工业领域传统的故障预警
根据设备运行规律或数据变化趋势，在设备真正发生故障之前，及时发现设备的异常状况并进行相关的报警推送，我们把这一过程称之为故障预警。故障预警的目的在于在发生故障的早期进行设备的及时保养和采取针对性维护策略，将设备的潜在隐患消除。以下几种是当前主流的故障预警模型：
1、基于专家经验的预警模型。主要以相关专家、操作人员的积累经验知识为基础，定性或定量描述故障过程各设备的故障现象及故障模式。在设备出现异常征兆后通过系统推理、演绎等方式模拟过程专家在监测上的推理能力，从而自动完成设备故障预警。说白了就是把电厂集控规程中“典型事故处理”配上专家的经验权重，用计算机编程的方式做成系统罢了。
局限性：该类方法无需精确的数学模型，但依赖于经验知识，主观性比较大。
2、基于智能硬件分析的故障预警模型。这种预警思路需要在监控的设备上加装高性能传感器，通过信号的采集解调分析进行超前预警，常见于转动机械的振动分析。比如艾默生的“CSI2104”。
局限性：成本较高—需要昂贵的进口传感器；门槛较高—需要足够资深的振动分析师。
3、基于报警跳闸限值的故障预警模型。
这种预警模式主要的监控标准是厂家阈值或者行业阈值，在待监控设备参数超限后进行及时的报警或跳闸，保护设备及人身安全。
局限性：故障预警时间处于故障的晚期，大多数无法早期发现，从而造成一定的经济损失，同时也无法检测到阈值以内的故障隐患。
基于大数据的故障预警新解
通过上面可以了解到，现在工业领域故障预警总会存在这样或那样的缺憾，无法真正意义上满足企业对故障预警的要求，如何打破这一桎梏。基于大数据的故障预警应运而生，其预警原理是通过大量历史数据的梳理和分析，将故障发生前的一段时间内所有故障相关影响参数进行趋势量化处理，打标签后形成带有本地特色的故障模型。在工业领域日常生产活动中监测的参数实时对比本地化故障模型，达到触发条件后进行预警。
图形案例说明：
这是某机组设备发生故障的历史曲线曲线（图形下半部）及算法拟合故障概率曲线（图形上半部）。通过图形不难看出，在设备故障发生的前4天就能向运行管理人员推送该设备故障预警信息，并随着时间的延长，故障发生概率逐渐增加。
基于大数据的故障预警与传统的故障预警相比的优势：
1、投入成本低，使用门槛低
大多数电厂在转机振动故障预警监测投入一般都比较大， 而且需要极其深厚的频谱解调分析功底。但电力企业经济预算有限，一般人员也没有频谱分析功底。大数据故障预警监测的数据源均来自企业现有的数据集成中心，例如sis、DCS等。只需要在软件处理上做一些接口对接工作，无需购置昂贵的检测分析仪器，而且分析过程均由机器自动完成，不用人为参与，分析结果实时自动推送。
2、模型通用性强，带有强烈的企业特色。
目前，监测汽轮轴系状态的有TDM、BCT101等；监测锅炉受热面的有四管泄露监测系统；监测转机振动的有TSI…每个设备由于其原理及构造的不同都有不同的监测模型，而且都是标准产品。而大数据故障预警系统可用于电厂所有系统各种类型设备的故障模型搭建，而且模型训练数据均来自企业本身，量身定做故障预警模型，更加贴近企业真实情况。
3、超前预警
在集控室中我们最不愿意听到的就是事故喇叭的滴滴声，也不愿意看到报警画面频繁报警闪烁。以上情况是因为事故已发生，或者趋势形成已经达到危害机组的程度，从处理流程和及时性来说应该算事后处理，比较被动，同时对机器安全形成极大隐患。基于大数据的故障预警可及时发现故障/事故的潜伏期，并通过算法拟合成一条概率曲线，进行实时报警推送，超前预警。
大数据故障预警的意义
总的来说，基于大数据的故障预警应用覆盖面非常广泛，它的意义在于超前的故障预警提醒企业管理运维人员制定针对性的保养维护策略，将设备的缺陷隐患消除在萌芽状态，延长设备的使用寿命，真正意义上实现了状态驱动运维的模式。对于无法避免的故障可以进行及时针对性的事故演练，保证充足的备件调配准备时间，避免人为因素造成二次事故，同时也大大减少因备件因素造成的非计停时间延长情况的发生。
未来与挑战
基于大数据的故障预警模式被广泛应用后，你会发现：企业设备故障率明显下降了；企业基层员工都成为设备故障诊断专家了；电厂锅炉受热面泄露故障前10天就预知了；想关注的设备都能进行故障预警了；非计停的紧张感再也没有了，应对更加从容……在开创大数据故障预警的道路上