多算法融合的機械設(shè)備故障預(yù)測方法

郭東棟，張捷，孫巖，田二勛，周林飛

（1.北京奔馳汽車有限公司，北京 100176；2.西門子（中國）有限公司，北京 100102）

機械裝備在科學(xué)技術(shù)不斷改善下形成了多種組合形式，在各項現(xiàn)代自動化的管理下，為了滿足機械設(shè)備的多樣化功能，機械設(shè)備在實際運行時有著多種運行狀態(tài)，在切換運動狀態(tài)時，機械設(shè)備極易發(fā)生故障。為此研究基于深度學(xué)習(xí)的機械設(shè)備故障預(yù)測，規(guī)避機械設(shè)備故障帶來的風(fēng)險。自20世紀(jì)60年代至今，機械設(shè)備故障預(yù)測取得了快速的發(fā)展，國外研究設(shè)備故障預(yù)測方法起步較早，形成了多種機械研究機構(gòu)，不同的機構(gòu)根據(jù)不同的現(xiàn)代化技術(shù)研究構(gòu)造了多種類機械設(shè)備故障預(yù)測系統(tǒng)，研究水平處于世界前沿。國內(nèi)針對設(shè)備故障預(yù)測整體研究起步較晚，各個高校也已經(jīng)成立研究科研主題，不斷改進現(xiàn)有的故障預(yù)測方法，現(xiàn)已經(jīng)進入快速發(fā)展的階段，預(yù)測技術(shù)有了顯著性的提升。在深度學(xué)習(xí)方向上，國內(nèi)外針對設(shè)備故障預(yù)測還處于深層次的探索階段，需要不斷學(xué)習(xí)改進。

預(yù)測性維護是通過對設(shè)備狀況實施周期性或持續(xù)監(jiān)測，基于機器學(xué)習(xí)算法和模型來分析評估設(shè)備健康狀況的一種方法，以便預(yù)測下一次故障發(fā)生的時間以及應(yīng)當(dāng)進行維護的具體時間。預(yù)測性維護是以設(shè)備/裝備的狀態(tài)作為依據(jù)的維護，狀態(tài)監(jiān)測和故障診斷是基礎(chǔ)，狀態(tài)預(yù)測是重點，維修決策得出最終的維修管理政策。相比之下，反應(yīng)式診斷維修的發(fā)生故障后再維修模式大大增加了設(shè)備關(guān)停的時間，會導(dǎo)致無形與有形的經(jīng)濟損失。

1 基于深度學(xué)習(xí)及多算法融合的機械設(shè)備故障預(yù)測方法

1.1 提取設(shè)備數(shù)據(jù)

傳統(tǒng)的故障預(yù)測方法停留在通過設(shè)定低閾值、高閾值，用于產(chǎn)生低報警、高報警，不對故障的設(shè)備數(shù)據(jù)進行任何記錄。當(dāng)相同或相似故障再次出現(xiàn)時，無法回溯歷史故障數(shù)據(jù)、缺少相應(yīng)的歷史參考，面對無法立即停機的設(shè)備在線診斷工作，這成了一大難題。機械設(shè)備在整個生命服務(wù)周期內(nèi)，都持續(xù)產(chǎn)生著設(shè)備數(shù)據(jù)，包括正常數(shù)據(jù)、異常數(shù)據(jù)。這些數(shù)據(jù)都可以作為本預(yù)測方法的數(shù)據(jù)基礎(chǔ)。設(shè)備服務(wù)周期圖如圖1。

區(qū)別于傳統(tǒng)的故障預(yù)測方法不記錄、少記錄設(shè)備數(shù)據(jù)的方法，本方法采用3種手段，通過加裝數(shù)據(jù)采集PLC、模塊、傳感器、搭建新舊PLC的通訊通道，完成相應(yīng)的設(shè)備數(shù)據(jù)采集，并將實時數(shù)據(jù)文件，生產(chǎn)文件，保存于現(xiàn)場服務(wù)器中，持續(xù)保存1年，滿1年后歸檔處理。設(shè)備數(shù)據(jù)采集方法如表1。

表1 設(shè)備數(shù)據(jù)采集方法

1.2 提取數(shù)據(jù)特征

機械設(shè)備在實際運行過程中，存在多個傳動系統(tǒng)，以傳動系統(tǒng)中產(chǎn)生的振動信號為提取對象，根據(jù)基于數(shù)據(jù)驅(qū)動的處理方法，結(jié)合傳統(tǒng)診斷分析的專家經(jīng)驗，構(gòu)建、抽取相應(yīng)的數(shù)據(jù)特征如DKM和RMS，用于后續(xù)的預(yù)測模型，可有效提高模型預(yù)測的準(zhǔn)確性。如圖2。

圖2

在提取數(shù)據(jù)特征時，通過服務(wù)器保存的機械設(shè)備的運行數(shù)據(jù)，經(jīng)過特征工程將得到相應(yīng)的數(shù)據(jù)特征，在對應(yīng)的設(shè)備數(shù)據(jù)流上，構(gòu)建數(shù)據(jù)特征流。為了保證設(shè)備數(shù)據(jù)、特征數(shù)據(jù)的準(zhǔn)確性，專家分析小組針對實際運行狀態(tài)和特征數(shù)據(jù)的分析、比對，對數(shù)據(jù)流及特征流文件進行相應(yīng)的預(yù)處理，對其進行不同的狀態(tài)類別分組，構(gòu)建一個準(zhǔn)確狀態(tài)樣本空間。形成的特征提取流程如圖3所示。

圖3 特征提取過程

提取機械設(shè)備狀態(tài)特征后，采用深度學(xué)習(xí)等算法構(gòu)建多算法融合的方式，最終完成對故障預(yù)測方法的構(gòu)建。

1.3 深度學(xué)習(xí)及多算法融合方式

圖4

以上述構(gòu)成的狀態(tài)特征空間為學(xué)習(xí)樣本，結(jié)合機械設(shè)備運行時產(chǎn)生的非平穩(wěn)信號為參量，將不同狀態(tài)數(shù)據(jù)采用神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法，處理為含有標(biāo)簽的數(shù)據(jù)，并為此標(biāo)簽數(shù)據(jù)分配權(quán)重。再通過Regression、Gaussian Process、ARIMA等算法，處理為相應(yīng)的標(biāo)簽數(shù)據(jù)，并分別分配權(quán)重。根據(jù)各算法賦予的標(biāo)簽數(shù)據(jù)權(quán)重（如表2），進行融合分析，處理為最終的設(shè)備狀態(tài)標(biāo)簽。

表2 算法權(quán)重分布

在如上表所示的算法權(quán)重分布下（可微調(diào)），為實際項目開發(fā)一套自動數(shù)據(jù)分析系統(tǒng)，集成模型建立、預(yù)測、原始數(shù)據(jù)分析、專家分析標(biāo)簽、故障預(yù)警及確認(rèn)等功能，最終完成基于深度學(xué)習(xí)的機械設(shè)備故障預(yù)測方法的研究及實際項目實施。

2 項目案例

2.1 項目硬件軟件平臺（如圖5）

圖5 硬件配置

本項目為壓力機生產(chǎn)線的主傳動直流電機、主傳動齒輪系統(tǒng)、液壓站循環(huán)泵搭建了預(yù)測性維護系統(tǒng)，采用西門子1200系列PLC作為信號采集終端，以通訊的方式將實時數(shù)據(jù)流傳輸至位于服務(wù)器Windows系統(tǒng)的西門子Xtools軟件，生成數(shù)據(jù)流文件后，傳輸至位于服務(wù)器CentOS系統(tǒng)內(nèi)的西門子ADA自動數(shù)據(jù)分析系統(tǒng)（如圖6）。

采用振動傳感器及溫度傳感器兩種類型傳感器，傳感器使用型號及安裝位置如表3所示。

將上表所示的傳感器，通過西門子PLC1200、SM1281和SM1231模塊，將震動數(shù)據(jù)傳輸至服務(wù)器Windows系統(tǒng)的西門子Xtools軟件，處理為數(shù)據(jù)流文件，再傳輸至位于服務(wù)器CentOS系統(tǒng)的ADA系統(tǒng)，形成的項目平臺如圖7、8所示。

圖6

表3 傳感器安置位置

圖7 項目硬件平臺

圖8 動數(shù)據(jù)分析系統(tǒng)

在如上圖所示的硬件平臺和自動數(shù)據(jù)分析系統(tǒng)下，通過為各設(shè)備分別選取對應(yīng)的學(xué)習(xí)空間樣本，建立并訓(xùn)練模型，通過實時的在線數(shù)據(jù)處理，完成對設(shè)備的當(dāng)前狀態(tài)評估，通過ADA系統(tǒng)可視化的方式呈現(xiàn)。

根據(jù)項目需求，同時運行的預(yù)測模型共有23個。

2.2 項目結(jié)果分析

本項目自調(diào)試至今，2020年6月15日，發(fā)生過故障，2起軸承箱故障發(fā)生于調(diào)試期間，預(yù)測功能未上線，1起循環(huán)泵故障發(fā)生于5月12日，項目已上線，并成功發(fā)出預(yù)警，經(jīng)現(xiàn)場人員檢查確認(rèn)故障。由于保存了故障數(shù)據(jù)，可對其進行復(fù)盤。

圖9為正常狀態(tài)設(shè)備數(shù)據(jù)可視化與異常狀態(tài)的設(shè)備數(shù)據(jù)可視化對比，是第1起軸承箱故障將要發(fā)生前的末期狀態(tài)?？梢娫O(shè)備穩(wěn)定運行時，其設(shè)備數(shù)據(jù)特征狀態(tài)應(yīng)落于相對較小的一個區(qū)間范圍內(nèi)，設(shè)備發(fā)生異常時，其設(shè)備數(shù)據(jù)特征狀態(tài)在可視化界面上出現(xiàn)了大范圍的漂移。

圖9 正常、異常狀態(tài)數(shù)據(jù)可視化

圖10為第3起循環(huán)泵故障發(fā)生前記錄下的震動數(shù)據(jù)可視化分析圖及頻譜分析圖?？梢娧h(huán)泵經(jīng)過長時間運行后，突然狀態(tài)發(fā)生了改變，其設(shè)備數(shù)據(jù)特征開始出現(xiàn)漂移。通過頻譜分析，震動集中于1倍頻，應(yīng)是電機或軸向相鄰部件損壞造成動平衡故障。

圖10 異常狀態(tài)數(shù)據(jù)可視化、頻譜分析圖

由于該起故障及時得到預(yù)警，經(jīng)現(xiàn)場人員檢查，確認(rèn)循環(huán)泵軸端異常，并及時安排了計劃檢修，在檢修過程中，確認(rèn)故障原因為聯(lián)軸器損壞，見圖11，并連帶造成電機軸端軸承損壞。

3 結(jié)語

實時性預(yù)測機械設(shè)備故障能夠顯著降低非計劃停機，確保設(shè)備系統(tǒng)安全穩(wěn)定的運行，所以，研究故障預(yù)測方法是很有必要的。在深度學(xué)習(xí)及其他多算法融合下，文中設(shè)計的設(shè)備故障預(yù)測方法能夠改善傳統(tǒng)預(yù)測方法預(yù)測準(zhǔn)確率較低的不足，同時，也能避免單算法在應(yīng)用層面存在的片面性，完整了設(shè)備故障在線預(yù)測的過程，為今后研究機械設(shè)備故障預(yù)測提供了理論參考。成功實施的項目，也為推廣項目的實施提供了理論和現(xiàn)實依據(jù)。

圖12 實際故障原因：聯(lián)軸器損壞