大数据应用系统和传统在线监测的差异0920.docxVIP

大数据应用系统和传统在线监测的差异 （状态变化监测 和 状态监测 的差异） 设计理念的不同 传统在线监测： 侧重点在设备领域，以汇聚原始数据为主要目的 前端采集多为仪器设备，仅支持较少的数据采集协议，多为自定义协议 数据多以小型数据库存储，存储类型单一，数据标识比较简单随意。 系统闭塞，数据仅供自己系统使用，对外仅有常规几个通信协议。系统之间数据相互支持比较差 以应用工具为主要支撑，对使用者知识背景要求高，应用范围狭窄。 使用范围小，主要为少数人使用服务 大数据应用系统 以数据平台为基础，以数据共享和创造指标数据为主要目的 支持广泛数据源，通信类，数据库类，数据文件类等。多为标准开发协议 采用大型实时数据库为载体，数据类型多元，具有广泛定义的编码规则 采用开放式数据共享架构，支持多种通信和互联网协议，系统之间容易形成数据共享机制。 以算法引擎框架为支撑，通过模型和大数据处理形成指标，降低使用难度。 展示数据不同 传统在线监测： 以展示原始数据为主，二次计算数据也都是实时数据，掺杂了大量的噪声数据，无法作为直接设备诊断数据使用 报警多以实时数据的越线报警为主，容易受到干扰导致误报警 特征数据的展示多在工具里，需要通过使用处理分析才能展示，诊断结论由于操作者的不同会产生不同的诊断结论，导致结论不准确。 大数据应用系统 以展示指标数据为主，通过模型算法和大数据算法相结合的方式，去除了大量数据噪声，提取了本质数据，可以作为设备诊断数据使用，直接判断设备故障。 报警以指标数据为基础，可以实现准确的故障判断和趋势预警等 特征数据通过算法引擎计算得到，计算结果直接展示在界面，用户可实现简单操作就能直观得到准确诊断结论 计算方式不同 传统在线监测： 以常规函数计算为主，例如峰峰值，最小值等，多为实时计算；有些具备模型计算例如轴线计算等。 计算载体多为自行开发的程序，无框架设计，开发语言单一，并且程序多为单个人或小型团队所掌握，可扩展性和可继承性差 适合小型系统和工具的开发 大数据应用系统 常规函数计算和模型计算作为数据处理的前级，后面会加以大数据的算法处理，例如神经元、线性回归等，不仅能做实时计算，同时还能做历史统计和相关性分析等计算。 计算载体多为 spark、storm等计算引擎，支持多种主流开发语言，具有广泛的应用团体，可扩展性强，容易组织大型联合开发。 适合大型算法的联合开发 部署方式不同 传统在线监测： 多为站内系统，一般为独立运行系统，不支持网络级联 如果系统数据出站，也多以通信协议方式单线向上传输，部署方式单一，稳定可靠性差 大数据应用系统 不仅支持站内独立运行模式，同时支持多站级联的网络模式，可以形成大型的工业数据共享网络 站外系统多采用互联网的级联模式，支持集中汇集、星状和网状等多种模式，部署灵活，可靠性高。 举例说明差异 对于一个数据的处理，两种方式是截然不同的，最终效果也有本质区别 传统在线监测处理过程 当在线监测系统监视界面出现报警时，一般是一个分析专家来查看报警的情况，然后利用一个数据分析工具，通过专家的经验和模型机理的知识，来操作数据，对历史数据进行一系列的处理和分析，最终做出一份诊断报告，告诉用户机组现在情况。 例如，现场一个摆度和振动超标了，分析专家通过分析工具，先调用历史数据，然后对数据进行分段筛选，包括时间范围和数据范围，然后导入波形数据，从历史时刻开始逐条分析，这个过程要用到分析工具里的 数据筛选，波形频谱，轴线分析以后瀑布图分析等一系列的模型。选择用哪些模型和什么时间段的数据全部取决于专家的指示背景和经验。最终通过专家的一系列分析后，得到一份诊断报告。 如果在报警的情况下，无专家介入分析过程，是无法得到有效的诊断结论的，即使是现在有些自动报告，也是形式上为自动模式，但过程还是差不多的。 大数据处理过程 原始实时数据不断的进入到算法平台中，像流水线一样按照数据处理流程进行加工处理，不仅有机理模型的处理，在处理实时的同时还不断的在归纳和总结历史数据，同时形成偏差对比等重要数据；在数据处理中采用大数据的一些特殊数据处理方式，例如神经元的关联模型，线性回归模型等，最终从原始数据中得到一系列的指标数据，这些指标可以从不同的角度，不同的层面来真实的反映设备的健康情况，运行趋势情况等，利用这些指标可以实现很多专业系统，例如：趋势预警系统、故障诊断系统、运行效率优化系统等，可以从设备故障解决，设备优化运行，设备寿命评估等多方面产生反馈操作来实现生产的闭环。 例如：我们把在线监测的振动、摆度、温度和环境量等实时数据不同的放入到算法平台，通过数据质量过滤，摆度模型，振动模型等专业模型，形成新的模型数据，然后再通过三维关联模型，线性回归算法与历史同工况的数据进行对比，得到偏差数据和变化率等值，再经