面向云服务的立磨粉磨状态监控系统的构建与应用.pdf

第 48 卷 2020 年第 8 期 破 磨 编辑 翟晓华 33 面向云服务的立磨粉磨状态 监控系统的构建与应用 李 客1,2，于伟涛1,2，张宏星3，杜文辽4 1洛阳矿山机械工程设计研究院有限责任公司 河南洛阳 471039 2矿山重型装备国家重点实验室 河南洛阳 471039 3中信重工机械股份有限公司 河南洛阳 471039 4郑州轻工业大学机电工程学院 河南郑州 450002 摘要以立磨粉磨生产服务需求为目标，通过分析生产线设备结构和运行特点，结合信息化现状，建 立了基于数据流的云服务模式及相应的状态监控系统，解析了状态监控系统的构建方法，提出了数据 处理流程和处理方法，实现了数据自动处理和状态自动识别。该模式和方法用于云平台，经过实际运 行证明，获得了良好的效果，对生产运维具有指导作用。 关键词立磨；状态监控；云服务；云平台 中图分类号TD453 文献标志码B 文章编号1001-3954202008-0033-06 Construction and application of grinding status monitoring system for vertical roller mill facing to cloud service LI Ke1,2, YU Weitao1,2, ZHANG Hongxing3, DU Wenliao4 1Luoyang Mining Machinery Engineering Design Institute Co., Ltd., Luoyang 471039, Henan, China 2State Key Laboratory of Mining Heavy Equipment, Luoyang 471039, Henan, China 3CITIC Heavy Industries Co., Ltd., Luoyang 471039, Henan, China 4School of Mechanical status monitoring; cloud service; cloud plat 立 式辊磨 以下简称“立磨” 作为干法粉磨系统 的核心设备，与输送、收尘 成品收集、供 风、供热等辅助系统构成了粉磨系统 生产线，对物 料的加工过程连续且不可逆，由于单位时间物料处理 量大，其工作状态和效率对生产起了决定性作用。立 磨的工作环境封闭，粉磨过程涉及机械运动、气-固 混合流体、热功、电气、液压等多种专业技术，具有 高度集成与耦合的特征。立磨复杂的结构与工况集 成，决定了其运行与维护必然是多学科交叉，具有高 度的专业性，而工厂专业人员匮乏，制约了设备能效 基金项目科技部科技支撑项目 2015BAF32B04；郑洛新国家 自主创新示范区创新引领型产业集群项目 181200211500 作者简介李 客，男，1979 年生，高级工程师，主要从事重 大装备、物联网及智能化研究工作。 万方数据 第 48 卷 2020 年第 8 期 编辑 翟晓华 破磨 34 的发挥。 立磨运动信息、气-固-热混合状态、电气信 号、液压数据等都通过 PLC 集中到了 DCS 分布式控 制系统，Distributed Control System，生产线上其他辅 助设备和工艺数据也同步通信到 DCS，在数据监控与 状态调整上具有良好的平台基础。大量的数据汇集、 信息甄别、数据分析、状态识别、调控与优化，这些 都对工作人员的专业技能提出了更高的要求，为了应 对生产需求，提供更专业的服务，减少工作人员的劳 动强度，以智能化技术替代部分人工，成为立磨粉磨 生产的重要支撑技术。 立磨粉磨生产智能化相关技术正越来越多地得到 应用，智能优化调控、云计算、云服务等技术，以生 产线大数据为基础，成为专业化高效工具，在生产中 逐渐发挥作用，能够有效替代人工，优化生产工艺， 对设备和生产状态进行实时监控，并提供预警支持， 为故障提供数据分析，成为促进生产运维精细化、智 能化的重要技术。 在智能化状态监控方面，常见的做法是通过阈 值比较触发预警，采用最小二乘法来判断数据变化趋 势[1]，结合专家知识，构建立磨故障树和规则库，建 立可推理的立磨故障诊断专家系统。随着工业互联网 的快速发展，基于物联网环境下的立磨状态监测[2]及 分层预警，能够提供多层次的监控服务。这些研究都 是基于立磨生产数据，通过构建数据库和预警系统实 现数据自动计算处理，为生产监控提供指导。在构建 工业流程完整数据链基础上，基于数据流的物联网平 台服务体系[3]日渐成熟，状态监控、故障分析的基础 就是生产大数据的自动处理，结合可视化技术实现结 果输出，形成智能化服务。 1 数据监控系统构建模式 立磨粉磨行业经历了十余年的高速发展，产业快 速建立，生产线分布零散，行业注重生产，但缺乏专 业人才，而工业互联网技术的快速发展与应用，可汇 集专业知识工具，构建云服务平台，为行业提供各种 专业的云服务，成为提升立磨粉磨生产专业化服务的 重要途径。基于业务模型的数据分析系统，要求能够 灵活部署，覆盖大多数业务场景，扩展性强，可对不 同生产线的数据集中处理，促进数据分析系统的专业 性提升，为平台与服务体系的构建提供良好的基础。 历史数据库是未来趋势判断的重要依据，也是查 询、分析、评估设备状态的基础。调用数据的专业工 具可以是预测模型、知识规则、专家系统，也可以是 其他模型，在云服务平台上具备自动调用分析数据功 能，根据需求实现业务交互，监控系统功能模型如图 1 所示。 在平台上，系统数据信息传递互联互通，易维护 和扩展。复杂问题不仅可以通过专业工具进行分析， 还可以与专家建立信息交互系统，解决一些多元问题 或处理随机故障，并建立历史档案库，建立信息匹配 关系，不断补充专家、知识库，促进专家知识、规则 的积累与完善。 监控系统结构简单，通过集成专业工具可实现常 用功能，覆盖日常运维基本需求，不同生产线数据接 入共性功能模块，可实现通用化。为满足监控点差异 化和个性化的需求，采用可维护和重构的柔性配置， 图 1 监控系统功能模型图 Fig. 1 Function module diagram of monitoring system 万方数据 第 48 卷 2020 年第 8 期 破 磨 编辑 翟晓华 35 增强系统适应性和灵活性。 2 监控系统数据信息处理流程 立磨粉磨系统的数据主要分为设备数据 和工艺数据设备数据反映了设备工作状态， 如立磨振动、轴承温度、电动机电流等；工艺 数据主要是反映物料信息和生产介质信息，如 选粉机转速、热风温度等。另外，还有一些离 散数据，如人工记录数据，这些是在线数据的 重要补充，为设备状态分析提供补充数据。设 备数据是设备维护的重要依据，而工艺数据为 生产调控提供支撑，同时，工艺数据影响着设 备运行状态，如热风温度上升，表明热量供大 于求，进而造成磨内物料过干，引起立磨振动 加剧。因而在构建状态监控系统时，主要依据 设备运行调控和维护的需求。 因此，立磨粉磨状态监控系统可以分为 工艺数据分析和设备状态分析，数据处理应采 用分层处理的方式。对于快速变化的生产运行状态， 实时监控可以为运维人员提供初期预警；而基于历史 数据运行趋势，可以评估当前及未来是否偏离生产状 态，用同样的模式可以评估设备运行状况是否健康。 状态识别需要确定稳态特征，通过数据分析确定影响 因子，根据权重评估对可能的工况进行聚类分析[4]。 健康评价需要通过不同状态权重，建立定性与定量相 结合的综合评价体系[5]。 业务模型的数据处理流程根据生产实际需求，结 合模块功能和层次来实现。始于数据采集，集合多种 分析模式与功能模块，目标是可视化服务，自动分析 结果并主动推送，按需进行信息追溯查询，数据信息 处理流程如图 2 所示。 状态识别是将实时数据接入自动处理，反馈设备 和生产运行状态。故障信息与溯源是故障识别模块的 功能，通过对数据综合分析协助查找故障源，减少人 员工作量，提高反应速度，减少非正常停机。状态预 测是基于历史数据分析，对立磨等设备和工艺参数进 行评估，判断状态趋势，为运维决策提供参考。 在状态监控系统处理数据过程中，为了使数据可 识别，增加通用性，对数据统一编码，测点部位与控 制系统数据库中的测点名一一对应，这样在获取数据 时，每一个数据都能够准确反映监控点位置。某立磨 粉磨系统的数据采集配置如图 3 所示，通过后台信息 图 3 立磨粉磨系统数据采集 Fig. 3 Data acquisition of vertical roller mill grinding system 图 2 云平台数据信息处理流程 Fig. 2 Cloud plat data ination processing flow 万方数据 第 48 卷 2020 年第 8 期 编辑 翟晓华 破磨 36 关联与数据匹配，每个异常数据都能够快速定位到故 障点。人工记录和结果等信息都有记录，可设置相关 条件查询，进行历史数据趋势叠加分析，这些功能可 通过不同的权限在交互系统上实现。 3 面向状态识别的数据处理 立磨粉磨系统的数据大部分通过 PLC 通信到 DCS 上传至云平台，数据采集由任务需求来决定，采 样周期可灵活设置，对于稳定的工况数据 如轴承温 度，可以减小采样频率；而工艺参数波动幅度大， 频率高，则应调高采样频率，区别处理可以减少数据 处理量。 通过数据分析识别各部位状态，对生产线各设备 和工艺数据进行预处理，建立数据库，通过统计计算 构建正常的趋势通道，获取健康状态特征数据，并进 行实时分析，形成监控结果，并进行可视化展示，处 理过程如图 4 所示。 立磨粉磨系统数据具有多源异构和非线性特性， 按照设定频率采样，数据质量会影响状态识别结果， 因此对采集的数据进行预处理是必要的，去除少量因 为干扰产生的异常数据。数据的预处理主要是缺值插 补和基于时序的跳变数据处理。缺值是因为传感器或 者网络等原因造成数据缺失，少量的数据缺失插补方 法很多，如线性插值，就有很好的适应性，对数据趋 势影响较小。因为生产或者设备故障造成的大范围数 据缺失，应该重新选择采样起点来构建数据序列。数 据跳变是由于传感器偶发故障或者信号干扰造成的， 此时的数据大幅度偏离波动范围且不连续，通过时域 滤波处理有效去除数据突变，计算精度与效率和实用 性符合立磨粉磨生产工况需求。 立磨粉磨工况复杂导致数据波动较大，不能用单 个数据来反映实际工况，需要对数据进行分段计算， 多个连续采样周期的数据经过处理后，作为特征值和 取样数据。以立磨进口和出口压力差 P 为例，采样周 期为 Δt，可根据数据敏感度在系统设定，采样起始时 刻 T，连续采样个数为 n，则采样数据的均值 P P n i i n 1 ， 1 P 作为这一时间段数据的基准值，其波动值 S PP n i i n - - 1 2 1 。 2 数据趋势通道的上限是 P S，下限是 P -S。如 图 5 所示，趋势通道 1 是从云平台调取 500 个连续 数据，每 10 个数据为 1 组；通道 2 是 20 个数据为 1 组。从计算结果能够看出，趋势通道 1 只有少量数据 在趋势通道之外；趋势通道 2 采样数量多，趋势相对 平滑，对数据状态识别更可靠。 在状态监控过程中，需要对采集的数据取均值， 看是否超出趋势通道，在构建趋势通道时，需要前置 某些条件，如立磨入料量，这样采样数据才具有代 表性。状态识别的可靠性取决于采样个数 n，当 n 越 大，数据准确度越高，但这会造成计算时间过长，使 结果偏离了采样周期，即便结果可靠也失去了指导意 图 4 状态监控时序图 Fig. 4 Status monitoring time-sequence diagram 万方数据 第 48 卷 2020 年第 8 期 破 磨 编辑 翟晓华 37 义。另外采样参数也同样影响识别精度，因为不同的 参数其波动频率差异很大，如压力、频率等波动较 快，而温度等波动较慢，需要根据具体情况通过试验 决定。 在实际工程应用中，状态识别可以对采样个数 n 建立多重趋势通道，短周期的多个 n 构成长周期的 采样数量 N，这样可以用长周期趋势来对短周期识别 结果加以复核，以提高监控结果的可靠性。故障识别 和预测需要集成更多的专业工具才能实现，如聚类算 法、时间序列预测方法等。 4 基于云平台的状态监控服务 基于数据自动处理的云平台可多数据源并行处 理，集成较多的专业工具，同时面对不同的服务需 要，处理不同的服务请求，一般采用浏览器/服务器 B/S 结构形式，其结构如图 6 所示。部分功能借助 成熟的通用工具和平台，便于集成自己的工具包，常 用浏览器作为信息交互平台，通用性强，能够满足不 同系统的信息互通，易于扩展。 数据获取一般采用有线网络或者 4G、5G 网络传 输，大大提高了数据获取质量和效率。由于建筑物和 设备的屏蔽以及外在因素的干扰，无线信号稳定性不 如有线网络稳定，主要用于缺少网线的地方，使用网 图 5 趋势通道构建 Fig. 5 Construction of trend channel 络用于服务信息的发布会提升云服务的便利性和用户 体验。 某立磨粉磨系统实时状态监控画面如图 7 所示。 在浏览器上有异常状况会自动提示，可查询记录信息 和数据趋势为决策提供支持，协助生产现场提高工作 效率。数据库维护与专业服务工具开发应用分离，分 工更细，基于通用平台提高了系统构建效率、发展速 度和应用效果。 5 结语 工业互联网技术的发展推动了立磨粉磨系统状 态监控系统的建立与应用，专业工具更加广泛地得到 了集成应用，通过数据流的实时分析与统计，建立专 业工具共享环境，提高了利用率，可为工业生产提供 专业服务，促进专业知识转化为生产力，跨地域的专 图 6 浏览器/服务器结构 Fig. 6 Browser/server structure 万方数据 第 48 卷 2020 年第 8 期 编辑 翟晓华 破磨 38 图 7 立磨粉磨系统实时状态监控画面 Fig. 7 Status monitoring interface of vertical roller mill grinding system 业分工与协作整合了资源，构建了新的生产与服务模 式。 参 考 文 献 [1] 杜文辽，钱春华，李利军，等．基于测点数据变化趋势告警 判定的大型立磨故障诊断专家系统 [J]．矿山机械，2017， 45536-41. [2] 刘 涛，朱达荣，汪方斌，等．物联网环境下的大型立磨 状态监测及损伤预警系统模型 [J]．机械设计与制造，2017 10168-170. [3] 李 客，俞章法，郝 兵，等．面向服务的矿物流程生产大 数据应用研究 [J]．矿山机械，2019，471234-37. [4] 代 风，纪杨建，万安平，等．矿渣粉磨健康状态识别模型 及系统设计 [J]．振动、测试与诊断，2018，384827-833. [5] 陈作炳，印世杰，项 勤．立式辊磨机健康状态综合评价与 预测研究 [J]．机械设计与制造，20196252-255. □ 收稿日期2020-05-20 万方数据