西宁网站建设,低价网站建设,上海网站建设推广服务,做一直播网站要多少钱1. 应用场景随机振动[注1]会发生在工业物联网的各个场景中#xff0c;包括产线机组设备的运行、运输设备的移动、试验仪器的运行等等。通过分析采集到的振动信号可以预估设备的疲劳年限、及时知晓设备已发生的异常以及预测未来仪器可能发生的异常等等。本篇教程会提供给有该方…1. 应用场景随机振动[注1]会发生在工业物联网的各个场景中包括产线机组设备的运行、运输设备的移动、试验仪器的运行等等。通过分析采集到的振动信号可以预估设备的疲劳年限、及时知晓设备已发生的异常以及预测未来仪器可能发生的异常等等。本篇教程会提供给有该方面需求的客户一个完整的解决方案帮助用户使用DolphinDB 对振动信号进行分析。1.1 行业背景随着智能制造的逐渐普及新型设备相比传统设备更精密设备成本急剧升高的同时人工维护的成本也在不断提高。故当下自动化监测的方式越来越被业界接受一来可以降低人力成本二来可以更加科学系统地对待生产出现的各种状况。目前业界信号分析的方法有四种包括时域分析、频域分析、时频联合域分析以及功率谱分析。针对不同的信号使用不同的方法。实际工程上的信号通常都是随机信号。针对随机信号由于不可能对所有点进行考察也就不可能获得其精确的功率谱密度故只能利用谱估计的方法来“估计”功率谱密度。1.2 真实场景工业物联网场景中可把设备故障分为突发性故障随机故障与时间依存性故障。随机故障由偶然因素引起以往很难防止这类故障的发生但是在传感器和微处理器迅速发展的今天可通过设备状态在线实时监测做到避免随机故障。而时间依存性故障则可以在分析建模的基础上预测故障发展趋势及机组维修时间。要进行上述的监测和预测需要对设备进行状态分析。设备状态分析的方法大致可分为振动时域分析和振动频域分析。振动时域分析法主要使用在时域空间内的一些特征量来判断设备状态包括峰值、平均峰值、均方根值等等。振动频谱分析法提示振动过程的频率结构是进行设备状态分析的重要途径特别是随着傅里叶变换、经典谱分析、现代谱分析的出现和频谱分析仪的推出频域分析得到了广泛采用。以工业机组为例真实场景应在确定评定标准、设定报警限的基础上根据机组设备的状态发展趋势对健康状态进行监测以及预测振动极值以实现机组设备的全生命周期健康管理。1.2.1 设备状态评定标准的选择及预警、报警限的设定振动烈度的大小反映了机组整体振动程度要正确判断机组的工作状况就必须合理地选定烈度标准。场景中具体的标准选定如下通常先根据机器的功率来查表场景中每个机组的功率大概在2250kw所以可以得到轴承处的振动烈度界限4.5mm/s~11.2mm/s。另外还可将振动信号进行时频转换实践表明可以将频谱分析中获得的各个频率分量的振动级值变化作为评价的对象。这里的振动级值是振动速度级值在其他场景中也可以是加速度级值和功率级值。如下图针对振动烈度范围可以对机组状态振动烈度预警限以及振动烈度报警限进行选取。本场景采用振动烈度界限为限值指标即预警限制设定为4.5mm/s报警限值设定为11.2mm/s。针对振动级值变化判据同样可以得出振动级值报警限与预警限。有了这些就可对机组进行检测管理。1.2.2 设备状态发展趋势设备的状态发展趋势大概可由以下四部分组成安装作用累计期损伤累计期故障在机组运行的作用累积期与损伤累积期中时间依存性故障的发展使振动级值蕴含惯性上升规律而实际工作状态的变化与人为因素又使机组的运行受到不可预料的随机性影响产生随机性振动。因此机组振动级值的发展是由确定性趋势因素加随机性因素构成的在振动级值发展趋势图上体现为上升中的波动状。振动是循环力通过机械正常传递的副产品对于大型旋转机组最初的振动是因制造缺陷产生的。经过了磨合期当机组磨损、基础下沉、部件变形后其机械动态特性开始出现错综复杂的变化如轴变得不同心、部件磨损量增加、转子变得不平衡、间隙增加等这些因素都可以振动级值增加反映出来并且振动级值的发展趋势是渐增的。由以上描述可知选用振动级值作为趋势分析中反映机组状态的敏感因子通过对振动级值的在线分析可揭示机组状态的发展趋势。1.2.3 振动级值预测在大型旋转机组趋势预测中所采用的基本方法是以机组的机械动态特性为主要研究对象通过传感器实时检测反映机组机械动态特性参数振动级值包括振动烈度与振动分量级值并在线对机械动态特性进行历史、现状以及随后发展的对比和分析找出机械系统机械动态特性发展的“级值-时间”趋势揭示机组整体以及机组主要部件运行状态的发展模式预测振动级值和故障发生日期实现对机组工作状态趋势的预测。振动级值趋势预测可以通过如图所示的“级值-时间趋势图”来描述根据振动级值的变化一个或多个频率分量在若干个周期测量后的级值增加找出故障发展的“级值-时间”推测趋势。选择合适的曲线拟合方法将结果曲线外推从而揭示什么时间状态将达到危险的极限这样可以安排适当的日期来对机组进行维护。而曲线拟合的方法有很多种包括时序模型预测、灰色预测、人工智能预测、遗传算法预测等等。1.3 DolphinDB优势DolphinDB 是由浙江智臾科技有限公司研发的一款高性能分布式时序数据库集成了功能强大的编程语言和高容量高速度的流数据分析系统为海量结构化数据的快速存储、检索、分析及计算提供一站式解决方案适用于工业物联网领域。其主要优点包括1.3.1 流数据引擎DolphinDB 的流式计算框架具备高性能实时流数据[注2]处理能力支持毫秒甚至微秒级别数据计算非常适合用于随机振动信号的处理和分析。1.3.2 经典SCADA与信息化的融合DolphinDB 能实现传统 SCADA 的功能。并在此基础上融合企业已有的 DCS、MES、ERP 等工业级信息化系统。支持Kafka等消息中间件、MySQL等关系数据库、Grafana 等商业BI 组件。内置脚本编程语言用户可以使用 SQL 语句进行数据处理和查询也可以通过类 Python 语法的脚本语言实现复杂功能。支持通过自定义算法开发分析模型支持调用机器学习模型实现预测。1.3.3 计算引擎DolphinDB 内置1400函数具备强大的分布式聚合计算能力。可以实现函数化编程、时间序列运算、矩阵运算、统计分析、机器学习、字符串处理、文件处理等功能。提供的 signal 插件可用于专业领域的信号分析与处理在数据库内实现傅里叶变换、小波变换、功率谱密度估计等复杂功能。1.3.4 轻量级部署DolphinDB 使用 C开发兼容性好支持Winodws、Linux、麒麟鲲鹏等操作系统适配 X86、ARM、MIPS龙芯等。单机部署时安装文件仅70M大小方便搭建高可用、可扩展集群。并且支持 Docker 和 K8S 一键部署支持端边云架构支持云边一体的数据实时同步。可作为 IaaS 底层支撑。2. 概念介绍2.1 能量与功率能量和功率常常用于描述一个物体运动的程度。从宏观的角度看能量与功率成正相关。从微观的角度看能量是功率在一定时间范围内的定积分。假设功率是P(t)这里的功率是瞬时功率所以是关于时间t的函数那么某种能量就可以用下式表达再把表达式的时间变化区间改为更为一般的形式即可得到一般信号的能量及功率表示如下式有了能量的表达式我们就可以得出平均功率的表达式有了上述基础我们将能量和平均功率的表达式中的瞬时功率函数用具体的函数代入即可得到各种种信号的能量、平均功率的表达式。在实际的通信系统中信号都具有有限的发射功率、有限的持续时间因而具有有限的能量E因而可称为能量信号。但是若信号的持续时间非常长例如广播信号则可以近似认为它具有无限长的持续时间。此时认为定义的信号平均功率是一个有限的正值但是其能量近似等于无穷大。我们把这种信号称为功率信号。根据以上信息判断能量信号的能量表达式是有极限的P也是有极限的但是功率信号的能量表达式极限不存在。接下来介绍信号的分类周期信号持续时间有限为能量信号持续时间无限则为功率信号非周期信号持续时间有限时间趋向边界时瞬时功率函数值趋向0此种信号为能量信号持续时间无限但幅度有限的信号可称为功率信号持续时间无限幅度也无限则既不是功率信号也不是能量信号2.2 能量谱密度和功率谱密度2.2.1 能量谱详见能量谱2.2.2 功率谱详见功率谱2.3 功率谱密度的估计方法上述内容均为理论推导当我们遇到随机振动信号时大多数情况仍然只能估计PSD谱估计的方法有很多接下来简单介绍功率密度谱的几种估计方法。功率密度谱估计的主要方法有经典谱估计以及现代谱估计经典谱估计是将采集数据外的未知数据假设为零现代谱估计是通过观测数据估计参数模型再按照求参数模型输出功率的方法估计功率谱应用最广的是AR参数模型。本篇文章使用经典谱估计进行振动信号的分析。经典功率谱估计的方法有两种周期图法和自相关法。本小节主要介绍周期图法以及加窗后的周期图法。2.3.1 周期图法详见周期图法2.3.2 窗函数优化周期图法详见窗函数优化周期图法3. 解决方案本篇文章将以一个典型的工业物联网场景为案例通过 DolphinDB 实现随机振动信号分析解决方案。3.1 场景描述假定有16台振动传感器每台设备每毫秒采集一条监测记录包含时间戳、设备号和指标三个字段每秒共写入1.6万条数据并采用单值模型[注3]存储。有以下需求实时计算每2分钟对过去2分钟的功率谱密度进行计算。报警分析对写入数据库的实时数据进行报警分析如果有满足报警规则的数据则把相应的设备信息和实时数据以及触发报警规则写入到报警表中。聚合查询查询每台振动传感器过去任意时间段的谱密度。数据结果展示在 Grafana 中。3.2 架构图及说明架构图如下架构说明如下振动信号模拟DolphinDB 支持 API、JDBC、ODBC、消息中间件的方式写入数据。本案例将通过脚本模拟采集过程通过后台 job 任务持续不断的生成模拟数据。实时写入流数据表是一种 DolphinDB 设计的专门用来应对实时流数据存储与计算的内存表。具备吞吐量大低延迟的优点支持持久化支持高可用。参考流数据高可用的教程 。流数据发布-订阅-消费DolphinDB 流数据模块采用发布-订阅-消费的模式。流数据首先注入流数据表中通过流数据表来发布数据数据节点或者第三方的应用可以通过 DolphinDB 脚本或API来订阅及消费流数据。时间序列聚合引擎/异常检测引擎在实时数据流计算场景下计算要求高效和即时DolphinDB 精心研发了适合流计算场景的引擎系统内部采用了增量计算优化了实时计算的性能。对于时间序列聚合引擎使用者只需通过简单的参数配置即可实现复杂的增量计算、窗口计算、聚合分析等功能。对于异常检测引擎使用者也只需通过简单的参数配置即可实现复杂的规则设计、窗口检测。实时功率谱密度 psd 展示在数据采集、实时计算的同时用户调用 DolphinDB 的 Grafana 插件连接 Grafana在web 端展示实时数据以及实时计算结果。实时 rms 计算分析rms 计算模块包含上述的 psd 谱计算得到 psd 谱后对其进行必要的指标计算包括加速度均方根rmsAcc速度均方根rmsVel位移均方根rmsDis。4. 实现步骤本节将介绍振动信号分析解决方案的核心操作、核心功能、关键函数以及 DolphinDB 的相关功能。完整的脚本代码总共200行开发和研究人员可在部署 DolphinDB Server2.00.8 及以上版本及相关插件后运行脚本点击此处下载完整脚本。4.1 实时数据模拟用户可使用下述代码模拟生成单台设备上的16个振动传感器数据体验一站式解决方案。def fakedata(t){sourcechannelstring(1..16) //16台传感器编号numsource.shape()[0]n1000*60*10 timestampnow()for (i in 1..n){timestamp timestamp1time1take(timestamp,num)flag rand([-1, 1], num)signalnose rand(1.,num)signalnose signalnose*flagTable table(time1 as timestamp, source, signalnose).sortBy!(sourcetimestamp)tableInsert(t, Table)}
}
submitJob(fakedataplay,fakedataplayjob,fakedata,t)
getRecentJobs(1)4.2 功率谱密度计算函数pwelch实现本篇文章中使用 DolphinDB 脚本实现的 pwelch 函数采纳了 matlab 中 pwelch 函数的部分功能。pwelchmatlab 版本是一种修正的周期图法功率谱密度估计它将信号分段加窗求其功率谱密度然后做平均处理在前面的小节里已有过介绍。pwelch DolphinDB 版本输入从左到右分别为信号向量 data 、窗函数window、分段重叠的样本数 noverlap 、fft 的点数 nfft、绘制功率谱曲线的抽样频率 fs 。输出为加速度功率谱密度以及对应的频率。下表为 fft 点数、输入向量以及最后输出的频率范围的关系这里我们输入为实数并且 fft 点数为偶数故输出的频率范围为抽样频率的一半为[0, 512]。具体实现代码如下def pwelch(data, window, noverlap, nfft, fs){N data.size();M nfft;pfft 10*log10(fs\nfft);n_overlap ceil(M * noverlap * 0.01); //重叠的点数向上取整L floor((N - n_overlap ) / (M - n_overlap)); //计算分成了多少段数据N_used (M - n_overlap) * (L - 1) M; noise_used data[0:(N_used)];P_win sum(window * window )/M; //窗函数能量计算if (mod(nfft, 2) 1){ //奇数f ((0 .. ((nfft 1)/2)) * fs *1.0/ nfft); fft_sum array(DOUBLE, (nfft 1)/2)abs_fft_half array(DOUBLE, (nfft 1)/2) }else{ //偶数f ((0 .. (nfft / 2)) * fs *1.0/ nfft);fft_sum array(DOUBLE, (nfft/2 1))abs_fft_half array(DOUBLE, (nfft/2 1))}for(n in 1..L){ //计算每段中每个采样点fft变换后的赋值平方和nstart ( n - 1 )*(M - n_overlap);temp_noise noise_used[nstart : (nstart M)] * window;temp_fft signal::mul(signal::fft(temp_noise), 1.0/nfft); temp_fft_half [temp_fft[0]]temp_fft_half.append!(signal::mul(temp_fft[1:(nfft/2)], 2.0))temp_fft_half.append!(temp_fft[nfft/2]) abs_fft_half[0] pow(signal::abs(temp_fft_half[0]), 2.0);end pow(signal::abs(temp_fft_half[nfft/2]), 2);abs_fft_half abs_fft_half[0:1].append!(pow(signal::abs(temp_fft_half[1:(nfft/2)]), 2) * 0.5)abs_fft_half.append!(end)fft_sum fft_sum 1.0/ P_win * abs_fft_half;}fft_sum fft_sum*1.0 / L //平均处理return [pow(10, log10(fft_sum) - pfft*1.0 / 10), f] //PSD谱的纵坐标和横坐标
}HammingHann窗函数公式如下当 a00.53836 称作 Hamming 窗当 a00.5 则叫作 Hann 窗。一般来说为了减少运算量可把公式精简为如下其中 L 为 fft 点数具体实现代码如下def hamming(N){return 0.54-0.46*cos(2*pi*(0..(N-1))/(N-1))
} 4.3 均方根计算函数rms实现RMS值也称为有效值是信号的均方根值用于表征信号中的能量有效值。具体实现代码如下:defg rms(nose,N,sensitivity,gain,window, noverlap, nfft, fs,bandwidthL,bandwidthH){if (size(nose)N){return 0.0,0.0,0.0}temp nose/sensitivity/gain * 9.8 //电压信号改成加速度信号temptemp-mean(temp)respwelch(temp, window, noverlap, nfft, fs) //psd谱psdAccdouble(res[0]) // 加速度功率谱密度fdouble(res[1]) powAcc psdAcc * f[1]powVel powAcc / square(2 *pi * f)powDis powVel / square(2 * pi * f)resolution fs*1.0 / nfft; bandwidthLidx int(bandwidthL / resolution) 1;bandwidthHidx int(bandwidthH / resolution) 1;rmsAcc sqrt(sum(powAcc[(int(bandwidthLidx) - 1):bandwidthHidx]))rmsVel sqrt(sum(powVel[(int(bandwidthLidx) - 1):bandwidthHidx]))*1000rmsDis sqrt(sum(powDis[(int(bandwidthLidx) - 1):bandwidthHidx]))*1000000return rmsAcc, rmsVel, rmsDis
}注意这里将函数定义成聚合函数defg目的在于将函数作为时序聚合引擎的计算规则。4.4 流数据发布-订阅-消费介绍完主要实现的两个函数模块后接下来将描述本案例中流数据的流向。因为流表在流数据处理上的优势本案例使用了三张流表——表 signal、表 srms、表 warn。表 signal 用于存储实时采集到的振动信号表srms 用于存储实时计算得到的均方根值表 warn 用于存储实时产生的报警信息。流数据先从第三方设备传输到 signal 表表 signal 又被时序聚合引擎订阅计算结果输出到流表 srms最后再把 srms 表中的数据落盘[注4]到数据库 rmsDB 中。另外流入 srms 又被异常检测引擎订阅计算结果输出到 warn 表中最后落盘到 warnDB 中。4.4.1 流表的定义以下代码先定义流表 signal 并持久化再定义流表 srms、warn。enableTableShareAndPersistence 函数将流表持久化【注5】并共享到当前节点的所有会话中。使用者也可不将其持久化写法在注释中提供。t streamTable(100:0, timestampsourcesignalnose,[TIMESTAMP,SYMBOL,DOUBLE])
enableTableShareAndPersistence(tablet, tableNamesignal, cacheSize 2000000)
// share streamTable(100:0, timestampsourcesignalnose,[TIMESTAMP,SYMBOL,DOUBLE]) as signal
share streamTable(100:0, datetimesourcermsAccrmsVelrmsDis,[TIMESTAMP,SYMBOL,DOUBLE,DOUBLE,DOUBLE]) as srms
share streamTable(100:0, datetimesourcetypemetric,[TIMESTAMP,SYMBOL,INT,STRING]) as warn4.4.2 流数据消费-引擎定义时序聚合引擎定义引擎输入流表 signal引擎输出流表 srms计算规则聚合函数 rms时序序列聚合引擎按定义的规则对窗口进行聚合计算。规则一般按元代码的形式进行定义。本案例将 rms 函数作为一个聚合函数计算过去2分钟内振动信号的均方根值并返回 rmsAcc、rmsVel、rmsDis。下面代码即是元代码形式的规则。更多元编程相关内容请参考 元编程 — DolphinDB 2.0 文档 。metrics[rms(signalnose,N,sensitivity,gain,window, noverlap, nfft, fs,bandwidthL,bandwidthH) as rmsAccrmsVelrmsDis]接着再定义时序聚合引擎 tsAggr1窗口大小为2分钟步长为2分钟对不同设备进行分组计算。tsAggr1 createTimeSeriesAggregator(nametsAggr1, windowSize2*60*1000, step2*60*1000, metricsmetrics, dummyTablesignal, outputTablesrms, timeColumntimestamp, keyColumnsource)异常检测引擎定义引擎输入流表 srms引擎输出流表 warn检测规则rmsAcc 0.055, rmsVel 0.32, rmsDis 34.5异常检测引擎与时序序列聚合引擎的使用方式基本相同但需给出检测规则。下面是引擎tsAggr2的定义。tsAggr2 createAnomalyDetectionEngine(nametsAggr2, metrics[rmsAcc 0.055, rmsVel 0.32, rmsDis 34.5], dummyTablesrms, outputTablewarn, timeColumndatetime, keyColumnsource, windowSize2*60*1000, step2*60*1000)更多时序序列数据聚合引擎和异常检测引擎相关内容请参考DolphinDB教程流数据时序引擎 流数据引擎 — DolphinDB 2.0 文档4.4.3 数据的订阅tsAggr1 引擎订阅 signal 表订阅后实时数据会不断输送到时序数据引擎 tsAggr1 中引擎再将计算结果输出到表 srms 中。subscribeTable(tableNamesignal, actionNameact_tsAggr1, offset0, handlerappend!{tsAggr1}, msgAsTabletrue);再通过订阅 srms 表将流表中的数据落盘到数据库 rmsDB 中。db database(dfs://rmsDB, VALUE, 2022.01.01..2022.12.31)
m table(1:0,datetimesourcermsAccrmsVelrmsDis,[TIMESTAMP,SYMBOL,DOUBLE,DOUBLE,DOUBLE])
db.createPartitionedTable(m, rms, [datetime])
pt_rms loadTable(dfs://rmsDB, rms)
def saveSrmsToDFS(mutable dfsRMS, msg){dfsRMS.append!(select datetime, source, rmsAcc/10000 as rmsAcc, rmsVel/10000 as rmsVel, rmsDis/10000 as rmsDis from msg)
}
subscribeTable(tableNamesrms, actionNameact_saveDfs1, offset-1, handlersaveSrmsToDFS{pt_rms}, msgAsTabletrue, batchSize10000, throttle1);tsAggr2 订阅 srms 表订阅后实时数据会不断输送到异常检测引擎 tsAggr2 中引擎再将计算结果输出到表warn中。subscribeTable(tableNamesrms, actionNameact_tsAggr2, offset0, handlerappend!{tsAggr2}, msgAsTabletrue);接着也是相同的落盘操作。//创建warnrms分布式表并订阅了落库
if(existsDatabase(dfs://warnDB)){dropDatabase(dfs://warnDB)
}
db database(dfs://warnDB, VALUE, 2022.01.01..2022.12.31)
m table(1:0,datetimesourcetypemetric,[TIMESTAMP,SYMBOL,INT,STRING])
db.createPartitionedTable(m, warnrms, [datetime])
pt_warn loadTable(dfs://warnDB, warnrms)
def saveWarnToDFS(mutable dfswarnrms, msg){dfswarnrms.append!(select datetime, source, type, metric from msg)
}
subscribeTable(tableNamewarn, actionNameact_saveDfs2, offset-1, handlersaveWarnToDFS{pt_warn}, msgAsTabletrue, batchSize10000, throttle1);4.5 Grafana 连接展示Grafana 是一个开源的数据可视化 Web 应用程序擅长动态展示时序数据支持多种数据源。用户通过配置连接的数据源以及编写查询脚本可在浏览器里显示数据图表。DolphinDB 开发了 Grafana 数据源插件 (dolphindb-datasource)让用户在 Grafana 面板 (dashboard) 上通过编写查询脚本、订阅流数据表的方式与 DolphinDB 进行交互实现 DolphinDB 时序数据的可视化。更多关于 Grafana 插件的内容可参考 DolphinDB Grafna 数据源插件教程 。接下来展示在 Grafana 面板上使用查询语句对流表 psd 和流表 srms 进行聚合查询。4.5.1 查看功率谱密度在调用 Grafana 查看功率谱密度前需要将功率密度谱写入共享表 psd 中。下面的代码展示单独调用 pwelch 函数计算传感器1的功率谱密度并将其存入共享表 psd 中。这样就方便后续 Grafana 调用。data select * from signal where source channel1 and timestamp 2023.01.29 03:54:21.652 and timestamp 2023.01.29 03:56:21.652 //通道1的振动信号数据
nose_ data[signalnose]
temp_ nose_/sensitivity/gain * 9.8
temp_temp_-mean(temp_) // 归一化
res_pwelch(temp_, window, noverlap, nfft, fs) //调用pwelch
share table(res_[1] as f, res_[0] as psdvalue) as psd 然后在 Grafana 的 query 面板输入以下代码select f, psdvalue from psd and f 0 and f 512该句代码用于查看传感器1的加速度功率谱密度前面已经说明本文中 pwelch 函数获得的频率范围为0~512HZ在查询时可调整 f 的范围来进行查看。4.5.2 查看功率谱密度均方根在 Grafana 的 query 面板输入以下代码select datetime, rmsAcc, rmsVel, rmsDis from srms where source channel1 在 Grafana 中国设置三个纵坐标分别代表 rmsAcc, rmsVel, rmsDis设置方法如下该句代码用于查看传感器1在2023.01.29 03:54:21.652~2023.01.29 04:04:21.652这10分钟内的加速度均方根、速度均方根、位移均方根4.6 报警分析本案例中针对 rmsAccrmsVelrmsDis 设计了三个报警值在计算均方根值的同时实时监控异常值并且将异常数据的产生时间、触发异常的规则均存于流表 warn 中。制定的规则在之前的流数据小节已经给出为了方便观察制定的规则并不是准确的用户可根据需求调整。首先先查看均方根值本小节截取了一段时间内一个通道的的均方根值。再查看 warn 表返回结果如下有9条报警数据其中datetime 是触发报警的时间source 是触发报警的传感器编号metric 代表触发报警的规则type 是规则的编号。总结随着工业物联网场景下设备数量、成本的逐步提升自动化检测分析技术也需要不断提高。而 DolphinDB不仅拥有极佳的计算性能还拥有高效的第三方插件可以帮助使用者解决数据计算分析到结果展示的所有环节。相信使用者在阅读完本篇文章后会对 DolphinDB 的物联网解决方案有更深刻的了解。注释[注1]随机振动随机振动指那些无法用确定性函数来描述但又有一定统计规律的振动。例如车辆行进中的颠簸阵风作用下结构的响应喷气噪声引起的舱壁颤动以及海上钻井平台发生的振动等等。振动可分为定则确定性振动和随机振动两大类。它们的本质差别在于随机振动一般指的不是单个现象而是大量现象的集合。这些现象似乎是杂乱的但从总体上看仍有一定的统计规律。因此随机振动虽然不能用确定性函数描述却能用统计特性来描述。在定则振动问题中可以考察系统的输出和输入之间的确定关系而在随机振动问题中就只能确定输出和输入之间的统计特性关系。[注2]流数据流数据是指业务系统产生的持续增长的动态数据。实时流数据处理是指将业务系统产生的持续增长的动态数据进行实时的收集、清洗、统计、入库并对结果进行实时的展示。[注3]单值模型单值模型表示一条监测记录只对应一个指标的数据。多值模型一条监测记录可以对应多个指标的数据。[注4]数据落盘表示将储存在内存中的数据写入分布式数据库中。[注5]持久化将内存中的数据保存到硬盘中使得数据在设备或程序重启后不会丢失可继续使用。默认情况下流数据表将数据保存在内存中可通过配置将流数据表持久化。基于以下三点考量可将流数据持久化到磁盘。流数据的备份和恢复。当节点出现异常重启时持久化的数据会在重启时自动载入到流数据表。避免内存不足。可以从任意位置开始重新订阅数据。参考文献①《机电设备状态监测与预测》②《机械工程测试技术》③《风电功率预测技术与实力分析》④《MATLAB 2020信号处理从入门到精通》
