问题:工艺数据看得见,却用不上
多数化工装置已具备 PLC 与 SCADA,但历史数据要么锁在组态软件私有格式里,要么只用于事后追溯。把关键测点以标准协议持续订阅出来,是做预测性维护、软测量与异常检测的第一步。约束是数据不出厂,订阅与建模都应在厂区内的边缘服务器完成。
第一步:用 asyncua 订阅 OPC UA 节点
OPC UA 是流程行业主流的跨厂商通信标准。下面用开源 asyncua 客户端连接服务器并读取一个温度节点的当前值:
import asyncio
from asyncua import Client
OPC_URL = 'opc.tcp://192.168.10.20:4840'
NODE_ID = 'ns=2;s=Plant1.Reactor01.Temp'
async def read_once():
async with Client(url=OPC_URL) as client:
node = client.get_node(NODE_ID)
value = await node.read_value()
print('当前温度:', value)
asyncio.run(read_once())
提醒:生产网络通常分段隔离,订阅前须确认 OPC UA 服务已开放对应端口与读权限,并遵循厂区网络与工控安全规范。
第二步:把多测点时序落盘到本地库
把温度、压力、流量等节点按时间戳持续写入本地 SQLite(或 TimescaleDB),形成可被建模消费的统一时序表:
import sqlite3, time
con = sqlite3.connect('process.db')
con.execute('''CREATE TABLE IF NOT EXISTS ts
(ts REAL, tag TEXT, val REAL)''')
def save(tag, val):
con.execute('INSERT INTO ts VALUES (?,?,?)', (time.time(), tag, val))
con.commit()
# 实际部署时由订阅回调按采样周期持续写入
第三步:用 IsolationForest 做无监督异常检测
工艺参数大多没有标签,无监督模型更实用。下面用 scikit-learn 的 IsolationForest 对多维测点联合建模,给出每帧的异常标记,用于识别缓慢漂移、耦合异常与突发跳变:
import pandas as pd
from sklearn.ensemble import IsolationForest
df = pd.read_sql('SELECT tag, val, ts FROM ts', con)
wide = df.pivot(index='ts', columns='tag', values='val').ffill()
model = IsolationForest(n_estimators=200, contamination=0.02, random_state=0)
wide['flag'] = model.fit_predict(wide.fillna(0))
anomaly = wide[wide['flag'] == -1]
print('异常帧数:', len(anomaly))
提醒:异常分数只回答是否异常,不回答为什么。落地时应把异常窗口与当时的工况、报警记录对齐,先由工艺工程师确认,再考虑自动派单。
参考来源
asyncua 官方文档(OPC UA 客户端与订阅) - asyncua.readthedocs.io;scikit-learn 官方文档(IsolationForest 异常检测) - scikit-learn.org;OPC Foundation 官方规范(OPC UA 通信标准) - opcfoundation.org。