基于云平台的核电设备监测诊断架构设计与实现

2021-01-24毕道伟刘嘉熙张东生

制造业自动化 2021年1期

刘欢，毕道伟，刘嘉熙，张东生

（1.上海交通大学机械与动力工程学院，上海 200240；2.上海核工程研究设计院，上海 200233；3.四川大学电气工程学院，成都 610065）

0 引言

设备作为核电站重要的生产要素，如果发生故障，轻则降低生产效率，重则导致机组停机，有时甚至造成灾难性的后果。2018年发改委等四部委联合发布《关于进一步加强核电运行安全管理的指导意见》，要求加强关键设备运行状态监测，改进监控技术手段，提高设备的可靠性，加强对核电机组运行风险的实时跟踪，精准提高核电运行安全水平。可见对核电厂关键设备进行状态监测与故障诊断研究显得尤为重要。

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[1]，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。

杨文广等[2]利用Bosh Lite搭建了私有的Cloud Foundry PaaS平台，并在云平台上进行动力设备的诊断案例开发；宋亚奇[3]等对输变电设备监测大数据在Hadoop框架下的存储与处理优化进行了研究；葛二灵[4]等基于hadoop生态开发了设备远程故障诊断中心的原型系统；王有元[5]等基于云平台实现了对变电站变压器的智能诊断，诊断时间缩短了40.11%，提高了故障诊断的可靠性；Zhiqiang Huo[6]等为了解决石化厂大量无线和有线传感融合产生的高密度异构数据的储存问题，提出了基于云计算的诊断架构并进行了应用验证。但是在核电领域基于云平台的设备监测和诊断研究非常稀少。

本文提出了基于云平台的核电设备远程监测及智能诊断的架构，其可以实现数据在云端的高效、可靠地存储，并快速访问和分析，用户不仅可以直接在云平台上获得监测设备的历史与当前状态，此外，还可以基于机器学习和大数据的方法进行设备状态异常检测、故障诊断及预测的研究，从而保障核电机组安全、可靠、高效运行。

1 基于云平台的设备远程监测及智能诊断的架构

云平台的核心是虚拟化技术，它将计算机集群的硬件资源、软件平台、基础应用抽象成服务的形式提供给用户使用，根据所提供服务的内容不同分为三层，IaaS（Infrastructure as a Service，基础设施即服务）、PaaS（Platform as a Service，平台即服务）、SaaS（Software as a Service，软件即服务）。而基于云平台实现大数据处理的核心软件框架是Hadoop，它的功能是实现大量数据的分布式储存和计算。

为了解决核电设备远程监测和智能诊断面临的问题，本架构采用边缘-云端的方式，使生产环境与开发环境分隔。采集的设备数据首先通过OPC UA协议与边缘网关通讯，再通过MQTT协议上传至云端物联网（IOT）平台，其将数据转发至数据库储存以便回溯分析，同时通过RESTful API调用IOT数据实现实时监测；其次数据库中的设备运维数据可以导出，用于诊断模型训练，将训练好的模型在线部署生成API；通过建立API网关被云端或边缘端调用实现实时诊断，最后将诊断结果返回到监测画面进行显示。详细的设备远程监测及智能诊断的架构示意图如图1所示。

以上架构可以基于阿里云实现，各个功能模块可依托其PaaS层的产品进行开发。为了保证电厂数据的实时性、安全性，选用了云生态中支持多种协议的物联网平台作为数据的中转；针对设备数据多是时间序列的特点，采用了时序时空数据库对数据进行高速读写；为了高效的搭建诊断模型和快速的开发监测画面，采用了数据可视化工具（DATAV）和机器学习平台（PAI）。

1.1 边缘端

1.1.1 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。同时在采集服务器上可以基于LabVIEW开发OPC UA SERVER，与边缘网关的OPC UA CLIENT实现通讯。

1.1.2 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（如OPC UA、MODBUS）接收本地数据，并通过协议转换将数据传送至IOT平台。

1.2 云端

1.2.1 物联网平台

物联网平台作为数据的中转平台，支持多种协议实现边缘端和云端进行双向通信；对多类设备进行配置管理；同时承担着数据转发功能；而且其具有多重防护可有效保障设备云端安全。以上功能可通过如下方式实现：

1）设备通信

提供MQTT协议与边缘网关通讯，实现设备-OPC UA-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[7]；

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（如OPC UA、MODBUS），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。

图1 架构示意图

图2 PAI内置算法

1.2.2 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（Time Series & Spatial Temporal Database，简称 TSDB），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[8]，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。

1.2.3 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内置的算法如图2所示。

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。

1.2.4 监测画面

对于监测画面的开发可以采用DATAV软件，它是基于BS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RESTful API及动态请求[9]。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。

2 架构中关键环节间的信息交换

2.1 设备与边缘网关通讯

宋振华[10]提到了OPC UA和TSN结合作为下一代的工业通信已成为了业界的共识，能够解决工业互联网IT和OT融合面对的三个主要问题：OT端的总线复杂且多样，周期和非周期性数据的传输，实性要求高。TSN是为了解决数据传输与实时性问题而开发的数据链路标准，它能实现周期和非周期数据在同一网络中传输，并采用抢占式MAC的方式来保证数据传输的实时性。OPC UA作为工控领域使用最广范的协议，能有效解决总线复杂、多样的问题，统一了标准和规范。

本文中考虑到未来架构应用的代表性，所以设备端与边缘网关的信息交换采用了OPC UA协议。20世纪90年代发布的OPC规范是基于微软COM/DCOM的技术，导致OPC的安全性、跨平台性、连通性方面存在短板。鉴于此，OPC基金会推出了全新一代的数据通信统一规范OPC UA，它集成了现有的OPC规范，并进行了扩展，支持多平台开发、复杂数据内置、完整的地址空间、安全机制等功能。

图3 OPC UA通讯架构

OPC UA通讯架构如图3所示。OPC UA Server把数据、历史、事件管理和安全配置等模块抽象成服务的集合，通过通信栈编码、加密后被OPC UA Client调用。数据管理模块提供了客户端对数据的读写和订阅服务；历史管理模块提供了历史数据、事件的保存和浏览接口[11]；事件管理提供了触发报警的机制；安全配置通过创建安全证书和认证，保证服务端和客户端间的安全通信；设备采集驱动提供了读写接口给OPC UA Server调用。地址空间为Server中对Client可见的信息集合，以上所有的服务都是基于地址空间实现的。

OPC UA Server提供了一致、完整的地址空间，节点是构成地址空间最基本的元素，节点由属性和引用组成。引用是节点与节点间的关联关系，由于节点间的引用形成了地址空间的层次结构。对象是地址空间中的节点类集合的实例，它通过引用将属性、方法、事件集合在一起。当在地址空间里定义对象时，如创建一个离心泵的对象，属性对应为泵上各个传感器，体现了对象的数据特征，方法定义了可以被客户端调用的操作，如CLIENT可以通过读、写、询问和订阅等方法访问属性值，从而获取设备数据状态。事件对应为当某个传感器数据超过限值而触发的报警，它体现的对象的状态更改。

2.2 IOT平台与监测画面信息交换

IOT平台与DATAV信息交换首先通过配置HTTP/2服务端订阅功能，然后在云上虚拟服务器上创建SDK配置客户端接收订阅数据，最后通过基于BS架构的restful api实时调用服务器上数据更新至监视画面，以上协议可在虚拟服务器上通过JAVA编程实现。

RESTful API由后台提供被前端调用。前端调用API时向后台发起HTTP请求，后台响应请求将处理结果反馈给前端，是一种典型的基于HTTP的协议。但是其相比传统的HTTP具有复杂度低、安全性高、操作规范等优点，因为其接口设计原则和规范遵循REST（Representational State Transfer，表现状态转移化）风格。REST API设计原则规范要素如下：

1）统一的资源操作接口原则。RESTful风格的数据操作采用标准的HTTP方法，GET用来获取资源，POST用来新建资源，PUT用来更新资源，DELETE用来删除资源[12]。

2）URI（Uniform Resource Identifier，统一资源标识符）。资源是互联网上一切实体，例如文本、图片、数据等。对于设备状态监测领域，资源多以数据的形式体现并统一采用JSON格式进行传输和通信；每个特定的资源都有一个URI与之对应，要获取这个资源就需要访问其URI，最常用的URI就是URL（Uniform Resource Locator，统一资源定位符），比如云上服务器的IP地址加信号点名。

3）无状态原则。所谓无状态即客户端与服务器之间交互是无状态的，所有的资源都可以URI定位，而且这个定位与其他资源无关，也不会因为其他资源的变化而变化，而且API的每次调用都是独立的，不同请求间互不影响。

3 基于架构的应用开发

在本文架构上以转子实验台架为基础，开发应用实例验证了架构的优越性。下面简要介绍架构应用的流程并展示部分典型界面。

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（前置放大器、信号调制器、NI PXI采集卡）、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，通过硬件现场采集9个通道的信号如图4所示，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。实验室布置如图5所示，边缘网关镜像启动如图6所示。轴心轨迹分析如图7所示，转速测量程序如图8所示。

图4 传感器采集信号示意图

图5 实验室布置

图6 边缘网关镜

图7 轴心轨迹分析

图8 转速测量程序

预处理后的数据传输至边缘网关通过OPC UA协议实现，在云端配置边缘网关协议驱动可生成OPC UA CLIENT。而OPC UA SERVER通过LabVIEW实现，其程序设计流程图如图9所示。

图9 OPC UA Server程序设计流程

首先建立SERVER，定义SERVER的名称如TEST SERVER、地址URL如本机IP及端口如49588，然后在SERVER下创建一个交节点对象代表一个设备如命名为DEVICE。接下来根据OPC UA协议规范可以在对象下建立与传感对应的9个属性，定义属性名称如C2pixAI0、读/写方法及数据类型如双精度浮点数组Array Of Double，建立OPC UA启动节点,循环将9个采集通道的数据写入到9个属性中，退出循环后停止SERVER并释放空间，以节约计算资源。整体OPC SERVER程序如图10所示。

图10 OPC UA Serve程序

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，图11为IOT平台上的设备状态数据。

图11 IOT平台设备状态数据

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

图12 TSDB中历史数据回溯

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tunnel upload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。根据上传的3类数据（正常数据、不平衡故障、不对中故障），采用逻辑回归二分类实现异常检测，随机森林算法多分类实现故障诊断识别，详细程序如图13所示。