船舶发电系统为整个船舶提供电力,电泵是电力系统的关键组成部件。电泵将电能转换为机械能为流体提供压力,从而为发电系统中的各类器件提供冷却。电泵为电力系统的稳定工作提供了必要条件,若电泵工作异常,那么柴油发电机、叶轮等有可能会出现温度过高而报警,从而影响船舶的整个发电系统。而船舶发电系统是一个非常庞大且复杂的系统,当前船舶发电系统的维修仍然依靠人工排查,然后根据经验来判断故障,这就对船舶维修人员提出了更高的要求。很多时候在排查完确定是电泵问题后,不了解电泵的基本结构以及常见故障,维修人员都是直接更换,这也提升了船舶维护成本。同时由于不同船舶电力系统中电泵型号各异,其结构也不尽相同,很多船员在对电泵进行排查时就需要掌握很多专业的知识,另外有经验的员工对出现过的故障和现象可以快速判断,但是对于没有出现过的故障则难以进行辨别,需要更加专业的人员进行分析和判断。
直接对电泵故障进行判断过于依赖经验,同时也容易受到情绪等外界因素的干扰。国内目前有很多学者都对故障监测系统以及相关技术进行研究。李强[1]对电力系统中的装备状态监测和相关诊断技术进行了研究;卢仁军[2]提出了一种变频探测法,可以对电力系统中的故障进行定位和分析;陆熀林[3]对电力系统中的绝缘故障智能定位技术进行了研究。通过对比可以发现,目前对船舶发电系统中的电泵故障监测研究较少,同时对故障进行监测和定位仅限于某一种类型的电力设备,而对于复杂电力系统中的多型号设备故障监控则难于实现。这是由于当前无法将所有型号电力设备、故障现象等建立数据库,并在监测系统中建立模型对故障进行分析。大数据技术是通过将大量的数据结合到数据库或者云平台上,然后结合专业化的数据分析实现一些特定功能。对于电泵故障监测而言,由于故障种类多,某一特定故障对应的现象也多,不同型号电泵的结构也存在不同,因而结合大数据技术构建船舶电力系统电泵故障监测系统可以有效提升故障解决效率,提升船舶电力系统运行稳定性。
1 关键技术分析 1.1 大数据技术大数据技术包括以下几个方面[4]:
1)故障数据源。所有大数据技术都需要获取大量的最原始数据,这些数据是后续数据管理的基础。
2)数据收集。使用传感器、嵌入式系统等对数据进行收集,并将其传输到船舶控制中心。
3)数据库存储。船舶发电站中水泵故障数据初始时都是存储在嵌入式采集节点的Flash中,在采集完成后将这些数据发送到船舶监控中心,经过初步处理后再将这些数据发送到岸基控制中心,并将处理后的数据存储到数据库。
4)资源管理。资源管理是大数据技术的关键组成部分,它主要负责将现有的存储资源和计算资源进行合理分配。传统的大数据技术一般将故障数据存储在本地存储器,但是随着云平台和分布式存储技术的发展,可以将采集到的故障数据存储到云平台,调用这些数据时只需要访问云平台即可。
5)数据批量处理、流处理、交互式分析。对已经获取的故障数据进行批量化处理,这个过程可以在岸基控制中心进行,也可以在云平台进行,主要用于处理非连续的故障数据。流处理主要用于处理连续性数据,有一些需要和用户交互的数据则需要用到流处理技术,交互式分析主要用于建立数据和用户之间的关系,分析哪些数据是需要在界面上展现出来的,哪些数据是用户所关注的。
6)数据挖掘和数据仓库。数据挖掘是大数据技术中的核心,对于电泵故障数据而言,本身数据量较大,如果仅仅依靠人工对这些故障数据进行查找以及判断,那就需要花费大量的时间。而数据挖掘技术是从大量的数据中对关键数据进行分析,并寻找这些数据中的规律,分析出这些数据所对应的故障类型。数据挖掘是实现船舶发电系统水泵故障智能识别的关键所在,可以有效为船员维修和监控电泵时提供决策支持。数据挖掘使用的主要方法包括聚类分析、关联分析以及异常分析等。数据仓库是为船舶电泵故障分析提供一个综合的数据集合,数据仓库中的数据都是经过处理的电泵故障数据,同时还包括所有船舶电泵相关的其他数据,这些数据都是经过加工和处理得到,数据格式高度一致且满足特定格式要求,后续为发电站电泵故障分析提供基础。
7)数据可视化。船舶工作人员很难通过单纯的数据对电泵故障进行分析,而数据可视化是将数据通过图、表、动画等形式表现出来,更加清晰地将电泵的故障数据表现出来,帮助工作人员快速作出决策,有效提升故障排查效率。
从大数据技术基本框架可以看出,通过大数据技术不仅可以将船舶发电系统电泵故障数据进行加工整理,同时还能够为后续的故障分析提供数据基础,结合可视化技术提供交互平台,从而为电泵故障监测提供有效保障。
1.2 远程数据传输技术在船舶上很难构建大型数据库系统和故障分析系统,因而目前主流的解决方案是通过数据传输技术将船舶发电站电泵故障数据传输到岸基控制中心,然后再传输到云平台上,实现数据的分布式存储和分布式计算。在这个过程中远程数据传输技术就显得非常重要,由于船舶航行路线的不固定,船舶的数据传输主要是依靠4G无线传输。云平台上存储的数据分为两部分,一部分是事先已经上传的电泵故障数据集合,另外一部分是船舶监测系统获取的实时监测数据,因而通过4G无线传输的数据量比较小,以当前4G无线传输的速率而言,基本上可以实现实时传送。
4G无线网络传输可以在嵌入式平台中实现。数据从船舶上传输到基站后,经过基站将信号放大并传输到核心网络,并最终传输到岸基控制中心。
2 电泵故障监测系统 2.1 系统架构本文提出一种基于大数据技术和4G无线网络传输技术的船舶电泵故障监测系统,系统包括嵌入式监控平台、船舶控制中心、岸基控制中心以及云平台,电泵故障监测系统架构如图1所示。
1)嵌入式监控平台。嵌入式监控平台处在电泵故障监测系统最底层,其控制核心是ARM微处理器,负责对电泵中的电流、电压、压力以及转速等关键参数进行采集,ARM上配置有无线网络通信模块,在完成数据的采集后,ARM处理器将数据发送到船舶控制中心,同时通过4G无线网络通信传输到岸基控制中心。
2)船舶控制中心。船舶控制中心提供电泵控制监控界面,负责接收嵌入式监测模块采集的数据,同时也接收岸基控制中心发送的数据。船舶控制中心配置有显示界面,能够对电泵状态以及各采集参数实时显示。
3)岸基控制中心。岸基控制中心负责和船舶通信,在接收到采集的电泵故障信息后将这些数据通过网络传输到云平台。
4)云平台。云平台具有分布式计算、分布式存储以及建立故障模型分析的能力,因而云平台在接收到相关的控制指令后可以根据当前建立的电泵故障模型进行分析和计算,并将分析得到的故障结果返回到岸基控制中心,最后到达船舶控制中心。
2.2 电泵故障大数据存储和计算的实现船舶上的嵌入式处理器由于处理速度慢,只适合进行少量的数据计算,且无法运行建立的故障分析模型[5 − 6],因而对于电泵故障的监测和模型分析需要在云平台上加以实现。最终云平台需要实现对数据的存储和计算分析功能。
1)分布式存储实现
在云平台上使用分布式存储能够实现船舶发电系统电泵故障数据的高扩展性,岸基控制中心一般都会同时管理一定数量的船舶,这些船舶上都会产生海量的监测数据,并且随着时间的迁移,这些数据量会越来越大,如果自己购买存储器对数据进行存储,就需要不断扩展这些存储器容量,或者删除超过一定时间的故障数据,第1种方法不符合经济性原则,第2种方法则不利于构建电泵故障诊断模型。在云平台上使用分布式存储可以很好地解决这个问题。
分布式存储的数据具有高度的一致性,且具有极高的可靠性,建立的故障数据分布式存储软件结构如图2所示,包括存储引擎层、存储服务层以及存储接口层。存储引擎层是负责处理数据冗余,确定分布式路由的基本分发策略,并负责实现故障数据的重构均衡;存储服务层为数据和资源提供保护和优化服务;存储接口层则负责为云平台或者其他应用软件进行数据调用时提供不同的数据接口,这些接口包括常见的HDFS接口、NFS接口等。
2)分布式计算实现
监测系统获取的数据都需要通过建立神经网络模型+支持向量机来加以处理,而这些都会耗费大量的计算资源,因而在结合系统实际需求基础上,应用云平台分布式计算。
以电泵故障诊断模型中的求电流平均值为例,在对电泵分析过程中,由于嵌入式监控平台获取的电流数据是每一秒采集一次,因而系统在监控电泵电流时除了在异常时报警,还需要对电流结果异常前后的电流值进行获取并求取平均值,进而作为辅助判断电泵故障的依据。采集的电泵电流数据量非常大,且需要对一段时间内的电流值进行获取并求取平均值进行判断,使用分布式云计算将这个计算过程进行分解并得到结果,可以有效提升计算效率。图3为分布式云计算实现的基本过程,主要包括以下步骤:
1)任务提交。根据建立的电泵故障诊断模型,将任务提交给JobTracker。
2)任务分配(Map阶段)。系统会首先将电泵监测规定时间内所有的电流值数据从数据库中取出,同时将所有的电流值分为若干个数据片段,并分配给不同的TaskTracker。
3)任务计算(Reduce阶段)。TaskTracker将获取的部分电流值求取平均值。
4)结果汇总。将Reduce阶段获取的所有平均值结果进行汇总和计算,输出平均电流值结果。
在Map阶段对任务进行分解后可以根据实际任务量的多少指定足够数量的TaskTracker来完成计算任务,在电泵故障诊断模型中需要进行很多的数据获取和计算,TaskTracker被放置在不同位置,可以根据实际需求来进行计算,并在Reduce阶段将计算结果汇总,从而大幅度提升计算效率。
本文的研究对象是发电系统中的电泵故障监测,而在船舶上需要对发电系统中的发电机、燃气轮机、机舱设备等多类设备同时进行监控,监测的数据非常庞大,因而本文提出的基于大数据技术的发电系统电泵故障监控系统能够扩展到对船舶所有设备进行故障监控。
3 结 语传统电泵维修和监测主要依靠人工经验,存在很大的局限性,本文完成的工作主要包括以下几个方面:
1)对电泵故障监测系统中的关键技术——4G无线网络传输技术以及大数据技术进行阐述;
2)设计了基于大数据技术的船舶发电系统电泵故障监测系统架构,分析系统各个部分的基本功能;
3)使用云平台计算实现了电泵故障数据的分布式存储和计算,以电泵电流平均值计算为例分析了分布式计算的实现过程。
[1] |
李强, 牛帅奇. 电力系统设备状态监测与故障诊断技术分析[J]. 科技传播, 2012, 4(20): 50+62. LI Qiang, NIU Shuai-qi. Technology analysis of condition monitoring and fault diagnosis of power system equipment [J]. Science and Technology Communication, 2012, 4(20): 50+62. |
[2] |
卢仁军, 王健, 李然. 基于变频探测法的船舶电力系统故障定位与监测研究[J]. 舰船科学技术, 2017, 39(24): 67-69. LU Ren-jun, WANG Jian, LI Ran. Research on fault location and monitoring of ship power system based on frequency conversion detection method[J]. Ship Science and Technology, 2017, 39(24): 67-69. |
[3] |
于立强, 朱亚军, 周迎伟, 等. 基于深度学习的智能变电站继电保护二次回路故障监测系统[J]. 自动化与仪器仪表, 2021(7): 118-121. YU Li-qiang, ZHU Ya-jun, ZHOU Ying-wei, et al. Fault monitoring system of secondary circuit of intelligent substation relay protection based on deep learning[J]. Automation & Instrumentation, 2021(7): 118-121. |
[4] |
周婧. 大数据的电力信息通信预警技术研究[J]. 中国新通信, 2019, 22(20): 37-38. ZHOU Jing. Research on power information and communication early warning technology based on big data[J]. China New Communications, 2019, 22(20): 37-38. |
[5] |
LU Huang-lin. Research and application of intelligent location for ship electrical insulation faults[J]. Electric Age, 2019(8): 73-75. |
[6] |
贾玉健, 孙树敏, 孟瑜, 等. 基于大数据分析的配电网故障监测方法[J]. 山东电力技术, 2017, 44(10): 1-5. JIA Yu-jian, SUN Shu-min, MENG Yu, et al. Distribution network fault monitoring method based on big data analysis[J]. Shandong Electric Power Technology, 2017, 44(10): 1-5. |