關于大數(shù)據(jù)分析在工業(yè)故障預警中應用的研究

劉 婷 敖凌文* 焦 嘉

（湖南信息職業(yè)技術學院，湖南 長沙 410200）

大數(shù)據(jù)技術發(fā)展到現(xiàn)在，在各行各業(yè)越來越受到重視以及應用。在工業(yè)制造領域，特別是國家提出智能制造之后，制造行業(yè)對大數(shù)據(jù)技術的認識有了質的飛躍。現(xiàn)在大數(shù)據(jù)技術在制造行業(yè)的主要應用有生產(chǎn)工藝分析、設備故障診斷預警、生產(chǎn)供應鏈優(yōu)化、工業(yè)產(chǎn)品升級等。現(xiàn)在生產(chǎn)制造過程中，會用到大量傳感器，通過監(jiān)控傳感器數(shù)據(jù)的異常變化，優(yōu)化改善生產(chǎn)制造中的問題。比如：監(jiān)測電力消耗異常，優(yōu)化電力能源的消耗。而在本文中，就主要介紹大數(shù)據(jù)技術在解決工業(yè)預警問題方面的一些應用。

1 大數(shù)據(jù)綜述

1.1 大數(shù)據(jù)定義及特征

隨著信息技術的發(fā)展，特別是近些年的高速發(fā)展，大多數(shù)行業(yè)都實現(xiàn)了信息化管理，尤其大數(shù)據(jù)技術產(chǎn)生以來，數(shù)據(jù)規(guī)模出現(xiàn)了高速增長。相比普通數(shù)據(jù)，大數(shù)據(jù)是具有規(guī)模大、處理速度快、多樣化的信息資產(chǎn)。其具有顯著“4V”特點，即Volume(大量)、Velocity(高速)、Variety(多樣)、Value(價值)[1]。

如果大數(shù)據(jù)技術僅僅只是收集數(shù)據(jù)的話，那么對于企業(yè)的發(fā)展沒有多大作用。故而大數(shù)據(jù)技術除了收集數(shù)據(jù)，還要對數(shù)據(jù)進行分析，這就是大數(shù)據(jù)分析。大數(shù)據(jù)分析可從這些海量的、高維的、多樣的數(shù)據(jù)中找到相比普通數(shù)據(jù)分析難以找到的模式，從而為企業(yè)找到新的商業(yè)價值和機會。

1.2 大數(shù)據(jù)處理流程

大數(shù)據(jù)技術主要分為四個方面，分別如下：（1）數(shù)據(jù)收集：這是大數(shù)據(jù)技術的基礎，也是對大數(shù)據(jù)分析不可或缺的。數(shù)據(jù)的來源可以是本地數(shù)據(jù)庫、互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等。在數(shù)據(jù)收集的過程中存在提取、轉換和加載[2]。（2）數(shù)據(jù)管理：由于收集的數(shù)據(jù)中會存在大量的臟數(shù)據(jù)，所以需要對這些數(shù)據(jù)進行相應的清洗、去噪、數(shù)據(jù)集成和數(shù)據(jù)修正。同時也要為數(shù)據(jù)的快速查詢提供功能[3]。（3）大數(shù)據(jù)分析：大數(shù)據(jù)分析是大數(shù)據(jù)技術的關鍵。對清洗修正過的數(shù)據(jù)采用合適的算法模型進行分析建模，例如數(shù)據(jù)挖掘、統(tǒng)計分析、機器學習算法以及近幾年流行起來的深度學習技術。對數(shù)據(jù)的處理方式分為兩類，一類是流處理，另一類是批量處理。（4）數(shù)據(jù)解釋：數(shù)據(jù)解釋的主要目的是讓大數(shù)據(jù)分析的結果能夠直觀的呈現(xiàn)給用戶，讓用戶能能夠方便的理解。數(shù)據(jù)可視化技術是現(xiàn)在最常用，也最直觀的展現(xiàn)方式[4]。

2 故障預警

在工業(yè)生產(chǎn)過程中，設備不僅產(chǎn)生大量的工況數(shù)據(jù)，也還會產(chǎn)生大量的告警數(shù)據(jù)。比如工況數(shù)據(jù)有從各種傳感器上采集到的數(shù)據(jù)（溫度、濕度）以及設備機臺上運行參數(shù)（速度、壓力）。告警數(shù)據(jù)有超溫報警、電磁閥故障報警等等。如何通過分析工況數(shù)據(jù)與故障數(shù)據(jù)，以及不同告警數(shù)據(jù)之間的關系，做一定的故障預警，也是改善工業(yè)生產(chǎn)的一種方法。

2.1 工況與故障關系分析

例如有一種場景是對溫度異常升高做出提前預警，工況數(shù)據(jù)有時間、溫度閥開關、濕度閥開關、濕度、溫度等維度數(shù)。其中取時間和溫度分別作為自變量和因變量來做回歸分析，預測溫度的變化。

回歸分析是一種預測性的建模技術，它通過研究自變量和因變量的關系，來進行預測分析。通常使用曲線來擬合數(shù)據(jù)點，目標是使曲線到數(shù)據(jù)點的距離差異最小。

線性回歸是回歸問題中的一種，即滿足一個多元一次方程，特征值和預測值之間是線性關系。通過構建損失函數(shù)，最小化損失函數(shù)來求解參數(shù)w和b。通常我們可以表達成如下公式：

f（x）為預測值，自變量x 和因變量f（x）是已知的，對于一個新的x，我們想要預測其對應的f（x）是多少。因此，為了構建這個函數(shù)關系，目標是通過已知數(shù)據(jù)點，求解線性模型中w和b兩個參數(shù)。但有時自變量和因變量之間不是呈現(xiàn)直線關系，而是呈現(xiàn)曲線關系，如下公式：

如何求解最佳參數(shù)，我們需要一個標準來對結果進行衡量。為此我們需要來量化一個目標函數(shù)。針對任何模型求解問題，都是最終都是可以得到一組預測值y，對比已有的真實y，數(shù)據(jù)行數(shù)為n，可以將損失函數(shù)定義如下：

即預測值與真實值之間的平均的平方距離，統(tǒng)計中一般稱其為MSE 均方誤差。把之前的函數(shù)式代入損失函數(shù)，并且將需要求解的參數(shù)w和b 看做是函數(shù)L 的自變量，可得

現(xiàn)在的任務是求解最小化L 時w 和b 的值，即核心目標優(yōu)化式為

對于上面的模型參數(shù)可以采用以下兩種方式進行求解：

2.1.1 最小二乘法

求解w 和b 是使損失函數(shù)最小化的過程，在統(tǒng)計中，稱為線性回歸模型的最小二乘參數(shù)估計。我們可以將L(w,b)分別對w和b 求導，得到

2.1.2 梯度下降

梯度下降核心內(nèi)容是對自變量進行不斷的更新，針對w 和b 求偏導，使得目標函數(shù)不斷逼近最小值的過程。

現(xiàn)在有數(shù)據(jù)，包含時間、溫度閥開關、濕度閥開關、風扇開關、加熱開關、加濕開關、實際溫度、實際濕度、設定溫度、設定濕度等維度。我們需要對以實際溫度作為目標值，其他變量作為特征，來對溫度進行預測。對數(shù)據(jù)做下面的預處理。

數(shù)據(jù)處理：分析各變量的性質，比如是連續(xù)變量，還是離散變量。

對于連續(xù)變量，如果數(shù)據(jù)存在缺失值，可以用其附近的均值作為填充。對于離散變量，如果數(shù)據(jù)存在缺失值，可以根據(jù)該變量的眾數(shù)來填充。

插值方式不僅僅只有上面的兩種，還有其它方法，本案例采用剛才的兩種方式來對數(shù)據(jù)進行處理。對于異常值，也采用上面的方式進行替換。由于數(shù)據(jù)是按時間進行記錄的，有時數(shù)據(jù)會有重復的記錄，故對重復的記錄進行去除，只保留一條記錄。

變量選擇：在對這些變量進行分析時，我們可以先從業(yè)務角度分析下變量的變化是否會對溫度產(chǎn)生影響。其次可以繪圖來初步觀察各個特征之間是否有相關性，然后采用降維方法對數(shù)據(jù)進行降維，降低特征的維度。本例根據(jù)已有的數(shù)據(jù)做了分析，發(fā)現(xiàn)各個特征的走勢變化，對溫度的影響不是很大，故只選擇了時間作為特征。實際情況中，溫度不可能僅僅只是隨著時間變化而變化，也還與其它因素相關。故還需要大量數(shù)據(jù)積累，增加其它特征，來改善最終結果的預測準確度。

變量重構：本例以時間作為自變量，并對時間進行轉換，以溫度上升起點為時間零點。時間特征變?yōu)橐悦霝閱挝淮笮〉男碌臅r間特征。由于觀測溫度隨著時間的變化趨勢是曲線的，即是高階的。故把時間特征重構，生成新的多個維度特征，如x→（xn，xn-1，…，x2，x，1）變換。

算法選擇：本例采用線性回歸算法（LR），來對數(shù)據(jù)進行擬合。

參數(shù)選定：由于我們不知道到底哪個參數(shù)是比較合適的，所以需要嘗試不同參數(shù)的模型在數(shù)據(jù)集上的擬合程度，以及預測效果。再根據(jù)模型的復雜程度（階的大小），選擇復雜程度比較小，擬合效果還比較好的模型。本列最后采用二階的一元多項式作為最終的模型。

本案例的分析過程大致如圖1 所示。

圖1 本案例的分析過程

2.2 故障報警之間關系分析

機臺設備會經(jīng)常報各種各樣的故障，比如本案列會有風機斷路器跳閘故障、模塊通訊故障、濕度模塊端口故障、溫度模塊端口故障、溫度控制閥故障、窯超溫報警等。如何找到這些故障之間的關系，提前避免一些故障的發(fā)生導致其它故障的發(fā)生，有很大的價值。在該案例中，根據(jù)經(jīng)驗知道溫度控制閥出問題，很可能會導致非正常加熱，使溫度異常上升，即會發(fā)生超溫報警。到底情況具體如何，在這里，我們可以采用關聯(lián)規(guī)則挖掘算法，并結合本案例的具體情況，增加規(guī)則，來找到這樣的關系。支持度就是幾個關聯(lián)的數(shù)據(jù)在數(shù)據(jù)集中出現(xiàn)的次數(shù)占總數(shù)據(jù)集的比重。或者說幾個數(shù)據(jù)關聯(lián)出現(xiàn)的概率，比如有兩個關聯(lián)性的數(shù)據(jù)X 和Y，則對應的支持度為:

以此類推，如果有三個關聯(lián)性的數(shù)據(jù)X，Y 和Z，則對應的支持度為:

一般情況下，支持度高與數(shù)據(jù)是否構成頻繁項集是沒有必然關系的，但是支持度太低的數(shù)據(jù)一定不構成頻繁項集。

置信度主要反映的是在一個數(shù)據(jù)出現(xiàn)的情況下，另一個數(shù)據(jù)出現(xiàn)的概率，也就是我們常說的條件概率。假設有兩個有關聯(lián)性的數(shù)據(jù)X 和Y，X 對Y 的置信度為：

表1 月度粒度表

這里將用經(jīng)典算法Apriori 算法來實現(xiàn)找到所有頻繁項集，且滿足最小支持度和最小置信度的關聯(lián)規(guī)則。通常來說，要確定好評估標準，才能確定一個數(shù)據(jù)集合中的頻繁數(shù)據(jù)集。評估標準是用自定義支持度和置信度的一個組合，還用自定義的支持度，可以根據(jù)情況而定。通常會選擇支持度和置信度的結合。在應用該算法之前，以及本案列的具體情況，按如下步驟計算。

步驟一：對數(shù)據(jù)做一下處理。首先通過故障發(fā)生的時間順進行排序，可以選取不同時間粒度范圍，比如一天、一周、一個月等等粒度。然后生成以某一時間粒度的各個故障數(shù)據(jù)集。如下是按一個月的時間粒度：

步驟二：應用Apriori 算法,產(chǎn)生滿足條件的頻繁項集。

步驟三：再從業(yè)務的角度來進行判斷，即一個故障的發(fā)生是否會引起另一個故障發(fā)生，或者大概率引起另一個故障的發(fā)生。

3 大數(shù)據(jù)故障預警的意義

總的來說，基于大數(shù)據(jù)的故障預警應用覆蓋面非常廣泛，它的意義在于超前的故障預警提醒可以讓企業(yè)設備運維人員有針對性的對設備進行維護，提前處理設備存在的隱患，提高設備的利用率，以及延長設備的使用壽命，真正意義上實現(xiàn)了狀態(tài)驅動運維的模式。對于一些難以避免的故障，可以有針對性的且充分的事故演練，以保證有充足的時間去進行配件準備，避免引發(fā)二次事故，同時也大大減少因備件因素造成的非計停時間延長情況的發(fā)生。另外，利用現(xiàn)代化工業(yè)制造生產(chǎn)線的傳感器探測溫度、壓力、熱能、振動和噪聲，多形式分析手段包括設備診斷、用電量分析、能耗分析、質量事故分析等可以掌控每個生產(chǎn)流程，改進生產(chǎn)工藝，或建立虛擬模型仿真優(yōu)化。也可通過大數(shù)據(jù)的豐富信息來發(fā)現(xiàn)歷史預測和實際的偏差概率，考慮產(chǎn)能、人員、物料等的約束，采用智能優(yōu)化算法來排產(chǎn)。

4 結論

由大數(shù)據(jù)驅動導致制造業(yè)轉型升級，是制造業(yè)在未來高效生產(chǎn)、提升產(chǎn)品質量、提高資源利用率，降低資源消耗、改善生產(chǎn)安全、優(yōu)化銷售服務的重要一步。通過與移動互聯(lián)網(wǎng)、工業(yè)互聯(lián)網(wǎng)、人工智能等技術的協(xié)作發(fā)展，由大數(shù)據(jù)驅動的工業(yè)互聯(lián)網(wǎng)會成為經(jīng)濟發(fā)展的又一個增長點，為經(jīng)濟發(fā)展帶來新的活力。未來工業(yè)互聯(lián)網(wǎng)智能化的建設會推動工業(yè)制造數(shù)字化、網(wǎng)絡化、智能化的實現(xiàn)，而工業(yè)大數(shù)據(jù)作為其中重要的一環(huán)，定會助力構建資源富集、協(xié)同演進的制造業(yè)生態(tài)。但就目前而言，工業(yè)大數(shù)據(jù)應用價值巨大，挖掘這些價值還需要完成很多的工作，所以還要繼續(xù)努力。