湃方科技联合 CnosDB 助力旋转类机械预测性维护

在传统设备运维工作中，故障何时发生、何时劣化是无法预知及预测的。随着智能化升级改造走进传统行业，工业设备的运维也必然将由“预防”走向“预测”，设备的健康状态及运行情况将会得到随时随地的实时监测，使检修变得有据可依，有理可循。

现代工业生产正朝着大型化、高速化、智能化的方向奋勇前进，在生产率和智能化程度逐步提高的同时，各大厂商对机械设备的安全性和可靠性要求也越来越高，尤其是一些大型旋转机械设备，比如电动机、风机组、液压泵站等。他们已经成为了现代大规模生产装置的关键设备，要求长周期连续运行，一旦故障停机可能造成重大经济损失，甚至导致重大安全事故的发生。

事实上，工业设备的重大故障并不是突然发生，而是一个逐步劣化的过程，在此过程中，设备仍可“带病运行”。但在传统设备运维工作中，故障何时发生、何时劣化是无法预知及预测的。随着智能化升级改造走进传统行业，工业设备的运维也必然将由“预防”走向“预测”，设备的健康状态及运行情况将会得到随时随地的实时监测，使检修变得有据可依，有理可循。当然，这也就对现代的机械设备解决方案提出了更高的要求。

成立于 2018 年的湃方科技是一家专注于提供工业设备智能化解决方案的企业，为装备制造企业及工厂打造了一套完整的设备智能化解决方案，包括基于边缘计算的智能物联终端、人工智能算法引擎、智能工业设备管理云平台，可以有效地解决用户设备数据采集、智能分析、高效管理以及精准决策的需求，为工业用户提供全栈式的设备智能化服务，目前已在装备制造、煤炭采矿、石油石化、钢铁冶金等诸多行业服务超过 100 家国内外知名企业。

湃方科技的核心团队源于清华大学，拥有全球领先的人工智能芯片和算法技术，已取得近 40 项自主研发知识产权，同时荣获国家高新技术企业、天津市瞪羚企业、天津市战略性新兴产业领军企业等诸多称号。

湃方智能设备状态监测系统示意图

业务与应用需求

旋转机械的预测型为主要依靠在设备上部署一个或多个测点，采集振动、温度等数据，通过对数据的实时分析和判断，预测设备异常情况并精准定位设备故障。以泵为例，一套泵机组包括一台电机和一台泵，根据其轴承配置和设备结构的不同需要部署 3-4 支无线温振一体传感器。由于每支无线温振一体传感器可以采集 3 路 10kHz 以上的的高频响振动信号和 1 路温度信号。为了保证服务质量，振动信号的采集频率往往可以达到 20kHz 以上，即每一路振动信号每秒都需要采集超过 2 万个数据点，形成了较大的数据规模。

湃方智能设备状态监测仪测点示意图

解决方案系统架构

湃方科技的工业设备智能化解决方案，主要分为 4 层。首先是边缘端的硬件设备数据通过网关等传输给数据集成层，以此来实现相关数据的收集工作。

往上数据会被传输到数据中台，这一层会提供 PASS 服务，比如版本管理、CI/CD、质量修正等功能。同时，也会进行元数据管理。当然，更重要的是数据中台会支持深度学习引擎，比如 Tensorflow、PyTorch 等。在此层，我们还需注意到其选取的数据库，这也是数据存储的核心，其性能和稳定性表现会直接影响整体架构的性能。此前湃方一直采用传统关系型数据库进行数据存储，并未引入时序数据库。

再往上，是数据访问和分析服务层，提供各种实时数据查询的 API 和访问服务，分析服务方面，也提供相关算法库。

最后，是上层支撑的湃方平台业务，提供面向用户直接需求的功能模块，例如设备管理、故障预测、备品备件管理等应用集成功能。此外，相关监控工具一直贯穿整个架构始终。

湃方科技平台架构图

传统架构面临挑战

随着工业智能化的快速发展，上云智能设备数量快速增加，传统关系型数据库面临较大的挑战。

首先，写入吞吐能力达到瓶颈，海量数据无法高效的写入。

以每 1000 台设备为例，需要接入智能传感器 3000～4000 支、平均每 30 分钟采集一次数据，平均每秒会有约 15 万写入，即十万级 QPS。而国内的工业工厂旋转型机械设备众多，例如一个典型年产值百亿级别的石化企业中的旋转型机械就超过 1 万台套，其归一化每秒写入可达百万级数据规模。在此规模下以 MySQL 和 Oracle 为代表的传统关系型数据库由于受到存储结构限制，在数据库设计层面无法完成对海量时序数据的快速连续存储。

其次，存储成本高，无法更经济地保留更长期的历史数据。

为了预测性维护更加精准，以及未来 AI 在行业内的大规模应用，大部分企业希望保存更长期的历史数据。尤其是对于设备净值达到上千万的高端机械设备、或处于关键生产工艺位置的关键设备而言，其使用寿命在 10-20 年之间，每年的运维成本也十分昂贵，用户迫切需求收集并分析设备的长期运行状况。但目前的行业应用中，受制于普通的磁盘阵列的存储成本和访存代价，用户往往无法保存超过 5 年的数据。同时，数据库压缩比不高，存储成本高昂；并且伴随时间推移，其成本还将不断上升。用户难以保存长期数据，大量设备有效数据被覆盖损失。

CnosDB 助力解决问题

针对应用需求和技术匹配之间的矛盾，湃方应用新一代的时间序列数据库来提高存储吞吐率、降低存储成本。

CnosDB 是一个非常适合物联网场景的时间序列数据库，其拥有着强悍的写入吞吐以及高效压缩比的特性。相对于传统的关系型数据库，它可以支持更大规模的测点，在普通服务器上就能支持百万 QPS 的写入需求。这就让湃方科技完美解决了平台测点增多和高端昂贵精密设备的数据写入问题。

在表的设计上和传统数据有一些不同，每一次的数据上传需要保留一条记录，当作元数据留存，设备的数据指标，在另一个表中单独存储。

元数据表

旋转数据表

在新的架构设计上 ，CnosDB 的数据压缩比达到了 60x，这就减少了数据占用的存储空间，从而降低了存储成本。更长时间和更大量的数据保存，也将让我们更有可能探索更深层次的数据价值。我们以存储 3 年 500 亿条共 55T 的数据为例，使用 CnosDB 后，在双副本的情况下占用存储空间降低为 6.2T 左右。湃方科技在采用了 CnosDB 方案后，存储成本直降 90%，更长时间和更大量的数据保存，也将让我们更有可能探索更深层次的数据价值，先进的预测性维护因为数据的高质量也可以实现，最终可以延缓设备的老化。

占用空间

数据存储策略

此外，在查询性能方面，大部分查询较原始架构速度也提升了近 20 倍左右。

设备数据

未来

CnosDB 的应用让行业采集并留存更高精度、更长周期的数据成为了可能。云物联网环境和数字孪生技术的发展，让我们有机会够能够近乎实时地查看设备的不同运行参数的虚拟表示。数字孪生是物理设备的视觉复制品，通过将振动、功率、温度等数据与有关设备的已知信息相结合，我们可以创建每个设备的视觉“双胞胎”，可以建立操作标准以指示正常运行或超出预期阈值的参数，可以随时随地监控该设备的虚拟复制品，消除了不便或不必要的工厂车间行程。

此外，人工智能的发展也值得我们期待，从简单的图表功能到人工智能分析，我们需要寻找到用于分析趋势的时间序列工具。对于那些更加昂贵的工业设备来说，使用人工智能分析也可能让我们更快地发现异常，从而为客户提供更好的预测性维护服务。

作者介绍

武通达，湃方科技 CEO。清华大学电子工程系 2010 级本科、2017 级博士研究生。具有 6 年低功耗电路系统设计经验，4 年创业实践经验，被评为创业邦 2021 年 30 位 30 岁以下创业新贵、2022 胡润 U30 中国创业先锋。作为第一作者发表的论文被 SCI 收录 2 篇、EI 收录 2 篇。参与国标撰写 1 项，获授权专利 8 项，其中发明专利 4 项。兼任清华大学天津电子信息研究院智能芯片与工业物联网研究所所长，曾任 Rational Design 联合创始人、清华大学未来通信学生团队项目总监、第四届亚洲智能传感系统研讨会组织主席。

产品相关文档：

1. CnosDB 快速上手指南：https://docs.cnosdb.com

2. CnosDB 官网：https://www.cnosdb.com

3. CnosDB GitHub 仓库：https://github.com/cnosdb/cnosdb