六盘水市水城区能源局 贵州六盘水 553000
摘要：大数据技术是继物联网、云计算等技术之后发展起来的一种先进技术。大数据技术的出现和应用，必将成为提高矿产开采加工效益的乘数器，也将推动和加快矿业与工业化融合的进程。近年来，我国矿产开采加工设备发展迅速，但在设备的可靠性、稳定性、信息化等方面还存在很多问题，特别是对各种数据的应用重视不够，数据信息的隔离和碎片化十分严重，大量的数据没有发挥其隐藏的价值。
关键词：矿山机电；设备运行；大数据应用
1 数据采集与数据传输系统
1.1 数据采集系统架构
洗煤厂的主要加工技术包括原煤的洗选、筛选和加工等，这些加工技术都采用了多种机电一体化的洗煤设备，为了保证洗煤的顺利运行，需要一定数量的信息安全管理系统，洗涤厂的人-机-环-信息系统等产生大量的各种各样的数据，设备运行状态数据直接关系到煤炭洗选加工的质量和效益，所以设备数据收集是一个重要的和主要的数据源在洗涤设备，为此，对洗涤加工设备状态数据采集系统进行了设计和研究。
1.2 洗选设备与数据采集传输
在两业融合的推动下，洗煤设备正朝着互联、自动诊断、无人值守的方向发展。选煤设备一般是指直接用于洗煤的所有设备和辅助设备，如重介质旋流器、浮选机、浓缩机、压力过滤器等，以选煤机械为例，主要涉及分选、破碎、煤泥水处理、干燥、筛分、这些设备具有类型多、设备多、连续生产、规模大、规模大、结构复杂等特点。通常情况下，设备故障诊断通常是在少量参数和数据的基础上，诊断依靠的是设备专家的经验，随着设备规模化、自动化的发展，设备状态监测数据爆炸式增长，所以其工作参数的自动化监测方法监测是前提和基础保证可靠和安全运行的设备，基于大数据分析、设备故障状态可以被评估，导致可以诊断，可以实现及时的保养和维修，提高设备的使用寿命。
煤炭洗选厂涉及电机、带式输送机、洗选设备、筛分设备、泵等多类型设备，洗选加工设备大多是大功率重型加工设备，往往对设备冲击很大，相对容易损坏。洗选设备长期处在饱和运行状态，机械磨损、疲劳、振动、高温、过载、超重等多方面原因，导致设备中的零部件变形、破损和发生故障，如轴承、振动筛横梁断裂和损坏侧板，或者烧坏电机、减速器损坏、输送带变形和断裂等。通过分析研究，洗选设备故障诊断和预知维护涉及多类因素，主要有电机电流、CST启动装置功率、声音、振动和温度等，但以振动和温度影响最大，设备其它运行环境也会造成不同程度影响，如室温、粉尘、湿度、人员安全、原煤等。煤炭洗选设备运行状态监测对象主要包括电机、减速器、激振器等，设备的监测对象和监测点多，有的采样频率较高，而且需要持久连续不断地监测，因此产生大量的数据，通过对设备状态数据监测可为设备的运行和维护分析提供高价值数据。
2 基于大数据技术的云服务平台
2.1 大数据技术平台
大数据技术是一种基于云计算平台的数据分析处理技术，主要涉及数据采集、存储、处理、挖掘、可视化和管理等核心技术。在平台管理的统一协调下，通过底层数据接口对机电设备、监控、环境、管理等数据进行连接、提取和清理。海量数据的存储和访问是基于Hadoop、HDFS、Hive和HBase技术实现的。在算法服务管理和算法运行调度框架下，利用Spark和Storm两种大数据计算引擎，实现矿山机电设备大数据算法的离线和实时计算服务。矿山云计算服务中心数据处理，服务中心实现了数据接入、筛选、存储、挖掘、处理和可视化展示等功能。
数据是第一要素，在理解和分析矿山各类数据源的前提下，研究人－机－环－管相关的各类动态和静态数据，通过多种途径获取信息化系统的所有数据包括日志数据、感知数据等。通过对洗洗厂各类数据（包括机电设备运行数据）相关的关键数据库分析，从而可以确定数据采集对象、要素、设备以及采集流程。利用多种类型的数据访问适配器，依据数据来源、存储方式和接口形式的特点，配接数据访问适配器，把采集的原始数据通过ETL工具进行抽取、净化、转换并加载处理，实现对各类数据的清洗和整理从而提高数据质量。矿业生产产生的海量数据基于云平台存储，把历史数据和信息永久保存。开展对生产业务（设备故障诊断和预知维护）数据多维度的分析、挖掘和知识评价，采用多种关联分析算法进行分析计算，对人－机－环－管监测数据分析，根据各分系统业务进行危险源特征、属性的多维度分析。大数据数据处理技术主要包括离线计算方式和流式实时计算2种，通常离线计算适用于先存储后计算，数据系统性、准确性要求较高的业务模式，而流式实时计算一般用于动态性数据处理，动态数据处理要求实时性强、数据源多、处理速度高，具有可扩展性强、容错性好、性能优等特点。大数据处理十分强调数据可视化，以用户良好体验为最高设计准则，采用多种图形直观展示数据。
2.2 云计算服务应用系统
我的云计算服务平台采用大数据分布式聚类技术，基于Hadoop和NoSQL技术构建大数据计算平台系统，实现海量数据的高效处理和存储。以机电设备状态数据应用为例说明大数据应用系统，基于对机电设备温度、振动、电机电流、启动装置功率等实时状态数据采集，构成统一的IPO（Input－Process－Output）运行模式，设备状态数据采集系统产生并积累海量原始数据，这些数据包括参数变化和工况变化规律，结合运维信息数据库，利用大数据技术研究设备故障诊断模型和判据，对存储的海量数据，在线或离线方式进行数据挖掘与分析，实现机电设备故障诊断、可靠性和稳定性评估、故障类型分析和预测预警等。依据机电设备故障和隐患预测预警，建立应急实时联动机制，实现维护和管理人员的实时移动报警提醒，通过可视化显示技术及时对外发布，实现机电设备实时健康状态显示和调度服务。应用系统功能模块有：系统配置、数据存储与信息查询、故障诊断与预测、健康度评估、危险度评估等。
2.3 系统平台构建与分析
矿山大数据分析管理平台处于起始初期，采用基于普通台式计算机搭建Hadoop云服务处理中心，用来验证大数据平台的实用性和基本性能。利用4台IBM－S822LC服务器构建Hadoop集群，服务器配置：NVIDIATeslaK80GPU、内存256G、固态硬盘960G以及10T的磁盘阵列，组成Hadoop集群的4台服务器中1台作为Hadoop的主节点即NameNode，其他3台服务器作为从节点即为DataN-ode，实现海量数据的高效处理与存储。采用2种存储模式的实际使用对Hadoop集群和Oracle的数据存储性能开展测试，利用设备运行大数据统一描述后RDF（资源描述框架）的数据，实施海量RDF数据解析与加载，记录单机和集群系统对数据进行解析和加载的时间，结果表明：RDF三元组数据量在低于1．23M量级时，Oracle系统运行性能明显优于大数据处理平台，但三元组数据量超过1．23M量级后，Hadoop集群的性能充分体现。
结束语
基于大数据挖掘机电设备运行状态数据的技术研究，提出了大数据挖掘技术应用平台和数据处理流程，并在云计算服务平台的支撑下，实现矿山机电设备的各种异常状态与故障的预测与判别以及多参数分析与预测之间的关系，为大数据技术在矿山领域的应用提供参考。
参考文献：
［1］石焕，程宏志，刘万超．我国选煤技术现状及发展趋势［J］．煤炭科学技术，2016，44（6）：169－174．
［2］党清刚．洗选设备保护应用分析［J］．低碳世界，2016（10）：271－273．