基于工业实时数据库的生产过程监控与优化研究

姚羽

摘要：随着科技的不断进步和工业领域的快速发展，生产过程监控与优化的研究成为工业界的热点和关注焦点。基于工业实时数据库的生产过程监控与优化方法，为提高生产效率和降低成本提供有效的解决方案。当前，工业实时数据库已经广泛应用于生产过程监控领域，并取得了显著的成果。通过实时数据的采集、存储、处理和展示分析，工业实时数据库能够及时反馈生产过程中的异常情况，有助于企业实现及时调整和实时决策。然而，目前仍存在一些挑战，如数据处理的速度和准确性、异常检测算法的精度和稳定性等。随着人工智能、大数据、大模型技术的发展，工业实时数据库在生产过程监控与优化中的作用将更加突出。

关键词：工业；实时数据库；生产；监控

DOI：10.12433/zgkjtz.20240306

一、工业实时数据库介绍

（一）工业实时数据库的定义和特点

1.定义

工业实时数据库是一种专门用于工业生产过程中的数据存储和处理的数据库系统，如图1所示。它是不同于关系型数据库管理系统的另一个分支，是实时系统和数据库技术相结合的产物，适用于处理不断更新的、快速变化的数据以及具有时间限制的事务处理。实时数据库是工业领域信息化的核心基础软件，也是云计算、物联网、工业互联网、边缘计算等新兴产业不可或缺的重要支撑软件，在工业化与信息化融合过程中发挥着重要作用，广泛应用于能源电力、石油石化、化工、安监、烟草、制药、环保、冶金、智能制造、离散加工、轨道交通、国防军工等核心生产系统中。

2.特点

（1）具备高效、稳定的数据存储能力

在工业生产过程中，需要对大量的机器设备、传感系统实时产生的数据连续不断，高频率更新变化，如打时间戳标签的数据采集、计算和存储，实时数据库系统需要高效保存大容量的数据，并保证数据的完整性和可靠性。

（2）实现快速的数据读写操作

由于工业生产过程中产生的数据的实时性要求极高，数据量随时间延长增加，需要在业务要求的时间窗口范围内及时完成事务处理。这就要求实时数据库系统在极短时间内对海量产生的数据进行快速的读写操作，以满足实时监控和实时决策的需求。

（3）支持多种数据类型的存储和处理

在工业生产过程中所涉及的数据类型多种多样，包括温度、压力、电流、功率、流量、流速等各类数学数值类型的实时数据，也包括各类装备设备产生的振动波形、小图像块、小音频块、小视频块、日志等非数值类型的实时数据，以及生产计划、设备状态等非实时数据。这就要求实时数据库系统能够灵活地支持各种数据类型的存储和处理。

（4）工业实时数据库需要具备高度的可扩展性和可靠性

随着工业生产规模的不断扩大，智慧工厂、无人工厂、物联网的普及，各种类型的传感器、PLC、控制系統等可感知设备也越来越多，这些设备量和数据量呈指数级增长，这就对实时数据库系统支持海量数据的存储和处理提出更高的需求，并且保证系统长时间的稳定性和可靠性，以应对全数字化发展的需求和新型场景的发展趋势。

（二）工业实时数据库在生产过程监控中的应用

首先，工业实时数据库可以实现对关键参数的实时监测和报警功能。通过实时采集和存储生产过程中的各项指标数据，如温度、压力、电流、电压、功率、流量、流速等，可以快速检测到异常情况，并及时触发报警，减少异常情况而导致的生产事故。

其次，工业实时数据库支持对生产过程中的数据进行实时分析和实时统计。这有别于传统的数值实时监控功能，它通过对实时数据的处理和分析，包括实时计算、实时统计、实时分析、实时挖掘、状态判断、故障预警、预测性维护，实现对生产全过程的立体实时监控和深层次数据应用挖掘，有助于企业及时发现潜在问题和瓶颈，并及时采取措施调整和优化。这是海量实时数据的更大价值所在。

最后，工业实时数据库还能实现对生产过程的可视化展示和实时报告生成。通过将实时数据以图表、曲线、统计图等各类BI形式展示，工业实时数据库可以直观地呈现生产过程的状态和趋势，便于监控人员实时监测和决策分析。

（三） 常见的工业实时数据库系统介绍

1.OSIsoft（PI）

OSIsoft 公司是世界领先的实时性能管理软件系统供应商。

其核心产品PI 系统（Plant Information System）在全球范围内已有超过19000套，PI广泛使用于制造、能源、公用事业、制药、生命科学、数据中心、设施和加工行业以及公共部门和政府。PI系统基于C/S、B/S 结构的商品化软件应用平台，并基于Microsoft.NET平台开发，以其旋转门压缩专利技术和独到的二次过滤技术实现实时数据的高效压缩与存储。集成不同设备和系统的数据，实现实时数据的采集、存储和分析，以及生产过程的优化和决策支持。

2.INSTEP（eDNA）

INSTEP（印步）软件公司是全球领先的工程基础软件产品供应商和解决方案供应商。INSTEP软件公司应对各种复杂的技术挑战，为电力行业、电信业、流程工业以及政府和院校提供各种软件及解决方案。eDNA是美国INSTEP公司开发的旗舰产品，公司也因此而享有盛誉。eDNA是一套实时/历史数据库系统，采集、存储、分析海量的数据，具有业界独特的无损压缩技术，采用完全分布式体系结构。

由于在电力行业占垄断地位的PI价格居高不下，INSTEP公司凭借价格优势进入电力行业，逐渐拥有了一定的客户，现在eDNA在电厂的知名度很高。目前，大型电力企业仍然偏爱PI，不少中小型电力企业则选择eDNA。

2014年10月9日，INSTEP SOFTWARE被全球能效管理专家施耐德电气全资收购，INSTEP旗下的eDNA数据库将和原施耐德电气收至旗下的WONDE-RWARE Historian数据库融合。

3.InfluxData（InfluxDB）

InfluxData的产品包括开源时间序列数据库Influx-DB，是一款专门用于时间序列数据存储和处理的开源数据库系统。它支持高写入负载，大数据集存储，通过下采样节省空间，自动过期和删除不需要的数据，以及备份和恢复。通过提供易于使用的类似SQL的查询语言，InfluxDB使分析数据变得容易。用户使用开源项目Chronograf绘制和可视化用户的数据，并对数据执行特殊的探索。它包括对模板的支持，以及对公共数据集的智能预配置仪表板库的支持。此外，InfluxDB还支持其他工具，如Grafana。

InfluxDB的特点：设置metric的保存时间，支持通过条件过滤以及正则表达式删除数据。支持类似 SQL 的语法，设置数据在集群中的副本数，支持定期采样数据，写入另外的measurement，便于存储数据。

4.北京庚顿数据科技有限公司（Golden RTDB）

庚顿实时数据库管理系统（Golden Real-time Database Management System）具有极高的事务处理能力、数据压缩比和查询检索速度，实现对海量实时/历史数据的高效管理，如图2所示。产品支持C/S和B/S应用模式，采用先进技术架构，支持跨平台二次开发，提供丰富的信息系统开发工具，其开放的、可扩展的结构可以让用户基于实时数据库构建各类应用系统，特别适用于海量实时/历史数据的采集、存储、处理、分析和发布，满足用户构建各种应用的需求。

目前，庚顿实时数据库已达到国际领先水平，其产品在生产管理、先进控制、节能环保、石油化工、智慧能源、智能制造、轨道交通、车联网、医疗、军工等行业或领域都有应用案例，广泛应用于国家电网、南方电网、神华集团、华能集团、华润集团等世界500强企业中，以及金风科技、广东明阳、大唐华创风能、湖北能源集团、华能新能源等风电领军企业中，装机量超1000套，管理超2.6亿传感数据，覆盖39个行业或领域。近年来，庚顿公司在耕耘传统流程工业领域的同时，与百度、华为等公司开展端云一体化合作。

庚顿实时数据库管理系统除了Windows版（图3），还有Linux版，可运行在CentOS、RedHat、Debian、openSUSE、中标麒麟、银河麒麟、凝思等主流商用和开源的Linux操作系统上，符合国家《ISCCC-TR-048-2015实时数据库管理系统安全技术要求》，是高可靠、高安全的数据库产品。庚顿实时数据库尤其适用于处理机器产生的多源、高频、时序的传感器数据，可以有效管理海量的实时/历史数据，与Hadoop、Spark等主流的大数据平台有机融合。

二、生产过程监控需求分析

（一）生产过程监控的基本要求

生产过程监控的基本要求是准确、实时、全面地获取生产过程中的各项关键数据，并监测和记录。这些数据包括生产设备状态、工艺参数、原材料消耗等信息。监控系统能够实时判断生产过程是否正常运行，及时发现异常情况并采取措施，确保生产过程的稳定性和高效性。

（二）监控指标及其重要性分析

在生产过程监控中，监控指标是评估生产效率和质量的重要依据。常见的监控指标包括产量、能耗、故障率、合格品率等。这些指标直接反映生产过程的健康状态和绩效水平，可以发现生产过程中存在的问题，如生产效率低、能源浪费、品质不合格等，并采取措施优化并改进生产流程。

（三）监控系统的可行性研究

监控系统的可行性研究主要考虑技术、经济和实施等方面的因素。首先，选择合适的监控系统，并确保数据采集、传输、存储和分析的可行性。其次，评估监控系统的投资成本和运维成本，确保可行性。最后，充分考虑企业规模、现有技术基础和人员培训等因素，确保监控系统顺利实施并得到有效的运用。

通过对生产过程监控的基本要求、监控指标及重要性以及监控系统的可行性分析，为后续的工业实时数据库应用和生产过程优化提供有价值的参考信息。

三、工業实时数据库在生产过程监控中的应用

（一）数据采集与存储

工业实时数据库在生产过程监控中的关键任务之一是数据采集和存储。实时数据库通过连接各种设备和传感器，能够准确地采集生产过程中的关键数据，如温度、压力、流量、速度等。数据以高速率采样，并通过网络传输到实时数据库中存储。实时数据库具备高性能的数据存储能力，以确保大量的实时数据能够快速、安全地保存。常见的实时数据库技术包括关系数据库、时间序列数据库和分布式文件系统等。数据采集和存储是实时数据库的基础功能，为后续的数据处理和分析提供了可靠的数据基础。

（二）数据处理与分析

一旦数据被存储在实时数据库中，接下来的步骤是对数据进行处理和分析。实时数据库提供强大的数据处理功能，包括数据清洗、数据聚合、数据插值等，以确保数据的质量和准确性。此外，实时数据库还可以数据分析，利用统计方法和机器学习算法等技术，从海量的数据中挖掘出有价值的信息和规律。例如，通过分析历史数据，了解生产过程中的趋势和周期性变化，从而优化和调整未来的生产计划。数据处理和分析有助于企业发现存在的问题和改进的空间，提高生产效率和产品质量。

（三）异常检测与预警

实时数据库实时监测生产过程中的数据，并通过预先设定的规则和算法进行异常检测。一旦发现异常数据，会立即触发预警机制，发送警报通知相关人员，及时发现和处理潜在的故障或异常情况，避免生产事故的发生。实时数据库还可以进行故障诊断，通过与历史数据比对，找出导致异常的原因，并提供解决方案和建议，有助于减少故障修复时间，提高生产设备的可靠性和稳定性。

（四）可视化展示与报告生成

工业实时数据库将采集的数据以直观、易懂的方式可视化展示。通过图表、仪表盘和实时报告等形式，实时数据库可以直观地呈现生产过程的状态和趋势，有助于监控人员快速了解生产环境。此外，实时数据库还可以生成详细的报告，包括生产数据的统计分析结果、异常检测的报警记录等。报告用于日常管理和决策，支持生产流程的优化和改进。通过可视化展示和报告生成，实时数据库提供了对生产过程的全面监控和分析，有助于企业实现精细化管理和持续改进。

四、生产过程优化方法研究

（一）现有生产过程优化方法的综述

目前，针对生产过程优化的方法有很多，其中一些常见的方法包括传统的统计方法、基于规则的优化方法以及数据驱动的优化方法。传统的统计方法主要是基于历史数据进行分析和优化。通过统计分析生产过程中的关键指标，如生产效率、质量指标等，识别出潜在的问题和改进的空间。利用优化技术，如统计建模、优化算法等，找到合理的生产参数配置，以提高生产过程的效率和质量。基于规则的优化方法是根据专家经验和知识制定规则或策略，用于指导生产过程的优化。这些规则基于领域知识、工艺要求、设备特性等方面，对生产过程控制和调整。通过合理设计和应用规则，实现生产过程的优化和改进。数据驱动的优化方法是利用机器学习和数据挖掘等技术，从大量的实时数据中发现隐藏的模式和规律进行生产过程的优化。例如，使用聚类、分类、回归等算法，对生产数据分析和建模，以实现优化策略的自动学习和更新。

（二）基于工业实时数据库的生产过程优化方法

1.数据挖掘和机器学习方法的应用

工业实时数据库中保存的大量生产数据可以用于数据挖掘和机器学习方法的应用。对于生产过程中的数据，利用聚类分析识别不同的生产模式和状态。通过将相似的数据点分组，揭示出潜在的生产规律和异常，这对生产过程的优化非常有帮助。

此外，机器学习算法通过分类和回归分析来建立预测模型。例如，建立模型预测某个特定指标（如产

量、能耗等）随着生产参数的变化而变化的关系，通过预测模型，及时发现并调整生产过程中的异常，提前采取措施避免发生问题。

2.实时优化策略与算法设计

基于工业实时数据库，实现实时的优化策略和算法设计。通过监测和分析实时数据，及时了解生产过程的状态和趋势。结合先进的优化算法，实时调整生产参数和控制策略，以达到高效的生产效率。例如，使用模型预测和优化算法计算出合理的生产参数配置。根据当前的实时数据和模型预测结果，自动调整生产设备和工艺参数，以最大限度地提高产量、降低能耗或废品率，有助于减少资源浪费，并提升产品质量。

3.模型建立与优化结果评估

在基于工业实时数据库的生产过程优化中，模型的建立和优化结果的评估非常重要。首先，选择合适的建模方法，并利用历史数据进行模型训练和参数调整。建立的模型应准确地描述生产过程的特征和变化规律。同时，设计合理的评估指标评估优化结果，使用交叉验证、误差分析等技术来评估模型的准确性和稳定性。此外，将优化结果与实际生产数据对比，以验证优化策略和算法的有效性。

基于工业实时数据库的生产过程优化方法可以利用数据挖掘和机器学习方法进行生产过程的分析和预测，设计实时的优化策略和算法，以及建立合理的模型和评估方法，有助于提升产品质量和客户满意度。

五、试验设计和结果分析

（一）试验环境和数据集描述

在试验环境方面，提供所使用的计算机配置、操作系统版本、数据库管理系统等信息，以确保实验的可重复性和可验证性。

数据集是进行实验的重要基础，应该明确描述数据集的来源、规模、特征等。例如，明确数据集包含的生产指标数据、时间跨度、采样频率等。

（二）实验设计和方法选择

实验设计是确定实验步骤和流程的关键步骤，需要清晰描述实验设计的目的、假设和具体步骤。

在方法选择方面，根据实验目标和问题特点，选择适合的数据挖掘和机器学习方法。例如，选择聚类分析、分类、回归分析、异常检測等方法。

（三）实验结果统计和分析

在实验结果统计方面，明确所选择的评估指标和实验结果的数值。例如，选择准确率、召回率、F1值等指标来评估模型的性能。

在实验结果分析方面，对实验结果进行解释和讨论。比较不同方法的性能差异，分析其优势和劣势，并找出存在的问题。

（四）结果与现有方法对比分析

将实验结果与现有方法进行对比是验证实验有效性的重要环节。可以选择一些经典的生产过程优化方法作为对比，比较其在同样数据集上的表现。通过对比分析，评估所提出的方法在性能上的优势与劣势，并探讨其适用性和推广价值。

在结果对比分析中，需要客观、全面地评估不同方法的优缺点，并提出可能的改进方向和未来研究的方向。最后，对实验结果的可靠性和稳定性进行讨论，分析实验结果的可解释性和泛化能力。同时，也需要说明实验中可能存在的局限性和假设条件，以便读者理解实验结果的限定范围。

六、结语

基于工业实时数据库，对生产过程监控与优化方法进行深入研究。介绍了工业实时数据库的定义、特点和在生产过程监控中的应用。根据对生产过程监控的需求分析，提出了基于工业实时数据库的数据采集、处理、分析和可视化展示等方法。此外，综述现有的生产过程优化方法，并结合工业实时数据库提出数据挖掘和机器学习方法的应用、实时优化策略与算法设计以及模型建立与优化结果评估等生产过程优化方法。最后，进行实验设计和结果分析，并将结果与现有方法对比分析。本研究为工业生产过程监控与优化提供了有效的方法和思路，对提高生产效率和产品质量具有重要意义。

参考文献：

[1]杨俊浩.工业大数据在生产监控系统中的运用分析[J].无线互联科技，2021，18（19）：88-89.

[2]袁晓红，王瑞，柏玲，等.工业大数据在生产监控系统中的应用[J].冶金自动化，2018，42（06）：67-73.