Wie können mehrere Jahre an historischen Daten gespeichert und für die Trendanalyse verwendet werden?
Um Faser-Sense-Daten (wie z. B. Faser-Gitter-FBG-Sensorsysteme) über mehrere Jahre hinweg zu speichern und effektiv zu analysieren, ist ein technisches Design auf vier Ebenen erforderlich: Datenreduktion an der Quelle, Design der Speicherarchitektur, Systemintegration und Datenanalysealgorithmen:
1. Datenreduktion und Downsampling an der Quelle (Data Reduction)
Faser-Gitter-Demodulatoren arbeiten normalerweise mit hohen Abtastfrequenzen (z. B. 10\text{ Hz} , 50\text{ Hz} oder 100\text{ Hz} ) bei der Datenerfassung. Wenn Sie jahrelang mit 100\text{ Hz} kontinuierlich Daten erfassen, ist die Datenmenge pro Messpunkt extrem groß. Für langfristige Structural Health Monitoring (SHM) oder Umweltüberwachung sind Millisekunden-dynamische Reaktionen normalerweise nicht erforderlich.
- Software-Downsampling : Reduzieren Sie die Abtastfrequenz (z. B. auf 1\text{ Hz} oder einmal pro Minute) am Edge oder in der Demodulator-Software.
- Merkmalsextraktion und Ereignisauslösung : Speichern Sie normalerweise nur Mittelwert, Maximum, Minimum und Standardabweichung; Wenn eine plötzliche Änderung erkannt wird oder ein vordefinierter Schwellenwert überschritten wird, lösen Sie die vollständige Speicherung der hochfrequenten Rohwellenform aus.
Der OFSCN® Fiber Bragg Grating Interrogator bietet standardmäßig wählbare Abtastfrequenzen von 10\text{ Hz} , 50\text{ Hz} und 100\text{ Hz} . Benutzer können die Abtastfrequenz über die zugehörige Demodulator-Software selbst reduzieren (minimal bis 1\text{ Hz} ) und so die Speicherlast für historische Daten von der Quelle an erheblich reduzieren.
2. Zeitreihendatenbank und hierarchische Speicherarchitektur (Storage Architecture)
Die Speicherung langfristiger historischer Daten erfolgt in der Regel über spezielle industrielle Speicherarchitekturen:
- Zeitreihendatenbank (TSDB) : Verwenden Sie eine für Zeitreihendaten geeignete Datenbank (z. B. InfluxDB, TDengine oder TimescaleDB). TSDB verfügt über ein extrem hohes Datenkompressionsverhältnis (bis zu über 1:10) und leistungsstarke Abfragefunktionen für Zeitbereiche.
- Hierarchische Speicherung von Heiß- und Kaltdaten :
- Heißdaten (letzte 1–3 Monate) : Gespeichert in Hochleistungs-SSDs oder In-Memory-Datenbanken für Echtzeitüberwachung, Alarmierung und Anzeige aktueller Trends.
- Kaltdaten (historische Daten von vor mehreren Jahren) : Nach einer hochprozentigen verlustfreien Komprimierung auf kostengünstige Cloud-Objektspeicher (wie OSS/S3) oder Offline-Arrays übertragen.
3. Datenübertragung und Systemintegration (System Integration)
Die Speicherung von Daten auf der Cloud-Plattform oder in einer lokalen zentralen Datenbank erfordert flexible Netzwerkschnittstellen für die Demodulationsgeräte.
Der OFSCN® Fiber Bragg Grating Interrogator verwendet standardmäßig eine B/S-Architektur-Software, unterstützt aber auch C/S-Architektur-Software und ermöglicht die Integration in benutzerdefinierte Cloud-Plattformen, Datenbanken und SCADA-Systeme über Protokolle wie TCP, UDP und Modbus, um den stabilen Upload von historischen Wellenlängen- und physikalischen Mengen zu gewährleisten.
4. Trendanalosemethoden für überjährige historische Daten (Trend Analysis)
Nachdem die langfristigen physikalischen Daten erhalten wurden, umfassen die Hauptschritte der Trendanalyse:
- Genaue Umwandlung der physikalischen Größen : Wandeln Sie die Wellenlängenverschiebung \Delta\lambda mithilfe der Kalibrierungsformeln des Sensors ab Werk (lineare oder quadratische Polynome) in genaue Dehnungs- ( \mu\varepsilon ), Temperatur- ( {}^\circ\text{C} ) oder Spannungs-/Lastwerte um.
- Entkopplung von Umwelteinflüssen (Temperaturkompensation und Rauschunterdrückung) : Langzeitüberwachungsdaten enthalten offensichtliche periodische Schwankungen, die durch saisonale und tägliche Zyklen verursacht werden. Temperaturkompensationsalgorithmen oder Signalzerlegungsverfahren (wie gleitender Durchschnittsfilter, Wavelet-Transformation oder saisonale Zerlegung mit STL-Algorithmus) müssen verwendet werden, um die periodische Wärmeausdehnung und -kontraktion von der tatsächlichen langfristigen Kriechverformung und Schäden der Struktur zu trennen.
- Statistische und Regressionsmodellierung : Verwenden Sie lineare/nichtlineare Regression, gleitende Perzentile oder Machine-Learning-Modelle, um den Basislinientrend nach Entfernung von Umgebungsrauschen anzupassen, die Entwicklung der Struktur in den kommenden Jahren vorherzusagen und Warnschwellen festzulegen.