发电行业必需使用新技术来改变确保和临床部门的运作方式。美国多达50％的发电能力已多达30年（美国能源协会（EIA）的数据EIA-860）。

在许多情况下，这些发电厂依赖的设备早已运营多年，相似完整设计寿命的无限大（图1）。这减少了设备经常出现故障的可能性，各不相同设备的类型这些故障可以使供电更容易再次发生中断和不平稳。一项电力公司的研究指出，确保和临床专家花费近80％的时间来东奔西走，有时甚至必须长途跋涉来搜集关于设备的“身体健康”信息，只有20％的人在确实分析这些数据以寻找有可能经常出现的故障点。

该电力公司估算将近6万个工作点每个月必需由人员来手动搜集数据（参看“杜克能源的设备监测”）。老化的基础设施以及低效率地用于专家的时间，再行再加行业专家人数由于劳动力老龄化而渐渐增加，所有的这些正在很快构成关键的资源瓶颈。这个瓶颈有可能最后造成关键机器的停机时间更长，甚至造成电网再次发生潜在的掉电或者电力供应故障的风险。

图1、发电设备的容量与年龄发电厂的智能化杜克能源，电力研究所（EPRI：ElectricPowerResearchInstitute），发电生产商联合会（DukeEnergy）等都在努力实现在线自动化设备监测系统来反对决策的解决方案。智能监控和临床项目（SmartM＆D：SmartMonitoringandDiagnosticsProject）目的对工厂设备展开倒数和远程监控，以测量参数的变化，运营预测和高级模式识别程序，并构建更加明智的动态决策，优化工厂设备并避免故障（图2）。图2、智能发电厂的架构这个项目的核心是搜集仿真感官信息，这带给了一些独有的挑战。

例如，振动信息是设备损毁的一个较好指标。然而，为了搜集振动信息，有可能必须按照每秒捕捉10,000到100,000个样本的速度搜集几秒时间，以取得较好的机器“测量”数据。想象一下，如图2中的右图的发电设备构建架构中，如果您有3万个振动点，则每个在每小时内必须搜集5秒时间，每秒搜集100,000个样本数据，这样每小时的数据量特一起将近60GB的数据！这种信息搜集（如果不需要被管理以及架构准确的话）可能会很快造成经常出现“大数据（BigData）”问题。

图3、SmartM＆D的方法另一个挑战是仿真感官信息本身并无法告诉他操作者机器是否是“好”的还是“怕”的。把多种传感类型的数据关联一起，用于数学算法来处置数据，并用于先进设备的模式识别技术可以获取现实的关于机器身体健康的图像。SmartM＆D项目的核心要素是NI的CompactRIO平台（http://www.ni.com/compactrio/zhs/）。通过将现场可编程门阵列（FPGA）和板载动态处理器相连到传感器，完整仿真传感监测波形可以增加到命令节点本身系统的“身体健康”状态。

图4、NI的CompactRIO平台的硬件系统FPGA可以以十分高效，分段的方式对高速感官信息展开分析和处置，以动态决策。由于系统中的“智能”相似传感器，因此可以在CompactRIO系统上必要构建智能算法，因此数据可以立刻增加到未知事件。这样可以避免处置问题的专家陷于到数据失灵的困境，从而无法分辨出有问题的所在。

本文来源：beat·365-www.genesis358.com