淺析一種判斷自動化設備狀態穩定性的新方法

盧國志，胡斐，倪萍

（山東科技大學，山東 青島 266590）

在工業生產中，設備是否能安全、穩定地運行一直是一個重要問題，隨著設備的重要程度增加，其故障可能帶來的損失也就越大。工業設備正常運行的關鍵要素是維護和檢修，包括事后檢修、計劃檢修和狀態檢修。由于很多大型安全生產事故的發生，其原因往往僅僅是由于某一關鍵設備的帶“病”作業，小問題逐漸引起細微的性能變化，從而引發大事故。因此，企業能做的除了事后維修外，更要加強以預防為主的檢測，提前識別出設備的細微變化，從而將事故扼殺在搖籃中。為了能夠更有效地進行預防性的檢測，需要對設備的運行狀態進行評估，傳統的狀態評估主要是基于理論分析以及物理模型分析，但由于設備故障影響因素眾多、機理復雜，難以建立完善、精確的狀態評估物理模型。近年來，隨著傳感器技術、數據收集與處理技術的發展，大數據技術在工業設備故障診斷的廣泛應用，通過數據判斷設備狀態，即數據驅動成為許多企業選擇發展的方向。本文在數據驅動的基礎上，提出了一種新的狀態評估數據處理方法，并稱為“數據切片”。

1 基于大數據的設備狀態判斷模式

1.1 傳統模式

針對設備的狀態預警判斷離不開對數據的處理分析，一般數據處理思路可概括為四步：標準化處理、預警閾值確定、異常點篩選、原因分析。如圖1所示，為某設備中四處監測數據，根據每組數據的波動情況合理設置預警閾值以及異常檢測的強弱，臨近預警閾值則需要警戒，超過預警閾值則需要停止運行并檢修，之后通過不同數據間的組合來分析確定故障的原因。然而，當數據種類增多時，影響數據的因素增多，僅僅用單一數據的異常點來判斷是否存在故障的準確率和效率都較低，而綜合考慮數據之間的關系建立復雜模型又對專業性的要求較高，導致實用性不足，因此，本文提出了一種數據切片模式，既能滿足綜合考慮不同數據，又能降低專業性的要求。

圖1 閾值預警圖

1.2 數據切片模式

數據切片即通過假想一個時間維度的切片，將某一設備的運行狀態通過切分分成無數個僅與時間相關的狀態，每個狀態則由多個狀態參量進行表示，同時，按照設定的處理方式將每個狀態的多個狀態參量值用一組坐標代替，并放入坐標系，之后通過聚類等方式對其分組并找出異常點。

1.3 數據切片相關定義

定義1：狀態參量：在某一確定時刻，用來表示機器該時刻運行狀態的參數，記作ki（i=1，2，....，n）。例如，可以用某時刻人體的血壓、體溫、血糖、血脂、尿酸、總膽固醇等參數來確定該時刻人的健康程度。

定義2：狀態特征曲線：由n個狀態參量構成的可以代表設備t時刻運行狀態的曲線。

定義3：狀態坐標系：由狀態特征曲線中n個狀態參量值通過三種函數變換得到的三個值，從而組成三維坐標系中的x，y，z軸。

式中，x軸表示在t時刻下的n個狀態參量的均值；y軸表示在t時刻下的狀態特征曲線的波動情況；z軸用來區別t時刻下狀態曲線的變化方向。通過（x，y，z）可以將任一時刻下的機器運行狀態用空間中一點代表，每個點均只對應一種狀態曲線。狀態坐標系的確定規則可以針對不同設備的特征進行修改，以便聚類分析。

2 具體步驟

根據上述介紹，基于數據切片模式判斷設備狀態穩定性的流程主要包括以下四步：（1）數據預處理；（2）獲得狀態曲線；（3）確定狀態特征值；（4）聚類分析，具體流程如圖2。

圖2 數據切片流程圖

2.1 數據的歸一化

在多指標評價體系中，由于各評價指標的性質不同，通常具有不同的量綱和數量級。當各指標間的水平相差很大時，如果直接用原始指標值進行分析，就會突出數值較高的指標在綜合分析中的作用，相對削弱數值水平較低指標的作用。因此，為了保證結果的可靠性，需要對原始指標數據先進行歸一化處理。在此，本文提供兩種數據歸一化的方法。分別為：

（1）線性函數歸一化：也稱為離差標準化，通過對原始數據進行線性變換，使得結果映射范圍在0～1。其轉換函數為：。

（2）0均值標準化：這種方法是結合原始數據的均值（mean）和標準差（standard deviation）進行數據的標準化。使處理過的數據符合標準正態分布，即均值為0，標準差為1。其轉換函數為：。

其中，Mean為所有樣本數據的均值。Standard deviation為所有樣本數據的標準差。

2.2 數據狀態曲線的獲得

通過歸一化處理，可以獲得n×t個在0～1（或符合正態分布）的數據，將其放入坐標系中如圖3所示，其中三個軸分別為數據種類、時間、大小，在將各個數據點生成曲線后，構想一垂直于時間軸的平面作為切片，該平面與各類數據曲線均有一個切點，連接所有切點得到一條曲線稱為數據狀態曲線。之后通過左右平移該平面，可獲得各個時間節點的數據狀態曲線。

圖3 狀態曲線圖

2.3 數據狀態特征值

根據定義3，采取合理的處理規則，對狀態曲線進行處理后，每條狀態曲線可用三個數字表示，分別作為x、y、z三軸坐標放入空間坐標系中，可獲得t個空間中的點，如圖4。

圖4 數據集可視化

其中，X、Y、Z三軸分別為按照特定規則處理后的狀態坐標系，坐標系中的每個點則代表了一條狀態曲線。

2.4 聚類分析發現異常點

聚類分析方法是在數據挖掘中常用的一種方法，按照歐氏距離或者馬氏距離等距離法對數據進行聚類，通過聚類結果，可以將原數據分成距離較小的較為相似的簇，在本文中將屬于某一簇的數據認為是正常點，不屬于任何一簇的點認為是異常點，對該點進行追溯找出其發生的時間，通過異常發生時間便能對機器的穩定性運行提供幫助。由于馬氏距離能夠排除變量之間的相關性的干擾，故此采用馬氏距離。

式中，D(Xi，Xj)指的是樣本之間的馬氏距離，T指的是轉置操作，S指的是樣本協方差矩陣。根據3.3中狀態特征值組成的空間散點圖，通過密度聚類算法對所有點進行劃分類簇，其具體流程如下。

密度聚類算法過程如下：步驟1導入數據樣本集合A；步驟2輸入參數可達半徑Eps和鄰域密度閾值minpts；步驟3由數據樣本集合A中任意一個未被標記的點p開始，探索點p的Eps鄰域，如果在鄰域內的點數目大于或等于鄰域密度閾值minpts，則將點p標記為核心點，建立一個新的類簇C(p)，否則，將p點標記為噪聲點；步驟4訪問所有核心點，將核心點p的Eps鄰域內的所有點都歸入類簇C(p)中；步驟5遍歷C(p)中所有沒有被掃描的點q，如果點q的Eps鄰域內點的數目大于或等于鄰域密度閾值minpts，則將點q和它Eps鄰域內的點歸入類簇C(p)；步驟6訪問數據集A內的所有樣本，重復步驟（3）至步驟（5），直到所有樣本都被處理。根據上述6個步驟，可以將空間內所有聚類簇的核心點找出，并將各點進行歸類，可以看出不同簇的范圍，同時，能夠判斷出不屬于任何簇的異常點。

3 結語

本文提出一種將多維時序數據組成的曲線轉換成三維空間點，并通過聚類分析判斷出異常點，從而評估設備的運行狀態的方法。此方法可將龐大的設備時序數據轉換為空間中的點，再通過空間聚類的方式將這些點進行分類，從而篩選出異常點，從而快速察覺設備運行中潛在的異常。

本文將所描述的方法稱為數據切片技術，該技術具有以下幾點優點：（1）能夠綜合考慮多個維度的數據，將復雜的多維數據降為三維，并能夠根據數據特征自行確定降維規則，有針對性地提高聚類的準確性。（2）通過該方法可以迅速從龐大多樣的數據中發現異常數據發生的時間，從而進行快速反應，并且具有一定的提前性。（3）與機理建模方式相比，不需要建立復雜的物理模型、機理分析，對專業性的要求不高。（4）通過該方法可以對自動化設備的穩定運行監測提供保障，從而有效地避免潛在故障。