大數據驅動的港口機械狀態監測平臺研究

李益波1 肖炳林1 何威譽1 李 恒 張 氫

1 廣州港集團有限公司 2 同濟大學

1 引言

港口機械是目前集裝箱碼頭的主要設備，一旦發生突發故障，會影響碼頭作業生產，造成巨大的經濟損失，甚至造成人員傷亡。港口機械融合了數字技術、現代控制技術、通訊技術的機電液一體化設備，其復雜程度高，出現突發故障后維修難度較大，如果碰到沒有備件等情況，維修時間也不可控。當前大多數碼頭企業還在采用計劃維修的方式，定期對起重機設備進行檢查和保養，沒有考慮設備的實際使用情況及真實的健康狀態，造成了時間和人力物力的浪費。

隨著碼頭自動化進程加快，越來越多的人工操作逐漸被替代，傳統的人工巡檢嚴重影響碼頭的作業效率，需要一種更加智能化的狀態監測方法。港口機械的特點是載貨量大，長期處于頻繁啟停、換向等非平穩工況，不僅設備容易出現故障，而且會對監測信號帶來干擾，加大故障診斷的難度。碼頭企業迫切需要一種能夠對港口機械關鍵部件進行在線實時監測的平臺，以應對不斷增長的全球貿易。

隨著物聯網及人工智能等領域新技術的興起與發展，故障診斷領域也進入了“大數據”時代。通過高效快速的數據采集、存儲、傳遞、處理，實現對更大數量、更多測點設備的監測，由此產生的海量數據給港口機械智能狀態監測的深入研究和應用提供了新的機遇。國家自然科學基金“十三五”發展規劃中，將面向大數據的深度學習理論與方法、基于大數據的趨勢預測和決策、面向領域大數據的人機物融合系統示范應用作為優先發展領域[1]。

目前，基于大數據的狀態監測已經應用于多個領域。通用電氣航空(GEAviation)公司對旗下生產的飛機發動機安裝智能傳感裝置來進行實時監測，并將故障信息可視化在移動設備上，供客戶實時參考[2]。阿爾斯通(ALSTOM)公司開發的產品TrainTracer，為軌道交通車輛與設備提供遠程監控、數據采集及在線的故障診斷服務[3]。在起重機領域，日本小松(KOMATSU)制作所和美國卡特彼勒(CAT)公司針對該難點，將先進的數據采集及分析方法嵌入旗下大型工程機械的狀態監測與故障診斷的售后服務中，增加產品競爭力[4]。三一重工、中聯重科和徐工集團也進行了智能監控系統的開發，將設備遠程監控、數據采集模塊整合到一個可視化系統中，實現設備的全球定位、實時信息監控、故障診斷、遠程維護和報警等功能。GE等大公司的成功案例多是針對工況較為平穩或在一個較長時期內平穩的設備，具有積累大量的包含各類故障特征的大數據優勢。但是，面對非平穩運行的設備，以及缺乏標記數據積累的行業仍然存在巨大的應用困境。

本文結合廣州港的實際需要，針對大數據的獲取、學習和應用提出可行的技術路線，建立狀態監測平臺，實現如下功能：①設備管理人員可以通過客戶端及時了解關鍵部件在起重機作業時的實際狀態，監視監測點的數據異常情況，監視關鍵部件的故障前期特征；②利用分析軟件對采集的信號及數據進行故障診斷和分析，針對性地安排部件檢修計劃；③利用積累的歷史數據，結合機器學習等大數據分析工具，對起重機故障預警模型進行建模及優化，從而對起重機關鍵部件的狀態、剩余壽命以及起重機健康狀態進行準確的評估及預測。

2 大數據狀態監測總體框架

圖1 港口大數據監測平臺總體方案

集裝箱碼頭機械設備多、種類多，且工作狀態不同，是典型離散事件動態系統。以廣州港三期碼頭為例，對碼頭上幾十臺岸邊集裝箱起重機和輪胎式集裝箱起重機進行監測會產生海量的數據，采集這些數據并進行分析是狀態監測平臺的主要任務。圖1為大數據監測平臺的總體方案。整個方案分為3個部分：

(1)數據采集。從單機監測系統獲取單機起重機狀態信息、關鍵部件監測點狀態信息、關鍵部件報警信息、關鍵部件監測點傳感器原始信號和操作日志數據，利用物聯網IoT數據采集技術、網絡總線技術進行數據的傳輸。

(2)數據中心。數據中心將采集的數據以及數據分析過程中產生的中間數據、模型進行存儲、傳輸。原始數據庫負責保存原始數據，根據數據來源及其不同結構類型，分別存入InfluxDB、MongoDB以及MySQL數據庫。數據內容包括原始傳感器物理信號、起重機故障數據、起重機運行相關數據、起重機設備參數等。監測模型數據庫負責從原始數據庫中提取實時故障監測相關特征數據，并存入實時監測模型數據庫，由起重機故障診斷分析模塊讀取并處理。機器學習模型數據庫從原始數據庫中提取起重機故障預測建模相關數據，經過數據預處理后存入機器學習模型數據庫，由起重機故障預測建模軟件模塊負責讀取并處理。

(3)監控平臺。布置在云端提供遠程監測與決策服務，包括港口機械故障診斷、故障預測、數據可視化平臺(見圖2)。整個監測系統可分為6個層次：①數據源層，包括起重機機構傳感器數據、起重機運行數據、設備參數數據、維護日志數據等；②數據采集層，通過各種網絡協議和數據存儲分發協議，將采集到的數據傳輸到服務器和數據庫中進行分別存儲；③數據存儲層，對采集的各種數據進行清洗、解析和分類，并進行結構化/非結構化混合和分布式存儲，并與上層數據分析層對接，提供高性能的數據存取服務；④數據分析層，在時域分析、頻域分析、時頻分析等傳統分析方法基礎上，采用AI及機器學習方法，包括分類回歸、貝葉斯網絡、人工神經網絡、深度學習等，實現對故障的診斷與預測；⑤業務層，利用各分析方法實現狀態監視、信號異常監視、故障識別、故障預測、維護決策制定等業務；⑥展示層，利用WEB監視門戶網站形式，把各類原始數據、統計結果、分析結果等以報表形式在終端進行可視化。

圖2 監測平臺邏輯層次圖

3 數據采集關鍵問題研究

集裝箱碼頭作為離散事件動態系統，對其中的離散單元(港口機械設備)進行監測數據采集存在3個難點：傳感器的安裝與配置、傳感器數據遠程傳輸和采集策略的制定。

3.1 傳感器的安裝與配置

根據廣州港的歷史維護記錄，港口機械的故障多發生于傳動系統，常見故障有：齒輪箱的齒輪磨損、偏心、局部磨損裂紋、斷齒等故障；軸承的滾子、內外圈故障；電機的定、轉子故障；滑輪故障；機械不平衡故障等。因此監測平臺的重點為集裝箱起重機起升機構、小車機構和俯仰機構的傳動系統。

振動信號作為傳動系統狀態監測的重要手段，廣泛應用于風電、航空等領域[8-9]。對于港口機械，選擇合適的振動傳感器安裝位置尤為重要。通過實地調研碼頭的常見故障頻次，確定了岸邊集裝箱起重機傳感器測點安裝位置(見圖3)。

圖3 岸邊集裝箱起重機傳動系統振動傳感器安裝位置

3.2 傳感器數據遠程傳輸

在每臺港口機械上布置眾多的振動傳感器將產生海量的數據，如何對這些數據進行收取傳輸，并保持實時性，是建立監測平臺的關鍵技術難題。結合TCP/IP通信方式和消息隊列遙測傳輸技術(MQTT)，可保障數據的穩定實時傳輸。如圖4所示，數據采集外部接口采用MQTT服務器，保證外部接口的靈活性；內部采用Kafka消息中間件，保證內部軟件模塊之間的連接的靈活性，同時具有很強的可擴展性，實現大批量數據點的實時采集及傳輸。為滿足不同數據類型數據的存儲需求，采集系統提供了MySQL數據庫，主要用于保存設備信息、人員信息、故障記錄、維修信息以及工單信息等關系型數據及記錄。InfluxDB主要用于設備運行產生的各個信號變量的實時數據及歷史數據記錄。MongoDB則主要用于保存各種傳感器信息的高頻原始信號。數據庫按照不同使用階段及調用關系又分為平臺原始數據庫、實時監測模型數據庫以及機器學習模型數據庫，供各個軟件模塊查詢調用及處理后存儲使用。

圖4 大數據傳輸與存儲方案

3.3 采集策略制定

岸邊集裝箱起重機一直處于非平穩工況中，頻繁啟停且伴有沖擊，在傳感器信號采集過程中會引入干擾信號，影響后續的故障診斷與預測。因此，傳統的定周期采集方法不再適用，需要制定新的采集策略來應對這種狀況。本文提出采用轉速觸發方式進行數據采集，將PLC中的轉速信息提取出來，在達到某一數值后觸發采集儀進行數據采集。這種策略可以有效避免因工況變化帶來的干擾。圖5為轉速觸發采集策略前后的振動速度值的對比圖，從圖中可以看出轉速觸發前采集的信號雜亂，很多啟停所造成的沖擊都會引起誤報警，而在采用轉速觸發采集策略后，可以明顯地去除這些設備操作上的干擾。

圖5 轉速觸發采集策略實施前后對比

4 故障診斷問題研究

利用采集得到的傳感器數據對港口機械設備進行故障診斷是監測平臺的主要任務之一，該任務被分成2個階段實施：基于實時數據的故障檢測和基于歷史數據的故障模型。如圖6所示，第一階段的主要任務是通過實時監測數據提取故障特征，進行特征匹配，完成故障報警，確定大致的故障位置后告知工作人員進行維修，然后將故障模式存入歷史數據庫。第二階段的主要任務是利用機器學習方法建立故障診斷模型，用歷史數據不斷更新模型，最終實現故障的準確識別，包括位置、程度以及維修建議。

圖6 大數據故障診斷技術路線圖

4.1 實時故障檢測

實時故障檢測的一個重要特點是及時，能夠應對早期故障及突發故障，這意味著基于大量計算的故障模型不再適用。因此，監測平臺采用故障特征匹配的方法快速診斷，并進行預警。表1列舉了部分常用振動信號故障特征。

表1 實時故障檢測特征參數

其中，峰值(PV)是所測數據的最大幅值，用來指示軸承磨損程度，有效值(RMS)取決于信號能量，能夠有效指示軸承退化狀況。峰值因子(PF)是峰值和有效值的比值。缺陷因子(DEF)綜合上述指標的優點，不受轉速、載荷、尺寸等參數影響，便于設定報警值，容易使用且能快速地評價軸承的健康狀況。具體公式為：

DEF=a×PF+b×RMS

(1)

以起升電機軸承故障為例，在實際的監測平臺運行過程中，發現碼頭一臺輪胎吊的電機驅動端測點的DEF值和振動加速度值存在報警。在圖7a中，振動信號時域波形出現明顯的沖擊，沖擊能量較大(見圖7b)，通過進一步分析認為電機驅動端軸承存在磨損跡象。檢修發現該軸承出現明顯的磨損故障，對其更換之后，DEF值、振動速度和加速度值均下降到正常范圍內(見圖7c)。

圖7 輪胎吊起身電機故障報警

4.2 機器學習故障診斷模型

簡單的通過故障特征匹配進行故障檢測雖然具有良好的實時性，但是不能準確判斷故障發生的位置與程度，同時容易造成誤報和漏報，帶來嚴重的后果。狀態監測平臺結合大數據和機器學習算法，特別是深度學習算法，建立起由數據驅動的故障診斷模型，提出更加準確的故障診斷和維護建議。

隨著歷史故障數據的不斷積累，有更多的數據對故障診斷模型進行訓練，模型的精度會不斷提高，判斷更加準確。圖8為基于深度學習的故障診斷模型框架。

圖8 基于深度學習的故障診斷模型框架

5 故障預測問題研究

故障預測包括健康狀態預報和壽命預測。健康狀態預報用于確定當前部件或者系統處于其健康退化過程中的哪一種健康狀態,即正常狀態、性能下降狀態或者功能失效狀態等。當部件或系統處于性能下降狀態時,判斷是由于何種故障原因引起其健康水平的下降,并且評價當前健康狀態偏離其正常狀態程度的大小。剩余壽命預測是指依據部件或系統的當前健康狀態、歷史狀態等信息,采用合適的預報模型,確定部件或系統的剩余使用壽命[5]。目前故障預測所遇到的最主要難題是數據不足，難以建立準確的模型。

港口機械狀態監測平臺在完善實時數據采集和歷史數據存儲的功能上，利用機器學習在大數據中進行知識獲取，最終建立針對港口機械關鍵設備的故障預測模型。圖9為基于振動監測信號港口機械軸承故障預測技術路線圖。

圖9 基于機器學習的故障預測模型技術路線圖

6 結語

結合廣州港南沙三期碼頭實際情況，研究大數據驅動的港口機械狀態監測平臺的搭建。針對集裝箱碼頭在數據采集、數據存儲、故障診斷和故障預測等方面所遇到的難點進行詳細闡述，并提供了相應的解決方法和技術路線：

(1)結合網絡技術、數據采集技術和數據庫技術，解決了海量數據實時獲取與存儲的難題。

(2)將故障診斷分為2個階段，首先通過故障特征匹配實現故障的實時檢測；其次結合歷史數據和機器學習算法建立更加準確的故障診斷模型。

(3)狀態監測平臺在廣州港南沙三期碼頭的應用驗證了其有效性。隨著數據的不斷積累，基于機器學習的故障診斷和預測模型將不斷完善。