多算法融合的機械設備故障預測方法

郭東棟，張捷，孫巖，田二勛，周林飛

（1.北京奔馳汽車有限公司，北京 100176；2.西門子（中國）有限公司，北京 100102）

機械裝備在科學技術不斷改善下形成了多種組合形式，在各項現代自動化的管理下，為了滿足機械設備的多樣化功能，機械設備在實際運行時有著多種運行狀態，在切換運動狀態時，機械設備極易發生故障。為此研究基于深度學習的機械設備故障預測，規避機械設備故障帶來的風險。自20世紀60年代至今，機械設備故障預測取得了快速的發展，國外研究設備故障預測方法起步較早，形成了多種機械研究機構，不同的機構根據不同的現代化技術研究構造了多種類機械設備故障預測系統，研究水平處于世界前沿。國內針對設備故障預測整體研究起步較晚，各個高校也已經成立研究科研主題，不斷改進現有的故障預測方法，現已經進入快速發展的階段，預測技術有了顯著性的提升。在深度學習方向上，國內外針對設備故障預測還處于深層次的探索階段，需要不斷學習改進。

預測性維護是通過對設備狀況實施周期性或持續監測，基于機器學習算法和模型來分析評估設備健康狀況的一種方法，以便預測下一次故障發生的時間以及應當進行維護的具體時間。預測性維護是以設備/裝備的狀態作為依據的維護，狀態監測和故障診斷是基礎，狀態預測是重點，維修決策得出最終的維修管理政策。相比之下，反應式診斷維修的發生故障后再維修模式大大增加了設備關停的時間，會導致無形與有形的經濟損失。

1 基于深度學習及多算法融合的機械設備故障預測方法

1.1 提取設備數據

傳統的故障預測方法停留在通過設定低閾值、高閾值，用于產生低報警、高報警，不對故障的設備數據進行任何記錄。當相同或相似故障再次出現時，無法回溯歷史故障數據、缺少相應的歷史參考，面對無法立即停機的設備在線診斷工作，這成了一大難題。機械設備在整個生命服務周期內，都持續產生著設備數據，包括正常數據、異常數據。這些數據都可以作為本預測方法的數據基礎。設備服務周期圖如圖1。

區別于傳統的故障預測方法不記錄、少記錄設備數據的方法，本方法采用3種手段，通過加裝數據采集PLC、模塊、傳感器、搭建新舊PLC的通訊通道，完成相應的設備數據采集，并將實時數據文件，生產文件，保存于現場服務器中，持續保存1年，滿1年后歸檔處理。設備數據采集方法如表1。

表1 設備數據采集方法

1.2 提取數據特征

機械設備在實際運行過程中，存在多個傳動系統，以傳動系統中產生的振動信號為提取對象，根據基于數據驅動的處理方法，結合傳統診斷分析的專家經驗，構建、抽取相應的數據特征如DKM和RMS，用于后續的預測模型，可有效提高模型預測的準確性。如圖2。

圖2

在提取數據特征時，通過服務器保存的機械設備的運行數據，經過特征工程將得到相應的數據特征，在對應的設備數據流上，構建數據特征流。為了保證設備數據、特征數據的準確性，專家分析小組針對實際運行狀態和特征數據的分析、比對，對數據流及特征流文件進行相應的預處理，對其進行不同的狀態類別分組，構建一個準確狀態樣本空間。形成的特征提取流程如圖3所示。

圖3 特征提取過程

提取機械設備狀態特征后，采用深度學習等算法構建多算法融合的方式，最終完成對故障預測方法的構建。

1.3 深度學習及多算法融合方式

圖4

以上述構成的狀態特征空間為學習樣本，結合機械設備運行時產生的非平穩信號為參量，將不同狀態數據采用神經網絡深度學習算法，處理為含有標簽的數據，并為此標簽數據分配權重。再通過Regression、Gaussian Process、ARIMA等算法，處理為相應的標簽數據，并分別分配權重。根據各算法賦予的標簽數據權重（如表2），進行融合分析，處理為最終的設備狀態標簽。

表2 算法權重分布

在如上表所示的算法權重分布下（可微調），為實際項目開發一套自動數據分析系統，集成模型建立、預測、原始數據分析、專家分析標簽、故障預警及確認等功能，最終完成基于深度學習的機械設備故障預測方法的研究及實際項目實施。

2 項目案例

2.1 項目硬件軟件平臺（如圖5）

圖5 硬件配置

本項目為壓力機生產線的主傳動直流電機、主傳動齒輪系統、液壓站循環泵搭建了預測性維護系統，采用西門子1200系列PLC作為信號采集終端，以通訊的方式將實時數據流傳輸至位于服務器Windows系統的西門子Xtools軟件，生成數據流文件后，傳輸至位于服務器CentOS系統內的西門子ADA自動數據分析系統（如圖6）。

采用振動傳感器及溫度傳感器兩種類型傳感器，傳感器使用型號及安裝位置如表3所示。

將上表所示的傳感器，通過西門子PLC1200、SM1281和SM1231模塊，將震動數據傳輸至服務器Windows系統的西門子Xtools軟件，處理為數據流文件，再傳輸至位于服務器CentOS系統的ADA系統，形成的項目平臺如圖7、8所示。

圖6

表3 傳感器安置位置

圖7 項目硬件平臺

圖8 動數據分析系統

在如上圖所示的硬件平臺和自動數據分析系統下，通過為各設備分別選取對應的學習空間樣本，建立并訓練模型，通過實時的在線數據處理，完成對設備的當前狀態評估，通過ADA系統可視化的方式呈現。

根據項目需求，同時運行的預測模型共有23個。

2.2 項目結果分析

本項目自調試至今，2020年6月15日，發生過故障，2起軸承箱故障發生于調試期間，預測功能未上線，1起循環泵故障發生于5月12日，項目已上線，并成功發出預警，經現場人員檢查確認故障。由于保存了故障數據，可對其進行復盤。

圖9為正常狀態設備數據可視化與異常狀態的設備數據可視化對比，是第1起軸承箱故障將要發生前的末期狀態。可見設備穩定運行時，其設備數據特征狀態應落于相對較小的一個區間范圍內，設備發生異常時，其設備數據特征狀態在可視化界面上出現了大范圍的漂移。

圖9 正常、異常狀態數據可視化

圖10為第3起循環泵故障發生前記錄下的震動數據可視化分析圖及頻譜分析圖。可見循環泵經過長時間運行后，突然狀態發生了改變，其設備數據特征開始出現漂移。通過頻譜分析，震動集中于1倍頻，應是電機或軸向相鄰部件損壞造成動平衡故障。

圖10 異常狀態數據可視化、頻譜分析圖

由于該起故障及時得到預警，經現場人員檢查，確認循環泵軸端異常，并及時安排了計劃檢修，在檢修過程中，確認故障原因為聯軸器損壞，見圖11，并連帶造成電機軸端軸承損壞。

3 結語

實時性預測機械設備故障能夠顯著降低非計劃停機，確保設備系統安全穩定的運行，所以，研究故障預測方法是很有必要的。在深度學習及其他多算法融合下，文中設計的設備故障預測方法能夠改善傳統預測方法預測準確率較低的不足，同時，也能避免單算法在應用層面存在的片面性，完整了設備故障在線預測的過程，為今后研究機械設備故障預測提供了理論參考。成功實施的項目，也為推廣項目的實施提供了理論和現實依據。

圖12 實際故障原因：聯軸器損壞