基于大数据分析的嵌入式DCS监盘系统技术方案

本发明专利技术涉及发电厂故障诊断技术领域，尤其涉及一种基于大数据分析的嵌入式DCS监盘系统。包括以下步骤：S1：搭建监盘服务器，组入DCS系统网络，实时读取和储存DCS数据；S2：搭建模型服务器，通过接口读写数据到监盘服务器；S3：模型服务器根据建模内容，对获取的数据进行预处理，剔除异常数据；S4：模型训练，通过模型服务器的内置算法对筛选后的数据进行建模；S5：模型运行结果通过接口写回监盘服务器，并通过DCS组态画面在操作员站展示。与现有的技术相比优点在于：利用大数据分析技术，实现监盘智能化，并用嵌入DCS方式，更直观和更人性化指导运行人员，能有效地预警设备异常征兆，提高设备的可靠性。备的可靠性。备的可靠性。

【技术实现步骤摘要】
基于大数据分析的嵌入式DCS监盘系统


[0001]本专利技术涉及发电厂故障诊断
，尤其涉及一种基于大数据分析的嵌入式DCS监盘系统。

技术介绍

[0002]目前，燃煤火力发电厂在我国仍然占据主导地位，随着电厂信息化、数字化水平已大幅提升，分布式控制系统、管理信息系统、监控信息系统等已在燃煤发电厂普遍应用，各个发电厂存储了大量的覆盖电厂生产全过程的运行数据。火电机组作为典型的复杂工业系统，其数据形式属于过程工业大数据范畴，其数据有以下特点：
[0003]1)动态性
[0004]发电过程构成一个复杂的多变量系统，涉及到众多参数用于过程描述。在空间和时间上，这种描述具有高维度的特点，且生产过程呈现出多变的形式，机组运行工况多变，有稳态工况和动态工况的区别。不同的操作运行方式和潜在的故障，使数据有不同的体现，数据间有不同的惯性与延迟，这些都严重影响数据的可理解性。
[0005]2)相关性
[0006]火电机组设备系统庞大，各子系统相互关联，相互影响，因此DCS系统所采集的数据具有较强的互相关性，且一般情况下，短时期机组发电功率以天为单位进行类周期变化，而长时期的机组发电功率变化规律又和季节因素有关，因此发电机组过程大数据中各参数又具有一定的自相关性。
[0007]3)非线性
[0008]发电过程伴随着多种物理、化学变化，各个参数间相互耦合，相互影响，具有强相关性，但变量大多不服从线性关系，动态响应也不尽相同。
[0009]4)参差性
[0010]受限于检测成本、内存负担、设备需求等客观因素，火电机组过程大数据具有多层面不规则采样特性，其存储数据既包括重要参数的高频采样数据，又具有部分参数的低频采样数据，其体现形式为不规则采样。
[0011]在发电厂实际生产过程中，大量的历史运行数据，仅限于日常的报表、查询，数据缺乏深度利用，这些数据包含大量有效、可用的信息，机组安装的测点传感器及其他开关量设备提供大量实时监控数据和历史操作数据，可以为大数据技术在燃煤电站中的应用和发展提供数据支持，通过数据分析和深度挖掘，找出其内在联系，挖掘数据潜在的价值，可以提高控制品质，保证机组生产过程中的安全性、环保性和经济性，具有十分重要的意义。

技术实现思路

[0012]本专利技术的目的是针对上述问题，提供一种设计合理，能够生产波纹形状复杂波纹管的塑料波纹管成型设备。
[0013]本专利技术的另一目的是针对上述问题，提供一种塑料波纹管制备方法。
[0014]为达到上述目的，本专利技术采用了下列技术方案：本基于大数据分析的嵌入式DCS监盘系统，其特征在于，包括以下步骤：
[0015]S1：搭建监盘服务器，组入DCS系统网络，实时读取和储存DCS数据；
[0016]S2：搭建模型服务器，通过接口读写数据到监盘服务器；
[0017]S3：模型服务器根据建模内容，对获取的数据进行预处理，剔除异常数据；
[0018]S4：模型训练，通过模型服务器的内置算法对筛选后的数据进行建模；
[0019]S5：模型运行结果通过接口写回监盘服务器，并通过DCS组态画面在操作员站展示。
[0020]在上述的大数据分析的嵌入式DCS监盘系统中，步骤S1包括如下步骤:
[0021]S1.1：监盘服务器通过DCS厂家提供的网络布线图组入DCS系统网络；
[0022]S1.2：监盘服务器包括大数据平台模块，将火电机组DCS系统的数据统一采集并存储到大数据平台中，为下一步挖掘、分析和利用提供基础；
[0023]S1.3：监盘服务器还包括第一数据接口，用于从DCS系统读取数据。
[0024]在上述的大数据分析的嵌入式DCS监盘系统中，在步骤S2中，模型服务器包括第二数据接口、集成数据预处理模块、数据建模模块和模型维护模块；
[0025]第二数据接口能从监盘服务器读取数据和向监盘服务器写入数据。
[0026]在上述的大数据分析的嵌入式DCS监盘系统中，步骤S3包括如下步骤:
[0027]S3.1：根据建模内容，选择相关参数和样本，获取数据并根据设定的规则自动对数据进行预处理；
[0028]S3.2：专业人员对自动筛选后的数据再进行精细化手动筛选，提高建模精度。
[0029]在上述的大数据分析的嵌入式DCS监盘系统中，步骤S4包括如下步骤:
[0030]S4.1：监盘服务器的建模工具包括基于人工智能算法建立的数理模型和/或电力行业专业技术人员根据生产经验建立机理模型；
[0031]S4.2：模型建成后，读取实时运行数据，计算出当前工况下的期望值，通过打分量化实际值与期望值的偏离程度，参数具体评分规则如下：
[0032]Y＝Curve(x
‑
x
′
，(TripL，AlormL，WorL，WorH，AlormH，TripH，0，70，100，70，0))
[0033]上式中，Y为评价分数，x表示实时值，x
′
表示期望值，TripL表示模型训练出的低跳闸残差边界，AlarmL表示模型训练出的残差低报警边界，NorL表示模型训练出的正常残差下边界，NorH表示模型训练出的正常残差上边界，AlarmH表示模型训练出的残差高报警边界，TripH表示模型训练出的残差高报警边界；
[0034]S4.3：通过模型修改模块、模型添加模块和模型删除模块，实现模型自主维护。
[0035]在上述的大数据分析的嵌入式DCS监盘系统中，步骤S5包括如下步骤：
[0036]S5.1：模型服务器将计算后各参数的分数通过接口写入监盘服务器；
[0037]S5.2：在监盘服务器上进行DCS画面组态，将监盘所有参数的分数进行展示；根据设备按工艺流程，将单元机组里的各个系统进行逐级分解，从机组级到系统级再到设备级，实现机组当前状态直观、明确的定性或定量判断。通过评分清晰地反应出各测评项目性能和状态的优良中差程度，并能够追查到影响该项目性能状态的主要参数。其中设备分数为设备下所有测点的加权平均值，系统分数为系统下所有设备的加权平均值，机组分数为机组下所有系统的加权平均值。
[0038]在上述的大数据分析的嵌入式DCS监盘系统中，所述的人工智能算法包括多元线性回归、神经网络、相似性支撑向量机中的一种或多种。
[0039]在上述的大数据分析的嵌入式DCS监盘系统中，选用人工智能算法建模时，优先采用多元线性回归或神经网络进行建模，若建模后精度不够，则使用相似性或支撑向量机进行建模。
[0040]在上述的大数据分析的嵌入式DCS监盘系统中，所述的第一数据接包括OPC协议或API专用接口中的任意一种。
[0041]与现有的技术相比，本大数据分析的嵌入式DCS监盘系统的优点在于：1、利用大数据分析技术，实现监盘智能化，并用嵌入DCS方式，更直观和更人性化指导运行人员，能有效地预警设备异常征兆，提高设备的可靠性，有效地降本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据分析的嵌入式DCS监盘系统，其特征在于，包括以下步骤：S1：搭建监盘服务器，组入DCS系统网络，实时读取和储存DCS数据；S2：搭建模型服务器，通过接口读写数据到监盘服务器；S3：模型服务器根据建模内容，对获取的数据进行预处理，剔除异常数据；S4：模型训练，通过模型服务器的内置算法对筛选后的数据进行建模；S5：模型运行结果通过接口写回监盘服务器，并通过DCS组态画面在操作员站展示。2.根据权利要求1所述的大数据分析的嵌入式DCS监盘系统，其特征在于，步骤S1包括如下步骤:S1.1：监盘服务器通过DCS厂家提供的网络布线图组入DCS系统网络。S1.2：监盘服务器包括大数据平台模块，将火电机组DCS系统的数据统一采集并存储到大数据平台中，为下一步挖掘、分析和利用提供基础。S1.3：监盘服务器还包括第一数据接口，用于从DCS系统读取数据。3.根据权利要求1所述的大数据分析的嵌入式DCS监盘系统，其特征在于，在步骤S2中，模型服务器包括第二数据接口、集成数据预处理模块、数据建模模块和模型维护模块；第二数据接口能从监盘服务器读取数据和向监盘服务器写入数据。4.根据权利要求1所述的大数据分析的嵌入式DCS监盘系统，其特征在于，在步骤3包括如下步骤:S3.1：根据建模内容，选择相关参数和样本，获取数据并根据设定的规则自动对数据进行预处理。S3.2：专业人员对自动筛选后的数据再进行精细化手动筛选，提高建模精度。5.根据权利要求1所述的大数据分析的嵌入式DCS监盘系统，其特征在于，在步骤4包括如下步骤:S4.1：监盘服务器的建模工具包括基于人工智能算法建立的数理模型和/或电力行业专业技术人员根据生产经验建立机理模型。S4.2：模型建成后，读取实时运行数据，计算出当前工况下的期望值，通过打分量化实际值与期望值的偏离程...

【专利技术属性】
技术研发人员：王策，金宏伟，方国跃，朱善会，胡尧地，胡戎，陈剑荣，柳红恩，邵建宇，吴业成，刘凯锐，
申请(专利权)人：浙江浙能台州第二发电有限责任公司，
类型：发明
国别省市：