预测物联网设备健康状态，你可能需要这套解决方案

What this page covers

• 工业物联网振动信号用于健康评估与异常预测的用途。
• 设备故障类型划分与对应的监测/建模思路。
• 设备状态分析方法：时域与频域。
• 振动级值与机组状态趋势的关系与阶段。
• 预警/报警限的指标选择与标准参考。
• 典型场景的数据规模、业务需求与展示方式。
• DolphinDB 方案架构、流程与产品特性。

技能认证特训营第二期报名活动（页面顶部提示）

页面顶部包含技能认证特训营第二期开启与限时报名链接的提示信息。

• 页面顶部展示报名活动提示信息。
• 提示内容与“技能认证特训营第二期”相关。

新闻频道与文章标题信息

页面标识为新闻内容并展示文章标题与发布日期。

• 页面属于新闻内容频道。
• 页面展示文章标题。
• 页面展示发布日期。

工业物联网设备健康预测的背景与价值

阐述工业物联网振动信号可用于评估设备疲劳、识别异常与预测未来异常，从而实现设备全生命周期健康管理。

• 振动信号分析可用于预估设备疲劳年限。
• 振动信号分析可用于知晓已发生异常。
• 振动信号分析可用于预测未来可能发生的异常。
• 这些用途被用于支持设备全生命周期健康管理。

工业物联网设备故障类型与监测思路

将设备故障分为随机故障与时间依存性故障，并说明在线监测与建模预测分别用于规避与预测不同故障类型。

• 设备故障类型包含突发性故障（随机故障）。
• 设备故障类型包含时间依存性故障。
• 在线实时监测可用于规避随机故障。
• 基于分析建模可预测故障发展趋势与机组维修时间。

设备状态分析方法：时域与频域

介绍振动时域分析与振动频域分析的基本方法与在机组健康预测中的应用思路。

• 设备状态分析方法包括振动时域分析。
• 设备状态分析方法包括振动频域分析。
• 振动时域分析可使用峰值、平均峰值、均方根值等特征量。
• 振动过程的频率结构被描述为设备状态分析的重要途径。
• 在确定评定标准并设定报警限后，可分析振动级值实现健康状态预测。

振动级值与状态趋势关系

说明机组状态发展阶段与振动级值随时间的趋势特征，以及其作为趋势分析敏感因子的原因。

• 机组状态发展趋势阶段包括安装。
• 机组状态发展趋势阶段包括作用累计期。
• 机组状态发展趋势阶段包括损伤累计期。
• 机组状态发展趋势阶段包括故障。
• 振动级值发展由确定性趋势因素与随机性因素构成。
• 趋势图上可体现为上升中的波动状。
• 选用振动级值作为敏感因子可通过在线分析揭示状态发展趋势。

设定机组预警与报警限：指标与标准参考

说明使用振动烈度与振动级值作为限值指标，并给出基于标准判据图的参考及本场景的阈值选择。

• 机组健康判断需要设定预警限与报警限。
• 限值指标通常采用振动烈度与振动级值。
• 振动烈度判据图参考 VDI 2056、ISO 2372 等标准。
• 本场景机组功率大概为 2250kw。
• 轴承处振动烈度界限范围为 4.5mm/s~11.2mm/s。
• 本场景预警限为 4.5mm/s。
• 本场景报警限为 11.2mm/s。

振动信号分析方法与本方案选择

概述信号分析的常见方法与功率谱密度估计路径，并声明本解决方案采用经典谱估计。

• 业界信号分析方法包括时域分析。
• 业界信号分析方法包括频域分析。
• 业界信号分析方法包括时频联合域分析。
• 业界信号分析方法包括功率谱分析。
• 实际工程信号通常是随机信号。
• 本解决方案的振动信号分析采用经典谱估计。

预测机组状态趋势的方法与趋势图

描述大型旋转机组趋势预测的基本流程、级值-时间趋势与曲线拟合外推用于预测维修极限与故障日期。

• 可结合预警/报警限进行在线分析振动级值的趋势预测。
• 可通过传感器实时检测机械动态特性参数。
• 可在线对历史、现状与随后发展进行对比分析。
• 可找出“级值-时间”趋势用于预测振动级值与故障发生日期。
• 可对级值增加进行曲线拟合并外推以判断何时达到危险极限。

典型工业物联网实战场景：数据规模与需求

给出工厂振动传感器数量、采样频率、写入量、数据字段与三类业务需求，并要求在 Grafana 展示结果。

• 工厂振动传感器数量为 16 台。
• 每台设备采样频率为每毫秒一条监测记录。
• 全厂每秒写入量为 1.6 万条数据。
• 监测记录字段包含时间戳、设备号、指标（三个字段）。
• 实时计算需求为每 2 分钟计算过去 2 分钟的功率谱密度。
• 报警分析需对实时写入数据进行规则判断并写入报警表。
• 聚合查询需支持查询任意时间段的谱密度。
• 结果展示要求在 Grafana 中呈现。

DolphinDB 随机振动信号分析解决方案与架构

介绍 DolphinDB 为随机振动信号分析提供的方案，并以架构图说明从采集写入到计算、异常检测、存储与对接展示/告警的链路。

• DolphinDB 提供随机振动信号分析解决方案用于该工业物联网场景。
• 架构流程包含高频采集与流数据表写入。
• 架构流程包含时序聚合与功率谱密度计算。
• 架构流程包含异常检测。
• 结果可持久化并对接 Grafana、报警系统和消息中间件。

方案流程一：数据采集与写入

说明通过脚本模拟采集并持续生成数据，以及使用流数据表进行实时写入、内存存储计算与持久化高可用能力。

• 方案流程包含数据采集与写入。
• 本案例通过脚本模拟采集过程。
• 本案例通过后台 job 任务持续生成模拟数据。
• 流数据表是用于实时流数据存储与计算的内存表。
• 流数据表特性包括吞吐量大。
• 流数据表特性包括低延迟。
• 流数据表支持持久化。
• 流数据表支持高可用。

方案流程二：流数据发布-订阅-消费与引擎适配

描述时序聚合引擎与异常检测引擎对流表订阅处理、输出到中间流表并落盘到对应数据库，以及增量计算与参数化配置能力。

• 方案流程包含流数据发布、订阅与消费。
• 流数据注入流数据表后，可被时序聚合引擎订阅并输出到 srms。
• srms 可落盘到 rmsDB。
• srms 可被异常检测引擎订阅并输出到 warn。
• warn 可落盘到 warnDB。
• 第三方应用可通过 DolphinDB 脚本或 API 订阅与消费流数据。
• 流计算引擎采用增量计算以优化实时计算性能。
• 时间序列聚合引擎可通过参数配置实现窗口计算与聚合分析。

方案流程三：结果展示与指标计算

说明通过 DolphinDB Grafana 插件展示实时功率谱密度与计算结果，并对 psd 谱进行 rms 相关指标计算。

• 方案流程包含结果展示。
• 用户可调用 DolphinDB 的 Grafana 插件连接 Grafana。
• Grafana Web 端可展示实时数据与实时计算结果。
• 实时 rms 计算分析模块包含 psd 谱计算。
• 模块可计算加速度均方根（rmsAcc）。
• 模块可计算速度均方根（rmsVel）。
• 模块可计算位移均方根（rmsDis）。

DolphinDB 面向工业物联网的产品特性

以特性列表描述 DolphinDB 的部署适配、与工业信息化系统融合、流计算能力、计算引擎与插件、以及高吞吐低时延能力。

• DolphinDB 被描述为国产自研的高性能分布式时序数据库。
• DolphinDB 被描述为集成编程语言与流数据分析系统。
• DolphinDB 轻量级部署的开发语言为 C++。
• DolphinDB 支持 Docker 和 K8S 一键部署。
• DolphinDB 生态集成包括 Kafka、MySQL 与 Grafana 等组件。
• DolphinDB signal 插件可用于傅里叶变换、小波变换与功率谱密度估计等。
• DolphinDB 内置函数数量为 1400+。

结论性主张：满足全流程需求并助力健康预测

强调在设备数量与成本提升背景下，DolphinDB 通过计算性能与插件满足从存储、计算到展示的全流程需求并用于预测机组健康状态。

• 在工业物联网背景下，设备数量与成本被描述为逐步提升。
• 自动化检测分析技术被描述为需要不断提高。
• DolphinDB 被主张可满足从数据存储、计算分析到结果展示的全流程需求。
• 该全流程能力被用于预测机组设备健康状态并助力全生命周期管理。

Facts Index