基于動(dòng)態(tài)閾值的酸軋機(jī)組設(shè)備健康監(jiān)測及故障診斷

潘明皓

（武鋼日鐵（武漢）鍍錫板有限公司，湖北武漢 430080）

0. 引言

黨的十九大報(bào)告提出“加快建設(shè)制造強(qiáng)國，加快發(fā)展先進(jìn)制造業(yè)，推動(dòng)互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實(shí)體經(jīng)濟(jì)深度融合”，以促進(jìn)新一代信息技術(shù)和人工智能技術(shù)與制造業(yè)深度融合，推動(dòng)實(shí)體經(jīng)濟(jì)轉(zhuǎn)型升級(jí)，大力發(fā)展智能制造[1]。

武鋼日鐵（武漢）鍍錫板酸軋機(jī)組（后簡稱CDCM機(jī)組）已運(yùn)行10 年，為全國運(yùn)行速度最高（出口速度最高2000m/s），可軋最薄（0.15mm）的高速機(jī)組，由于前期先天涉及缺陷，為了保障設(shè)備高效穩(wěn)定地運(yùn)行，設(shè)備管理人員一直在探索設(shè)備管理的方法。但高速旋轉(zhuǎn)的傳動(dòng)設(shè)備和嘈雜的現(xiàn)場給點(diǎn)巡檢造成一定安全風(fēng)險(xiǎn)和難度。 為了及時(shí)掌握其運(yùn)行狀態(tài)，及時(shí)調(diào)整運(yùn)行模式，避免大故障發(fā)生。因此需要結(jié)合最新的技術(shù)手段，通過遠(yuǎn)程智能監(jiān)控保證機(jī)組的穩(wěn)定運(yùn)行，同時(shí)通過智能分析提高設(shè)備預(yù)判，進(jìn)行相關(guān)故障診斷與排除。

基于目前冷軋機(jī)組現(xiàn)狀，以及設(shè)備管理要求及公司的“四個(gè)一律”的發(fā)展方向。實(shí)現(xiàn)對設(shè)備運(yùn)行、維修、故障診斷及預(yù)測、缺陷及事故分析、設(shè)備狀態(tài)健康評(píng)估、風(fēng)險(xiǎn)評(píng)價(jià)等業(yè)務(wù)的有效管控，促使管理人員和基層職工自覺地將企業(yè)管理要求落實(shí)在日常工作中，幫助企業(yè)提高管理水平，優(yōu)化業(yè)務(wù)流程，改善數(shù)據(jù)信息系統(tǒng)，實(shí)現(xiàn)設(shè)備管理的技術(shù)與經(jīng)濟(jì)管控與生產(chǎn)安全風(fēng)險(xiǎn)預(yù)控，同時(shí)通過該服務(wù)，統(tǒng)一、集中收集、掌握設(shè)備管理核心業(yè)務(wù)和技術(shù)，有力提升決策支持，實(shí)時(shí)掌握設(shè)備健康信息，降低設(shè)備成本及故障率，提高維護(hù)檢修水平及效率。

綜上，本文根據(jù)新技術(shù)的應(yīng)用結(jié)合現(xiàn)場實(shí)際，針對冷軋機(jī)組現(xiàn)狀，在冷軋機(jī)組準(zhǔn)備新增一套酸軋齒輪軸承振動(dòng)監(jiān)測系統(tǒng)，如圖1 所示，現(xiàn)場新增溫度振動(dòng)數(shù)據(jù)采集設(shè)備，同時(shí)根據(jù)工藝及邏輯需要甄選采集現(xiàn)有生產(chǎn)線PLC 系統(tǒng)及現(xiàn)場智能傳感器儀表相關(guān)數(shù)據(jù)，結(jié)合機(jī)組負(fù)荷/軋制速度等參數(shù)，通過AI 技術(shù)與數(shù)據(jù)信息及工藝邏輯支撐對設(shè)備的評(píng)估、判斷、決策，以預(yù)設(shè)的作業(yè)標(biāo)準(zhǔn)或工作方法制約工作、作業(yè)的決定或處理結(jié)合工藝邏輯，提供關(guān)鍵設(shè)備的故障診斷預(yù)測服務(wù)，變被動(dòng)計(jì)劃性維護(hù)為預(yù)測性維護(hù)，及時(shí)預(yù)警，提供診斷建議，避免事故發(fā)生。從而減少故障，降低設(shè)備損壞率，提高設(shè)備運(yùn)行時(shí)間，降低維護(hù)成本，降低備件及運(yùn)營成本，降低由于設(shè)備損壞對生產(chǎn)造成的影響。

圖1 CDCM機(jī)組組成結(jié)構(gòu)圖

1. 相關(guān)研究

近年來，越來越多的過程監(jiān)控與故障診斷技術(shù)被用于保證工業(yè)生產(chǎn)過程的安全、節(jié)能、穩(wěn)定與高效，目前針對故障診斷問題已經(jīng)建立了相對完整的理論體系，并積累了一定的實(shí)踐經(jīng)驗(yàn)，但是冷軋過程中的不確定、不規(guī)則、強(qiáng)相關(guān)、高主觀等因素仍制約著這項(xiàng)傳統(tǒng)工業(yè)的數(shù)字化轉(zhuǎn)型進(jìn)程[2]。

Gartner 連續(xù)3 年（2017—2019 年）在其發(fā)布的“十大戰(zhàn)略科技發(fā)展趨勢”報(bào)告中，將動(dòng)態(tài)閾值（Dynamic Threshold）和數(shù)字孿生（Digital Twin）列為在未來5 ～10 年內(nèi)會(huì)產(chǎn)生顛覆性創(chuàng)新的技術(shù)之一[3]。

在動(dòng)態(tài)閾值與孿生數(shù)據(jù)的驅(qū)動(dòng)下，基于物理設(shè)備與虛擬設(shè)備的同步映射與實(shí)時(shí)交互而形成的設(shè)備健康管理新模式，設(shè)備狀態(tài)監(jiān)測系統(tǒng)可以實(shí)現(xiàn)快速捕捉故障現(xiàn)象，同時(shí)建立設(shè)備檔案，并對前期數(shù)據(jù)進(jìn)行自學(xué)習(xí)，準(zhǔn)確定位故障原因，合理設(shè)計(jì)并驗(yàn)證維修策略。

傳統(tǒng)的電機(jī)報(bào)警系統(tǒng)主要使用固定的閾值用以監(jiān)測SCADA 和CMS 指標(biāo)，而沒有考慮指標(biāo)參數(shù)直接的相關(guān)性，從而使得部分故障不能被及時(shí)識(shí)別。

采用逐步回歸法篩選得到神經(jīng)網(wǎng)絡(luò)輸出為t時(shí)刻主軸承溫度時(shí)的輸入?yún)?shù)，當(dāng)模型預(yù)測值與實(shí)際檢測數(shù)據(jù)的馬氏距離超過閾值時(shí)，則判斷當(dāng)前時(shí)刻數(shù)據(jù)異常；該方法優(yōu)于傳統(tǒng)利用預(yù)測誤差進(jìn)行故障預(yù)警的方法。

利用徑向基核函數(shù)的支持向量機(jī)回歸（Support Vector Regression, SVR）建立正常狀態(tài)下的溫度預(yù)測模型，并使用統(tǒng)計(jì)過程控制分析得到殘差近似服從正態(tài)分布，并依此設(shè)定故障預(yù)警與報(bào)警閾值，后期通過機(jī)器學(xué)習(xí)結(jié)合工況和大數(shù)據(jù)智能生成動(dòng)態(tài)閾值，若發(fā)現(xiàn)實(shí)際值與動(dòng)態(tài)閾值之間的殘差長時(shí)間超過預(yù)警范圍且越過報(bào)警線，則發(fā)出警報(bào)。但由于數(shù)據(jù)量的限制，未能指明報(bào)警前殘差越限的具體時(shí)長，從而也無法定量得出模型的超前預(yù)測時(shí)長。

2. 基于動(dòng)態(tài)閾值和數(shù)字孿生的設(shè)備健康狀態(tài)監(jiān)測

動(dòng)態(tài)閾值是人工智慧物聯(lián)網(wǎng)（AIoT）的基礎(chǔ)智能化。通過將傳統(tǒng)工藝中固定的閾值轉(zhuǎn)化為基于機(jī)器學(xué)習(xí)算法的動(dòng)態(tài)閾值，將實(shí)時(shí)變化的環(huán)境因素、溫度、震動(dòng)、厚度紅外等傳感器參數(shù)與PLC 參數(shù)相結(jié)合，動(dòng)態(tài)地繪制出一條更加貼近于顯示狀態(tài)的閾值線，如圖2 所示。結(jié)合了實(shí)時(shí)的傳感器讀數(shù)，用戶可以更有信心地將工藝系統(tǒng)的效率推向極限。更進(jìn)一步結(jié)合對單點(diǎn)數(shù)據(jù)的預(yù)測，系統(tǒng)也實(shí)現(xiàn)了對動(dòng)態(tài)閾值的預(yù)測。最終，該系統(tǒng)幫助用戶實(shí)現(xiàn)了從實(shí)時(shí)報(bào)警到實(shí)時(shí)預(yù)警再到動(dòng)態(tài)預(yù)警的功能跨越。

圖2 動(dòng)態(tài)閾值預(yù)警線（橙色）

數(shù)字孿生系統(tǒng)通過展示工藝流程上的實(shí)時(shí)傳感器讀數(shù)幫助工程師掌握冷軋線的最新動(dòng)態(tài)。超出健康閾值的數(shù)據(jù)點(diǎn)將會(huì)產(chǎn)生亞健康和異常事件，提醒用戶進(jìn)行處理。經(jīng)過升級(jí)后的數(shù)字孿生系統(tǒng)還將擁有流程模擬功能，通過輸入鋼卷規(guī)格型號(hào)和冷軋工藝的控制參數(shù)，系統(tǒng)幫助工程師模擬冷軋工藝流程中的狀態(tài)和產(chǎn)出鋼材參數(shù)。幫助工程師探索特定用戶需求下的工藝參數(shù)預(yù)設(shè)值，提高成材率，降低錯(cuò)誤成本，相關(guān)報(bào)表功能如圖3 所示。

圖3 CDCM機(jī)組5機(jī)架數(shù)字孿生示意圖（動(dòng)態(tài)）

通過動(dòng)態(tài)閾值和數(shù)字孿生系統(tǒng)對單體設(shè)備可以進(jìn)行單點(diǎn)數(shù)據(jù)的預(yù)測和預(yù)警，包括傳統(tǒng)MES 系統(tǒng)中的數(shù)據(jù)歷史統(tǒng)計(jì)和趨勢分析。同時(shí)，系統(tǒng)會(huì)對工藝線上的屬性值和輸出參數(shù)進(jìn)行預(yù)測，如震動(dòng)、溫度、張力信息（tension information）、IMR 曲率（IMR Bending Rate）、軋制力、鋼板厚度等。得益于對單點(diǎn)數(shù)據(jù)的預(yù)測，系統(tǒng)不僅實(shí)現(xiàn)了對單點(diǎn)信息的實(shí)時(shí)報(bào)警，也進(jìn)一步實(shí)現(xiàn)了對單點(diǎn)數(shù)據(jù)的提前預(yù)警，從而幫助工程師提前定位可疑信息點(diǎn)，幫助實(shí)現(xiàn)從被動(dòng)維護(hù)到主動(dòng)優(yōu)化的轉(zhuǎn)變，防患于未然。

通過單點(diǎn)預(yù)測和預(yù)警，然后結(jié)合工藝，同時(shí)對機(jī)器學(xué)習(xí)的深度使用，通過基于K-Means Clustering, Mean-Shifted Clustering, Density-based Clustering，Expectationmaximization clustering 和Mahalanobis 距離等算法的健康狀態(tài)診斷系統(tǒng)。系統(tǒng)將收集（1）溫度、振動(dòng)等傳感器讀數(shù)，（2）PLC 的控制信號(hào)（電機(jī)電流、壓力、張力，變形量、轉(zhuǎn)速等），（3）鋼板規(guī)格（coil identification number）、厚度、寬度等全面的冷軋線信息綜合信息。使用聚類算法將綜合信息匯聚成不同健康狀態(tài)下的類別，從而訓(xùn)練出針對用戶冷軋線的定制健康模型。最終使用Mahalanobis 距離等算法比較系統(tǒng)實(shí)時(shí)狀態(tài)、預(yù)測狀態(tài)與模型中健康狀態(tài)的距離，分析出系統(tǒng)的實(shí)時(shí)健康狀態(tài)和未來健康狀態(tài)。

2.1 數(shù)據(jù)抓取和預(yù)處理

酸軋機(jī)組此次共采集振動(dòng)溫度點(diǎn)99 個(gè)，如圖4 和圖5所示，通過FDAA 系統(tǒng)可讀取機(jī)組日立PLC 系統(tǒng)工藝數(shù)據(jù)，并通過平臺(tái)設(shè)備檔案輸入對應(yīng)設(shè)備參數(shù)，以上數(shù)據(jù)和工藝、生產(chǎn)數(shù)據(jù)實(shí)時(shí)相結(jié)合，結(jié)合工藝專家的經(jīng)驗(yàn)，作為本項(xiàng)目中用來建模分析的所有變量。

圖4 CDCM機(jī)組軋機(jī)振動(dòng)檢測點(diǎn)示意圖

圖5 CDCM機(jī)組卷曲振動(dòng)檢測點(diǎn)示意

2.2 機(jī)器學(xué)習(xí)建模分析

人工神經(jīng)網(wǎng)絡(luò)基于稱為人工神經(jīng)元的連接單元或節(jié)點(diǎn)的集合，它們對生物大腦中的神經(jīng)元進(jìn)行松散的建模。每個(gè)連接就像生物大腦中的突觸一樣，可以將信號(hào)傳遞給其他神經(jīng)元，如圖6 所示。人工神經(jīng)元接收信號(hào)，然后對其進(jìn)行處理，并可以向與其相連的神經(jīng)元發(fā)出信號(hào)。連接處的“信號(hào)”是一個(gè)實(shí)數(shù)，每個(gè)神經(jīng)元的輸出由其輸入之和的某個(gè)非線性函數(shù)計(jì)算得出。這些連接稱為邊，神經(jīng)元和邊緣通常具有隨著學(xué)習(xí)的進(jìn)行而調(diào)整的權(quán)重。權(quán)重增加或減少連接處的信號(hào)強(qiáng)度。神經(jīng)元可能有一個(gè)閾值，這樣只有當(dāng)聚合信號(hào)超過該閾值時(shí)才會(huì)發(fā)送信號(hào)。通常，神經(jīng)元被聚合成層。不同的層可以對其輸入執(zhí)行不同的轉(zhuǎn)換。信號(hào)從第一層輸入層傳播到最后一層輸出層，可能是在多次遍歷這些層之后，如圖7 所示。

圖6 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖7 鋼卷模型與振動(dòng)及工藝參數(shù)關(guān)聯(lián)模型構(gòu)建圖

隱藏層中的每個(gè)神經(jīng)元接收加權(quán)輸入加上前一層中每個(gè)神經(jīng)元的偏差，如公式1 所示。

Zi被傳遞給一個(gè)激活函數(shù)，該函數(shù)數(shù)用于對非線性行為進(jìn)行建模。

以產(chǎn)生節(jié)點(diǎn)的輸出，計(jì)算公式：Yi=f(Zi)。sigmoidal函數(shù)是最常用的激活函數(shù)，計(jì)算公式為：

3. 應(yīng)用及結(jié)果分析

實(shí)際項(xiàng)目從部署到實(shí)驗(yàn)開始經(jīng)歷了4 個(gè)月的時(shí)間，在該時(shí)間內(nèi)冷軋線工況穩(wěn)定，相關(guān)設(shè)備并未出現(xiàn)明顯的故障特征。因此，為了實(shí)驗(yàn)的完整性，本項(xiàng)目基于真實(shí)、健康的電機(jī)振動(dòng)、溫度數(shù)據(jù)生成了部分人工異常數(shù)據(jù)，以便檢測模型效果。

項(xiàng)目過程中使用到的相關(guān)術(shù)語和計(jì)算規(guī)則如下。

（1）樣本總數(shù)：給定測試集的樣本總數(shù)，用F 表示。

（2）正確預(yù)測樣本數(shù)：模型預(yù)測結(jié)果與樣本實(shí)際相吻合的樣本數(shù)量，包含兩部分，即故障樣本預(yù)測為故障樣本，用TP（True Positive）表示；正常樣本預(yù)測為正常樣本數(shù)量，用TN（True Negative）表示。

（3）誤報(bào)樣本數(shù)：將正常的樣本預(yù)測為故障樣本的數(shù)量，用FP（False Positive）表示。

（4）漏報(bào)樣本數(shù)：將故障樣本預(yù)測為正常樣本的數(shù)量，用FN（False Negative）表示。

（5）準(zhǔn)確率：在給定測試數(shù)據(jù)集的基礎(chǔ)上，樣本數(shù)據(jù)中模型預(yù)測結(jié)果與樣本數(shù)據(jù)實(shí)際結(jié)果相吻合的程度，用Accuracy 表示，計(jì)算公式：Accuracy=(TP+TN)/(TP+TN+FP+FN)＊100%=(TP+TN)/F＊100%。

（6）誤報(bào)率：在樣本數(shù)據(jù)測試中，被模型誤報(bào)成故障的正常樣本數(shù)占正常樣本總數(shù)的百分比，用FAR（False Alarm Rate）表示，計(jì)算公式如下：FAR=FP/(FP+TN)＊100%。

（7）故障檢測率：在樣本測試數(shù)據(jù)集中，被正確檢測的故障樣本數(shù)占故障總數(shù)目的百分比，用FDR（Fault Detection Rate）表示，計(jì)算公式：FDR=TP/(TP+ FN)＊100%。

項(xiàng)目最終效果如表1所示。

表1 項(xiàng)目實(shí)驗(yàn)結(jié)果

4. 結(jié)語

本項(xiàng)目通過冷軋生產(chǎn)過程中的實(shí)際數(shù)據(jù)構(gòu)建了一套針對客戶場景的神經(jīng)網(wǎng)絡(luò)算法和針對同樣冷軋場景的模型搭建方法。模型最終在真實(shí)的健康數(shù)據(jù)和模擬的異常數(shù)據(jù)集中達(dá)到了準(zhǔn)確率96.7%和故障檢測率98.1%的表現(xiàn)。