淺析一種判斷自動化設(shè)備狀態(tài)穩(wěn)定性的新方法

盧國志，胡斐，倪萍

（山東科技大學(xué)，山東 青島 266590）

在工業(yè)生產(chǎn)中，設(shè)備是否能安全、穩(wěn)定地運行一直是一個重要問題，隨著設(shè)備的重要程度增加，其故障可能帶來的損失也就越大。工業(yè)設(shè)備正常運行的關(guān)鍵要素是維護和檢修，包括事后檢修、計劃檢修和狀態(tài)檢修。由于很多大型安全生產(chǎn)事故的發(fā)生，其原因往往僅僅是由于某一關(guān)鍵設(shè)備的帶“病”作業(yè)，小問題逐漸引起細微的性能變化，從而引發(fā)大事故。因此，企業(yè)能做的除了事后維修外，更要加強以預(yù)防為主的檢測，提前識別出設(shè)備的細微變化，從而將事故扼殺在搖籃中。為了能夠更有效地進行預(yù)防性的檢測，需要對設(shè)備的運行狀態(tài)進行評估，傳統(tǒng)的狀態(tài)評估主要是基于理論分析以及物理模型分析，但由于設(shè)備故障影響因素眾多、機理復(fù)雜，難以建立完善、精確的狀態(tài)評估物理模型。近年來，隨著傳感器技術(shù)、數(shù)據(jù)收集與處理技術(shù)的發(fā)展，大數(shù)據(jù)技術(shù)在工業(yè)設(shè)備故障診斷的廣泛應(yīng)用，通過數(shù)據(jù)判斷設(shè)備狀態(tài)，即數(shù)據(jù)驅(qū)動成為許多企業(yè)選擇發(fā)展的方向。本文在數(shù)據(jù)驅(qū)動的基礎(chǔ)上，提出了一種新的狀態(tài)評估數(shù)據(jù)處理方法，并稱為“數(shù)據(jù)切片”。

1 基于大數(shù)據(jù)的設(shè)備狀態(tài)判斷模式

1.1 傳統(tǒng)模式

針對設(shè)備的狀態(tài)預(yù)警判斷離不開對數(shù)據(jù)的處理分析，一般數(shù)據(jù)處理思路可概括為四步：標準化處理、預(yù)警閾值確定、異常點篩選、原因分析。如圖1所示，為某設(shè)備中四處監(jiān)測數(shù)據(jù)，根據(jù)每組數(shù)據(jù)的波動情況合理設(shè)置預(yù)警閾值以及異常檢測的強弱，臨近預(yù)警閾值則需要警戒，超過預(yù)警閾值則需要停止運行并檢修，之后通過不同數(shù)據(jù)間的組合來分析確定故障的原因。然而，當數(shù)據(jù)種類增多時，影響數(shù)據(jù)的因素增多，僅僅用單一數(shù)據(jù)的異常點來判斷是否存在故障的準確率和效率都較低，而綜合考慮數(shù)據(jù)之間的關(guān)系建立復(fù)雜模型又對專業(yè)性的要求較高，導(dǎo)致實用性不足，因此，本文提出了一種數(shù)據(jù)切片模式，既能滿足綜合考慮不同數(shù)據(jù)，又能降低專業(yè)性的要求。

圖1 閾值預(yù)警圖

1.2 數(shù)據(jù)切片模式

數(shù)據(jù)切片即通過假想一個時間維度的切片，將某一設(shè)備的運行狀態(tài)通過切分分成無數(shù)個僅與時間相關(guān)的狀態(tài)，每個狀態(tài)則由多個狀態(tài)參量進行表示，同時，按照設(shè)定的處理方式將每個狀態(tài)的多個狀態(tài)參量值用一組坐標代替，并放入坐標系，之后通過聚類等方式對其分組并找出異常點。

1.3 數(shù)據(jù)切片相關(guān)定義

定義1：狀態(tài)參量：在某一確定時刻，用來表示機器該時刻運行狀態(tài)的參數(shù)，記作ki（i=1，2，....，n）。例如，可以用某時刻人體的血壓、體溫、血糖、血脂、尿酸、總膽固醇等參數(shù)來確定該時刻人的健康程度。

定義2：狀態(tài)特征曲線：由n個狀態(tài)參量構(gòu)成的可以代表設(shè)備t時刻運行狀態(tài)的曲線。

定義3：狀態(tài)坐標系：由狀態(tài)特征曲線中n個狀態(tài)參量值通過三種函數(shù)變換得到的三個值，從而組成三維坐標系中的x，y，z軸。

式中，x軸表示在t時刻下的n個狀態(tài)參量的均值；y軸表示在t時刻下的狀態(tài)特征曲線的波動情況；z軸用來區(qū)別t時刻下狀態(tài)曲線的變化方向。通過（x，y，z）可以將任一時刻下的機器運行狀態(tài)用空間中一點代表，每個點均只對應(yīng)一種狀態(tài)曲線。狀態(tài)坐標系的確定規(guī)則可以針對不同設(shè)備的特征進行修改，以便聚類分析。

2 具體步驟

根據(jù)上述介紹，基于數(shù)據(jù)切片模式判斷設(shè)備狀態(tài)穩(wěn)定性的流程主要包括以下四步：（1）數(shù)據(jù)預(yù)處理；（2）獲得狀態(tài)曲線；（3）確定狀態(tài)特征值；（4）聚類分析，具體流程如圖2。

圖2 數(shù)據(jù)切片流程圖

2.1 數(shù)據(jù)的歸一化

在多指標評價體系中，由于各評價指標的性質(zhì)不同，通常具有不同的量綱和數(shù)量級。當各指標間的水平相差很大時，如果直接用原始指標值進行分析，就會突出數(shù)值較高的指標在綜合分析中的作用，相對削弱數(shù)值水平較低指標的作用。因此，為了保證結(jié)果的可靠性，需要對原始指標數(shù)據(jù)先進行歸一化處理。在此，本文提供兩種數(shù)據(jù)歸一化的方法。分別為：

（1）線性函數(shù)歸一化：也稱為離差標準化，通過對原始數(shù)據(jù)進行線性變換，使得結(jié)果映射范圍在0～1。其轉(zhuǎn)換函數(shù)為：。

（2）0均值標準化：這種方法是結(jié)合原始數(shù)據(jù)的均值（mean）和標準差（standard deviation）進行數(shù)據(jù)的標準化。使處理過的數(shù)據(jù)符合標準正態(tài)分布，即均值為0，標準差為1。其轉(zhuǎn)換函數(shù)為：。

其中，Mean為所有樣本數(shù)據(jù)的均值。Standard deviation為所有樣本數(shù)據(jù)的標準差。

2.2 數(shù)據(jù)狀態(tài)曲線的獲得

通過歸一化處理，可以獲得n×t個在0～1（或符合正態(tài)分布）的數(shù)據(jù)，將其放入坐標系中如圖3所示，其中三個軸分別為數(shù)據(jù)種類、時間、大小，在將各個數(shù)據(jù)點生成曲線后，構(gòu)想一垂直于時間軸的平面作為切片，該平面與各類數(shù)據(jù)曲線均有一個切點，連接所有切點得到一條曲線稱為數(shù)據(jù)狀態(tài)曲線。之后通過左右平移該平面，可獲得各個時間節(jié)點的數(shù)據(jù)狀態(tài)曲線。

圖3 狀態(tài)曲線圖

2.3 數(shù)據(jù)狀態(tài)特征值

根據(jù)定義3，采取合理的處理規(guī)則，對狀態(tài)曲線進行處理后，每條狀態(tài)曲線可用三個數(shù)字表示，分別作為x、y、z三軸坐標放入空間坐標系中，可獲得t個空間中的點，如圖4。

圖4 數(shù)據(jù)集可視化

其中，X、Y、Z三軸分別為按照特定規(guī)則處理后的狀態(tài)坐標系，坐標系中的每個點則代表了一條狀態(tài)曲線。

2.4 聚類分析發(fā)現(xiàn)異常點

聚類分析方法是在數(shù)據(jù)挖掘中常用的一種方法，按照歐氏距離或者馬氏距離等距離法對數(shù)據(jù)進行聚類，通過聚類結(jié)果，可以將原數(shù)據(jù)分成距離較小的較為相似的簇，在本文中將屬于某一簇的數(shù)據(jù)認為是正常點，不屬于任何一簇的點認為是異常點，對該點進行追溯找出其發(fā)生的時間，通過異常發(fā)生時間便能對機器的穩(wěn)定性運行提供幫助。由于馬氏距離能夠排除變量之間的相關(guān)性的干擾，故此采用馬氏距離。

式中，D(Xi，Xj)指的是樣本之間的馬氏距離，T指的是轉(zhuǎn)置操作，S指的是樣本協(xié)方差矩陣。根據(jù)3.3中狀態(tài)特征值組成的空間散點圖，通過密度聚類算法對所有點進行劃分類簇，其具體流程如下。

密度聚類算法過程如下：步驟1導(dǎo)入數(shù)據(jù)樣本集合A；步驟2輸入?yún)?shù)可達半徑Eps和鄰域密度閾值minpts；步驟3由數(shù)據(jù)樣本集合A中任意一個未被標記的點p開始，探索點p的Eps鄰域，如果在鄰域內(nèi)的點數(shù)目大于或等于鄰域密度閾值minpts，則將點p標記為核心點，建立一個新的類簇C(p)，否則，將p點標記為噪聲點；步驟4訪問所有核心點，將核心點p的Eps鄰域內(nèi)的所有點都歸入類簇C(p)中；步驟5遍歷C(p)中所有沒有被掃描的點q，如果點q的Eps鄰域內(nèi)點的數(shù)目大于或等于鄰域密度閾值minpts，則將點q和它Eps鄰域內(nèi)的點歸入類簇C(p)；步驟6訪問數(shù)據(jù)集A內(nèi)的所有樣本，重復(fù)步驟（3）至步驟（5），直到所有樣本都被處理。根據(jù)上述6個步驟，可以將空間內(nèi)所有聚類簇的核心點找出，并將各點進行歸類，可以看出不同簇的范圍，同時，能夠判斷出不屬于任何簇的異常點。

3 結(jié)語

本文提出一種將多維時序數(shù)據(jù)組成的曲線轉(zhuǎn)換成三維空間點，并通過聚類分析判斷出異常點，從而評估設(shè)備的運行狀態(tài)的方法。此方法可將龐大的設(shè)備時序數(shù)據(jù)轉(zhuǎn)換為空間中的點，再通過空間聚類的方式將這些點進行分類，從而篩選出異常點，從而快速察覺設(shè)備運行中潛在的異常。

本文將所描述的方法稱為數(shù)據(jù)切片技術(shù)，該技術(shù)具有以下幾點優(yōu)點：（1）能夠綜合考慮多個維度的數(shù)據(jù)，將復(fù)雜的多維數(shù)據(jù)降為三維，并能夠根據(jù)數(shù)據(jù)特征自行確定降維規(guī)則，有針對性地提高聚類的準確性。（2）通過該方法可以迅速從龐大多樣的數(shù)據(jù)中發(fā)現(xiàn)異常數(shù)據(jù)發(fā)生的時間，從而進行快速反應(yīng)，并且具有一定的提前性。（3）與機理建模方式相比，不需要建立復(fù)雜的物理模型、機理分析，對專業(yè)性的要求不高。（4）通過該方法可以對自動化設(shè)備的穩(wěn)定運行監(jiān)測提供保障，從而有效地避免潛在故障。