PHM技術(shù)在紡織機械設(shè)備管理中的應(yīng)用

陳京威，羅維平,2

PHM技術(shù)在紡織機械設(shè)備管理中的應(yīng)用

陳京威1，羅維平*1,2

（1. 武漢紡織大學(xué) 機械工程與自動化學(xué)院，湖北 武漢 430200；2. 湖北省數(shù)字化紡織裝備重點實驗室，湖北 武漢 430200）

針對紡織企業(yè)設(shè)備狀態(tài)管理存在的實時性差、精度低等問題，提出了一種基于雙向LSTM神經(jīng)網(wǎng)絡(luò)的PHM系統(tǒng)。通過傳感器對設(shè)備運行數(shù)據(jù)采集，輸入PHM模型對設(shè)備未來運行狀態(tài)進行預(yù)測。為避免軸承損壞對紡機整體產(chǎn)生影響，通過軸承數(shù)據(jù)集試驗驗證了PHM系統(tǒng)在設(shè)備狀態(tài)預(yù)測中的可行性。該系統(tǒng)對設(shè)備運行狀態(tài)預(yù)測準確，誤差小，魯棒性高，具有一定實際應(yīng)用前景。

PHM技術(shù)；神經(jīng)網(wǎng)絡(luò)；軸承；狀態(tài)監(jiān)測；設(shè)備管理

0 引言

隨著科學(xué)技術(shù)的不斷進步，現(xiàn)代紡織機械正朝著高精度、高效率、少維護的方向發(fā)展，作為紡織機械的主要配套件的軸承，其運行狀況直接影響到紡機的狀態(tài)。紡織機械軸承往往處于高速運轉(zhuǎn)的工況下，使用環(huán)境條件差，在過程中極易發(fā)生故障。紡織機械軸承的使用壽命一般在一年左右，因此，紡織機械軸承的維修市場十分巨大[1]。雖然如今的紡織業(yè)基本實現(xiàn)了自動化生產(chǎn)，但對于機械設(shè)備的運行維護還存在如下問題：設(shè)備運行狀態(tài)依靠人工巡檢[2-4]，傳感器采集的數(shù)據(jù)需要人工分析[5]等現(xiàn)狀，需要人員依靠大量專業(yè)知識貯備才能進行相關(guān)數(shù)據(jù)的分析和設(shè)備運行狀態(tài)判斷。一些紡織企業(yè)雖然在數(shù)據(jù)采集、信息化等應(yīng)用方面取得了一定的成效，然而在對大數(shù)據(jù)的深入分析和有效應(yīng)用上面臨諸多難題[6]。采集到的紡織設(shè)備狀態(tài)數(shù)據(jù)如何運用，如何提升生產(chǎn)效率，實現(xiàn)對設(shè)備運行狀態(tài)檢測和對設(shè)備可靠性進行服務(wù)，是當今紡織設(shè)備管理中亟需解決的問題。

在智能制造背景下，大數(shù)據(jù)驅(qū)動的設(shè)備故障預(yù)測與健康管理日益受到各界重視。針對以上紡織設(shè)備管理中存在的問題，本文提出將故障預(yù)測與健康管理技術(shù)(prognostic and health management，PHM)與紡織設(shè)備管理相結(jié)合的觀點。故障預(yù)測與健康管理技術(shù)是利用大量狀態(tài)監(jiān)測數(shù)據(jù)和信息，借助各種故障模型和人工智能算法，監(jiān)測、診斷、預(yù)測和管理設(shè)備健康狀態(tài)的技術(shù)[7]。將PHM技術(shù)應(yīng)用于紡織機械故障診斷，通過在紡織設(shè)備上安裝傳感器的方式收集并儲存設(shè)備實時運行數(shù)據(jù)，將實時數(shù)據(jù)傳入處理器，通過機械學(xué)習(xí)的方法將實時數(shù)據(jù)與以往數(shù)據(jù)進行對比分析，科學(xué)評估設(shè)備運行狀態(tài)，自動生成設(shè)備運維規(guī)劃，實現(xiàn)維護人員對紡織機械設(shè)備狀態(tài)的實時監(jiān)測，減少傳統(tǒng)方式中人工分析判斷的過程，有效減少設(shè)備故障風(fēng)險，降低人工成本和維護人員從業(yè)壓力，為如何處理紡織設(shè)備的運行大數(shù)據(jù)提供解決方案，實現(xiàn)紡織設(shè)備管理從基于計劃維修到基于狀態(tài)維修的轉(zhuǎn)變和紡織設(shè)備運行狀態(tài)的自主保障。

1 PHM技術(shù)在紡織設(shè)備管理中的應(yīng)用

PHM技術(shù)是從20世紀50年代設(shè)備的可靠性分析開始，經(jīng)歷半個世紀的研究和發(fā)展，汲取了質(zhì)量分析、狀態(tài)監(jiān)控等技術(shù)，形成了現(xiàn)在的PHM技術(shù)體系。國內(nèi)近些年也意識到PHM技術(shù)的重要性，并且在航空、航天、船舶、車輛以及大型工業(yè)設(shè)備等領(lǐng)域都有著不同程度的應(yīng)用。目前來看，對于PHM的應(yīng)用在不同領(lǐng)域所適用的方法不盡相同。

PHM系統(tǒng)應(yīng)用主要有傳感器技術(shù)、數(shù)據(jù)傳輸技術(shù)、數(shù)據(jù)預(yù)處理技術(shù)等[8]。PHM 技術(shù)可以通過傳感器實時監(jiān)測設(shè)備的運行狀態(tài)，通過收集設(shè)備運行狀態(tài)并與以往數(shù)據(jù)對比，預(yù)測設(shè)備剩余壽命，反映設(shè)備健康狀態(tài)，為企業(yè)生產(chǎn)運行和維護提供精準和可靠的依據(jù)。對設(shè)備運行的數(shù)據(jù)采集，實現(xiàn)了從人工數(shù)據(jù)收集，到傳感器精確采集的轉(zhuǎn)變；對設(shè)備狀態(tài)的評估，實現(xiàn)了從機外狀態(tài)點檢到對機內(nèi)狀態(tài)的監(jiān)測，改變了傳統(tǒng)的維修保障模式，對提高生產(chǎn)設(shè)備管理有十分重要的意義。PHM技術(shù)可預(yù)測整個系統(tǒng)的剩余使用壽命(remaining useful life, RUL)，從而改善設(shè)備的運行可靠性[9]。國內(nèi)研究學(xué)者已從PHM概念與內(nèi)涵、方法策略、方法體系與框架等方面進行了初步研究。PHM系統(tǒng)主要分為數(shù)據(jù)采集、狀態(tài)監(jiān)測、故障診斷、壽命預(yù)測和健康管理，如圖1所示。

在運行過程中檢測設(shè)備運行狀態(tài)，根據(jù)設(shè)備運行狀態(tài)評估設(shè)備的運行風(fēng)險，設(shè)立風(fēng)險閾值：若設(shè)備運行正常，則繼續(xù)運行；若運行出現(xiàn)異常，則選擇相應(yīng)的維修策略。給設(shè)備維護人員更多決策時間，提高企業(yè)規(guī)避風(fēng)險能力。下面結(jié)合PHM技術(shù)的數(shù)據(jù)采集、狀態(tài)監(jiān)測、故障診斷、壽命預(yù)測和健康管理等方面，針對紡織行業(yè)的現(xiàn)狀提出PHM技術(shù)在紡織設(shè)備管理上的應(yīng)用。

在數(shù)據(jù)采集和狀態(tài)監(jiān)測方面：目前的紡織企業(yè)分為兩種方式，一種是點檢的形式。從點檢的整體情況來看，通過預(yù)防性維修，可以避免大量的非計劃停機，減少設(shè)備損壞，延長設(shè)備壽命，此方法大多由人員通過感官或少數(shù)儀器設(shè)備進行檢查，對于異常值的記錄由于人員手動記錄的原因會存在些許誤差。另一種是通過安裝在固定位置的傳感器來收集紡織設(shè)備運行數(shù)據(jù)。通過傳感器收集到的數(shù)據(jù)遠比人工采集的精確，但在后續(xù)由人工對采集到的大量數(shù)據(jù)進行分析，加大了對技術(shù)人員專業(yè)知識的要求和企業(yè)的人工成本。在紡織設(shè)備管理中運用PHM技術(shù)，可以將安裝在紡織設(shè)備固定位置傳感器采集到的數(shù)據(jù)備份，一部分作為歷史數(shù)據(jù)存儲起來，為后續(xù)數(shù)據(jù)對比分析提供保障；另一部分直接輸入預(yù)先訓(xùn)練好的PHM模型中，通過機器學(xué)習(xí)的方式分析設(shè)備運行情況。通過分析歷史數(shù)據(jù)與PHM模型輸出數(shù)據(jù)，設(shè)定相應(yīng)閾值，評估設(shè)備運行狀態(tài)和設(shè)備性能，對裝備當前的健康狀態(tài)劃分不同等級進行評估，明確是否對該設(shè)備進行故障診斷。狀態(tài)評估的閾值可根據(jù)實際設(shè)備管理需求制定。

在故障診斷方面：目前的紡織企業(yè)大多實現(xiàn)自動化生產(chǎn)，需要紡織工作人員具有紡織機械的專業(yè)知識和故障診斷經(jīng)驗。然而，在實際操作過程中，部分紡織人員工作素質(zhì)及技能有待提高[10]。在紡織設(shè)備管理中運用PHM技術(shù)，通過狀態(tài)監(jiān)測劃分的閾值將PHM模型輸出結(jié)果劃分為不同等級，例如正常、發(fā)現(xiàn)異常、故障等。若PHM分析數(shù)據(jù)在正常閾值范圍內(nèi)，則表明設(shè)備正常運行；若未發(fā)現(xiàn)異常，則預(yù)測未來設(shè)備狀況；若出現(xiàn)故障，則通過與行業(yè)內(nèi)故障情況對比分析，快速定位相關(guān)問題，為查找和修復(fù)故障提供有力支撐。

在壽命預(yù)測和健康管理方面：如今的紡織機械生產(chǎn)雖然也減輕了員工的工作量，但還是需要安排人工監(jiān)督，一旦出現(xiàn)故障停機，還需安排更多的人工參與問題解決，影響生產(chǎn)進度。在紡織設(shè)備管理中運用PHM技術(shù)，監(jiān)視設(shè)備運行的狀態(tài)，通過預(yù)先訓(xùn)練好的PHM模型對采集的數(shù)據(jù)進行處理，并對比健康設(shè)備的運行數(shù)據(jù)，提取異常信息點。做到對監(jiān)測的紡織設(shè)備提前預(yù)估可能出現(xiàn)的問題，并定位該問題的位置，避免故障發(fā)生。

2 基于雙向LSTM的預(yù)測模型

深度學(xué)習(xí)在PHM中的應(yīng)用有很多，例如自動編碼器、受限玻爾茲曼機、卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)等[11]。每種方法各有其優(yōu)缺點，自動編碼器便于跟蹤由于反向傳播而最小化的損失函數(shù)，雖然會盡可能多地獲取信息，但無法確定這些信息的相關(guān)性。受限玻爾茲曼機容易創(chuàng)建模型，但難以跟蹤損失函數(shù)。卷積神經(jīng)網(wǎng)絡(luò)對多維數(shù)據(jù)具有良好的局部特征提取性能，但由于模型復(fù)雜，需要更多的訓(xùn)練時間。遞歸神經(jīng)網(wǎng)絡(luò)適用于順序數(shù)據(jù)，可以檢測到隨時間的變化，但模型較難訓(xùn)練。大部分設(shè)備故障數(shù)據(jù)具有時間特性，而長短期記憶網(wǎng)絡(luò)（Long-Short Term Memory，LSTM）可以捕獲時間信息和學(xué)習(xí)數(shù)據(jù)中的隱藏特征。在不同的深度學(xué)習(xí)方法中，使用LSTM方法進行RUL預(yù)測取得了較好的效果[12]。

傳統(tǒng)的RNN在網(wǎng)絡(luò)訓(xùn)練過程中經(jīng)常會遇到梯度消失或爆炸的問題[13]。LSTM是一種RNN特殊的類型，通過刻意的設(shè)計來避免梯度消失或爆炸的問題。一個典型的LSTM網(wǎng)絡(luò)如圖2所示。它由遺忘門、輸入門和輸出門組成。遺忘門用來丟棄之前不必要的信息，輸入門的作用是輸入新的信息，輸出門控制當前狀態(tài)的輸出。

輸入門分為兩部分。一部分是找到需要更新的狀態(tài)，另一部分是把需要更新的信息更新，如式（2）：

在輸出門中，通過Sigmoid層來控制輸出，將Tanh處理過的狀態(tài)與Sigmoid的輸出相乘，得到最終輸出部分，如式（3）：

LSTM網(wǎng)絡(luò)在時間序列的處理上已經(jīng)取得了良好的效果，但是，RNN和LSTM都只能依據(jù)之前時刻的時序信息來預(yù)測下一時刻的輸出，但在有些問題中，當前時刻的輸出不僅和之前的狀態(tài)有關(guān)，還可能和未來的狀態(tài)有關(guān)。為了改善只考慮單向傳播的情況，本文采用雙向LSTM網(wǎng)絡(luò)，如圖3所示。雙向LSTM的處理與單向的LSTM類似，在正向傳播的基礎(chǔ)上再進行一次反向傳播，兩個傳播都連接著同一個輸出層。實驗證明，這樣的雙向循環(huán)網(wǎng)絡(luò)比單向網(wǎng)絡(luò)有更高的擬合度[14]。

圖3 雙向LSTM網(wǎng)絡(luò)

3 實驗驗證

本文以美國辛辛那提大學(xué)IMS中心發(fā)布的軸承數(shù)據(jù)集[14]為例，通過PHM結(jié)合雙向LSTM網(wǎng)絡(luò)模型對軸承數(shù)據(jù)集進行處理的例子，預(yù)測軸承運行狀態(tài)，盡可能的避免軸承故障發(fā)生。

IMS軸承數(shù)據(jù)集由三個數(shù)據(jù)集組成，每個數(shù)據(jù)集描述了一個從測試開始到軸承失效的實驗，采集軸承運行數(shù)據(jù)如圖4所示。每個數(shù)據(jù)集由單個文件組成，這些文件是以特定間隔記錄的1秒振動信號。每個文件由20480個采樣點組成，采樣率為20kHz。軸承1測試實驗起止時間：2004年2月12日10:32:39至2004年2月19日06:22:39，文件數(shù)量為984個，文件采樣間隔為10分鐘一次，振動信號數(shù)據(jù)記錄共20152320個。

圖4 采集軸承運行數(shù)據(jù)

對振動數(shù)據(jù)進行預(yù)處理，使每個文件中分段平均得到4個采樣點，共到3936條軸承振動數(shù)據(jù)，如圖5所示。對全部數(shù)據(jù)的70%劃分數(shù)據(jù)集和測試集。并采用對數(shù)據(jù)順序加窗的方法每次平移4個采樣點對數(shù)據(jù)進行預(yù)處理生成數(shù)據(jù)訓(xùn)練集，然后將訓(xùn)練集輸入雙向LSTM網(wǎng)絡(luò)模型進行訓(xùn)練。

圖5 軸承振動數(shù)據(jù)

本文雙向LSTM神經(jīng)網(wǎng)絡(luò)使用隨機梯度下降法，如式（4）：

損失函數(shù)為Huber，其公式如式（6）：

度量指標為平均絕對誤差，其公式如式（7）：

將訓(xùn)練集輸入神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練1000次-，將輸出預(yù)測結(jié)果與測試集對比，如圖6圖7所示。

圖6 測試集振動信號數(shù)據(jù)

圖7 預(yù)測振動信號數(shù)據(jù)

可以看出預(yù)測結(jié)果在實驗后期也出現(xiàn)了大幅震動的結(jié)果，如圖8所示。

圖8 測試集數(shù)據(jù)與模型預(yù)測值

真實值與預(yù)測值的平均絕對誤差：

通過訓(xùn)練網(wǎng)絡(luò)模型預(yù)測軸承運行狀態(tài)的變化趨勢，其真實值與預(yù)測值的誤差可以達到0.0009。軸承作為紡織機械的主要配套件，其運行狀況直接影響到紡機的狀態(tài)，通過PHM技術(shù)實現(xiàn)對軸承運行狀態(tài)的監(jiān)測，將運行數(shù)據(jù)實時分析，根據(jù)軸承運行的預(yù)測值判斷未來軸承狀態(tài)，在紡織設(shè)備發(fā)生異常前對其進行維護。這種基于深度學(xué)習(xí)的PHM管理通過端到端系統(tǒng)，利用傳感器實現(xiàn)對設(shè)備的監(jiān)測，通過機器學(xué)習(xí)預(yù)測未來設(shè)備狀態(tài)，與傳統(tǒng)的設(shè)備管理模式相比，降低了人工成本，在一定程度上給設(shè)備管理人員提供故障預(yù)警。

4 結(jié)語

本文結(jié)合紡織行業(yè)的現(xiàn)狀提出PHM技術(shù)在紡織設(shè)備管理上的應(yīng)用，通過雙向LSTM神經(jīng)網(wǎng)絡(luò)對軸承振動數(shù)據(jù)進行分析的實驗，預(yù)測軸承未來運行狀態(tài)，其預(yù)測值能較好地反應(yīng)軸承未來運行的真實狀態(tài)，為紡織設(shè)備狀態(tài)的監(jiān)測和維護提供一種新的方案，但由于雙向LSTM超參數(shù)多、模型調(diào)試復(fù)雜，本方案還無法解決所有問題，部分問題亟待日后完善解決。

[1] 汪凱. 高速精密紡織機械專用軸承的研究[D]. 杭州：浙江大學(xué), 2013.

[2] 楊俊. 基于精益化理念的紡織設(shè)備管理發(fā)展[J]. 大眾標準化, 2021(12):197-199.

[3] 陳莉. 紡織機械設(shè)備管理中存在的問題及改進措施分析[J]. 企業(yè)科技與發(fā)展, 2019, (06):230-231.

[4] 洪建輝. 紡織機械設(shè)備維修管理問題及對策探討[J]. 紡織報告, 2018, (06):45-47.

[5] 肖緒耕. 紡織機械發(fā)展前景分析與研究[J].經(jīng)貿(mào)實踐, 2017, (18):151.

[6] 黃旭. 紡織機械智能化探究[J].機電信息, 2018, (36): 75-77.

[7] 年夫順. 關(guān)于故障預(yù)測與健康管理技術(shù)的幾點認識[J].儀器儀表學(xué)報, 2018, 39(08): 1-14.

[8] 趙盼, 涂途. 醫(yī)療設(shè)備故障預(yù)測與健康管理體系結(jié)構(gòu)研究[J]. 中國醫(yī)學(xué)裝備, 2020, 17(10):211-214.

[9] 馬波, 劉慧宇, 陳銀超, 等. 預(yù)測與健康管理技術(shù)在飛行器飛控系統(tǒng)中的應(yīng)用研究[J]. 航空兵器, 2020, 27 (06): 91-96.

[10] 鐘嘉聰. 研究紡織機械電氣自動化控制系統(tǒng)技術(shù)[J]. 中國設(shè)備工程, 2018, (08): 108-109.

[11] Samir Khan, Takehisa Yairi. A review on the application of deep learning in system health management[J]. Mechanical Systems and Signal Processing, 2018, 107:241-265.

[12] Rui Zhao, Ruqiang Yan, Zhenghua Chen, et al. Deep learning and its applications to machine health monitoring[J]. Mechanical Systems and Signal Processing, 2019, 115: 213-237.

[13] Zhao R, Wang D, Yan R, et al. Machine health monitoring using local feature-based gated recurrent unit networks[J]. IEEE Transactions on Industrial Electronics, 2017, 65(2): 1539-1548.

[14]Graves A, Schmidhuber J. Framewise phoneme classification with bidirectional LSTM and other neural network architect- ures[J]. Neural networks, 2005, 18(5-6): 602-610.

[15] Qiu H, Lee J, Lin J, et al. Wavelet filter-based weak signature detection method and its application on rolling element bearing prognostics[J]. Journal of sound and vibration, 2006, 289(4-5): 1066-1090.

The Application of PHM Technology in Textile Machinery and Equipment Management

CHEN Jing-wei1, LUO Wei-ping1,2

(1. School of Mechanical Engineering and Automation, Wuhan Textile University, Wuhan Hubei 430200, China; 2. Hubei digital textile equipment key laboratory, Wuhan Hubei 430200, China)

A PHM system which is based on bidirectional LSTM neural network has been proposed so as to deal with the poor real-time performance and the low precision of equipment state management in textile enterprises. That input PHM model is used to predict the future running state of the equipment by analysing the equipment operation data which the sensor of the system collects. The feasibility of the PHM system in the condition prediction of the equipment is verified by bearing data set tests for the sake of avoiding the impact of bearing damage on the spinning machine. The system can predict the running state of the equipment accurately and not only the error is small but also the Shandong bar is high so it has a certain practical application prospect.

PHM technology; neural network; bearing; status monitoring; equipment management

羅維平（1967-），女，教授，研究方向：檢測技術(shù)與智能控制，信號與信息處理，先進技術(shù)工業(yè)制造等.

湖北省數(shù)字化紡織裝備重點實驗室開放課題（DTL2019020）；2019年教育部產(chǎn)學(xué)合作協(xié)同育人項目（20200120）；教育部高等學(xué)校自動化類專業(yè)教學(xué)指導(dǎo)委員會教育教學(xué)改革研究課題（202126）；湖北省高等學(xué)校教學(xué)研究項目（2020499）；武漢紡織大學(xué)教學(xué)研究項目（2019JY001）.

TS103.01

A

2095－414X(2022)01－0010－05