一種基于物聯網振動數據的分析方法

王 眾，戎之瑋，趙 明

（特靈科技亞太研發中心，上海 200051）

0 引 言

物聯網是信息時代進入成熟階段的重要標志，是信息技術的全新應用。伴隨著物聯網的發展，傳感器成為信息技術領域重要的基礎設施，為智能應用提供必要的信息支持。物聯網應用領域對數據進行的分析成為應用決策的重要依據。傳統的振動儀器需要現場采集測量數據，而物聯網使得遠程監控和寬時域分析更容易實現，同時也為數據分析的探索展開了更多空間。

離心式壓縮機是現代大型建筑的重要設備，對建筑內溫度的控制非常重要，所以會要求盡量減少意外停機時間。離心式壓縮機通過旋轉離心力產生的壓力和速度來達到對于內介質的效果，所以其旋轉件的尺寸和質量較大，支撐旋轉部件的各類軸承會承受較大載荷，因此系統對于工作中產生的動態力比較敏感。振動即結構中力作用的體現，對振動的幅值和趨勢的測量是判斷系統運行是否正常的重要環節。很多漸變型故障模式可以通過振動信息在長時間范圍內的變化表現出來，是物聯網的典型應用場景。本文以離心式壓縮機為例，討論一種物聯網振動數據的分析方法，此方法不限于離心式壓縮機，可以推及其他轉子類型設備的物聯網振動數據分析中。

1 物聯網在振動監測方面的應用

1.1 物聯網應用簡介

物聯網實現了互聯網從人向物的覆蓋和延伸。物聯網將多種信息傳感設備與互聯網結合，形成巨大的網絡，使物品與網絡連接，達到方便識別和管理的目的。萬物互聯可以將人、物、事件、流程和數據相結合，通過網絡連接讓其更有價值。從物聯網到萬物互聯，實現了信息到行動的轉化，為使用者、企業、社會和國家都創造了新的機會和價值，為時代帶來了新的經濟發展機遇。

1.2 物聯網數據的接入與時序數據庫

物聯網平臺按照數據的流向可以分為數據接入、數據解析、數據管理、規則引擎和時序數據庫等環節。物聯網平臺往往可以提供較大數量設備接入的能力，并且需要具備較高數據點讀寫性能與較高的壓縮率，以及端到端的安全防護等。

（1）數據接入：用于在智能設備與云端建立安全的雙向連接，并通過多種通信協議實現物聯網與實體的數據交互，可以初步對數據的采集格式和頻率進行定義。

（2）數據解析：在云端提供數據協議的解析。當云端收到網關返回的原始數據后，結合預置的設備通信地址表將數據解析為時序數據庫模式，便于存儲和分析。

（3）接入管理：用于對接入云端的設備進行管理和操作，包括設備的層級管理、監測、遙控、固件升級和維護保養等場景。

（4）規則引擎：原始數據往往不能直接用于分析和顯示，所以需要對原始數據進行單位的指定與轉換、數據類型指定、數值關聯計算、數據包重整等處理與操作。

（5）時序數據庫：為了更好地處理時間序列數據，時序數據庫應運而生。時序數據庫是用于管理時間序列數據的專業化數據庫。區別于傳統的關系型數據庫，時序數據庫針對時間序列數據的存儲、查詢和展現進行了專門優化，有較高的數據壓縮能力與查詢性能，適用于物聯網應用場景。

1.3 物聯網振動數據的特點

物聯網的振動數據伴隨接入點的增加和長時間的積累后，數據量極大，為了得到數據的價值需要進行深入挖掘，但這一過程往往需要大量工作消耗，因此提高分析效率成為數據分析的重要方向。物聯網振動數據通常具有以下特點：

（1）結構穩定。物聯網振動數據采集側完成現場部署后，采集模塊生命周期內一般不會頻繁變動，或僅發生有限次變動；接收數據的平臺一般不會發生顛覆性改變，多數變更都會兼容前次的結構和功能；對特定采集器和應用對象而言，采集精度和頻域寬度通常是固定的，或為有限類型模式，或經過簡單計算后能夠得到有限類型模式。以上因素決定了物聯網振動數據在結構方面通常比較穩定，為提高振動數據分析效率奠定了基礎。

（2）行數巨大。物聯網振動數據的量級取決于2個方面，一則為安裝點數，一則為時間積累。依據物聯網近年來迅速發展的趨勢，安裝點數往往呈指數上升；采集模塊一經安裝就開始持續不斷的向云端提供數據，出于研究或追溯等原因，數據擁有者很少主動刪除數據，經過長時間積累后數據量巨大。

（3）頻域完整。為進行數據分析而采集的物聯網振動數據往往具備目標分析范圍內的完整頻譜。根據分析內容和分析目的的不同，可能會有不同分辨率的數據，例如1 Hz或0.1 Hz。完整的頻譜保證了數據結構的一致性，使通過自動分析來提高效率成為可能。

（4）時域離散。因設備運行的振動特性一般不會在短時間內發生劇烈變化，為減輕數據傳輸與存儲的壓力，通常會間隔一定時間進行采集和上傳，整體來看，形成了數據在時域上的離散特性。

2 振動數據的采集與判斷

信號的分析處理是指從傳感器等一次敏感元件獲得初始信息，用一定的設備和手段進行分析處理。測試信號的頻域分析是把信號的幅值、相位或能量變換為以頻率坐標軸表示，進而分析其頻率特性的方法，又稱頻譜分析[1]。此頻譜信息可用于對振動頻譜特征的分析。振動傳感器按機械接收原理可以分為相對式、慣性式[2]；按機電變換原理可以分為電動式、壓電式、電渦流式、電感式、電容式、電阻式、光電式[3]；按所測機械量可以分為位移傳感器、速度傳感器、加速度傳感器、力傳感器、應變傳感器、扭振傳感器、扭矩傳感器[4]。在進行信號處理時需要注意傳感器的類型。

對于旋轉機械而言，振動信號中的很多頻率分量都與轉子轉速關系密切，往往是轉速頻率的整數或分數倍，在頻譜分析時，更關注軸轉速的多倍頻率處及轉速的非整數倍頻率處的峰值。頻譜中的同步分量是轉速頻率的整數倍，通過分析頻率中的同步波峰可以發現許多故障，包括不平衡、不對中、松動、軸彎曲、葉片磨損、齒輪嚙合等[5]。

另外，有些振動問題還有如下特點：

（1）難以直觀體現，往往需要停機拆卸才能觀察到損壞的部件或零件；

（2）難以在短時間內體現，往往長達數月甚至經年的積累才會體現出來，但是長時間累積后會造成系統級的綜合影響，擴大了影響范圍。

物聯網適用于對振動數據的實時采集和長時間監聽，適用于轉子設備的非停機檢測和趨勢判斷。

3 物聯網振動數據分析

3.1 物聯網振動數據分析步驟

振動數據因其自身屬性，在物聯網應用方面可以反應設備的運行狀態。因此，可以通過對振動數據的分析來識別設備的狀態，并根據其時域上的變化給出預測和診斷。常規的數據分析可以大致劃分為5個環節：數據規劃與獲取、數據清洗與處理、數據分析與方法、數據多維呈現、數據輔助決策與模型優化。本節根據物聯網振動數據的特點，結合常規數據分析的步驟來闡述物聯網振動數據的分析。

3.1.1 規劃與獲取

在獲取數據之前，要先對目標振動數據進行規劃，這有助于得到更高質量的數據。根據明確的目的進行數據規劃，也可以提高獲取有效數據的效率，更容易得到有指導意義的分析結果，實現目的引導。首先要明確分析目標，然后根據分析目標進行梳理，構建基本框架，拆解出多個要點和輔助點進行采集。好的數據規劃是進行高效數據分析的前提。

本文所論述的范圍是關于振動數據的分析，目標是根據物聯網振動數據來判斷設備運行的狀態與趨勢。需要考慮以下環節：

（1）時域和頻域兩個維度是該數據規劃的主體內容，為了進行完整的分析，還需要幅值、方向等數據；

（2）數據生成過程中為了保證完整的計算和輸出，需要一些必要的標志位、狀態位等數據；

（3）數據采集過程中為了加以區別，需要輔助用于采集的硬件設備識別碼、網關碼等數據；

（4）數據傳輸過程中為了適應振動類型的大規模數據與傳輸途徑間的匹配度，需要進行必要的分解，增加多數據包的首尾識別等數據；

（5）數據存儲和下載過程中根據不同的平臺規則，需要對數據重新查詢、分割、打包再合并，會產生很多附加數據。

從以上描述我們可以看出，物聯網振動數據的產生和獲取過程是多樣化的，數據的來源和用途是復雜的。要對復雜的數據進行分析以達到預期的目的，需要完成大量分析工作，從海量的數據中得到真正能夠輔助判斷決策的數據，就需要良好的數據規劃。

3.1.2 清洗與處理

在進行數據清洗與處理前，首先要保證數據的真實性和正確性，如果數據存在謬誤和錯位，那么結果不具有任何價值，還會導致錯誤的決策甚至損害模型。甄別數據真實性與正確性的過程在前期階段需基于人對數據的理解和調查，分析過程中可以根據數據的特性進行反向確認和驗證，以此完善數據獲取的過程。

本文論述的基于物聯網的振動數據，一方面數據本身層次繁多、結構復雜；一方面經過時間的持續積累，數據量巨大。為了從中得到真正能夠輔助判斷決策的數據，需要對無關數據進行清洗，對關聯數據進行處理，同時要保證數據間的有效性和關聯性，這是數據分析必不可少的環節。

物聯網振動數據的清洗與處理，狹義來講，可以只針對從云端下載獲得的數據，但因為數據在生成和采集、傳輸、存儲過程中因平臺和工具等環節的不同而造成下載得到不同的結果，所以對過程中產生的數據也應該進行深入理解，這樣才能在多個環節更好地對數據在比較寬的范圍內進行清洗和處理。在生成、采集、傳輸和存儲過程中引入的狀態位[6]、識別碼、標識符、首尾包等數據應盡量控制在有限環節內，不保留到最終數據中，如果最終數據中有此類信息，則這類信息就是優先清洗的對象。只有在獲取數據過程中出現問題時才保留這類信息來追溯問題根源。

數據處理指從物聯網獲得的振動數據一般無法直接用于分析，通常要進行運算和處理后才能得到有效的，可用于分析的，有價值的數據。在數據生成環節，不同類型的傳感器會產生不同類型的數據。從物聯網振動數據分析的角度，我們可以把傳感器的類型分為模擬型和數字型，即傳感器輸出值為模擬量的為模擬型，傳感器輸出值為數字量的為數字型。相同情況下，模擬型傳感器的數據量通常比數字型的更大，得到時域模擬量后需進行FFT轉換得到頻域值，把時域數據處理為頻域數據用于頻譜分析。進行數據處理時首要保證的原則是一致性和有效性。經過清洗和處理后的數據會更適合分析且更高效，可能涉及的振動數據處理還包括如下類型：

（1）數據類型的轉換，例如整型與浮點型的轉換；

（2）時間格式的轉換，數據庫的時間格式與易讀易算的時間格式之間的轉換；

（3）步長與頻域的轉換，采樣頻率與目標分析頻率精度之間需對應；

（4）單位的轉換，采樣單位與目標分析值之間進行對應，例如振幅；

（5）數據幀的合成，頻域數據往往有多種方式進行存儲和傳輸，獲得數據后需重新組織成數據幀；

（6）空幀的處理，多種原因造成的空幀需要給出特定進程，使之不影響整體分析；

（7）幀與幀的拼接，獲得數據的過程中出現幀錯位或斷幀的情況，需要根據規則重新拼接為有效數據；

（8）去噪聲處理，采集環節引入的噪聲需要在分析前作預處理；

（9）關聯計算，多維度的原始值往往需要一定的關聯計算后才能夠成為目標分析可用的數值。

數據的清洗過程不一定限于數據下載后，有效的數據清洗能夠讓數據在傳輸過程中高效地傳遞信息。尤其針對物聯網，很多設備利用無線網絡，甚至付費網絡進行數據傳輸，此時數據清洗就顯得更為重要。

3.1.3 分析與方法

物聯網振動數據的分析過程主要分為頻域分析和時序分析。頻域分析注重頻域特征的提取，時序分析注重隨時間變化的追蹤，通常先從頻域入手。在進行分析前需要確認數據的有效性，數據的有效性與采集側和目標側相關：

（1）有效數據的頻域寬度需與目標分析的范圍一致，需注意頻域的起止點，即相對的低頻段和高頻段；

（2）采樣得到的頻域數據精度，例如1 Hz或0.1 Hz；

（3）幅值確認，例如有效值、峰值與峰峰值間的轉換，及幅值單位的轉換。

經過確認和提取后，利用有效數據可以組成頻域數據幀，即在頻域上每一個最小分辨率的頻率點有一個與之對應的幅值，此頻域數據幀可用于頻域分析。

頻域分析的過程可以概括描述為頻域數據特征化的過程，即把采集得到的數據根據一定規則進行特征化，然后與預置的特征進行比較。預置邏輯的來源主要有以下幾方面：

（1）知識型輸入，即公開的理論性振動故障識別知識；

（2）經驗型輸入，例如工程師的經驗與現場應用人員的經驗；

（3）仿真輔助輸入，此類輸入注重特定設備類型的振動特征；

（4）離廠測試型輸入，此類輸入可以體現設備的唯一性特征。

把物聯網采集的數據進行特征化處理后，與上述多種類型的預置特征庫進行比較，合理判定可以得到明確的輸出值，即故障類型，達到故障診斷的目的。

區別于傳統手持式振動儀和臺式振動儀，物聯網振動數據更容易獲得長時間范圍內在時域上連續的頻域數據幀，物聯網振動數據這一特性也更符合振動故障漸進性變化的特性，使得物聯網振動數據的分析更有價值。

時序分析一般是有針對性地對特定頻段上的數據隨時間變化進行分析。特定頻段通常指頻域上幅值超出預期的頻段，例如工頻50 Hz的轉子設備在50 Hz頻率上采樣得到的幅值超出預期值時，50 Hz的倍數頻率和以其為中心的一定范圍均成為目標分析的特定頻段。對特定頻段的數據進行時間追蹤，根據時序上的變化情況給出趨勢判斷結果，有助于早期問題的確定。進行分析時可以在時間上通過連續或隨機的方式取得觀察點，然后根據觀察點序列擬合曲線的曲率來判斷特定頻段的趨勢。

3.1.4 數據呈現

對物聯網振動數據分析的結果呈現，一方面需要給出定性判斷，比如振動是否超標和歸類為哪種故障模式；另一方面需要給出可量化的視覺對比結果。振動數據進行圖表類呈現的目的是為了對比，需要體現分布和關系，振動數據的頻域分析結果需要體現各頻段上的對比和分布，時序分析的結果需要體現前后數據的趨勢關系。

對物聯網振動數據分析的結果需滿足突出特征、一目了然、輔助判斷、便于深入分析等要求，好的呈現要符合不重疊、不遺漏的基本原則。物聯網振動數據需要多種呈現途徑，例如方便遠程查看的瀏覽器頁面，用于分析和交流的報告，用于實時監控和分析的軟件工具等。無論哪一種呈現方式，都需要規劃一個儀表盤來合理展示振動信息，以便能夠實時監控[7]。

對于物聯網振動信息而言，基本的呈現內容為：頻譜與時序趨勢；重要的呈現內容為：頻譜與時序趨勢反應出的設備狀態；有價值的呈現內容為：根據狀態診斷而給出的建議；此外，還需要呈現用于輔助判斷的設備信息等。

3.1.5 數據輔助決策與模型優化

物聯網振動數據分析的作用：在大型設備應用方面，可保障設備正常運行，這種應用場景下的關鍵決策是設備是否適合繼續運行，是否需要維修保養，以免造成意外停機和更大范圍的損壞。為達到這個目的，幅值與模式的判定是關鍵輸入，幅值能夠反應設備整體運行的情況是否正常，模式能夠為問題的判斷縮小范圍。既定行業或類型應用中，幅值判斷通常有明確的范圍，通過軟件邏輯相對容易實現結果的輸出。模式判定往往需要長時間的經驗和積累，物聯網廣泛實施的同時也有助于獲得更多故障數據來完善故障模型。

3.2 采用Python提高分析效率

數據分析工具種類繁多，但適合物聯網數據分析的較少，例如Excel的最大處理行數為1 048 576行，無法匹配物聯網數據在時間積累下行數巨大的特點。分析方法的研究往往是為了最終應用，完整的數據分析方法在經過本地數據驗證后需在云端的應用中實現。Python具有較適合分析大規模結構化數據的庫，可以同時滿足處理本地數據和云端應用的需求，本文以Python為例，討論如何提升物聯網數據的分析效率。

3.2.1 Python常用庫

常用于物聯網數據分析的Python庫有：

（1）Beautiful Soup：解析物聯網xml和html數據。

（2）Pandas：此功能庫中有大量標準數據模型，提供了快速便捷地處理文本數據的函數和方法，以及高效操作大型數據集所需的工具。

（3）NumPy：通常與Pandas結合，用來完成批量數據的分析任務。

3.2.2 使用Python分析振動數據

從物聯網云端抓取振動數據用于臨時本地數據分析時，可通過Beautiful Soup解析并轉存為表格文件，方便閱讀與驗證，在云端處理時可以直接讀取時序數據庫，然后經過以下步驟和方法進行處理：

（1）數據抽取：使用Pandas的循環遍歷命令抽取目錄下的所有振動數據，將數據讀入DataFrame中以二維表格型數據結構存儲為 'metric'，'timestamp'，'value'字段。

（2）時間格式轉換：時間格式是物聯網振動數據的重要標簽，數據庫中的時間格式通常需要轉換后使用，可以使用公式將時間信息轉化為可計算的數值，本文案例時序數據庫的時間格式轉化為年、月、日、時、分、秒格式：

T=（timestamp/1 000+8*3 600）/86 400+70*365+19 （1）式中：timestamp /1 000表示由毫秒轉換為秒，如果timestamp包含秒，則無需計算；8*3 600表示由GMT 0時區轉到GMT+8時區；除以86 400表示由秒轉到天；70*365表示70年的差值（timestamp與Excel計算起點差異；19表示1900年到1970年間的閏年數量）。

采用Python處理時間格式時，需使用utcfromtimestamp函數。振動數據由于數據量較大且瞬變可能性小，所以一般傳輸頻率較低，多數情況下無需考慮秒級誤差（如果保留秒級時間格式則可能在后續數據對比過程中引入錯誤，所以需要用replace函數將秒清零）。時間格式處理的語句匯總如下：

dt = datetime.utcfromtimestamp(timestamp / 1000)

if convert_to_local：# convert to local

dt = dt + datetime.timedelta(hours=8) # china default time

dt = dt.replace(second=0)

（3）數據清洗：數據清洗的目的是過濾無效數據[8]，讓目標數據的分析更明確，分析效率更高。清洗后的數據通過合理調用可以成為待分析的振動頻率幅值數據幀。進行時間過濾時可以參考以下語句：

df_abs_filter = df_absolute[(df_absolute.timestamp.dt.time ＞= start_time)& (df_absolute.timestamp.dt.time ＜ end_time)]

進行標簽過濾時可以使用“～”（取反）命令實現，如下面例子中過濾無關數據'V1_L'，'V2_L'：

df = df[～(dif['metric'].isin(['V1_L', 'V2_L']))]

（4）報警數據的產生：振動數據分析的關鍵步驟是根據組織好的頻域數據幀與預期幅值進行對比，在相應頻段上超出預期值則歸入預置的故障類別。可以使用apply（）函數調用alarmDect函數自動遍歷每行的頻率與幅值，最后將結果組合成Alarm Series數據結構并返回，實例語句如下：

dx['alarm']= dx.apply（lambda x: alarmDetect(x['Frequency'],x['value']), axis=1)

經過分析后的數據已包含振動數據幀的故障模式判斷信息，通過合理的方式呈現便可用于結果分享和改進，例圖如圖1所示。

圖1 例圖

4 結 語

物聯網采集的數據往往路徑較長且過程復雜，分析難度較大。本文介紹的方法是大數據分析方法在物聯網振動數據方面的應用，主要講述了數據的基本處理和分析方法及流程，結合Python的使用可以提高分析效率。本方法和流程可以推廣至其他類型的物聯網數據分析，例如基于時序數據庫的設備運行數據等。