一种基于云平台的风机故障数据中心的制作方法
【技术领域】
[0001] 本发明属于信息技术领域，涉及风电场信息化控制领域，具体是一种基于云平台 的风机故障数据中心。
【背景技术】
[0002] 随着新能源的大力发展，风能已成为全球电力能源中不可或缺的一部分。截至 2010年，风力发电占世界供电总量的2%。风电行业迅猛发展，但风电机组在线监测和故障 诊断系统相对滞后，造成风电机组事故多发，维护成本升高。
[0003] 截至2011年，我国已有约4.5万台风电机组需要20-30年的后续维护。对于工作寿 命为20年的机组，运行维护成本估计占风场收入的10%~15%;对于海上风场，用于风力机 运行维护的成本高达风场收入的20%~25%。2011年底，我国风电装机总量已超过6200万 千瓦，这意味着约4.5万台风电机组需要20-30年的后续维护。
[0004] 传统的机组维修以计划维修和事后维修为主，计划检修带有较大的盲目性，据统 计1/3的费用属于维修过剩，而事后检修容易造成故障的扩大化。至2020年将有约10万台风 电机组向上级监控中心传送机组状态数据。风电场远程故障诊断中心将面临海量的数据处 理和数据安全存储问题。
[0005] 风力发电机组主要由风轮及变桨距系统、轮毂、传动装置、齿轮箱、发电机、电气系 统、控制系统、刹车系统、液压系统和偏航系统等构成。作为大型低速旋转设备，风力发电机 组的故障主要集中在叶片、齿轮箱和发电机，常见的故障有：叶片断裂、齿轮损伤、轴承磨 损、轴系不平衡、不对中以及电气故障等。
[0006] 传统的模式不能最大限度地发挥计算机和网络的优势，主要体现在：
[0007] (1)现场工作站的计算机是一个信息的孤岛；
[0008] (2)数据的安全性没有保障；
[0009] (3)现有风场的SCADA系统已实现了电气参数、过程参数和少数振动参数的集中监 测，其中振动信号仅用于超幅报警，数据采样间隔一般在秒级，不能用于故障诊断；
[0010] (4)振动测点一般采用高频采样，一台机组一天的数据总量约32G，虽然可以对设 备进行间歇采样和数据压缩处理，但仍面临海量数据的存储和传输问题。
[0011]把云平台引入到风电机组故障诊断，在云平台的模式中，远程故障诊断由"服务 器、客户端"向"云服务平台、客户端"转变。对于风电企业，其风场分布范围广，企业内检测 系统的计算机数量庞大，设计一种能够把这些计算机整合到一个云平台下的方法，有效地 利用系统内的计算机，形成强大的故障诊断、数据挖掘平台，达到数据共享、资源共享。
【发明内容】
[0012] 本发明的目的在于提供一种基于云平台的风机故障数据中心，以解决上述背景技 术中提出的问题，为实现上述目的，本发明提供如下技术方案：
[0013] -种基于云平台的风机故障数据中心，包括云实时历史数据库系统、关系型数据 库系统、风机运行状态数据采集装置、风机运行状态数据并行计算模块、风机故障预警模 块、风机故障诊断模块、人机交互接口；所述云实时历史数据库系统接收来自风机运行状态 数据采集装置采集的风机运行实时参数，云实时历史数据库系统向风机运行状态数据并行 计算模块提供风机运行数据;所述关系型数据库系统通过人机交互接口接收风电场操作人 员手工录入的风机设备额定参数，以及故障预警有关参数，作为风机运行状态数据并行计 算模块提供设备基础数据;所述风机运行状态数据采集装置采集风机运行的实时参数数 据，并对数据进行预处理，存入云历史实时数据库系统中；所述风机运行状态数据并行计算 模块对云历史实时数据库系统中的实时数据进行运算，抽取故障特征，并将结果存入云历 史实时数据库系统中；所述风机故障预警模块和风机故障诊断模块对云历史实时数据库系 统中的故障特征数据和关系型数据库系统中的有关参数进行处理，发出预警信息，并进行 诊断。
[0014]作为本发明的进一步方案:所述企业级私有云平台能够对风机运行状态数据并行 计算模块、风机故障预警模块、风机故障诊断模块的并行计算集群和云实时历史数据库系 统、关系型数据库系统所分配的软硬件资源和应用系统实现统一、自动化管理。
[0015]作为本发明的再进一步方案:所述企业级云计算平台是基于Hadoop(分布式系统 基础架构)平台建立的控制体系。
[0016] 作为本发明的再进一步方案:其特征在于，所述企业级云计算平台，作业调度采用 双队列调度器结构。
[0017] 作为本发明的再进一步方案：所述双队列调度器结构，采用最早截止时间优先 (m)F)的软件实时调度算法，并不要求作业必须在截止时间以前完成，然后根据作业的优先 级以及启动时间来选择作业，完成期限早的作业会被优先执行。
[0018]作为本发明的再进一步方案:所述企业级云计算平台，基于Hadoop平台的推测执 行机制，JobTracker (任务管理服务器，节点)会定期地计算各个作业所有任务的执行进度， 只考虑同一个节点上的某一个任务，假定该任务为T，其在计算节点A上执行；由于 JobTracker可获知所有任务的执行进度，某作业的任务T在距离当前时间最近的时刻teased 的进度为progress[tci0sed] (tedosed时刻进度），在tedosed- A h时刻的进度为progress[tci0Sed-A h]，利用在最近一个A h内任务进度的平均增长量与该任务在0到tcdc^d- A h这段时间内 的任务进度的平均增长量进行比较，用方差来探测任务的执行情况，公式如下所示：
[0020]其中progressi代表某一段时间内的进度增长量（i = 1，2，i = 1时表示在0到 tclosed- A h时间内的增长量，而i = 1表不在tclosed- A h到tclosed时间段内的任务增长量），而 pr〇greSSavg表示从0时刻到tca_d时刻的任务平均增长进度，也即这段时间内的平均进度增 长率。
[0021]作为本发明的再进一步方案:基于Hadoop平台的推测执行机制，如果该方差超过 某一阀值时，则说明该任务运行过慢，该任务所属作业的完成时间就取决于该任务的完成 时间，需要为这个任务启动一个备份任务，以加快该任务所处理数据分片的处理速度。 [0022] 作为本发明的再进一步方案：双队列调度器结构和SlowNode选择策略，在一个 Hadoop集群中TaskTracker(任务执行节点）的集合用S来表示，S= {Ti，T2，…，Tn}，其中Ti代 表TaSkTracker，Ti的性能C(Ti)主要从Slot的数量n、CPU的频率C(f)、内存容量C(m)、磁盘容 量 C(d)以及网络带宽 C(V)为指标，以1\)=1^*11*(：出)+1?*(：(11〇+1?*(：((^)+1^(：(￥山其中沽 为各项指标所占的比重，用来指定各项指标在进行负载计算时所占的比例，k越大，说明这 项指标对负载的影响越大，其中，1^=(0.2,0.3,0,0.5)，在实际应用过程中根据情况进行适 当的调整;TaskTracker的负载L(Ti)主要依据Slot的使用率L(slot)，内存使用率L(m)，磁 盘使用率L(d)以及网络带宽使用率L(v):
[0023] L(Ti) =ki X L(sloti)+k2 XL(mi)+k3 X L(di)+k4X L(vi