工業大數據的智能化能耗管理與故障預診系統探究

崔偉鋼 對外經濟貿易大學統計學院在職人員高級課程研修班學員

引言：工業4.0為德國政府與工業領域共同設想的制造行業未來發展藍圖。當下，人類正進入“工業4.0”時代，實質上就是實體物理世界與虛擬網絡世界相互融合的時代，對工業4.0的核心要素予以分析，等同于傳統制造行業以物聯網與大數據分析為支撐進行智能化轉型。既往諸多研究資料指出，制造行業發展運營對信息技術表現出高度的依賴性，本行業整個價值鏈條與產品的全生命周期均會涉及到大量數據，這在很大程度上促進制造行業產生的工業大數據呈現出“爆炸式”增長的態勢。

一、工業大數據的概述

工業大數據，實質上就是工業領域數據以及有關技術與應用的整合體，其內容核心為生產業務、設備物聯與外部跨界數據，與此同時還會對外延展到有關技術與應用。對工業大數據自身而言，從橫向層面上進行分析，發現其跨越產品需求、設計、開發、工藝流程、生產、供應、管理、運行維護、回收再生產等全生命周期囊括的各個流程；縱向和企業，供應鏈、生態鏈，行業管理三個層面的內容建立較明顯的關聯性。工業大數據技術在現實中的使用，實質上等同于依照制定工業場景，利益收集、整合、存管、挖掘等多種技術手段，深度挖掘大數據內涵蓋的價值信息并充分釋放，其宗旨是提高生產運轉水平及經營管理高度，為產品及產業模式創新發展過程提供強大的技術支撐。

工業大數據不僅具備傳統大數據信息量龐大、類型多樣化、價值密度偏低、傳播速度快等基本特征，還囊括如下屬性：

（1）關聯性、時序性：生產制造各流程之間的數據存在著正向或逆向的傳導關系，相同流程不同學科與專業形成的數據不僅存在一定相關性，還相互約束。與此同時，工業大數據還會依照一定的時間序列產出與收集。

（2）高流通性、動態性：工業采集設備能在較短時間內完成大規模數據的寫入任務，數據吞吐數量龐大并且處于實時更新的狀態中。

（3）高緯度性、多尺度性：即站在不同緯度其闡述同一個數據。并且各種工業數據在取值頻次上存在差異性，故而對外呈現出多時間尺度的屬性。

（4）易干擾性、高噪聲性：很多工業生產作業是在強干擾、惡劣的環境下進行的，以致工業大數據經常帶有一定噪音，但是關于是否摻雜噪音的問題存在著一定不確定性。

二、智能化能耗管理與故障預診系統

（一）能耗管理

為實現對能源耗用情況的智能化管理，就需要有遠程監控系統的支撐，并和生產線路的管理工作之間建設一定關聯性，通常就能夠在短時間內獲取生產線上個工業機械設備能源損耗情況對應的數據，以此為基礎實現對機械設備性能的有效監控。工業企業通過合理分析、使用所獲取的能源監控數據，針對性的采取相關完善措施，在很大程度上能降低企業生產期間的能源耗損量，提升生產效益。

該系統的功能不僅為分析、管理及優化能源消耗情況，還能通過深度挖掘能耗數據中蘊含的信息資源，進而科學預見機械設備的運行風險與產品質量存在的不足。

在生產系統內，存留者多種不能被檢測的風險類型，這些風險在誘發設備故障與制作劣質產品之前通常是不被感知與規避的，此時就需要通過收集一些具有預見性的信號進行估測。但是生產線內設置的設備類型繁雜、數目眾多，并且運作環境體現出復雜化特征，將傳感器安裝在各個設備內的操作實現概率偏低。面對以上工況，迫切需要一種非侵入式監控方法的輔助，監測機械設備具備的原始信號。對于各類設備來說，其具備的原始信號實質上就是能耗信息，在某種程度上分析，原始信號能呈現出設備功能衰減、產品質量偏差等無法檢測風險的先兆。

（二）采集能耗數據

在管理與估測能源耗損程度方面上，基礎工作是強化工業企業能耗數值的透明度。這就預示著本系統采集能耗數據，并不是單純統計各臺設備在某一時段內的能源耗損情況，而是需依照企業設備的現實運用狀況，對設備能耗組成進行逐一分解[1]。

1.統計各臺設備在不同模式下的能耗信息。從宏觀層面上分析，機械設備的運轉模式有停機、待機、空載運行、待料及自檢等。在企業生產線內，各機械設備是依照生產節奏于各個模式下有規劃的轉換，生產節奏設計的規范性與否，將會對能耗程度形成較明顯的影響。

2.統計不同生產流程內各產品的能耗情況。在生產活動中各產品的能量損耗情況在很大程度上能提升產品運營成本的透明度，同時會以合理方式把相關數據信息反饋至設計階段，其能為生產工藝及程序的完善提供數據支持。

3.對比不同設備完成同一任務時能耗差異性。為提升產品的生產效率，現階段很多工業企業為設置數條生產線去制造同一種產品，比較同種生產線等同負載循環的設備能耗情況，便能夠知曉機械設備的節能效果。

（三）系統分析

歐姆龍公司以能耗信號為基礎，自主研發了故障預測與健康管理的技術（PPA），并且用于機械、工程機械設備等諸多智能化控制領域中取得較好成效。針對工業機械設備的能耗信息予以深層次挖掘并有效建設模型，其對設備運行初期故障問題及產品質量風險均能實現預見性管理。

PPA能采集產品各生產流程中不同機械設備加工制造時形成的能耗信息，并且能于嵌入式處理器內智能化分步驟辨識與提取產品特點等多項功能，解讀并判斷各步驟對產品質量風險發生情況的貢獻率。

以PPA為基礎的能耗管理與故障預測系統由硬件、軟件系統兩大部分構成。

硬件系統為一種由能耗低、體積微小的電量監控器組成的控制系統，通過將電流、電壓傳感器等安設于硬件系統內，以實現對設備能耗情況的有效監控，同時還能對外呈現出生產線內不同工位各類設備持有的原始電壓、電流及功率因素等多項參數。該系統還和機械設備共同銜接到工業控制網絡體系內，控制器和機械設備兩者互通信息，收集與機械設備運轉相關的狀態信息，隨后將其傳導到企業網絡，存儲數據后為分析工作的開展創造便利條件。

軟件系統是以PPA為基礎開發的，系統的核心是能耗診斷分析模塊（EMPA）。把能耗信號傳導到EMPA以后，歷經智能化分析流程，針對固有時間固定動作、動態時間動態動作等不同機械設備研發了與之相匹配的分析模塊。

可以把分析步驟細化為如下幾個部分：

步驟I：分析模塊負責捕獲傳感器讀入的初始數據，并且依照負載循環對初始數據予以智能化辨識與分割處理，針對數據分割工作，可以依照信號周期性呈現出的特征進行。工業生產系統內的機械設備因為周而復始的制造同一產品，以致不同負載循環的功率和能耗曲線之間存在較大相似度，故而可以依照這些曲線內的相似位點對數據進行分割。

步驟II：提取步驟I內經分割處理后產出的信號特征，把初始數據映射至特征空間內。“特征提取”被定義為將傳感器信號內能反映信號屬性的一些量值提取出來，該方法內主要涵蓋時域特征。信號的時域特征以均值、各分步驟能耗總量、總能耗和預設值兩者偏差、能量最高值等為主。

步驟III：針對提獲的特征矩陣予以降維處理，其宗旨是剔除特征矩陣內的冗余部分，在確保方差最大狀況下，最大限度的剔除特征間的關聯性[2]。K-L變換、主元分析等均是較頻繁使用的數據降維方法。

步驟IV：以最新獲得信號特征矩陣為基礎，就可以在步驟V內預估機械設備的衰退狀態。預估機械設備衰退狀態的思路以測算當下設備特征量和健康基線兩者的重合度為主，進而對設備衰退情況予以數量化處理。

步驟V：利用強化學習的機制，于獲取設備衰退信息后選擇與之相對應的預測模型，進而更科學的預見設備特征空間的后續幾年發展趨向。針對預測取得的特征量，能夠通過在預測置信區間中采取樣本取得。若機械設備的健康值超出控制范疇，或者所預估的未來健康值能在后續幾年中設定的實踐中超出控制范疇，系統化的形成相對應的預警提示信息。

三、能耗管理與故障預診的關鍵技術

（一）數據感知與采集

感知與采集數據，是深度挖掘工業大數據價值的關鍵技術類型，其主要涵蓋數據獲取與接入治理兩個方面，數據獲取實質上就是由數據始源獲得數據，具體有：（1）億傳感器網絡為基礎的數據采集技術：比如在數控機床、PCL等設備上加裝傳感器，安置接口或智能采集零部件，與工廠內構建傳感器網絡，以OPC配置為載體采集與機械設備及產品相關的運行數據；（2）基于智能辨識感知的數據采集技術：利用光、電、磁及溫度等能量傳導原理，在條碼技術、光信號以及嵌入式技術等支撐下，自動辨識感知信息載體，進而獲取相關信息[3]。

接入治理，等同于對經不同途徑所獲取數據進行統一控制、整合以及預處理，主要涵蓋：（1）多源數據采集的配置和調控：針對多源數據實時統一接入，打造數據攝取模型，規劃數據同步、分片、分割及索引等多個模塊及策略，并規劃差異性算法；協調多線程數據，遵照先到先服務的原則應對優先級與時效性問題，在保證數據傳送效率的基礎上，維護其過程的穩定性；（2）實時融合技術：即使用卡爾曼濾波、人工智能等方法實現數據融合。

（二）數據的統一存儲和建模

實質上就是以一定的組織形式對收集到的多源異構數據進行統一存儲，基本是集中在龐大數據的小成本存管、多模態數據的一致化管理、無秩序數據片段的整體建模三個方面上。本文只對面向全局的制造數據自體建模技術進行分析，通過自體建模過程，能使全局的制造數據以規范化的形式被存管與存儲系統內。捕獲生產數據自身的概念、內涵、結構等內容，相互關聯的數據片段體現出零散化、無序性特征，通常需要緊扣制造自體規劃屬性特征，構建數據集與概念集兩者的映射關系，最后打造出面向全局的規范性、共享性的語義闡述。

（三）數據分析和決策支持

即緊扣工業企業運行期間形成的某一業務問題，建設行業數據分析模型，在云計算、可視化等技術的支撐下，探尋大數據背后隱藏的規律和機制，形成“工業大腦皮層”，對工業生產決策形成強大的智能化支撐作用。

（1）大數據采集技術：結合采集方式的差異性，可以把大數據采集分為集中式采集和分布式采集兩種，前者能采集到所有數據，而后者使用過程中更具靈活性。在大數據采集過程中，不僅要收集企業內部的數據，還要收集企業之間的信息數據，以分布式計算方法為支撐，聯合使用不同的采集方法，全面提升數據采集的效率。可以在企業內部安置數個服務器，存儲企業共享的數據信息，針對中心服務器間組織采用分布式數據采集法。

（2）數據挖掘下的智能分析技術：對工業數據進行挖掘是指上就是在冗雜、龐大的工業數據內提獲規律、信息，進而對企業業務管理及決策提供一定支撐[4]。主要包括：①挖掘數據關聯關系：不同生產要素之間通常是相互影響的，形成了繁雜的關系網，采用Aprior、FP-growth分析算法能挖掘、探索出制造或機械設備之間存在的關聯性；②預測演化規律：挖掘制造數據對目標結果形成的耦合作用機制，將回歸方程設作為預測模式，解讀與目標變量相對應的演化規律。

（3）可視化技術：即以圖形化形式直觀的呈現于解讀數據分析結果，協助用戶能更深刻的理解大量、多樣化工業數據背后隱匿的規律與知識。多維數據可視化能探究多維數據項的分布規律與模式，并揭露不同維度屬性之間存在的關聯性，常見的有平行坐標、散點圖等。

結束語：加強工業企業生產機械設備運行狀態的監測、預警及控制等，是實現對能源資源有效管理的基礎條件，對全部生產設備進行整體化感知，已經演變成未來智能化工廠能源規范化管理的重要基礎。