基于大數(shù)據(jù)的機(jī)電設(shè)備故障模型研究

左旭濤，李世明，程中國，岳 陽，叢龍斌

（1. 青島地鐵集團(tuán)有限公司，山東青島 266045，2. 東軟集團(tuán)股份有限公司，遼寧沈陽 110179）

1 機(jī)電設(shè)備故障特征

機(jī)電設(shè)備故障特征是指機(jī)電設(shè)備從使用到報廢的整個生命周期中故障的發(fā)生、發(fā)展和變化特征。機(jī)電設(shè)備故障分為如下3個階段。

（1）初期故障期（DFR型）。這個階段的故障主要由材料質(zhì)量問題、設(shè)計和制造質(zhì)量缺陷、人員操作上的錯誤、裝配失誤等引起，故障率從高到低發(fā)生變化，并隨著時間的推移趨于穩(wěn)定。

（2）偶發(fā)故障期（CFR型）。設(shè)備正常運(yùn)行，狀態(tài)穩(wěn)定且故障率低，大致來說不會發(fā)生故障狀態(tài)，故障主要是由意外因素造成的，如維護(hù)不當(dāng)和操作錯誤。故障的發(fā)生是隨機(jī)且不可預(yù)測的。這一時期是設(shè)備的最佳工作期。

（3）磨損故障期（IFR型）。在此期間，設(shè)備故障率急劇上升，主要是因為設(shè)備已經(jīng)使用了很長時間，部分零件老化且磨損嚴(yán)重，有效使用壽命結(jié)束。設(shè)備已經(jīng)處于異常狀態(tài)，應(yīng)重點(diǎn)進(jìn)行預(yù)防性維護(hù)工作。

2 機(jī)電設(shè)備故障模型研究

2.1 設(shè)備運(yùn)行數(shù)據(jù)實(shí)時異常檢測模型

目前，在機(jī)電設(shè)備的運(yùn)行過程中，大多數(shù)傳感器均會產(chǎn)生實(shí)時生產(chǎn)數(shù)據(jù)。但傳統(tǒng)的監(jiān)控報警系統(tǒng)僅通過閾值預(yù)警等方式，接收個別傳感器的報警信息，很難識別整個生產(chǎn)數(shù)據(jù)的異常組合，無法對設(shè)備運(yùn)行過程中的隱性異常做出預(yù)警。

基于機(jī)電設(shè)備的大量運(yùn)行數(shù)據(jù)，設(shè)備運(yùn)行數(shù)據(jù)實(shí)時異常檢測模型通過運(yùn)用數(shù)據(jù)降維、高斯混合模型等算法，實(shí)時發(fā)現(xiàn)機(jī)電設(shè)備運(yùn)行數(shù)據(jù)信號間的異常組合并觸發(fā)預(yù)警，實(shí)現(xiàn)機(jī)電設(shè)備實(shí)時的異常檢測，提前發(fā)現(xiàn)問題并進(jìn)行人工篩查，降低因機(jī)電設(shè)備故障而引發(fā)的突發(fā)事故概率。

本文設(shè)備運(yùn)行數(shù)據(jù)實(shí)時異常檢測模型所應(yīng)用的核心算法為主成分分析方法和高斯模型。

（1）主成因分析方法（Principal Component Analysis，PCA）。這是被廣泛使用的數(shù)據(jù)降維算法之一。數(shù)據(jù)集預(yù)處理手段有降維、均值插補(bǔ)、高維映射等手段，降維的目的是減少冗余信息，提高計算處理速度并適當(dāng)提高計算精度，從而節(jié)省大量的時間和經(jīng)濟(jì)成本。PCA是降維的主要手段之一。

（2）高斯混合模型（Gaussian Mixture Model，GMM）。其由多個子分部的概率模型組成。通過觀察數(shù)據(jù)在總體的概率分布，采用高斯概率密度函數(shù)（正態(tài)分布曲線）準(zhǔn)確量化事物。高斯混合模型可以使用任何的概率分布，具有良好的計算性能，并且其分布具備準(zhǔn)確的數(shù)據(jù)性質(zhì)，可尋找出小概率出現(xiàn)的數(shù)據(jù)，該部分?jǐn)?shù)據(jù)認(rèn)為是異常數(shù)據(jù)。

2.2 設(shè)備健康及狀態(tài)評估模型

機(jī)電設(shè)備的性能衰減、壽命降低是由量變到質(zhì)變的動態(tài)過程。設(shè)備健康及狀態(tài)評估通過對機(jī)電設(shè)備的運(yùn)行狀態(tài)進(jìn)行監(jiān)視與評估，分析設(shè)備微觀和動態(tài)損傷過程中的演變過程、特點(diǎn)和規(guī)律，及時預(yù)測設(shè)備的使用壽命，實(shí)現(xiàn)事前預(yù)防、過程監(jiān)控、動態(tài)養(yǎng)護(hù)等。

本文采用的機(jī)電設(shè)備健康及狀態(tài)評估模型核心算法為威布爾分布算法。威布爾分布算法是可靠性分析和壽命檢驗的理論基礎(chǔ)，作為一種連續(xù)的分布，它能夠描述各種類型機(jī)電設(shè)備零部件故障數(shù)據(jù)的分布規(guī)律。威布爾分布在機(jī)電設(shè)備可靠性工程中被廣泛應(yīng)用，尤其適用于機(jī)電類設(shè)備的磨損累計失效的分布形式。由于它可以利用概率值很容易地推斷出數(shù)據(jù)的分布參數(shù)，因而被廣泛應(yīng)用于各種壽命試驗的數(shù)據(jù)處理。威布爾分布是連續(xù)性的概率分布，其函數(shù)模型為：

式（1）中，t為時間；m是形狀參數(shù)；η是標(biāo)準(zhǔn)參數(shù)；γ是位置參數(shù)。

機(jī)電設(shè)備的故障期主要分為初期故障期（DFR型）、偶發(fā)故障期（CFR型）、磨損故障期（IFR型）3種。結(jié)合威布爾分布函數(shù)模型的推算，故障率的曲線函數(shù)模型圖如圖1所示。

圖1 故障率的曲線函數(shù)模型圖

（1）當(dāng)m＜1時，設(shè)備部件處于初期故障期（DFR型），設(shè)備運(yùn)行前期多做計劃檢修，保障設(shè)備正常運(yùn)行，后期故障數(shù)趨于穩(wěn)定后，可降低檢修頻率。

（2）當(dāng)m= 1時，設(shè)備部件處于偶發(fā)故障期（CFR型），故障多是偶發(fā)，所以多做監(jiān)視，總結(jié)規(guī)律，合理安排計劃檢修。

（3）當(dāng)m＞1時，設(shè)備部件處于磨損故障期（IFR型），由于設(shè)備老化而導(dǎo)致的故障率增長，應(yīng)增加檢修次數(shù)，計算出未來年份發(fā)生的故障數(shù)量。根據(jù)故障數(shù)量做好備件儲備，同時加強(qiáng)季度檢修狀態(tài)檢測，對故障備件及時更換。

對于不同的機(jī)電設(shè)備，除預(yù)測設(shè)備使用年限外，通過大數(shù)據(jù)技術(shù)計算，還可以預(yù)測包括設(shè)備累計運(yùn)行小時數(shù)、設(shè)備累計啟動次數(shù)、故障分類、剩余使用年限等設(shè)備可靠性相關(guān)指標(biāo)。

2.3 設(shè)備關(guān)聯(lián)分析模型

設(shè)備關(guān)聯(lián)分析又稱設(shè)備關(guān)聯(lián)挖掘，是在設(shè)備生產(chǎn)數(shù)據(jù)、運(yùn)行數(shù)據(jù)等信息載體中，發(fā)現(xiàn)不同設(shè)備之間的聯(lián)系。各類設(shè)備故障之間可能存在不易發(fā)現(xiàn)的關(guān)系，在機(jī)電設(shè)備故障模型中，通過對各機(jī)電設(shè)備故障情況進(jìn)行關(guān)聯(lián)分析，得到與故障情況相關(guān)聯(lián)的設(shè)備，結(jié)合實(shí)際分析與故障相關(guān)聯(lián)的原因。后續(xù)做設(shè)備分析時，可以根據(jù)這種關(guān)聯(lián)，在設(shè)備發(fā)生故障時，關(guān)注所關(guān)聯(lián)設(shè)備的故障情況，提前做好預(yù)警工作。

設(shè)備關(guān)聯(lián)分析的核心算法是Apriori算法，該算法是一種挖掘關(guān)聯(lián)規(guī)則的頻繁項集的算法，其核心思想是通過2個階段挖掘頻繁項集，分別是候選集生成和封閉檢測階段，其中最小支持度和數(shù)據(jù)集是該算法的2個必要參數(shù)。通過采集綜合監(jiān)控設(shè)備的故障時間、設(shè)備故障時工作狀態(tài)等數(shù)據(jù)，并根據(jù)該算法對設(shè)備數(shù)據(jù)進(jìn)行分析，計算出2個或2個以上設(shè)備之間的故障關(guān)聯(lián)信息，從而對設(shè)備故障進(jìn)行預(yù)警。

通過對同一車站多個時間粒度的綜合監(jiān)控歷史數(shù)據(jù)進(jìn)行分析，可以得出不同設(shè)備之間發(fā)生故障的相互影響程度，發(fā)現(xiàn)各設(shè)備故障之間可能存在但不易發(fā)現(xiàn)的關(guān)系，從而對維修工作安排進(jìn)行輔助指導(dǎo)。例如，對各站點(diǎn)的故障率進(jìn)行分析，得出需要重點(diǎn)關(guān)注的站點(diǎn)以及與故障情況有關(guān)聯(lián)的設(shè)備。當(dāng)某設(shè)備類別發(fā)生故障時，與其關(guān)聯(lián)的類別也可能發(fā)生故障，此時需重點(diǎn)關(guān)注并提前預(yù)警。

2.4 故障趨勢預(yù)測模型

當(dāng)前機(jī)電設(shè)備的安全報警方式主要有2種：①設(shè)備控制柜的儀表或報警燈報警；②現(xiàn)場的監(jiān)控系統(tǒng)報警。這2種方式目前均為基于閾值的報警，當(dāng)故障發(fā)生時，機(jī)電設(shè)備已經(jīng)發(fā)生故障造成停機(jī)或損失，無法提前預(yù)警。

為解決這類問題，在機(jī)電設(shè)備故障模型中，基于設(shè)備運(yùn)行數(shù)據(jù)，在設(shè)備運(yùn)行過程中對數(shù)據(jù)做實(shí)時趨勢分析，在產(chǎn)生趨近設(shè)備閾值的時候提出預(yù)警，報告何種指標(biāo)將要超出閾值，并預(yù)測其將在多長時間后超出閾值，從而實(shí)現(xiàn)事前的趨勢預(yù)警，并為調(diào)整設(shè)備和解決故障提供足夠的時間，使設(shè)備運(yùn)營過程更可控，提升維保效率。

故障趨勢預(yù)測的核心算法是指數(shù)平滑法，該方法是一種時間序列分析的預(yù)測手段，它是在移動平均法的基礎(chǔ)上衍生出來的，是通過計算指數(shù)平滑值，并與某個時間序列預(yù)測模型合作來預(yù)測該現(xiàn)象的未來。其原理主要是任意的平滑結(jié)果都是本期實(shí)際數(shù)據(jù)與前一期平滑數(shù)據(jù)加權(quán)計算的結(jié)果，其特點(diǎn)是，時間更近的數(shù)據(jù)具有更高的權(quán)重，以能夠使預(yù)測值迅速反應(yīng)當(dāng)前的市場情況。權(quán)重之間按等比級數(shù)減少，此級數(shù)之首項為平滑常數(shù)α，公比為（1 -α）；指數(shù)平滑法對于觀測值給出的權(quán)重是靈活的，可以采用不同的值來更改權(quán)重的變化率，并調(diào)整時間序列中觀察值的一致性。

據(jù)業(yè)務(wù)場景不同，當(dāng)時間數(shù)列無明顯的趨勢變化時應(yīng)使用一次指數(shù)平滑法，當(dāng)時間序列呈線性規(guī)律時應(yīng)采用二次指數(shù)平滑法。

（1）一次指數(shù)平滑預(yù)測，其計算公式為：

（2）二次指數(shù)平滑是在一次指數(shù)平滑的結(jié)果基礎(chǔ)上再次平滑。根據(jù)機(jī)電設(shè)備運(yùn)行特點(diǎn)，利用該方法對其進(jìn)行故障預(yù)測較為合適。其計算公式為：

預(yù)測未來T期的預(yù)測值公式為：

（3）三次指數(shù)平滑預(yù)測，是二次平滑基礎(chǔ)上的再平滑，其計算公式為：

預(yù)測未來T期的預(yù)測值公式為：

指數(shù)平滑的預(yù)測結(jié)果為舊數(shù)據(jù)與新數(shù)據(jù)的加權(quán)和，所以為應(yīng)對實(shí)時變化，應(yīng)對不同的數(shù)據(jù)給予不同的權(quán)。新數(shù)據(jù)給與較大的權(quán)，舊數(shù)據(jù)給與較小的權(quán)。

在指數(shù)平滑法中，預(yù)測是否準(zhǔn)確的關(guān)鍵是α值的選擇，α值決定了新數(shù)據(jù)與舊數(shù)據(jù)在預(yù)測中所占比例。α值越大，新數(shù)據(jù)所占的比重就越大，原預(yù)測值所占比重就越小，反之亦然。當(dāng)時間序列呈穩(wěn)定的水平趨勢時，α應(yīng)取較小值；當(dāng)時間序列波動較大，長期趨勢變化的幅度較大時，α應(yīng)取中間值；當(dāng)時間序列具有明顯的上升或下降趨勢時，α應(yīng)取較大值。

3 結(jié)束語

隨著大數(shù)據(jù)技術(shù)的普及，傳統(tǒng)的設(shè)備維修、維護(hù)模式將逐步被智能維修所取代，通過對設(shè)備狀態(tài)的實(shí)時監(jiān)測與分析，能夠提前預(yù)測并發(fā)現(xiàn)設(shè)備故障以實(shí)現(xiàn)提前準(zhǔn)備并預(yù)警，最大程度減少因設(shè)備故障所產(chǎn)生的損失。同時，實(shí)時監(jiān)控故障狀態(tài)也可以減少人工巡檢的工作任務(wù)，提高工作效率。青島地鐵集團(tuán)有限公司作為國內(nèi)首個基于大數(shù)據(jù)技術(shù)搭建線網(wǎng)中心的地鐵公司，建立了設(shè)備故障監(jiān)測與智能診斷系統(tǒng)，為對易損機(jī)械部件及關(guān)鍵設(shè)備進(jìn)行實(shí)時智能故障診斷，對設(shè)備故障狀態(tài)進(jìn)行提前預(yù)測、預(yù)警，制定預(yù)測性檢修方案和輔助人工決策，以及后續(xù)的機(jī)電設(shè)備智能運(yùn)維提供了可靠依據(jù)。