基于边缘计算的火力发电厂振动专家系统研究与应用

刘晓东 黄生文

摘 要：在火力发电厂侧建立边缘计算工作站，应用边缘计算技术，建立一个以火力发电厂为计算和应用主体的分布式数据开发应用平台;深入挖掘应用需求，为电厂提供快速响应的最近端的数据应用服务，实现电厂振动数据的准确、快捷、高效管理，对推动电厂的智慧化建设具有一定的借鉴意义。

关键词：边缘计算;振动;专家系统

0    引言

近些年来，各电力企业集团公司都在规划和开展建立各种以大数据应用为核心的数据平台项目。这些项目的注意力主要集中在“云端”的数据整合和应用。对火力发电企业而言，应用边缘计算技术，可以将以前由云端进行的计算通过本地设备实现，大幅减轻云端的计算压力，提高数据分析处理效率，减少数据应用对网络带宽的依赖。

1    边缘计算技术

边缘计算技术是2003年由AKAMAI和IBM联合研发的网络计算架构模式。该架构模式是在高带宽、时间敏感型、物联网集成的背景下发展起来，其定位是“贴近用户与数据源的IT资源”，属于从传统自动化厂商向IT厂商延伸的一种设计[1]。该架构模式的物理基础设施是基于“微数据中心”的概念，表现出与IT融合的一种趋势，并且同时具有“边缘”与“泛在”的概念在其中，其架构如图1所示。

IT与OT也是密不可分的，很多专业的厂商开始重新打造、拓展其产品的IT属性，在IoT集成、Web融合等领域探索和研究新的技术，在此基础上，IT技术在交换机、网关等产品中的应用也越发深入。

边缘计算指的是靠近物或数据源头的一侧，采用集网络、计算、存储、应用核心能力于一体的开放平台[2]。针对边缘计算，国内华为提供计算平台，包括基础的网络设施、边缘工作站服务器、接口标准等，而国际上ARM、Intel则提供运算能力强的芯片，信通院实现系统的集成。网络边缘侧可以选择数据源头到云端计算中心之间的实体节点，这样的实体搭载着融合网络、计算、存储、应用核心能力的边缘计算平台，为终端用户提供实时、动态和智能的计算服务[3]。边缘计算和云端中计算、处理数据不同，边缘计算更靠近数据源侧，而云计算需要在云端进行。边缘计算在数据处理中有以下几个优点：

（1）边缘计算由于数据更加靠近源侧，可以实时、快速地进行数据处理和分析，而不是依靠外部数据中心或者云，可以縮短延迟时间。

（2）可以大幅降低预算成本，其在数据管理、数据维护上的成本和费用远远低于云和数据中心网络。

（3）减少网络流量。随着物联网发展，设备数量大幅增加，伴随着数据生成以几何倍数的速度增长，网络带宽必然受限，将导致更严重的数据瓶颈。

（4）提高应用程序效率。通过降低延迟级别，应用程序可以更高效、更快速地运行。

（5）功能模块个性化。边缘计算可以根据用户的需求，通过定制开发调整功能模型，方便用户对功能进行升级、调整。

（6）安全和隐私保护。网络边缘数据涉及用户的隐私和企业的机密，传统的云计算模式需要将所有的用户数据上传至云计算中心，这将增加泄露用户隐私数据的风险。而边缘计算可以利用身份认证协议功能的优势，基于分布式、移动性的特性对用户的隐私、企业的机密数据进行保护。

2    振动专家系统

振动异常是引起火力发电厂机组故障甚至是跳机事故的主要原因之一，据不完全统计，电厂50%以上的跳机事件都是由振动引起的。长期以来，对振动信号的研究、监测、分析和诊断都是行业相关从业人员和技术研究人员研究和攻关的方向。

火力发电厂长期以来十分重视机组振动信号的监测，机组配置的TSI系统、DCS系统和SIS系统都有振动信号测点。但这几个系统的振动数据都是来源于TSI系统，而TSI系统设计的主要功能是提供机组跳机保护，系统只监测了振动的峰峰值，并不具备振动分析诊断所需要的“全备”的振动数据。

全备的振动数据包括振动的峰峰值、1X幅值、1X相位、0.5X幅值、0.5X相位、2X幅值、2X相位等振动特征数据及振动频谱和波形原始数据。全备的振动数据包含着振动故障的特征信息，是设备故障诊断和状态评价应用的数据基础。将这些振动信息交给专家系统分析、诊断，能够进一步提升火力发电厂的智慧化程度和安全水平。

2.1    专家系统的基本结构

如图2所示，专家系统结构包括数据库、知识库、推理机、人机界面接口和解释器等，下面分别介绍这些部分。

2.1.1    知识库

知识库是储存专家知识的，它通常用来储存经验性、常识性和专业知识，是专家系统的核心。专家知识既可以是具体的客观事实，也可以是专业的推理。由专家知识组成的知识库需具备确定性、可用性和完善性，而优秀的专家知识是好的知识库的必备条件。通常在建立知识库时，需从行业专家获取丰富、准确、易懂的专家知识，并将这些专家知识编译成计算机语言写入计算机中，成为供系统推理判断的知识库。

2.1.2    数据库

数据库是用来储存各种数据和推理机产生的推理信息的，一些既定事实和一些临时产生的推理数据也存储在数据库中。

2.1.3    推理机

推理机可以根据系统的输入信息，通过专家知识库中的专家知识，按照一定的逻辑和策略进行推理，经过分析得到和输入信息相关的解决措施，并将该结论推送给用户。专家系统的工作方式是模拟人类专家进行推理，推理过程和方式与人类专家的推理有高度的相似性。

2.1.4    人机界面接口

人机界面接口是用户和专家系统信息交互的窗口，它能够将用户输入的信息编译成计算机能读懂的计算机语言，还可以将推理机推理的结果再编译成用户语言推送给用户。

2.1.5    解释器

解释器能对推理的过程和结果做出合理解释，方便用户了解整个推理过程。

2.2    专家系统的构建

专家系统的构建主要包括3个步骤：历史数据的采集、设备模型的生成、专家知识库和推理规则知识库的构建。

2.2.1    历史数据的采集

即数据的收集、整理和分析。主要是进行现场调研，找出需建模设备的相关测点，从现场服务器数据库系统取得建模对象长周期内健康运行时间段的数据，为建模做准备。用于设备建模的历史数据应满足如下要求：

（1）长周期内健康运行;

（2）所选取的数据具有一定代表性;

（3）所选取的同一组数据需是同一时刻;

（4）所选取数据覆盖了机组运行的各个典型工况。

2.2.2    设备模型的生成

利用标准化的建模模板和调研所得到的设备相关测点及设备长时间内健康运行的时间段及其数据进行各设备建模，此项工作为整个系统的基础和关键工作。

从空间角度理解，设备建立模型的过程就是从设备的历史运行健康数据中筛选出与之有关的状态点，从而构建设备运行状态超球的过程[4]。首先将所获取的设备历史健康运行数据所对应的状态点映射到一个状态空间中，这些点都可以代表所选设备的健康运行状态，以其中的边界点构造一个外接的超球，这个超球可以包含历史数据中的所有健康运行状态点，它就是一个初级的设备对象模型[5]。

2.2.3    专家知识库和推理规则知识库的构建

仅仅用上述的超球形成的设备初级模型来表示设备的性能还不够精确，还需根据模型的精确度要求，从所收集的数据中筛选出某一特性参数上有较大差异的状态点，以这些状态点的描述为参照进一步将设备状态模型的超球细化。

通过专家知识库和推理规则的建立实现故障预测及诊断模块研究：通过设备的实时运行数据和超球模型所计算出的预测数据进行比对，得到相似度差异曲线，以判断设备在预测时刻的状态情况。在故障预测及诊断模块研究中，探寻比较实时状态数据与预测状态数据的合理方法，以判断当前或预测时刻设备的状态是否异常，是专家系统构建的重中之重。采用基于相似性原理的建模技术作为关键技术来完成这一研究，最终形成一套基于电厂SIS平台的、集发电系統设备运行与检修/故障预警和初步诊断于一体的、可拓容且可移植的机组设备故障预警系统软件。

最后，综合分析和维护决策模块的研究，以实现综合分析预测结果、发布预警信息，为实施状态检修提供与预警相关的测点信息，便于电厂制订维护决策。

3    开发应用

3.1    智能监测功能

传统的专家系统通常只给用户提供一些分析专业的分析工具，而能否很好地利用这些分析工具取决于用户的专业水平，这种缺乏通用性和普适性的分析工具并不能满足所有用户的需求。智能监测即系统本身就是“专家”，由于其具有专家知识库和推理机等，自身就具备一定的推理和判断能力，能够在一定程度上根据已有信息，通过专家逻辑对整个事件进行推演，最后把结论、措施和重要信息推送给用户。这样用户无论是不是专家，都可以通过专家系统获取足够有用的信息。软件界面如图3所示。

3.2    智能预警功能

电厂作为振动数据源头具有就近优势，边缘计算带来了数据相应的低延时，在火力发电厂侧建立边缘计算工作站，能够为电厂提供快速响应的最近端的数据应用服务。

Python语言作为现今最流行的大数据挖掘应用的开放语言，在多个领域都有很好的应用效果。把Python提供的数据模型应用到振动数据中，应用Python语言开发应用模块，开发一个适合振动数据的模型结构。软件界面如图4所示。

3.3    振动监督报表自动生成功能

应用数据清洗技术，对设备运行特征数据进行识别，自动形成振动样本数据库，供后续的分析诊断和自动报告使用;统计旋转设备运行小时数、振动波动区间、报警次数、报警持续时间、报警危害等级、关键运行工况指标[6]，研究机组稳定运行与技术指标间的强联系与弱联系关系;应用边缘计算技术，为电厂提供快速响应的最近端的数据应用服务，研发一套技术监督管理需要的振动技术监督报表。系统可以根据运行数据自动生成所需的技术监督报表，大大节约了专工的工作量并提高了工作效率，而且数据的可靠性有很好的保障。软件界面如图5所示。

4    结语

应用边缘计算技术，充分发挥电厂作为振动数据源头的就近优势，在火力发电厂侧建立边缘计算工作站，能够为电厂提供快速响应的最近端的数据应用服务。集团作为“云端”侧，一方面可以访问电厂边缘侧数据，另一方面可以充分发挥数据平台优势，与其他系统实现数据共享和功能对接，深入挖掘集团层面的应用需求，结合现在流行的Python等大数据挖掘开发语言，实现电厂振动数据的准确、快捷、高效管理。

[参考文献]

[1] 宋华振.边缘计算：走在智能制造的前沿（下）[J].自动化博览，2017，34（4）：54-56.

[2] 崔兆蕾.边缘计算技术在安防行业的发展及应用[J].中国安防，2018（4）：77-79.

[3] 张佳乐，赵彦超，陈兵，等.边缘计算数据安全与隐私保护研究综述[J].通信学报，2018，39（3）：1-21.

[4] 冯坤.发电厂关键设备预警分析平台的建立与研究[D].保定：华北电力大学（保定），2017.

[5] 钱强.火电企业监控信息系统的设计与实现[D].南京：南京理工大学，2008.

[6] 刘祥.站台安防系统的设计与实现[D].哈尔滨：黑龙江大学，2019.

收稿日期：2021-08-23

作者简介：刘晓东（1971—），男，河北涿鹿人，工程师，从事发电厂汽轮机专业技术监督管理工作。