基于大數(shù)據(jù)的工業(yè)泵數(shù)據(jù)分析模式的研究

馬利君，熊 鳴，吳 曄 ，羅 丹，宋 寅

(1．大唐環(huán)境產(chǎn)業(yè)集團(tuán)股份有限公司 特許經(jīng)營(yíng)分公司，江蘇 南京 210000 ；2．武漢理工大學(xué) 機(jī)電工程學(xué)院，湖北 武漢 430070；3.襄陽(yáng)五二五泵業(yè)有限公司，湖北 襄陽(yáng) 441004)

機(jī)械設(shè)備在運(yùn)轉(zhuǎn)過程中往往會(huì)產(chǎn)生各種形式的振動(dòng)，作為診斷設(shè)備正常運(yùn)行的重要指標(biāo)之一，工程師希望能夠準(zhǔn)確獲取這些振動(dòng)信號(hào)用于設(shè)備的故障分析。通常情況下，振動(dòng)信號(hào)的采樣依賴于奈奎斯特采樣定理[1]，但由于現(xiàn)在制造設(shè)備越來越豐富，振動(dòng)信號(hào)的頻帶也在不斷增大，隨之而來的數(shù)據(jù)量陡增[2-3]。

針對(duì)這一問題，徐敏強(qiáng)等[4]在分析了旋轉(zhuǎn)機(jī)械振動(dòng)信號(hào)的特點(diǎn)和小波變換在信號(hào)奇異性檢測(cè)上的特性后，提出了一種數(shù)據(jù)壓縮方法；王楠等[5]提出了一種針對(duì)振動(dòng)信號(hào)進(jìn)行壓縮編碼的算法，該算法可有效壓縮振動(dòng)信號(hào)，且在保留其頻域主要特征的情況下，使傳輸數(shù)據(jù)量大大減少，節(jié)省了網(wǎng)絡(luò)節(jié)點(diǎn)資源和上位機(jī)存儲(chǔ)空間；王懷光等[6]提出一種基于自適應(yīng)學(xué)習(xí)的量子神經(jīng)網(wǎng)絡(luò)振動(dòng)信號(hào)壓縮方法，可提高振動(dòng)信號(hào)的壓縮比, 減小重構(gòu)誤差, 縮短運(yùn)行時(shí)間, 更適用于振動(dòng)信號(hào)的在線傳輸；余路等[7]提出了一種基于過完備字典的缺失振動(dòng)數(shù)據(jù)壓縮感知重構(gòu)算法，該算法優(yōu)于傳統(tǒng)基于離散余弦變換和離散傅里葉變換的數(shù)據(jù)修復(fù)算法, 同時(shí)具有一定的魯棒性。

上述算法大多是通過數(shù)據(jù)壓縮來減少數(shù)據(jù)文件的大小，其壓縮能力有限，難以從源頭上控制采樣數(shù)據(jù)量。與此同時(shí)，大數(shù)據(jù)技術(shù)在近些年逐漸為研究人員所關(guān)注，各方面的研究結(jié)果都顯示出大數(shù)據(jù)技術(shù)在指導(dǎo)數(shù)字化、智能化生產(chǎn)中的巨大潛力與優(yōu)勢(shì)。筆者將探討一種融合大數(shù)據(jù)技術(shù)的泵類產(chǎn)品振動(dòng)數(shù)據(jù)采樣模式，并對(duì)該模式的系統(tǒng)組成、運(yùn)行機(jī)制、特點(diǎn)和關(guān)鍵技術(shù)等進(jìn)行了研究和闡述。

1 工業(yè)泵數(shù)據(jù)采樣模式

1.1 設(shè)備振動(dòng)數(shù)據(jù)的高質(zhì)量采集與組成

不同的設(shè)備在運(yùn)行過程中會(huì)存在不同的振動(dòng)頻率，寬頻振動(dòng)采樣提升了傳感器的采樣能力。目前在許多領(lǐng)域中大多是使用無線傳感器來完成數(shù)據(jù)采集[8-11]，在進(jìn)行數(shù)據(jù)采樣的過程中若能夠使傳感器依據(jù)當(dāng)前設(shè)備的振動(dòng)情況自適應(yīng)調(diào)整采樣的頻率和周期，那么最終所獲得的數(shù)據(jù)將比傳統(tǒng)的定周期采樣在數(shù)據(jù)質(zhì)量和數(shù)據(jù)總量上更優(yōu)。

通常，一個(gè)傳感器的數(shù)據(jù)采集與傳輸電路結(jié)構(gòu)如圖1所示，當(dāng)傳感器工作時(shí)將采集到的數(shù)據(jù)保存在存儲(chǔ)模塊，通過調(diào)用存儲(chǔ)模塊中的數(shù)據(jù)進(jìn)行處理后將數(shù)據(jù)通過通信模塊發(fā)布到網(wǎng)絡(luò)中，因此對(duì)于采樣數(shù)據(jù)的處理優(yōu)化就在調(diào)用過程中。

圖1 傳感器的數(shù)據(jù)采集與傳輸電路

考慮到系統(tǒng)對(duì)實(shí)時(shí)性、可靠性以及數(shù)據(jù)處理能力的要求，采用在PXI總線標(biāo)準(zhǔn)下，以FPGA(field programmable gate array)嵌入式軟件為核心，開發(fā)并行采集處理模塊，完成多路振動(dòng)與工藝過程量信號(hào)的調(diào)理、數(shù)模轉(zhuǎn)換、同步采集、故障特征提取、狀態(tài)監(jiān)測(cè)、數(shù)據(jù)通信等數(shù)據(jù)的采集技術(shù)。

1.2 寬頻振動(dòng)沖擊特征值提取稀疏算法

采樣過程的自動(dòng)調(diào)整主要是實(shí)時(shí)優(yōu)化采樣周期和采樣頻率，參數(shù)調(diào)整依據(jù)是當(dāng)前設(shè)備的振動(dòng)頻率和振動(dòng)幅度，整個(gè)自適應(yīng)調(diào)整流程如圖2所示。當(dāng)傳感器獲取振動(dòng)信號(hào)輸入后提取其中的振動(dòng)幅值數(shù)據(jù)，將所得幅值按采集順序進(jìn)行對(duì)比，若對(duì)比的差值為正表示此時(shí)振動(dòng)強(qiáng)度正在上升，設(shè)備處于非平穩(wěn)運(yùn)行狀態(tài)，需要密切關(guān)注；反之若對(duì)比的差值為負(fù)表示此時(shí)振動(dòng)強(qiáng)度正在下降，設(shè)備處于趨于平穩(wěn)運(yùn)行的過程中，可適當(dāng)降低關(guān)注度。

圖2 自適應(yīng)采樣調(diào)整流程框圖

因?yàn)闊o線傳感網(wǎng)絡(luò)節(jié)點(diǎn)之間具有時(shí)間相關(guān)性，而且傳感器節(jié)點(diǎn)之間也具有空間相關(guān)性，所以對(duì)于采樣過程采取動(dòng)態(tài)采樣策略。若采取傳統(tǒng)的基于監(jiān)測(cè)對(duì)象的周期性采樣方法會(huì)產(chǎn)生許多冗余數(shù)據(jù)而且數(shù)據(jù)變化不明顯，影響數(shù)據(jù)的傳輸效率和數(shù)據(jù)獲取的精確性。根據(jù)采集數(shù)據(jù)的實(shí)際情況，通過動(dòng)態(tài)的振動(dòng)沖擊能量的變化來進(jìn)行數(shù)據(jù)采集與判斷，可以很好地將振動(dòng)故障特征值進(jìn)行有效的提取，解決工業(yè)泵普遍存在的部分振動(dòng)特征數(shù)據(jù)采集不準(zhǔn)的問題，以提升傳感器節(jié)點(diǎn)的工作效率。

動(dòng)態(tài)采樣策略工作原理是當(dāng)前采樣的數(shù)據(jù)與歷史采樣數(shù)據(jù)之間的差值大于或者小于設(shè)定的數(shù)值時(shí)開始進(jìn)行上傳數(shù)據(jù)，此時(shí)已經(jīng)設(shè)定的數(shù)值被稱為既定閾值△,△是需要設(shè)定的未知參數(shù)，采樣的分辨率與它有很大的關(guān)系，一般設(shè)置為零，相鄰兩次采樣值之間應(yīng)滿足式(1)：

Xn-Xn-1=△

(1)

式中：Xn-Xn-1分別為第n次和第n-1次采樣值。

通過設(shè)閾值△，傳感器節(jié)點(diǎn)數(shù)據(jù)上傳頻度可大幅減少。為了避免數(shù)據(jù)總是不被上傳的現(xiàn)象，設(shè)定兩次無線上傳的時(shí)間間隔內(nèi)的最大采樣次數(shù)為Nn，無論第Nn次的采樣數(shù)值與之前第Nn-1次的采樣數(shù)值之差有沒有超過閥值，則第Nn次的采樣數(shù)據(jù)都將被上傳，這是一種規(guī)避機(jī)制。

根據(jù)閾值△的大小來進(jìn)行判斷其振幅差的大小，并根據(jù)其數(shù)值對(duì)采樣周期進(jìn)行縮短或延長(zhǎng)。通常情況下，當(dāng)閾值△大于零，縮短采樣周期；當(dāng)閾值△小于零，延長(zhǎng)采樣周期；通過基于振動(dòng)沖擊能量為對(duì)象提高采樣數(shù)據(jù)的精確與詳細(xì)。

該過程主要通過軟件的實(shí)時(shí)判斷來分辨并同步刷新到監(jiān)測(cè)振動(dòng)信號(hào)界面上。稀疏特征值算法不需要狀態(tài)矩陣的顯式表達(dá),可計(jì)算出狀態(tài)矩陣的一個(gè)或一組模值最大的特征值和相應(yīng)的特征向量。對(duì)于前一種情況,通過對(duì)矩陣不斷的收縮處理,按模值遞減的順序求出矩陣特征值和相應(yīng)特征向量的方法稱為序貫法。對(duì)于后一種情況,通過迭代求解系統(tǒng)的不變子空間和特征子集得到按模值遞減的一組特征值和相應(yīng)的特征向量,稱為子空間法。稀疏特征值算法采用了稀疏矩陣技術(shù),在系統(tǒng)規(guī)模上不受限制。

通過該寬頻振動(dòng)沖擊稀疏算法，可以實(shí)現(xiàn)在振動(dòng)沖擊變大時(shí)進(jìn)行高密度數(shù)據(jù)采集、在振動(dòng)平穩(wěn)時(shí)進(jìn)行低密度數(shù)據(jù)采集，主要是基于對(duì)振動(dòng)沖擊能量的變化而不是基于對(duì)監(jiān)測(cè)對(duì)象的采樣參數(shù)的精準(zhǔn)組態(tài)設(shè)置，并且能實(shí)現(xiàn)振動(dòng)故障特征值的有效提取；可以解決關(guān)鍵機(jī)泵當(dāng)前普遍存在的部分振動(dòng)特征數(shù)據(jù)采集不準(zhǔn)的致命問題，并解決數(shù)據(jù)存儲(chǔ)量與有效性之間的矛盾問題；從而為后續(xù)數(shù)據(jù)遠(yuǎn)程傳輸、智能健康可靠性評(píng)估、智能診斷分析、大數(shù)據(jù)挖掘應(yīng)用等提供高質(zhì)量數(shù)據(jù)基礎(chǔ)。

在數(shù)據(jù)采集過程中，傳感器采集設(shè)備振動(dòng)中的振幅數(shù)據(jù)，從測(cè)量數(shù)據(jù)中可以獲取當(dāng)前采集周期內(nèi)的波峰值A(chǔ)Z和波谷值A(chǔ)F以及對(duì)應(yīng)的數(shù)據(jù)量nZ和nF，假設(shè)初始的采樣頻率和采樣周期為fa和Ta且滿足香農(nóng)采樣定理要求。

1.3 采樣策略對(duì)比

新老算法在不同濾波處理下、包絡(luò)解調(diào)后的波形數(shù)據(jù)測(cè)試對(duì)比結(jié)果如圖3所示。新算法處理后的包絡(luò)線測(cè)試結(jié)果如圖4所示。

圖3 新老算法波形數(shù)據(jù)對(duì)比圖

圖4 新算法包絡(luò)線圖

包絡(luò)線幅度的大小直接反映了原始沖擊的大小，也反映了故障缺陷的嚴(yán)重程度，包絡(luò)線幅度越準(zhǔn)確，越能定量判斷故障的嚴(yán)重等級(jí)，才能作為故障自動(dòng)預(yù)警的量化依據(jù)。

2 采樣數(shù)據(jù)多維融合技術(shù)

數(shù)據(jù)融合(data fusion)是一種集信息處理技術(shù)、概率統(tǒng)計(jì)、人工智能、模式識(shí)別和網(wǎng)絡(luò)通信技術(shù)等多種技術(shù)于一體的復(fù)合型技術(shù)[12]。信息融合的處理過程包括對(duì)數(shù)據(jù)的多屬性進(jìn)行多層次、多方面的綜合檢測(cè)，從而準(zhǔn)確完整地實(shí)現(xiàn)對(duì)數(shù)據(jù)狀態(tài)的評(píng)估。

數(shù)據(jù)融合技術(shù)利用終端節(jié)點(diǎn)的數(shù)據(jù)和一定算法完成對(duì)同類數(shù)據(jù)的聚合處理，獲得更精簡(jiǎn)的數(shù)據(jù)量和更精確的數(shù)據(jù)值，一般過程如圖5所示。

圖5 數(shù)據(jù)融合的流程圖

利用數(shù)據(jù)融合可以有效減少數(shù)據(jù)傳輸量，降低數(shù)據(jù)沖突，綜合考慮信號(hào)的相關(guān)性，從而有效地對(duì)數(shù)據(jù)特征進(jìn)行提取，起到精確而更高效的作用。

按照系統(tǒng)的統(tǒng)一數(shù)據(jù)標(biāo)準(zhǔn)與統(tǒng)一界面風(fēng)格設(shè)計(jì)，并通過JSON(Java script object notation)技術(shù)、HTML5(hyper text markup language)技術(shù)和關(guān)系型數(shù)據(jù)庫(kù)技術(shù)實(shí)現(xiàn)數(shù)據(jù)與界面的多維融合,對(duì)某公司的工業(yè)泵數(shù)據(jù)進(jìn)行采集分析。

數(shù)據(jù)多維融合后，單套機(jī)泵的動(dòng)態(tài)數(shù)據(jù)，可以從原先的溫度、壓力、流量、功率、液位等10多維生產(chǎn)工藝數(shù)據(jù)提升到包括總振值、有效值、1倍頻、2倍頻、軸承故障頻率、葉片通過頻率等多個(gè)故障特征分頻值在內(nèi)約近百維健康綜合數(shù)據(jù)，機(jī)泵健康分析界面從原先幾個(gè)簡(jiǎn)單劣化趨勢(shì)提升到包括豐富波形頻譜圖和報(bào)表在內(nèi)的10多個(gè)智能診斷圖譜。

界面融合后的效果如圖6和圖7所示。

圖6 在數(shù)據(jù)平臺(tái)中的振動(dòng)趨勢(shì)圖

圖7 在數(shù)據(jù)平臺(tái)中的振動(dòng)波形頻譜圖

3 總結(jié)

首先深入了解傳統(tǒng)包絡(luò)解調(diào)算法存在的問題，提出了新的振動(dòng)特征值不隨分析頻率變化而變化的算法，并通過現(xiàn)場(chǎng)數(shù)據(jù)的采集和與以往傳統(tǒng)算法的比較，解決了以往數(shù)據(jù)獲取不準(zhǔn)確的問題。并通過數(shù)據(jù)融合在大數(shù)據(jù)平臺(tái)中實(shí)現(xiàn)了振動(dòng)分頻、相位、波形、轉(zhuǎn)速、溫度、壓力、流量、液位、功率等多維有價(jià)值數(shù)據(jù)的統(tǒng)一存儲(chǔ)與融合，實(shí)現(xiàn)了大數(shù)據(jù)平臺(tái)的多維融合。研究成果對(duì)后續(xù)研究大數(shù)據(jù)平臺(tái)智能診斷模塊的研發(fā)與應(yīng)用提供理論基礎(chǔ)和高質(zhì)量的數(shù)據(jù)基礎(chǔ)。