一种面向PHM的工业设备大数据分析系统

一种面向phm的工业设备大数据分析系统
技术领域
1.本发明涉及工业互联网技术和大数据技术领域，具体涉及一种面向phm的工业设备大数据分析系统。


背景技术：

2.随着需求的不断发展，旋转机械功能不断发展，机械结构的复杂程度的日益提高，工业设备运行过程中发生故障所带来的损失也越来越大。因此，针对工业设备建立一套完善的phm（prognostic and health management，故障预测与健康管理）系统有着及其重要的现实意义和经济价值。面对机械系统运行中产生的海量运行状态数据，发展日益成熟的大数据技术无疑为大数据分析提供了极佳的解决方案。
3.大数据系统的构建方式要以数据特点为基础，才能提供良好的存储、查询效率和和更好的数据分析基础。但面对设备数据日益庞大的问题，传统的设备数据管理办法对数据智能分析的支持力度不足，难以满足海量数据的高效规范化存储和数据智能化分析需求。


技术实现要素：

4.针对上述现有技术的不足，本发明实际需要解决的问题是：如何一种面向phm的工业设备大数据分析系统，以更好的满足海量数据的高效规范化存储和数据智能化分析需求。
5.为解决上述技术问题，本发明采用了如下的技术方案：一种面向phm的工业设备大数据分析系统，包括：设备中心模块，用于对工业设备进行部件层级划分和唯一性编码，并建立工业设备及其部件与各自对应的数据采集源之间的绑定关系；数据采集模块，用于对工业设备及其部件的运行状态数据进行实时采集或离线采集；数仓分层存储模块，用于设置分层数仓，分别对工业设备及其部件的运行状态数据及其分析结果数据进行分层存储；算法中心模块，用于存储对运行状态数据进行数据分析处理的各种算法模型，对各种算法模型的运行参数进行设置，并根据分析任务对算法模型的调用和运行进行控制；可视化模块，用于为设备中心模块和算法中心模块的交互功能提供可视化建模，以及对各种算法模型的输出结果进行可视化展示。
6.上述面向phm的工业设备大数据分析系统中，作为优选，所述设备中心模块包括部件层级划分单元和绑定关系建立单元；所述部件层级划分单元用于根据工业设备的部件层级结构自上而下的对工业设备进行部件层级划分，划分的最小单元为能够单独更换的最小部件，对划分所得的各部件、各部件层级以及各工业设备进行唯一性编码；所述绑定关系建立单元用于记录各工业设备及其部件各自的属性信息和各自对应的数据采集源，并建立绑
定关系。
7.上述面向phm的工业设备大数据分析系统中，作为优选，所述数据采集模块包括离线数据采集单元和实时数据采集单元；所述离线数据采集单元用于对工业设备及其部件各自对应的数据采集源的离线数据进行采集；所述实时数据采集单元用于对工业设备及其部件各自对应的数据采集源所产生的实时数据进行采集。
8.上述面向phm的工业设备大数据分析系统中，作为优选，所述数据采集模块还包括数据清洗处理单元；所述数据清洗处理单元用于对工业设备及其部件的运行状态数据进行数据清洗处理和数据错误修复处理，得到相应的清洗修复数据。
9.上述面向phm的工业设备大数据分析系统中，作为优选，所述数据采集模块还包括特征参数提取单元；所述特征参数提取单元用于对工业设备及其部件进行特征参数提取处理，得到相应的特征参数数据。
10.上述面向phm的工业设备大数据分析系统中，作为优选，所述数仓分层模块包括原始数据层数仓、基本样本层数仓、特征样本层数仓和结果层数仓；所述原始数据层数仓用于存储工业设备及其部件的运行状态数据；所述基本样本层数仓用于存储工业设备及其部件的运行状态数据经过数据修复清洗处理所得的清洗修复数据；所述特征样本层数仓用于存储工业设备及其部件的运行状态原始或清洗修复数据经过特征参数提取处理所得的特征参数数据；所述结果层数仓用于存储工业设备及其部件的运行状态分析结果数据。
11.上述面向phm的工业设备大数据分析系统中，作为优选，所述算法中心模块包括算法模型库、算法模型信息单元和算法运行控制单元；所述算法模型库用于存储对原始数据进行数据分析处理的各种算法模型；所述算法模型信息单元用于提供对各算法模型的运行参数设置功能，并对各算法模型的属性参数及对其设置的运行参数进行保存记录；所述算法运行控制单元用于根据分析任务，按照运行参数对各算法模型的运行和调用进行控制，输出相应的运行状态分析结果数据。
12.上述面向phm的工业设备大数据分析系统中，作为优选，所述可视化模块包括可视化建模单元和可视化展示单元；所述可视化建模单元用于为设备中心模块和算法中心模块的交互功能提供可视化建模；所述可视化展示单元用于对各种算法模型输出的运行状态分析结果数据进行可视化展示。
13.相比于现有技术，本发明的有益效果在于：本发明面向phm的工业设备大数据分析系统，通过设备中心模块对工业设备进行部件层级划分和统一的唯一性编码，规范数据存储格式；通过数据采集模块对工业设备及其部件的运行状态数据进行采集，并借助数仓分层存储模块的分层存储模式对需要频繁用到的中间数据进行独立存储以备调用，节省计算资源；通过算法中心模块提供丰富的用于通过工业设备phm分析功能的算法模型；通过可视化模块直观展示接工业设备的三维模型、运行状态等信息，并对各种算法模型输出的分析结果进行可视化展示。由此可见，本发明建立了一套完整的工业设备大数据分析系统，能够规范有效地存储和利用工业设备运行中产生的海量数据，很好的满足针对工业设备的phm大数据分析需求。
附图说明
14.为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一
步的详细描述，其中：图1为本发明面向phm的工业设备大数据分析系统的构架结构示意图。
15.图2为工业设备自上而下的部件层级结构划分示例图图3为本发明工业设备大数据分析系统中数据采集模块的数据采集方式示意图。
16.图4为本发明工业设备大数据分析系统中数仓分层存储模块的数仓分层结构示意图。
17.图5为本发明工业设备大数据分析系统中算法中心模块的功能示意图。
18.图6为本发明工业设备大数据分析系统中可视化模块的功能示意图。
19.图7为本发明面向phm的工业设备大数据分析系统创建和应用流程的一个具体示例图。
具体实施方式
20.下面结合说明书附图对本发明的具体实施方式作进一步的详细说明。
21.如图1所示，本发明面向phm的工业设备大数据分析系统由五个模块组成：设备中心模块，数据采集模块，数仓分层存储模块，算法中心模块和可视化模块。
22.设备中心模块用于对工业设备进行部件层级划分和唯一性编码，并建立工业设备及其部件与各自对应的数据采集源之间的绑定关系；数据采集模块用于对工业设备及其部件的运行状态数据进行实时采集或离线采集，得到运行状态的原始数据；数仓分层存储模块用于设置分层数仓，分别对工业设备及其部件的运行状态数据及其分析结果数据进行分层存储；算法中心模块用于存储对运行状态数据进行数据分析处理的各种算法模型，对各种算法模型的运行参数进行设置，并根据分析任务对算法模型的调用和运行进行控制；可视化模块用于为设备中心模块和算法中心模块的交互功能提供可视化建模，以及对各种算法模型的输出结果进行可视化展示。
23.下面分别对本发明各个工业设备大数据分析系统中的各个组成模块进行详细展开说明。
24.设备中心模块最基本的两个功能为设备建模功能和数据绑定功能。因此，设备中心模块可设计为包括部件层级划分单元和绑定关系建立单元两个部分。
25.部件层级划分单元用于根据工业设备的部件层级结构自上而下的对工业设备进行部件层级划分，划分的最小单元为能够单独更换的最小部件，对划分所得的各部件、各部件层级以及各工业设备进行唯一性编码。工业设备自上而下的部件层级结构划分示例如图2所示。这样处理有助于实现工业设备信息的规范化管理。具体实施中，可首先确定工业设备的部件层级结构，可以从工业设备种类开始，如风力发电机，航空发动机等，然后依次向下划分直至划分的最小单元为失效后能够单独更换的最小部件，并对划分所得的各部件、各部件层级以及各工业设备进行唯一性编码，使得通过统一的编码能够唯一确定一个部件，一个子系统或一台机器等。如风力发电机有不同型号的主齿轮箱，齿轮箱内部会有不同的部件，需要将每一种部件都归纳进来，并对每一台设备的不同划分层级的单元进行统一编码。
26.绑定关系建立单元用于记录各工业设备及其部件各自的属性信息和各自对应的数据采集源，并建立绑定关系。具体实施中，可以划分的最小单元的部件的唯一性编码作为主键、其上各层父部件层级为属性建立设备数据信息表，并额外增加与该划分最小单元部件直接相连的作为其数据采集源的传感器或数据接口等设备的属性，加以记录，并建立绑定关系。在具体技术应用中，由此建立的设备数据信息表设备数据信息表，可以存储在hbase等分布式数据库系统上，以有利于提高后期查询应用等响应速度。
27.数据采集模块的数据采集示意图如图3所示。要采集的数据包括两个部分，一是从设备采集端接入各种数据接口采集的实时数据，另一种是设备现有但是还未上传至系统的的数据文件。因此，数据采集模块可设计为包括离线数据采集单元和实时数据采集单元。
28.离线数据采集单元用于对工业设备及其部件各自对应的数据采集源的离线数据进行采集。离线数据采集主要针对建立大数据系统前已经由数据采集源经过采集后存在的大量历史数据文件，通常存储在常见的关系型数据库中。在具体技术应用中，可以利用大数据组件sqoop等数据迁移工具将传统数据库中的文件按照存储规范存入hdfs等分布式文件系统，作为原始数据，还可以通过hdfs分布式文件系统的多副本机制备份，保证原始数据的安全性。
29.实时数据采集单元用于对工业设备及其部件各自对应的数据采集源所产生的实时数据进行采集。实时数据的采集，主要针对传感器、数据接口等数据采集源所实时采集产生的数据。在具体技术应用中，可以通过kafka消息中间件从各种工业设备的采集端的各种传感器、数据接口中获取实时数据，通过mqtt协议进行传输。由于工业设备的采样频率很高，在一个采样周期内会产生大量的数据，为了避免短时间内出现的数据流高峰，可以配置消息中间件kafka消息中间件作为数据缓冲，实现平稳的数据加载，通过拉取数据的方式进行消费，完成实时数据流的采集，并通过kafka缓存实时数据进行分析，同时还可以将产生的中间表中的数据保存到数仓分层模块中对应的中间层，以备后期调用，避免重复计算，以节省计算资源。mqtt协议能够为远程传感器和控制设备进行通讯，提供“只有一次”的数据传输保证，保证每一条数据恰好送达一次，避免传输过程造成的数据重复或数据缺失，降低数据预处理成本，提高数据质量。
30.由于采集的离线数据和实时数据都来自于工业设备及其部件与各自对应的数据采集源，有可能存在一定的数据重复或冗杂等情况，如果能够进一步的的对采集到的运行状态数据进行数据清洗、特征提取等处理，则能够更好的减少数据冗余，更有利于后期进行大数据分析。因此，在数据采集模块中还可以进一步设置数据清洗处理单元、特征参数提取单元；数据清洗处理单元用于对工业设备及其部件的运行状态数据进行数据清洗处理和数据错误修复处理，得到相应的清洗修复数据；征参数提取单元用于对工业设备及其部件进行特征参数提取处理，得到相应的特征参数数据。具体技术应用实施时，可以利用flink将kafka缓存的数据进行建表分析，通过自定udf函数来完成数据清洗、数据修复、特征参数提取等操作，所产生的中间数据可以存入分层数仓中对应的分层中。
31.针对面向phm的智能数据分析特点，数仓分层存储模块也需要采用分层存储的数据存储管理机制。因此，如图4所示，数仓分层存储模块可设计将数仓分为四层：原始数据层数仓、基本样本层数仓、特征样本层数仓和结果层数仓。原始数据层数仓用于存储工业设备及其部件的运行状态数据；基本样本层数仓用于存储工业设备及其部件的运行状态数据经
过数据修复清洗处理所得的清洗修复数据；特征样本层数仓用于存储工业设备及其部件的运行状态原始或清洗修复数据经过特征参数提取处理所得的特征参数数据；结果层数仓用于存储工业设备及其部件的运行状态分析结果数据。其中，原始数据层数仓作为数仓分层存储模块的原始数据存储层，基本样本层数仓和特征样本层数仓作为中间数据存储层，结果层数仓作为结果数据存储层。
32.数仓分层存储模块采用空间换时间策略，通过对存在重复计算和使用可能的中间层数据进行存储，可以减少不必要的重复计算，节省大量计算资源。传统的数据分析策略是对于每一条要分析的数据都要从原始数据开始，然后进行数据清洗，数据预处理等工作，接着输入算法模型中，最后得到算法模型运行结果并保存。这种数据分析流程简单易用，但是面对日益庞大的数据量，由于同一段数据的中间层被反复计算所增加的不必要的计算资源消耗也是值得考虑优化的。
33.从具体实施来说，数仓分层存储模块中的第一层为原始数据层数仓，存储未经处理的原始数据，原始数据层数仓的数据来源有两个，一个数据来源是已有的离线数据经过sqoop统一存入hdfs分布式文件系统，另一个数据来源是经过kafka消息中间件缓存的实时数据，进入实时信号分析流程的同时将实时数据存入hdfs作为原始数据层数仓。第二层为基本样本层数仓，基本样本层数仓的数据是对原始数据层数仓的数据进行清洗，修复，切分等操作后形成的可直接输入算法模型的样本数据，这一层的主要目的一方面是对原始数据进行清洗修复，提高数据质量，另一方面是所针对对象为高频采样，一个采样周期内采集到的数据量很大，直接作为一个样本输入算法模型可能会造成计算资源不够，算法模型无法运行，因此将数据切分为指定的长度大小，既能避免算法模型无法运行，又能对算法模型输入进行规范化管理。第三层为特征样本层数仓，对基本样本层数仓的数据进行初步的提特征操作，将本领域常用的算法处理流程如将时域数据转换为时频域数据的小波包分解等从算法模型中独立出来，进行初步特征提取操作，提高了算法的复用性。第四层为结果层数仓，将算法模型输出结果进行保存，以便后续设备状态可视化展示和对算法模型历史运行结果进行统计。
34.通过对多种中间层数据存储，在多个同类型算法模型协同工作，同一个算法模型版本迭代等场景中，可以极大地减少对原始数据的重复处理，算法模型所需要的不同层的数据只需要一次计算便可以多次使用。
35.数仓分层存储模块中的数仓分层流程，主要是通过对具体应用流程的分析，得到需要反复使用的中间层数据，在多个算法模型使用时保证输入数据一致性和减少重复计算，降低计算资源的消耗。
36.分层数仓中的数据包括原始数据层数仓的原始数据以及基本样本层数仓和特征样本层数仓的中间层数据都存储在hdfs文件系统上，通过多副本机制保障数据的安全性，并通过snappy方式压缩减少空间占用；算法模型最终输出结果数据保存在hbase，以提高查询速度，增强系统的实时响应能力。
37.由此可见，在具体技术应用中，原始数据层数仓、基本样本层数仓、特征样本层数仓的数据可以存储在hdfs分布式文件系统中，通过设置多个副本保证数据的安全性；结果层数仓的的数据可以存储在hbase上，以加快前端定制化展示时的响应速度；通过对中间层数据的保存，能够避免对中间层数据的重复计算，有助于地降低不必要的计算资源浪费。
38.算法中心模块功能图如图5所示。其用于管理算法模型的运行环境，对工业大数据分析所需的智能算法模型进行统一存储，提供管理、查询、调用等功能，可以通过可视化等交互方式对算法模型的输入输出，还可以设计对算法模型的执行频率、执行范围和算法模型周期性训练的频率等运行参数进行配置设置。基于这些功能需求，算法中心模块可以设计包括算法模型库、算法模型信息单元和算法运行控制单元。
39.算法模型库用于存储对原始数据进行数据分析处理的各种算法模型；算法模型信息单元用于提供对各算法模型的运行参数设置功能，并对各算法模型的属性参数及对其设置的运行参数进行保存记录；算法运行控制单元用于根据分析任务，按照运行参数对各算法模型的运行和调用进行控制，输出相应的运行状态分析结果数据。
40.具体实施应用中，算法中心模块可以建立算法信息表并将保存在hbase上；算法信息表有两大功能：算法信息保存功能，包括算法模型类型、算法模型功能、运行环境、运行环境版本、算法模型版本和存储位置等属性；算法运行控制功能，包括控制执行范围、执行频率和输出结果到存储位置等。具体而言，在算法中心模块建立算法信息表保存所有的算法信息，并将算法信息表保存在hbase上。对所有的算法进行编号，以唯一确定的编号作为算法信息表的主键，预先确定两个列族，算法信息和执行控制。算法信息列族下设置算法模型类型、算法模型功能、运行环境、运行环境版本、算法模型版本和存储位置等属性。执行控制列族下设置执行范围，执行频率和输出结果位置属性，其中执行范围属性对算法的执行范围进行控制，通过此属性下的设备编号和设备数据信息表进行关联，获取对应得数据。
41.算法中心可以提供运行环境管理功能，管理多种运行环境，如深度学习中较为常见的python和matlab代码运行环境，另外出于代码兼容性的考虑，对上述代码运行环境配备多个常用版本，以避免代码兼容性带来的算法模型不能工作现象。
42.其他方面，算法中心还可以提供算法模型训练周期管理，由设备维护方自主决定算法模型更新周期和算法模型执行频率，算法模型执行范围，并将算法模型、设备和数据关联起来。
43.此外，代码中心配置项还包括具体算法模型的算法模型版本，因为随着数据的不断产生，算法模型随着上述算法模型更新周期的更新不断训练，以对当前历史数据产生更好的拟合效果；此外还有随着深度学习技术的不断发展，算法模型结构本身也可能会需要更新，因此对于同一个算法模型编号可能会对应着不同的算法模型，需要通过算法模型版本号进行区分以及作为算法模型训练出错后的版本回退。
44.可视化模块的具体功能如图6所示。可视化模块有两大基本功能，可视化建模和可视化展示。因此，可视化模块可设计包括可视化建模单元和可视化展示单元两个部分。
45.可视化建模单元用于为设备中心模块和算法中心模块的交互功能提供可视化建模；例如，主要针对设备中心模块中对工业设备进行部件层级划分操作、对工业设备及其部件的属性信息录入、与各自对应的数据采集源之间的绑定关系建立操作，以及算法中心模块中的算法模型库的构建和管理、各种算法模型的属性参数和运行参数设置操作等交互功能进行可视化建模和运行。可视化展示单元用于对各种算法模型输出的运行状态分析结果数据进行可视化展示；例如，调用算法模型运行结果以折线图、饼状图等可视化形式输出，监测对应设备的健康状态和显示设备的剩余寿命估计曲线等可视化形式展示；此外还可以添加工业设备三维模型展示，将传感器（或数据接口）的采集数据、算法模型的运行结果等
信息接入，即可通过从工业设备实体三维模型到数据分析算法模型输出的实时状态展示，也可将算法模型输出结果输出到对应工业设备三维模型的位置，若数据分析诊断状态为异常等特殊情况也可在工业设备三维模型上加以标注方式进行实时状态展示，使得展示界面更加形象。
46.下面结合图7所示的示例，来说明本发明用于面向phm的大数据分析系统的一个具体的实施方式。需要进行说明的是，本系统上述的设备中心模块、数仓分层存储模块、数据采集模块、算法中心模块和可视化模块的说明顺序，是按照使用本发明系统进行大数据分析时的顺序进行说明的；而下面的实施方式举例，是以系统的创建到技术应用的逻辑顺序对流程进行说明的，因此在各个模块的先后顺序上会略有不同。
47.首先在设备中心建立设备数据信息表，对需要进行大数据分析的工业设备从上至下进行部件层级划分，直至划分的最小单元为失效后能够单独更换的最小部件。以风力发电机为例，从上而下进行部件层级划分的标准可以依次为风场号、设备型号、风机子系统、部件等，对每个划分的部件层级中的各个组成统一进行唯一性编码，保证每个编码能够唯一确定的对应于上述各个部件层级的一个组成。以划分的最小单元的部件的唯一性编码作为主键、其上各层父部件层级为属性建立设备数据信息表。并额外增加与该划分最小单元部件直接相连的作为其数据采集源的传感器或数据接口等设备的属性，加以记录，并建立绑定关系。设备数据信息表可以存储在hbase上，建表时只需指定列族而无需指定具体的列作为属性，方便设备数据信息表的扩展。此外hbase的查询速度很快，在实时分析时能够保证较快的响应速度。
48.数据采集模块中的离线数据采集单元和实时数据采集单元，以及数仓分层存储模块中的原始数据层数仓和基本样本层数仓。可以利用大数据组件sqoop等数据迁移工具将传统数据库中的文件按照存储规范存入hdfs等分布式文件系统，作为原始数据，还可以通过hdfs分布式文件系统的多副本机制备份，保证原始数据的安全性。采集获取的这些数据都可以存储在始数据层数仓中，还可以进一步的进行数据清洗、修复等处理，处理后的清洗修复数据可存储在本样本层数仓中。
49.接着在算法中心建立算法信息表，按照算法模型种类的不同，如卷积神经网络、自动编码器、循环神经网络等，和算法模型功能的不同，如状态监测、故障诊断、寿命预测、决策优化等phm分析功能，对算法模型进行划分。也可对算法模型进行统一的编码，使得每个编码可以唯一确定一个算法模型。以算法模型编码为主键，建立算法信息表。
50.算法信息表同设备数据信息表一样，可以存储在hbase中，预先确定算法信息和执行控制两个列族。算法信息列族下设置上述算法模型种类分类和算法模型功能分类，以便于后续可视化模块对不同功能的算法模型分别展示。算法信息列族下还设置算法模型运行环境，如python和matlab等，及其具体版本，表明算法模型运行环境，在算法模型运行时，就能够在算法中心模块提供的多种环境中自动切换，以保证算法模型正常运行。执行控制列族下按照设备数据信息表的分类标准设置不同级别范围选择属性，和执行频率属性，以便于数据分析业务的流程控制。
51.下一步，在算法中心模块建立算法模型训练业务，通过对算法信息表中算法信息列族下的不同属性进行配置，控制具体算法模型的运行环境。对算法信息表中执行控制列族下不同属性的配置，确定算法模型的执行范围和执行频率，具体来说，可以通过与设备数
据信息表的join操作可以确定算法模型的具体输入。
52.在算法模型的初次训练中建立分层数仓，具体的说，可以通过编写hive的udf（用户自定义函数），就可以通过sql语言完成整个流程的控制。以带标签原始数据作为输入，将数据的清洗、切分逻辑定义为一个udf并在hive中注册，就可以通过此条sql函数得到基本样本，并建立基本样本层数仓。同样的，以基本样本层数仓的数据作为输入，将初步提特征操作定义为一个udf并在hive中注册，就可以通过此条sql函数得到对应样本的特征参数，并建立特征样本层数仓进行存储。最后将特征样本输入对应的算法模型进行训练，得到训练后的算法模型，供后续分析应用中加以调用。
53.完成上述步骤后，本发明面向phm的工业设备大数据分析系统便完成了准备工作，可以用于线上实时分析。通过设备数据信息表和算法信息表的join操作，可以将传感器等数据采集源采集到的实时数据输入需要它的算法模型。实时数据流可以经过kafka消息中间件进行消峰并缓存，通过flink sql对kafka缓存的半结构化数据进行建表分析。类似于hive，flink也可以通过自定udf函数来完成数据清洗，切分和提特征等操作，并将产生的中间表存入分层数仓中对应的分层。这样对于同一段新产生的数据，只要在实时分析时对其进行了处理，并存入对应的数仓分层，在下一次的离线训练任务到来时，便可以直接从对应的中间层取得算法模型所需要的输入样本，减少了计算资源的浪费。
54.算法模型运行完成后，将输出的结果存入结果层数仓，并依据最终结果产生运维工单。对于不同功能的算法模型，产生的结果和运维工单也不同。运维人员需要根据工单在实物上对结果进行验证，如对于故障诊断算法模型，对实物进行检修判断算法模型运行结果是否正确，根据实物检修对对应的数据进行标记，以保证参与下一次算法模型训练的数据完全正确。如果算法模型运行结果不正确，则需要从实时分析系统下线，并将算法模型版本回退到上个能够正常运行的版本后重新训练，并上线试运行，但不参与最终结果的生成，仅用于测试此算法模型是否能够继续工作。对于多次调整仍无法正常工作的算法模型，将其完全下线。相对的，在最终结果的生成中，对于多次运行结果都和实际状况先沟通的算法模型，应给予较大的权重。
55.最终，借助可视化模块提供的功能，可通过可视化界面对算法模型的运行结果进行可视化展示，并可自主选择一段时间范围内的算法模型结果统计，并在前端界面鼠标移动到对应的点时自动显示当前点的数值。可视化展示界面还能够自主选择前端界面固定位置的图表中的展示内容，避免同一张图中要素过多导致展示结果不清晰。此外可视化界面还能够提供设备运行三维状态图，同一种型号的所有设备共享一个三维模型，通过对三维模型接入数据的配置，能够选择展示同型号但不同实体的设备运行状况，并在鼠标移动到某个部件时突出展示，提高展示的直观性。
56.上述示例，结合运维结合运维对象数据分析需求和数据特点，利用大数据领域的知识，介绍了本发明面向phm的工业设备大数据分析系统的构架及其完整的创建和应用流程。
57.综上所述，本发明面向phm的工业设备大数据分析系统，通过设备中心模块对工业设备进行部件层级划分和统一的唯一性编码，规范数据存储格式；通过数据采集模块对工业设备及其部件的运行状态数据进行采集，并借助数仓分层存储模块的分层存储模式对需要频繁用到的中间数据进行独立存储以备调用，节省计算资源；通过算法中心模块提供丰
富的用于通过工业设备phm分析功能的算法模型；通过可视化模块直观展示接工业设备的三维模型、运行状态等信息，并对各种算法模型输出的分析结果进行可视化展示。由此可见，本发明建立了一套完整的工业设备大数据分析系统，能够规范有效地存储和利用工业设备运行中产生的海量数据，很好的满足针对工业设备的phm大数据分析需求。
58.最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。