基于物聯網和運行大數據的設備狀態監測診斷

高 帆，王玉軍，楊露霞

(重慶川儀軟件有限公司，重慶 401121)

0 引言

設備是企業進行正常生產的物質基礎。設備的可靠性和維護效果是保障企業生存的必要條件。設備健康狀態的監測、診斷以及維護都直接影響企業的生產經營和經濟效益，已成為企業降低生產成本和保證生產效率的基礎。如果在生產設備使用過程中，未能對其運行健康狀態進行有效的監測診斷，則設備的突發故障可能會帶來難以估算的安全隱患，工廠運維人員只能實施事后維修、非計劃停機，并承擔巨額維修費用和生產損失。

隨著信息化與工業化的深度融合，信息技術滲透到了工業產業鏈的各個環節。機械設備所產生、采集和處理的數據日益豐富，移動互聯網、物聯網、大數據帶來的設備健康狀態感知、高速數據傳輸、分布式計算和診斷分析等先進技術，給工業帶來深刻的變革，使工業進入了新的發展階段。采用先進的信息化分析技術對設備健康狀態進行監測診斷，己經成為企業降低生產成本、提高生產效率和市場競爭力的重要手段之一[1]。該技術可使企業避免非計劃停機和安全事故，減少企業的維修費用和備件成本。本文針對基于物聯網和運行大數據的設備健康狀態監測診斷模式進行研究，探討設備運行維護的有效路徑。

1 設備預防性維護

有效的設備預防性維護，可在設備出現健康狀況問題之前制定合理的維護決策，杜絕設備的安全隱患。設備預防性維護的具體過程如下。

①通過傳感器獲得設備的實時狀態信息，利用先進的分析技術對監測設備的工作狀態及運行環境信息進行分析，從而獲得設備的健康狀態[2]。通過以太網的分布式數據庫的數據資源共享服務，并依據多傳感器數據之間的協同性、互補性進行有效的監測、診斷和預測，可對監測數據進行快速、有效的處理。建立分類性能優越的模型，并采用故障特征提取技術，以模糊識別的方法進行故障診斷，對設備運行的健康狀態進行評判。

②根據傳感器采集的設備健康狀態，并融合DCS系統的相關參數參量，對在線監測的各類數據進行統計分析，并與設計參數、歷史數據進行比較；利用綜合分析法，對歷史數據進行趨勢分析，生成設備運行狀態的趨勢分析曲線，形成趨勢分析報告，指導自動化工廠的運維管理和輔助決策。

③依據設備的趨勢分析曲線，并基于故障統計分析、建模、評判、預測性維護、預警等數據服務，驗證、提升、優化各種壽命預測、狀態預測方法，以整體提升設備健康狀態的預測可靠性。

④通過一系列的設備監測診斷方法實施預防性維護，合理確定設備的維護計劃以及維護時間，減少設備生產停工時間，用最少的備件庫存滿足設備最多的維護操作，進而最大限度地減少備品備件庫存費用、降低設備維護成本。

2 基于物聯網技術的設備狀態監測診斷

物聯網的出現，給設備的健康狀態監測診斷提供了新的模式和思路[3]。利用物聯網，能夠將信息感知技術、網絡技術、智能運算技術融為一體，完成設備健康狀態信息的實時協同采集、智能處理、及時反饋等功能；構建感知層、網絡層和應用層的3層系統框架[4]，可實現集故障預知、遠程監控、遠程診斷、在線診斷、人工智能為一體的智能、高效監測診斷模式[5-6]。基于物聯網架構的監測診斷系統如圖1所示。

圖1 基于物聯網架構的監測診斷系統示意圖Fig.1 Schematic diagram of monitoring and diagnosis system based on IoT architecture

①感知層利用安裝于設備上的傳感器節點進行信息采集，實現對機械設備溫度、油位、水位、壓力、負載等狀態的信息監測；利用短距離通信技術將數據傳輸至現場網關或上位機，可實現感知層數據的采集和傳輸。

②感知層獲取機械設備的健康狀態監測信號和運行參數數據，經網絡層傳送至各分廠服務器，再通過專網或4G等物聯網，與公司總部的設備監測診斷管理平臺、集控中心、云服務平臺、移動終端等進行數據、圖像以及報警事件等信息通信，實現設備健康狀態信息的集中存儲、遠程管理和移動辦公[7]。

③應用層主要利用柔性開放、可擴展、可重構、實時交互的設備健康信息數據庫，實現監測信號分析、故障特征提取、故障診斷及預測功能。利用豐富、成熟的數據預處理算法，對數據進行有目的性的重組、挖掘、推理；然后對數據進行個性化處理，為機械設備的安全運行、計劃檢修、主動維護和技術管理提供決策信息；最后，通過人機界面(human machine interface，HMI)把有價值的診斷結論、決策信息展示給用戶，從而完成了設備健康狀態監測診斷的功能要求。

③應用層主要利用柔性開放、可擴展、可重構、實時交互的設備健康信息數據庫，實現監測信號的分析、故障特征提取、故障診斷及預測功能，把有價值的診斷結論、決策信息展示給用戶，為機械設備的安全運行、計劃檢修、主動維護和技術管理提供決策信息。

3 基于運行大數據技術的設備狀態監測診斷

設備運行狀態的在線監測，具有監測部位多、采樣頻率高、在線收集數據時間長等特點。海量運行數據的產生，意味著設備健康狀態監測診斷技術迎來了大數據時代[8]。將大數據分析與機器學習技術應用于設備運行過程的故障預測診斷[9]，通過從復雜裝備運行特征大數據中挖掘出故障信息，以實現運行故障的快速診斷，是近年大數據在智能制造領域的重要應用之一[10]。

在收集大量運行特征數據的基礎上，采用數據挖掘算法對設備運行數據進行重組、挖掘，建立故障診斷專家知識庫[11]，獲得與故障有關的診斷規則。基于專家知識庫以及診斷規則，對實時監測數據進行診斷，并逐步更新專家知識庫，可以得到更為準確的診斷結論和建議對策。基于知識庫的設備健康狀態監測診斷流程如圖2所示。

圖2 基于知識庫的設備狀態監測診斷流程圖Fig.2 Flowchart of the monitoring and diagnosis for equipment status based on knowledge base

利用設備運行大數據分析技術，根據狀態檢測、故障診斷分析的結果，在故障將要發生時對設備進行維護[12]，是一種主動、積極的維護方式。基于運行大數據分析的設備狀態監測診斷流程如圖3所示。

圖3 基于運行大數據分析的設備狀態監測診斷流程圖Fig.3 Flowchart of monitoring and diagnosing of equipment status based on operation big data analysis

將大數據驅動判別和專家知識庫判別相結合，輔以失效模式、失效機理分析，綜合形成故障診斷記錄，作為故障解決方案的基礎[13-14]。

4 結束語

在設備的維護過程中，高準確性和可靠性的設備健康預測結果是保證設備維護效果的重要因素。采用最新的設備健康狀態監測診斷技術，轉變現有設備的維修思路和方法，將普遍采用的計劃性檢修向基于設備健康狀態的監測和預警診斷進行轉變，可降低企業成本，提高設備利用率和競爭力。本文針對行業和企業存在的相關實際問題，以設備故障監測、診斷、預防性維護為手段，將物聯網和大數據技術應用于設備健康狀態監測診斷中。在感知層、網絡層和應用層的3層系統框架下，應用機器學習算法對設備運行大數據進行數據挖掘，建立專家知識庫，獲得與故障有關的診斷規則，實現了集設備健康狀態在線監測、遠程監控、遠程診斷、故障匹配識別為一體的智能、高效監測診斷。

物聯網和大數據技術在設備健康狀態監測診斷中的應用，將確保中、高層技術和管理人員及時掌握設備運行健康狀態，進行狀態分析和故障診斷，對延長設備檢修間隔、縮短檢修時間、提高設備可靠性和可用系數、延長設備可用壽命、減少運行檢修費用等都將產生深遠的影響。通過應用物聯網和大數據技術的設備健康狀態監測診斷系統，將有助于發現設備關鍵機械部件的故障原因，指導企業快速維護及合理安排生產，幫助企業、行業找到一條設備運行維護的捷徑，消除企業在提高生產率方面遇到的瓶頸問題，提高企業的競爭力，提升經濟效益。

參考文獻:

[1] 王曉,陳杰,李濟順,等.大型設備遠程狀態監測及信息采集技術研究[J].自動化儀表,2018,39(1):66-69.

[2] 李紅衛,楊東升,孫一蘭,等.智能故障診斷技術研究綜述與展望[J].計算機工程與設計,2013,34(2):632-637.

[3] 孫小江,李鍵,朱勇,等.物聯網技術在小水電站在線監測及故障診斷的應用[J].電氣設計,2017,10(A):61-62.

[4] 馬宏.基于物聯網的礦山環境感知器研究與設計[D].淮南:安徽理工大學,2014.

[5] 周新美.基于物聯網的智能醫療終端數據集成技術的研究[D].成都:西華大學,2013.

[6] 孟千勝.物聯網終端網絡管理研究與實現[D].焦作:河南理工大學,2012.

[7] 朱洪波,楊龍祥,于全.物聯網的技術思想與應用策略研究[J].通信學報,2010,31(11):2-9.

[8] 孔憲光,鐘福磊,馬洪波,等.工業大數據環境下的混合故障診斷模型研究[C]//2015年全國機械行業可靠性技術學術交流會暨第五屆可靠性工程分會第二次全體委員大會論文集,2015:200-204.

[9] 彭宇,劉大同,彭喜元.故障預測與健康管理技術綜述[J].電子測量與儀器學報,2010(1):1-9.

[10]孫冬.基于混合模型的故障檢測與診斷方法的研究與應用[D].南京:南京航空航天大學,2013.

[11]劉強,柴天佑,秦泗釗,等.基于數據和知識的工業過程監視及故障診斷綜述[J].控制與決策,2010,25(6):801-807．

[12]劉達新.基于運行大數據學習的復雜裝備故障診斷技術及其典型應用[J].中興通訊技術,2017,23(4):56-59.

[13]李國杰,程學旗.大數據研究:未來科技及經濟社會發展的重大戰略領域——大數據的研究現狀與科學思考[J].中國科學院院刊,2012,27(6):647-657.

[14]黃宜華.大數據機器學習系統研究進展[J].大數據,2015,1(1):28-47.