第3章 数据采集层设计：风机SCADA数据协议解析

数据采集层，说白了就是风电智能运维平台的「耳朵」和「眼睛」。

我做了这么多年风电运维，最深的体会就是：数据采不准，后面一切分析都是白搭。你想想看，如果风速传感器偏差了0.5m/s，那功率曲线分析、故障预警全都会跑偏。

这一章，咱们就聊聊数据采集层那些事儿。我会把SCADA协议解析、高频振动采集、气象数据接入、还有缓存策略，一个一个掰开来讲。

3.1 风机SCADA数据协议解析

SCADA系统是风机的「黑匣子」。它记录了风机所有的运行参数——转速、功率、桨距角、温度、振动……

但问题来了：不同厂家、不同型号的风机，SCADA协议五花八门。我见过最头疼的是某国产风机，Modbus地址表居然和手册对不上，排查了整整两天。

3.1.1 Modbus TCP 协议解析

Modbus TCP是SCADA数据采集的「老黄牛」。它简单、稳定、兼容性好。大部分风机的主控系统都支持这个协议。

协议结构

Modbus TCP的报文结构其实不复杂。我习惯把它拆成两部分看：

• MBAP头（7字节）：事务标识符、协议标识符、长度、单元标识符
• PDU（变长）：功能码 + 数据

举个例子，读取风机有功功率（地址40001）：

# 请求报文（十六进制）
00 01 00 00 00 06 01 03 00 00 00 01

# 解析：
# 00 01 - 事务标识符（随便给个编号）
# 00 00 - 协议标识符（固定为0）
# 00 06 - 后面数据长度（6字节）
# 01    - 单元标识符（风机编号）
# 03    - 功能码（读保持寄存器）
# 00 00 - 起始地址（40001对应地址0）
# 00 01 - 读取数量（1个寄存器）

避坑指南

3.1.2 OPC UA 协议解析

OPC UA是新一代的工业通信标准。它比Modbus TCP更强大，但也更复杂。

我个人习惯用OPC UA采集新风机数据。为什么？因为它自带数据模型，你不需要去查地址表。节点ID直接告诉你这个参数是什么。

OPC UA 地址空间结构

节点ID	显示名称	数据类型	描述
ns=2;s=WindTurbine.1.ActivePower	有功功率	Float	当前有功功率（kW）
ns=2;s=WindTurbine.1.WindSpeed	风速	Float	机舱风速（m/s）
ns=2;s=WindTurbine.1.RotorSpeed	叶轮转速	Float	叶轮转速（rpm）
ns=2;s=WindTurbine.1.GenTemp	发电机温度	Float	发电机绕组温度（℃）

Python 采集示例（使用opcua-asyncio库）

import asyncio
from opcua import Client

async def collect_scada_data():
    client = Client("opc.tcp://192.168.1.100:4840")
    
    try:
        await client.connect()
        print("连接成功！")
        
        # 读取多个节点
        nodes = [
            client.get_node("ns=2;s=WindTurbine.1.ActivePower"),
            client.get_node("ns=2;s=WindTurbine.1.WindSpeed"),
            client.get_node("ns=2;s=WindTurbine.1.RotorSpeed")
        ]
        
        values = await client.read_values(nodes)
        
        data = {
            "active_power": values[0],
            "wind_speed": values[1],
            "rotor_speed": values[2]
        }
        
        return data
        
    finally:
        await client.disconnect()

# 运行
result = asyncio.run(collect_scada_data())
print(result)

3.2 高频振动数据采集

振动数据是风机故障诊断的「听诊器」。SCADA数据只能告诉你「风机出问题了」，但振动数据能告诉你「哪里出问题了」。

我记得有一次，某风场连续报齿轮箱故障。SCADA数据显示温度正常、转速正常。但振动数据一看——高频段有异常峰值。后来拆机检查，果然是齿轮点蚀。这就是高频振动采集的价值。

3.2.1 NI DAQ 采集方案

NI DAQ是工业级采集方案。精度高、通道多、抗干扰能力强。适合做整机振动监测。

采集参数配置

参数	推荐值	说明
采样率	10 kHz - 50 kHz	齿轮箱振动建议25.6 kHz
采样时长	1 - 10 秒	建议采集10秒做FFT分析
量程	±10V 或 ±5V	根据传感器灵敏度调整
耦合方式	AC耦合	滤除直流分量

Python 采集代码（使用nidaqmx库）

import nidaqmx
import numpy as np

def collect_vibration_data(device="Dev1", channel="ai0", rate=25600, duration=10):
    """
    采集高频振动数据
    """
    samples = int(rate * duration)
    
    with nidaqmx.Task() as task:
        # 配置AI通道
        task.ai_channels.add_ai_voltage_chan(
            f"{device}/{channel}",
            min_val=-10.0,
            max_val=10.0
        )
        
        # 配置采样时钟
        task.timing.cfg_samp_clk_timing(
            rate=rate,
            sample_mode=nidaqmx.constants.AcquisitionType.FINITE,
            samps_per_chan=samples
        )
        
        print(f"开始采集，采样率{rate}Hz，时长{duration}秒...")
        data = task.read(number_of_samples_per_channel=samples)
        
        # 转换为numpy数组
        vibration_data = np.array(data)
        
        return vibration_data

# 采集10秒数据
vib = collect_vibration_data()
print(f"采集完成，数据长度：{len(vib)}")

3.2.2 ADXL345 低成本方案

ADXL345是MEMS加速度计。便宜、小巧、功耗低。适合做分布式监测或叶片振动监测。

我曾在某老旧风场用过ADXL345做叶片振动监测。成本低到可以每个叶片装一个。虽然精度不如NI DAQ，但胜在数量多、覆盖广。

关键配置

• 量程：±16g（风机振动一般不超过±5g）
• 输出速率：3200 Hz（最高）
• 分辨率：13位（约3.9 mg/LSB）
• 接口：I2C或SPI

3.3 气象数据接入

气象数据是风机控制的「眼睛」。风速、风向、温度、气压——这些参数直接影响风机的运行策略。

我见过最离谱的事：某风场风速仪结冰了，风机一直报「超风速停机」。结果一查，是传感器冻住了。所以气象数据接入，不仅要考虑协议，还要考虑数据质量。

3.3.1 风速/风向数据

风速仪和风向标是标配。常见的有超声波式和机械式。

数据格式示例

参数	单位	范围	精度要求
风速	m/s	0 - 50	±0.5 m/s
风向	°	0 - 360	±5°
温度	℃	-40 - 60	±0.5℃
气压	hPa	800 - 1100	±1 hPa

数据质量校验

我习惯在接入层做三道校验：

1. 范围校验：风速不在0-50 m/s？直接丢弃。
2. 变化率校验：1秒内风速从5 m/s跳到30 m/s？大概率是传感器故障。
3. 一致性校验：相邻两个风速仪数据差异超过20%？可能有一个坏了。

3.4 数据缓存策略：Redis队列

数据采集是高频的。SCADA数据可能每秒一次，振动数据可能每秒上万次。如果直接写入数据库，数据库会崩溃。

我的解决方案是：用Redis做缓冲队列。

3.4.1 为什么用Redis？

• 快：基于内存，读写延迟微秒级
• 支持队列：List结构天然适合做FIFO队列
• 持久化：RDB/AOF保证数据不丢
• 分布式：多个采集节点共享一个Redis

3.4.2 队列设计

我一般设计三个队列：

队列名称	数据类型	消费频率	说明
scada:queue	JSON字符串	每秒	SCADA数据，批量写入时序库
vibration:queue	二进制数据	每10秒	振动数据，压缩后写入
weather:queue	JSON字符串	每5秒	气象数据，实时展示

Python 实现示例

import redis
import json
import numpy as np

class DataCache:
    def __init__(self, host='localhost', port=6379):
        self.r = redis.Redis(host=host, port=port, decode_responses=False)
        
    def push_scada(self, data: dict):
        """推送SCADA数据到队列"""
        self.r.lpush('scada:queue', json.dumps(data))
        
    def push_vibration(self, data: np.ndarray):
        """推送振动数据（二进制压缩）"""
        compressed = data.tobytes()
        self.r.lpush('vibration:queue', compressed)
        
    def pop_batch(self, queue_name: str, batch_size: int = 100):
        """批量取出数据"""
        pipe = self.r.pipeline()
        for _ in range(batch_size):
            pipe.rpop(queue_name)
        results = pipe.execute()
        return [r for r in results if r is not None]

# 使用示例
cache = DataCache()

# 采集线程推送数据
scada_data = {"timestamp": "2024-01-01 12:00:00", "power": 1500.5}
cache.push_scada(scada_data)

# 消费线程批量取出
batch = cache.pop_batch('scada:queue', batch_size=50)
print(f"取出了{len(batch)}条SCADA数据")

3.5 本章知识体系

下面这张图，是我梳理的数据采集层整体架构。你可以看到数据从风机到平台的完整流向。

这张图展示了数据从风机到存储的完整链路。每一层都有它的职责。数据源负责产生数据，协议解析层负责「翻译」，缓存层负责「缓冲」，存储层负责「持久化」。

我建议你在实际项目中，也按这个分层来设计。每一层独立部署、独立扩展。这样即使某一层出了问题，也不会影响其他层。