行数据采集远程传输至数据中心，通过远程无线通信技术，设备生产数据信息被实时监控，对每个机构的测点进行运行统计，生成报表，用户通过选定需要查询的时间范围，即可获取设备监测数据。监控中心根据影响设备各个机构运行的因素，建立灰色预测模型和线性回归模型，预测斗轮机大车行走、悬臂回转、俯仰、皮带、中心料斗、尾车、润滑除尘等机构以及前后拉杆、门座架等机械结构的寿命，根据预测结果合理安排设备结构检修时间。当设备出现报警或故障时，监控中心会显示报警点或故障点的地理位置，专业工程师根据报警或故障远程指导现场人员，协调配合，同时专业工程师可远程连接设备PLC控制系统，进行远程调试、修改、查询现场相关数据，实现PLC在线功能。

通过对设备运行状态的实时监控，设备事故率减少了75%，维修费用降低了25%，将设备运行与维护紧密结合，信息化与生产系统联合，实现效率的提升，避免信息孤岛的产生，为数字电厂的建设奠定基础。

4 结束语

本文介绍数据在火力发电厂输煤系统大型装备全生命周期管理中的重要价值。在大型装备全生命周期管理过程中，必将会产生海量数据，利用物联网、虚拟现实、大数据分析等技术，将这些海量数据和设备各个分机构实现紧密关联，形成多个监测点，进行运行统计、故障诊断以及健康评估，实时监控设备运行状态，提高装备稳定性、可靠性，降低故障率，整合设备运作的多个子系统，实现多网统一，提高数据信息的可读性和分析性。利用高度关联的数据信息网络，完成大数据快速采集、传输、分析，高速查询统计，全面监控，智能预测，构建绿色环保、高效节能、安全可靠的大型装备全生命周期管理系统，为电厂输煤系统的安全、稳定运行提供更可靠地保障，具有明显的经济和社会效益。