4、数据采集系统设计：SCADA系统数据接入、高速采集系统设计、边缘计算节点的部署

数据采集，说白了就是PHM系统的“吃饭”环节。你算法再牛，模型再准，数据进不来或者进来的是垃圾，那后面全是白搭。我个人习惯把数据采集比作人体的感官系统——SCADA是眼睛和耳朵，高速采集是触觉和痛觉，边缘计算则是脊髓反射中枢。

这一章，咱们就聊聊这三块怎么落地。我踩过的坑不少，希望能帮你绕过去。

4.1 SCADA系统数据接入：别小看这“老伙计”

SCADA系统在风场里跑了十几年了，数据量大，但质量嘛……嗯，你懂的。我在项目里遇到过，SCADA报的功率曲线漂移，结果查了半天是传感器零点漂移，不是叶片真有问题。

接入要点：

• 协议适配： 大部分SCADA走OPC DA/AE，或者Modbus TCP。我建议统一用OPC UA做中间层，兼容性好，还能带安全认证。
• 数据清洗： SCADA数据常有死值、跳变、缺失。比如风速长时间卡在0.5m/s不动，那肯定是传感器冻住了。我一般会在接入层做三道过滤：
  - 死值检测（连续N点不变）
  - 跳变检测（变化率超过物理极限）
  - 缺失值标记（不补值，留空给上层处理）
• 采样频率： SCADA通常是1秒或10秒一条。对于振动分析不够用，但对于温度、功率、转速这些慢变量，足够了。别贪心，SCADA数据量太大反而会拖垮数据库。

4.2 高速采集系统设计：捕捉那一瞬间的“痛”

为什么需要高速采集？因为齿轮箱的啮合频率、轴承的通过频率，都是几百Hz甚至几千Hz。SCADA那1秒1个点，根本看不到。我记得有一次，一个风场频繁报齿轮箱高温，SCADA上看温度曲线很正常，但高速振动数据一拉，发现齿面已经出现早期点蚀了。

设计要点：

• 采样率选择： 振动信号一般建议10kHz~25.6kHz。对于主轴承和齿轮箱，我习惯用25.6kHz，这样能覆盖到20阶以上的啮合频率。
• 抗混叠滤波： 这是新手容易忽略的。采样前必须加低通滤波器，截止频率设为采样率的1/2.56倍。否则高频噪声会折叠到低频段，你分析出来的频谱全是假的。
• 同步采集： 多通道之间必须同步。我见过一个项目，三个加速度通道不同步，结果做轴心轨迹分析时，画出来的椭圆是歪的。后来加了硬件同步线才解决。
• 数据存储： 高速数据量巨大。一台风机一天就能产生几十GB。我建议只存触发事件前后的数据（比如超阈值前后各5秒），平时只存特征值（有效值、峰值、峭度等）。

4.3 边缘计算节点的部署：把计算推到“前线”

为什么需要边缘计算？说白了，就是数据量太大，传回云端太慢，而且网络不稳定。你想想看，一台风机每秒产生25.6k个振动数据点，100台风机就是2.56M点/秒。全传回中心机房？网络带宽和存储都扛不住。

部署策略：

• 硬件选型： 我建议用工业级ARM架构的盒子，比如NVIDIA Jetson或者国产的瑞芯微系列。功耗低（10W以内），能跑轻量级AI模型。别用x86工控机，功耗高、散热难搞。
• 计算任务分配： 边缘节点只做三件事：
  - 数据预处理（滤波、去趋势、重采样）
  - 特征提取（FFT、包络谱、统计特征）
  - 异常检测（阈值判断、简单分类器）
  复杂的深度学习模型、全生命周期趋势分析，还是留给云端做。
• 通信策略： 边缘节点和云端之间，我建议用MQTT协议。轻量、支持断线重连。数据上传策略是：
  - 正常状态：只上传特征值（每10分钟一次）
  - 异常状态：上传原始波形（触发后立即上传）
  - 心跳包：每30秒一次，确认节点存活

4.4 整体架构图：数据采集的“三环联动”

下面这张图，是我自己总结的数据采集架构。你看一眼就明白了——SCADA负责慢变量，高速采集负责快变量，边缘计算在中间做“翻译官”和“守门员”。

4.5 数据接入的代码示例：一个简单的边缘节点采集脚本

下面是我在实际项目中用过的Python脚本片段，跑在边缘计算盒子上。它同时监听SCADA的Modbus数据和高速采集卡的共享内存数据。

import modbus_tk.defines as cst
import modbus_tk.modbus_tcp as modbus
import numpy as np
import paho.mqtt.client as mqtt

# 1. 连接SCADA（Modbus TCP）
master = modbus.TcpMaster("192.168.1.100", 502)
master.set_timeout(5.0)

# 2. 读取SCADA数据（每10秒一次）
def read_scada():
    data = master.execute(1, cst.READ_HOLDING_REGISTERS, 0, 10)
    wind_speed = data[0] / 10.0  # 风速，单位m/s
    power = data[1] * 0.1        # 功率，单位kW
    return wind_speed, power

# 3. 读取高速采集数据（从共享内存）
def read_high_speed():
    # 假设共享内存地址0x1000，长度1024点
    vib_data = np.frombuffer(shared_mem, dtype=np.float32, count=1024)
    return vib_data

# 4. 特征提取
def extract_features(vib_data):
    rms = np.sqrt(np.mean(vib_data**2))
    peak = np.max(np.abs(vib_data))
    kurtosis = np.mean((vib_data - np.mean(vib_data))**4) / (np.std(vib_data)**4)
    return rms, peak, kurtosis

# 5. MQTT上传
client = mqtt.Client()
client.connect("cloud.phm.com", 1883, 60)

while True:
    # 读取SCADA
    ws, pwr = read_scada()
    # 读取高速数据
    vib = read_high_speed()
    rms, peak, kurt = extract_features(vib)
    
    # 判断是否异常
    if rms > 10.0:  # 阈值根据现场标定
        # 上传原始波形
        client.publish("wind/turbine001/vib_raw", vib.tobytes())
    else:
        # 只上传特征值
        payload = f"{ws},{pwr},{rms},{peak},{kurt}"
        client.publish("wind/turbine001/features", payload)
    
    time.sleep(10)  # 每10秒循环一次

4.6 数据采集的“三要素”总结

好了，数据采集这块就聊到这儿。说白了，SCADA是“慢工出细活”，高速采集是“快刀斩乱麻”，边缘计算是“中间人”。这三者配合好了，PHM系统才有“好饭吃”。