基于大數(shù)據(jù)分析的機電設備運行故障預測及診斷

唐秀芳

（無錫市工業(yè)設備安裝有限公司，江蘇 無錫 214074）

0 引言

隨著社會的快速發(fā)展，人們對機電設備的需求越來越大，包括用于生產(chǎn)的產(chǎn)業(yè)類機電設備、用于人們生活的民生類機電設備以及用于數(shù)據(jù)采集和智能化分析的信息類機電設備，這些機電設備的可靠性直接關(guān)系到人們生產(chǎn)、生活能否持續(xù)穩(wěn)定地進行；因此，該設備一旦出現(xiàn)故障，將影響安全生產(chǎn)，造成嚴重的損失[1]。然而，傳統(tǒng)的機電維修保養(yǎng)機制通常是事后維修，需要停工停產(chǎn)，存在診斷滯后、不能在事前預測和不能及時維修等缺陷。因此，在發(fā)展機電設備運行維護保養(yǎng)技術(shù)的過程中，預測機電設備的運行故障一直都是專家學者們的研究重點，在機電設備運行過程中提前進行故障預測和診斷分析并提出應對措施，就是機電設備運行維護管理中亟需解決的問題，也是機電設備維護管理智能化發(fā)展的必然需求。

1 基于大數(shù)據(jù)分析的機電設備運行故障預測及診斷分析

在機電設備的運行過程中，將可靠度作為衡量機電設備持續(xù)正常運轉(zhuǎn)的關(guān)鍵因素，通過對可靠度進行分析，維持設備的可靠度，就可以保證機電系統(tǒng)安全穩(wěn)定地運行，并為決策者提供足夠的系統(tǒng)運行信息，達到降低機電維修保養(yǎng)成本的目的[2]。對機電設備運行可靠度進行測算，就需要大量的機電設備固有信息數(shù)據(jù)和運行信息數(shù)據(jù)，該文通過對機電設備運行故障預測及診斷分析的數(shù)據(jù)源進行研究，建立了故障預測模型，并對模型進行分析和診斷，完成了對機電設備運行可靠性的分析，從而提升了機電系統(tǒng)的穩(wěn)定度，降低了故障發(fā)生的概率。

1.1 大數(shù)據(jù)源研究

反應機電設備運行服務的常見數(shù)據(jù)源包括機電設備的運行環(huán)境數(shù)據(jù)、商品信息數(shù)據(jù)、固有屬性數(shù)據(jù)以及運行狀態(tài)數(shù)據(jù)。其中機電設備的運行狀態(tài)數(shù)據(jù)是直接反應和影響機電設備運行狀態(tài)的信息數(shù)據(jù)，其他3種數(shù)據(jù)是間接反應和影響機電設備運行狀態(tài)的信息數(shù)據(jù)。根據(jù)影響程度不同給予不同的影響因子值。

1.1.1 機電設備的運行環(huán)境數(shù)據(jù)

機電設備的運行環(huán)境數(shù)據(jù)是影響機電設備安全可靠運行的重要參數(shù)，它也會影響機電設備的使用年限。機電設備的運行環(huán)境數(shù)據(jù)一般包括環(huán)境的溫濕度、空氣的濕度、空氣灰塵以及震動等信息數(shù)據(jù)。將機電設備的運行環(huán)境數(shù)據(jù)納入大數(shù)據(jù)庫，可以提高預測模型的可靠性。

1.1.2 機電設備的固有屬性數(shù)據(jù)

機電設備的固有屬性數(shù)據(jù)是對機電設備運行服務進行大數(shù)據(jù)分析預測的重要信息數(shù)據(jù)，它會影響分析預測的準確度。機電設備的固有屬性數(shù)據(jù)一般包括位置、尺寸、額定參數(shù)值以及材質(zhì)等信息數(shù)據(jù)。將機電設備的固有屬性數(shù)據(jù)納入大數(shù)據(jù)庫，可以提高預測模型的可靠性。

1.1.3 機電設備的商品信息數(shù)據(jù)

機電設備的商品信息數(shù)據(jù)是機電設備追本溯源的重要信息，該信息在機電運行維護中對管理備品備件具有重要的作用。機電設備的商品信息數(shù)據(jù)一般包括品牌、規(guī)格和供貨商等信息數(shù)據(jù)。將機電設備的商品信息納入大數(shù)據(jù)庫，可以促進機電設備維護系統(tǒng)對產(chǎn)品品牌的評估預測，從而提升故障預測模型的可靠性。

1.1.4 機電設備的運行狀態(tài)數(shù)據(jù)

機電設備的運行狀態(tài)數(shù)據(jù)是進行故障預測和診斷分析的重要依據(jù)，反映了機電設備的運行狀況。機電設備的運行狀態(tài)數(shù)據(jù)一般包括測取的開關(guān)量、電壓、電流、功率、震動和溫度等狀態(tài)量。將機電設備的運行狀態(tài)數(shù)據(jù)納入大數(shù)據(jù)庫，就可以通過提取狀態(tài)特征對機電設備的運行狀態(tài)進行診斷和預測，從而提高機電設備安全運行的可靠性。

1.2 構(gòu)建故障預測模型

隨著自動化和智能化等新技術(shù)的興起，各個行業(yè)都非常注重對數(shù)據(jù)的積累和應用，但是這些行業(yè)對數(shù)據(jù)的應用還不夠深入[3]。以電力系統(tǒng)為例，變電所設備的穩(wěn)定性直接影響了電力系統(tǒng)的安全運行，下面構(gòu)建出變電所設備系統(tǒng)基于大數(shù)據(jù)的故障預測模型及機器深度學習架構(gòu)的預測架構(gòu)，如圖1所示。

1.2.1 基于數(shù)據(jù)驅(qū)動的模型構(gòu)建

采集變電所設備系統(tǒng)3個月的歷史數(shù)據(jù)，并對該數(shù)據(jù)進行挖掘和分析，分析各變量的相關(guān)性，尋找相關(guān)變化趨勢和規(guī)律；形成變電所設備系統(tǒng)的建立信息模型（Building Information Modeling，BIM），把設備模型的信息以及建模時輸入的商品信息抽取寫入數(shù)據(jù)庫，組成變電所設備系統(tǒng)的大數(shù)據(jù)源。通過機器深度學習對變電所設備系統(tǒng)的大數(shù)據(jù)源進行建模，構(gòu)建系統(tǒng)模型，反映各個系統(tǒng)參數(shù)間的關(guān)系，并輸出預測狀態(tài)信息。

圖1 基于大數(shù)據(jù)的機電設備系統(tǒng)故障預測模型及機器學習預測架構(gòu)

1.2.2 數(shù)據(jù)處理

在變電所設備系統(tǒng)的運行過程中，存在許多數(shù)據(jù)處理的問題，例如遺漏值、離群值以及雜訊等問題；此時，數(shù)據(jù)為無效數(shù)據(jù)，如果不對數(shù)據(jù)進行處理，直接將無效數(shù)據(jù)放入模型，就會產(chǎn)生不準確的結(jié)果。因此，首先需要對數(shù)據(jù)進行預處理；其次，對大數(shù)據(jù)源進行SVR模型適配，并通過該資料進行模型訓練（Training）；最后，獲得最適合的模型。

1.2.3 預測分析

在預測模型中，運用支持向量回歸（SVR）對數(shù)據(jù)做出預測，給定1組訓練數(shù)據(jù)，訓練樣本D={（x1，y1）……（xi，yi）}，yi∈R，其中x為輸入值代表的數(shù)據(jù)類型的屬性，y為屬性的對應值。代表方程式為f（x）=w×x+b，f（x）為預測值，w、b為待確定的參數(shù)，學習到1個f（x）使其與y盡可能地接近，當每個f（xi）和yi的差值都很小時，就可以準確地預測y，因此需要找出最合適的w，并且還需要解出該w的值，可以將其視為求解凸函數(shù)最佳化問題，如公式（1）所示。

式中：ε為預測的值與實際值的差距，ε＞0。

如果在ε合理的情況下能解出公式（1）的值，就稱其為可行性預測。然而，在大多狀況下，數(shù)據(jù)信息都會受到雜訊、離群值和誤差等各種因素的影響，導致沒有可行性預測，因此該文應用損失函數(shù)和懲罰系數(shù)來解決該問題，如公式（2）所示。

式中：C為正則化常數(shù)；ξi為松弛變量。

因為ξi始終大于等于該點的預測誤差絕對值減去ε，所以s.t.約束條件的意義就是讓所有的點（xi，yi）都滿足敏感度損失函數(shù)，也就是讓ξi可以代替點（xi，yi）的損失。懲罰系數(shù)用于解決雜訊或離群值所產(chǎn)生的問題，還可以用來判斷訓練模型 （Training Model） 是否有過度或不適資料，并用C來表示。每一組訓練資料都有其對應的ξi及ξi*，用來決定該組訓練資料是否會落在ε的范圍之外。

當機器學習時，對學習結(jié)果影響大的因素包括懲罰系數(shù)和模型內(nèi)部參數(shù)等[1]，可以通過試誤法找到錯誤率最低的組合，即最佳參數(shù)組合，該參數(shù)就是最適模型的參數(shù)。

1.3 診斷分析方法

建立變電所設備系統(tǒng)運行的故障診斷知識庫，包括基于大數(shù)據(jù)在線故障診斷分析數(shù)據(jù)和基于人工運維的經(jīng)驗數(shù)據(jù)。故障診斷知識庫分析方法的流程，如圖2所示。

1.3.1 診斷模型

以大數(shù)據(jù)源為基礎(chǔ)，選擇并計算特征參數(shù)，保證初始模型數(shù)據(jù)的準確性。構(gòu)造基于融合信息的特征信息選取算法，計算出待選特征和已知征兆間的相關(guān)性，通過故障規(guī)則表，建立改進型故障診斷模型，并將低緯度故障數(shù)據(jù)映射到高維特征空間，從而提高模型的精度。

1.3.2 知識庫

建立基于大數(shù)據(jù)的在線故障診斷知識庫。智能化網(wǎng)關(guān)采集現(xiàn)場設備并將其寫入數(shù)據(jù)庫，當有設備發(fā)生故障時，就生成故障信息單并保存在數(shù)據(jù)庫中，其中，故障設備的型號、狀態(tài)詳情（例如設備的電流電壓信息）等關(guān)鍵信息會作為故障原因知識庫的輸入信息，查詢（預測）并推薦最有可能的幾種故障原因，默認選擇可能性最大的故障原因。

建立基于線下運維的故障診斷知識庫。人員對設備進行日常巡檢，如果設備狀態(tài)正常，工作人員就掃碼填寫巡檢單（保存在數(shù)據(jù)庫中，包括巡檢人員、巡檢站點、巡檢設備和巡檢時間等）。如果設備出現(xiàn)異常狀況，工作人員就手動填寫故障信息單，其中，故障原因可以是現(xiàn)有知識庫根據(jù)填寫的相關(guān)數(shù)據(jù)調(diào)用故障原因進行默認選擇，也可以是巡檢人員進行人工判斷；故障處理結(jié)束后，拍攝現(xiàn)場處理圖片，填寫任務詳情單（保存在數(shù)據(jù)庫中，包括處理人、通知人、任務內(nèi)容、現(xiàn)場處理過程的圖片文字標注、任務完成狀況以及故障原因等信息），根據(jù)現(xiàn)場故障的處理狀況確認故障原因，填寫完成并上傳寫入知識庫。

圖2 故障診斷知識庫分析方法流程

2 應用驗證結(jié)果

圖3 知識庫診斷分析結(jié)果

該文采用BIM（3D）建模技術(shù)，構(gòu)建了隧道變電所BIM模型，該模型的數(shù)據(jù)庫包括設備的運行環(huán)境數(shù)據(jù)、固有屬性數(shù)據(jù)以及商品信息數(shù)據(jù)；并在該模型的基礎(chǔ)上，結(jié)合物聯(lián)網(wǎng)數(shù)據(jù)遠程采集、傳輸和處理技術(shù)，實現(xiàn)了對隧道變電所設備的實時監(jiān)測，最終儲存機電設備的運行狀態(tài)數(shù)據(jù)。該文還融合多種大數(shù)據(jù)源構(gòu)建故障預測模型，通過機器深度學習對該模型進行預測分析，基于知識庫故障診斷分析，獲得診斷原因（如圖3所示），設備運行的預測診斷映射出該系統(tǒng)的運行狀態(tài)及趨勢，便于評估機電設備系統(tǒng)的穩(wěn)定度，并形成評估報告反饋給管理人員，從而實現(xiàn)系統(tǒng)部件更換或結(jié)構(gòu)調(diào)整，提升機電系統(tǒng)的穩(wěn)定度，并及時有效地解決安全隱患，進而節(jié)約設備的維護成本。

3 結(jié)語

機電設備系統(tǒng)運行的維護管理對智能化故障預測及診斷服務的要求日益增加，事前預測和診斷可以保證機電設備系統(tǒng)的正常運行，降低設備故障對生產(chǎn)、生活帶來的負面影響。該文重點介紹了對基于大數(shù)據(jù)分析的機電設備運行故障預測及診斷分析方法的研究，融合大數(shù)據(jù)源對多維數(shù)據(jù)進行交互，建立故障預測模型；再基于知識庫診斷分析，完成設備健康預測及故障原因診斷，有效降低了設備的維修成本，提升了人員對設備的處置能力。