在工業物聯網環境中，產線機組設備運行、運輸設備移動、試驗儀器運行等場景都會產生振動信號。如果能對采集到的振動信號進行分析，我們就可以預估設備的疲勞年限、及時知曉設備已發生的異常以及預測未來儀器可能發生的異常。如果你追求科學精細地管理設備全生命周期健康，不妨來看看這套解決方案。

工業物聯網場景下，設備故障一般可以分為突發性故障（隨機故障）與時間依存性故障。隨機故障由偶然因素引起，以往很難防止這類故障的發生，但是在傳感器和微處理器迅速發展的今天，可通過設備狀態在線實時監測規避隨機故障。而時間依存性故障則可以在分析建模的基礎上，預測故障發展趨勢及機組維修時間。 要進行上述的監測和預測，就需要對設備進行狀態分析。設備狀態分析的方法，大致可分為振動時域分析和振動頻域分析。

振動時域分析法，主要使用在時域空間內的一些特征量來判斷設備狀態，包括峰值、平均峰值、均方根值等等。

振動頻域分析法中，提示振動過程的頻率結構是進行設備狀態分析的重要途徑。特別是隨著傅里葉變換、經典譜分析、現代譜分析的出現和頻譜分析儀的推出，頻域分析得到了廣泛采用。

我們以工業物聯網機組為例，在確定設備狀態評定標準、設定報警限的基礎上，分析振動級值，能夠實現機組設備健康狀態的預測。

振動級值反映機組狀態發展趨勢

設備的狀態發展趨勢大概可由以下四部分組成：

安裝

作用累計期

損傷累計期

故障

在機組運行的作用累積期與損傷累積期中，時間依存性故障的發展使振動級值蘊含慣性上升規律；而實際工作狀態的變化與人為因素又使機組的運行受到不可預料的隨機性影響，產生隨機性振動。因此機組振動級值的發展是由確定性趨勢因素加隨機性因素構成的，在振動級值發展趨勢圖上體現為上升中的波動狀。 振動是循環力通過機械正常傳遞的副產品，對于大型旋轉機組，最初的振動是因制造缺陷產生的。經過了磨合期，當機組磨損、基礎下沉、部件變形后，其機械動態特性開始出現錯綜復雜的變化，如軸變得不同心、部件磨損量增加、轉子變得不平衡、間隙增加等，這些因素都可以振動級值增加反映出來，并且振動級值的發展趨勢是漸增的。 由以上描述可知，選用振動級值作為趨勢分析中反映機組狀態的敏感因子，通過對振動級值的在線分析可揭示機組狀態的發展趨勢。

設定機組預警、報警限

為了正確判斷機組的工作狀況，及時了解機組的健康狀態，預知可能產生的故障，我們需要設定機組的預警、報警限。通常可以采用振動烈度和振動級值作為限值指標。 振動烈度的大小反映了機組整體振動程度，本場景中具體的烈度標準選定如下：

通常先根據機器的功率來查表，場景中每個機組的功率大概在2250kw，所以可以得到軸承處的振動烈度界限：4.5mm/s~11.2mm/s。另外還可將振動信號進行時頻轉換，實踐表明，可以將頻譜分析中獲得的各個頻率分量的振動級值變化作為評價的對象。這里的振動級值是振動速度級值，在其他場景中也可以是加速度級值和功率級值。如下圖：

針對振動烈度范圍，可以對機組狀態振動烈度預警限以及振動烈度報警限進行選取。本場景采用振動烈度界限為限值指標，即預警限制設定為4.5mm/s；報警限值設定為11.2mm/s。針對振動級值變化判據，同樣可以得出振動級值報警限與預警限。

分析振動信號

目前業界信號分析的方法有四種，包括時域分析、頻域分析、時頻聯合域分析以及功率譜分析。實際工程上的信號通常都是隨機信號，由于不可能對所有點進行考察，也就不可能獲得其精確的功率譜密度，故只能利用譜估計的方法來“估計”功率譜密度。 功率密度譜估計的主要方法有經典譜估計以及現代譜估計，經典譜估計是將采集數據外的未知數據假設為零；現代譜估計是通過觀測數據估計參數模型再按照求參數模型輸出功率的方法估計功率譜，應用最廣的是AR參數模型。本解決方案將使用經典譜估計進行振動信號的分析。

預測機組狀態趨勢

結合先前設定好的預警、報警限，通過在線分析振動級值，我們可以實現機組狀態的發展趨勢預測。 在大型旋轉機組趨勢預測中所采用的基本方法是：以機組的機械動態特性為主要研究對象，通過傳感器實時檢測反映機組機械動態特性參數（振動級值，包括振動烈度與振動分量級值），并在線對機械動態特性進行歷史、現狀以及隨后發展的對比和分析，找出機械系統機械動態特性發展的“級值-時間”趨勢，揭示機組整體以及機組主要部件運行狀態的發展模式，預測振動級值和故障發生日期。 振動級值趨勢預測可以通過如圖所示的“級值-時間趨勢圖”來描述：

根據振動級值的變化，一個或多個頻率分量在若干個周期測量后的級值增加，找出故障發展的“級值-時間”推測趨勢。選擇合適的曲線擬合方法，將結果曲線外推，從而揭示什么時間狀態將達到危險的極限，這樣可以安排適當的日期來對機組進行維護。 科普了這么多背景知識，到底如何通過分析振動信號來預測設備狀態呢？通過一個典型的工業物聯網場景，我們來實戰演練一下。
某工廠有16臺振動傳感器，每臺設備每毫秒采集一條監測記錄，包含時間戳、設備號和指標三個字段，每秒共寫入1.6萬條數據，并采用單值模型存儲。該工廠有以下需求：

實時計算：每2分鐘對過去2分鐘的功率譜密度進行計算。

報警分析：對寫入數據庫的實時數據進行報警分析，如果有滿足報警規則的數據則把相應的設備信息和實時數據以及觸發報警規則寫入到報警表中。

聚合查詢：查詢每臺振動傳感器過去任意時間段的譜密度。

最終數據結果要求展示在 Grafana 中。 DolphinDB 為該場景提供了一套隨機振動信號分析解決方案，架構圖如下：

這一架構包含了三大流程：

數據的采集與寫入

振動信號采集模擬：DolphinDB 支持 API、JDBC、ODBC、消息中間件的方式寫入數據。本案例將通過腳本模擬采集過程，通過后臺 job 任務持續不斷地生成模擬數據。

實時寫入：流數據表是一種 DolphinDB 設計的專門用來應對實時流數據存儲與計算的內存表。具備吞吐量大，低延遲的優點，支持持久化，支持高可用。

2. 流數據的發布、訂閱與消費

發布-訂閱-消費模式：流數據首先注入流數據表中，接著流數據表被時序聚合引擎訂閱，計算結果輸出到流表 srms，最后再把 srms 表中的數據落盤到數據庫 rmsDB 中；另外流入 srms 又被異常檢測引擎訂閱，計算結果輸出到 warn 表中，最后落盤到 warnDB 中。第三方應用同樣可以通過 DolphinDB 腳本或API來訂閱及消費流數據。

適配引擎：在實時數據流計算場景下，計算要求高效和即時，DolphinDB 精心研發了適合流計算場景的引擎，系統內部采用了增量計算，優化了實時計算的性能。對于時間序列聚合引擎，使用者只需通過簡單的參數配置即可實現復雜的增量計算、窗口計算、聚合分析等功能。對于異常檢測引擎，使用者也只需通過簡單的參數配置即可實現復雜的規則設計、窗口檢測。

3. 結果展示

實時功率譜密度 psd 展示：在數據采集、實時計算的同時，用戶調用 DolphinDB 的 Grafana 插件連接 Grafana，在web 端展示實時數據以及實時計算結果。

實時 rms 計算分析：rms 計算模塊包含上述的 psd 譜計算，得到 psd 譜后對其進行必要的指標計算，包括加速度均方根（rmsAcc），速度均方根（rmsVel），位移均方根（rmsDis）。

作為一款國產自研的高性能分布式時序數據庫，DolphinDB 集成了功能強大的編程語言和高容量高速度的流數據分析系統，為海量結構化數據的快速存儲、檢索、分析及計算提供一站式解決方案。與同類數據庫產品相比， DolphinDB 的如下特性使其高度適配工業物聯網場景：

輕量級部署

DolphinDB 使用 C++開發，兼容性好，支持Winodws、Linux、麒麟鯤鵬等操作系統，適配 X86、ARM、MIPS（龍芯）等。單機部署時安裝文件僅70M大小，方便搭建高可用、可擴展集群。并且支持 Docker 和 K8S 一鍵部署，支持端邊云架構，支持云邊一體的數據實時同步。可作為 IaaS 底層支撐。

經典SCADA與信息化的融合

DolphinDB 能實現傳統 SCADA 的功能。并在此基礎上融合企業已有的 DCS、MES、ERP 等工業級信息化系統。支持Kafka等消息中間件、MySQL等關系數據庫、Grafana 等商業BI 組件。 DolphinDB 內置腳本編程語言，用戶可以使用 SQL 語句進行數據處理和查詢，也可以通過類 Python 語法的腳本語言實現復雜功能。支持通過自定義算法開發分析模型，支持調用機器學習模型實現預測。

完善的流計算框架

DolphinDB 的流式計算框架具備高性能實時流數據處理能力，支持毫秒甚至微秒級別數據計算，非常適合用于隨機振動信號的處理和分析。

豐富的計算引擎

DolphinDB 內置1400+函數，具備強大的分布式聚合計算能力。可以實現函數化編程、時間序列運算、矩陣運算、統計分析、機器學習、字符串處理、文件處理等功能。 除此之外，提供的 signal 插件可用于專業領域的信號分析與處理，在數據庫內實現傅里葉變換、小波變換、功率譜密度估計等復雜功能。

高吞吐，低時延

DolphinDB 的內存數據庫可以支持數據的快速寫入、查詢和計算，能夠以毫秒級延時迅速響應設備的狀態信息。
隨著工業物聯網場景下，設備數量、成本的逐步提升，自動化檢測分析技術也需要不斷提高。DolphinDB不僅擁有極佳的計算性能，還擁有高效的第三方插件，可以滿足設備數據存儲、計算分析到結果展示的全流程需求，從而預測機組設備健康狀態，助力用戶有效管理設備的全生命周期。

審核編輯 ：李倩