基于西門子SiePA的礦渣微粉立式磨機(jī)的預(yù)測性運(yùn)維系統(tǒng)

杜 剛，顧 軍，劉海峰，李蘇南，榮華超，劉 華，吳文超

（1.大峘集團(tuán)有限公司，江蘇 南京 211112；2.南京朗馳集團(tuán)機(jī)電有限公司，江蘇 南京 210006；3.西門子（中國）有限公司，上海 200433）

引 言

鋼鐵企業(yè)規(guī)模不斷擴(kuò)大和產(chǎn)業(yè)集中度不斷提升，裝備大型化、智能化業(yè)已成為一種趨勢。礦渣立磨是用于處理鋼鐵廠內(nèi)固體廢棄物制備超細(xì)粉的核心關(guān)鍵裝備。十多年來發(fā)展，其大型化在占地、投資、成本和能耗等方面均占有顯著優(yōu)勢，已成為鋼鐵企業(yè)節(jié)能減排、綠色發(fā)展必備的裝備之一。目前單線200萬噸以上級的高爐礦渣超細(xì)粉大型立式磨機(jī)技術(shù)，已達(dá)到國內(nèi)、外領(lǐng)先水平。隨之而來的大型立式磨機(jī)裝備數(shù)字化、智能化，實(shí)現(xiàn)系統(tǒng)的自主運(yùn)行和預(yù)測性維護(hù)，掌握設(shè)備的運(yùn)行工況，正確估計(jì)可能發(fā)生的故障和趨勢，避免災(zāi)難性毀壞，將是立式磨機(jī)技術(shù)的進(jìn)一步發(fā)展方向。針對一鋼鐵廠礦渣微粉生產(chǎn)線立式磨機(jī)，預(yù)測性運(yùn)行維護(hù)系統(tǒng)的功能、配置、調(diào)試、工程服務(wù)等有關(guān)技術(shù)問題進(jìn)行了深入探討和研究。在西門子SiePA基礎(chǔ)上，用信息傳感技術(shù)、信號處理及無線傳輸技術(shù)、現(xiàn)代測控技術(shù)［1］，建立一套完整的礦渣立磨預(yù)測性運(yùn)行維護(hù)系統(tǒng)。

1 系統(tǒng)運(yùn)維概述

當(dāng)前礦渣微粉立式磨機(jī)設(shè)備的運(yùn)維方式主要包括以下三種：

（a）在中控室對DCS相關(guān)狀態(tài)參數(shù)進(jìn)行觀察，發(fā)現(xiàn)問題直接聯(lián)系現(xiàn)場工程師進(jìn)行設(shè)備查看和維修。

（b）通過點(diǎn)巡檢的方式對設(shè)備進(jìn)行健康檢查，且巡檢頻率很高，現(xiàn)場的問題發(fā)現(xiàn)主要憑借師傅/專家的經(jīng)驗(yàn)。

（c）通過第三方（基于領(lǐng)域模型以及特定故障模式分析）每周/每月給出一份相關(guān)設(shè)備的評估報(bào)告，但并不針對整體立式磨機(jī)設(shè)備，而只針對其中某一部分的設(shè)備。

當(dāng)前的運(yùn)維方式面臨著巨大的挑戰(zhàn)：

（a）無法對立式磨機(jī)設(shè)備做到早期故障征兆的提前預(yù)測與預(yù)警，目前是局部設(shè)備發(fā)生故障后才進(jìn)行維修，尚未建立對立式磨機(jī)整體進(jìn)行多緯度數(shù)據(jù)關(guān)聯(lián)分析的系統(tǒng)。分析相對比較單一，不具備深入數(shù)據(jù)分析能力。

（b）多次出現(xiàn)非計(jì)劃性停車情況，絕大多數(shù)是由于微小故障無法在早期被有效的識別出來，進(jìn)而導(dǎo)致后續(xù)演變成嚴(yán)重故障。當(dāng)故障發(fā)生后才進(jìn)行檢修則嚴(yán)重影響立磨設(shè)備的生產(chǎn)效率，并由此造成巨大的經(jīng)濟(jì)損失。

（c）設(shè)備故障診斷沒有形成標(biāo)準(zhǔn)體系，完全依賴?yán)蠋煾?人工的經(jīng)驗(yàn)。

隨著自動(dòng)化、數(shù)字化與智能化的不斷進(jìn)步，目前對于大型設(shè)備，均已經(jīng)具備數(shù)據(jù)采集的能力，并積累了一定量的歷史數(shù)據(jù)，基于工業(yè)大數(shù)據(jù)分析以及人工智能技術(shù)的設(shè)備預(yù)測性維護(hù)已成為企業(yè)重點(diǎn)需求。

希望能夠通過對設(shè)備已有數(shù)據(jù)進(jìn)行深入的數(shù)據(jù)分析與挖掘，構(gòu)建設(shè)備健康狀態(tài)預(yù)測模型，通過接入的實(shí)時(shí)數(shù)據(jù)與預(yù)測模型進(jìn)行比對來對立式磨機(jī)整體潛在故障風(fēng)險(xiǎn)進(jìn)行預(yù)測與預(yù)警。從復(fù)雜信號中提取微弱特征，抓取隱藏的異常信息［2］。

模型預(yù)警以后，系統(tǒng)支持利用自然語言處理技術(shù)匹配相似的診斷報(bào)告，為現(xiàn)場運(yùn)維保駕護(hù)航，從而降低非計(jì)劃性停車風(fēng)險(xiǎn)，實(shí)現(xiàn)軟硬件一體的高質(zhì)量服務(wù)。

2 數(shù)據(jù)獲取

礦渣微粉立式磨機(jī)運(yùn)行狀態(tài)所需傳感器相關(guān)信息包括：

環(huán)境參數(shù)：溫度、濕度；

生產(chǎn)過程參數(shù)：溫度、壓力、流量、料位等；

設(shè)備狀態(tài)參數(shù)：電流、電壓、振動(dòng)（頻譜）、軸溫等。

不同預(yù)測性模型依賴的測點(diǎn)會(huì)有所不同，根據(jù)條件布置需求測點(diǎn)：

對于減速機(jī)等配套設(shè)備部件的原廠內(nèi)置測點(diǎn)，將數(shù)據(jù)收集至自有數(shù)據(jù)平臺，SiePA將從數(shù)據(jù)平臺讀取和使用測點(diǎn)的數(shù)據(jù)；

對于特定SiePA模型監(jiān)控場景下立式磨機(jī)設(shè)備尚不具備而需要加裝測點(diǎn)的情況，增加測點(diǎn)及相關(guān)硬件，并將測點(diǎn)數(shù)據(jù)采集至其自有數(shù)據(jù)平臺供SiePA模型監(jiān)控場景之用；

自有數(shù)據(jù)平臺數(shù)據(jù)統(tǒng)一向SiePA開放，其主要針對的是OPC-UA協(xié)議接口采集的時(shí)序數(shù)據(jù)和針對FTP協(xié)議接口采集的振動(dòng)原始采樣數(shù)據(jù)。涉及其他類型的數(shù)據(jù)協(xié)議接口，需要定制開發(fā)處理；

建立現(xiàn)場對外數(shù)據(jù)傳輸網(wǎng)絡(luò)；

采集半年以上歷史數(shù)據(jù)；

重要設(shè)備的歷史故障分析報(bào)告用于構(gòu)建知識庫，導(dǎo)入總數(shù)不超過100份的故障報(bào)告，其余報(bào)告可通過SiePA系統(tǒng)的報(bào)告輸入界面錄入系統(tǒng)。

SiePA所支持的數(shù)據(jù)接口信息如下：

2.1 參數(shù)狀態(tài)數(shù)據(jù)接口

接口編號：1；

接口名稱：參數(shù)實(shí)時(shí)數(shù)據(jù)接口；

接口說明：從實(shí)時(shí)數(shù)據(jù)收集/輸出系統(tǒng)（如 實(shí)時(shí)數(shù)據(jù)庫）中獲取目標(biāo)參數(shù)的實(shí)時(shí)運(yùn)行數(shù)據(jù)，在SiePA系統(tǒng)中進(jìn)行分析，實(shí)現(xiàn)健康狀態(tài)預(yù)警；

接口形式：OPC UA；

服務(wù)提供方：實(shí)時(shí)數(shù)據(jù)收集/輸出系統(tǒng)（如實(shí)時(shí)數(shù)據(jù)庫）；

服務(wù)消費(fèi)方：SiePA預(yù)測性維護(hù)系統(tǒng)；

輸入?yún)?shù)：測點(diǎn)傳感器位號；

輸出參數(shù)：參數(shù)運(yùn)行數(shù)據(jù)（時(shí)間戳、位號、監(jiān)測數(shù)值）；

調(diào)用方式：OPC UA。

2.2 控制系統(tǒng)事件數(shù)據(jù)接口

接口編號：2；

接口名稱：控制系統(tǒng)事件數(shù)據(jù)接口；

接口說明：從實(shí)時(shí)數(shù)據(jù)收集/輸出系統(tǒng)（如實(shí)時(shí)數(shù)據(jù)庫）中獲取目標(biāo)參數(shù)的實(shí)時(shí)運(yùn)行數(shù)據(jù)，在SiePA系統(tǒng)中進(jìn)行分析，實(shí)現(xiàn)健康狀態(tài)預(yù)警；

接口形式：OPC UA A&E；

服務(wù)提供方：實(shí)時(shí)數(shù)據(jù)收集/輸出系統(tǒng)（如實(shí)時(shí)數(shù)據(jù)庫）；

服務(wù)消費(fèi)方：SiePA預(yù)測性維護(hù)系統(tǒng)；

輸入?yún)?shù)：傳感器位號；

輸出參數(shù)：目標(biāo)參數(shù)事件數(shù)據(jù)（時(shí)間戳、事件類型Type、事件來源Resource、事件狀態(tài)Status、優(yōu)先級Priority等）；

調(diào)用方式：OPC UA A&E。

2.3 智能診斷報(bào)告生成與輸出

智能預(yù)警子模塊在調(diào)用診斷模塊得到相應(yīng)的解決方案之后，相應(yīng)的解決方案數(shù)據(jù)（問題的描述，問題發(fā)生的具體的設(shè)備信息，問題的解決方案和解決方案對應(yīng)的原始票據(jù)以及票據(jù)對應(yīng)的設(shè)備信息，用戶對解決方案的評論和反饋）可以提供給報(bào)表模塊生成診斷報(bào)告。

3 技術(shù)特點(diǎn)與主要功能

3.1 技術(shù)思路與功能架構(gòu)

SiePA系統(tǒng)支持用戶開展基于大數(shù)據(jù)分析的運(yùn)行狀態(tài)預(yù)警與智能故障診斷，其主要技術(shù)路線/功能架構(gòu)如圖1所示。

圖1 SiePA系統(tǒng)功能架構(gòu)圖

首先，SiePA系統(tǒng)對多源數(shù)據(jù)進(jìn)行整合集成，支持設(shè)備監(jiān)測歷史數(shù)據(jù)導(dǎo)入、實(shí)時(shí)數(shù)據(jù)接入、故障類型診斷與分析數(shù)據(jù)上傳，并結(jié)合工況設(shè)計(jì)相關(guān)數(shù)據(jù)，為后續(xù)診斷分析提供堅(jiān)實(shí)基礎(chǔ)。

在運(yùn)行狀態(tài)預(yù)測預(yù)警模塊中，SiePA預(yù)測預(yù)警模塊運(yùn)用機(jī)器學(xué)習(xí)的算法，通過學(xué)習(xí)不同工況下健康狀態(tài)的機(jī)器設(shè)備的運(yùn)行信息，同時(shí)可以進(jìn)一步結(jié)合已有的技術(shù)標(biāo)準(zhǔn)，構(gòu)建設(shè)備健康狀態(tài)的模型，并通過智能對比分析，實(shí)現(xiàn)對機(jī)器設(shè)備的監(jiān)控與預(yù)警。

基于預(yù)警信息，SiePA系統(tǒng)通過專家故障診斷規(guī)則數(shù)據(jù)庫和歷史故障信息庫，高效、便捷地對當(dāng)前預(yù)警信息進(jìn)行綜合故障診斷分析；協(xié)助用戶實(shí)現(xiàn)基于客觀數(shù)據(jù)的、可靠的、全面的風(fēng)險(xiǎn)評估與決策。

同時(shí)，SiePA系統(tǒng)支持用戶進(jìn)一步基于以往故障分析報(bào)告與經(jīng)驗(yàn)所構(gòu)建的診斷知識庫，結(jié)合自然語言處理等人工智能技術(shù)，在智能排查診斷模塊中進(jìn)行相關(guān)健康分析診斷查詢，推薦相關(guān)運(yùn)維措施，指導(dǎo)運(yùn)維人員開展相關(guān)工作。

3.2 關(guān)鍵技術(shù)與主要功能描述

3.2.1 運(yùn)行狀態(tài)預(yù)測預(yù)警模塊

SiePA運(yùn)行狀態(tài)預(yù)測預(yù)警模塊利用設(shè)備運(yùn)行過程中產(chǎn)生的多源數(shù)據(jù)對設(shè)備的健康狀況進(jìn)行分析，包括：基于實(shí)際情況的設(shè)備健康評估與預(yù)測預(yù)警；機(jī)械振動(dòng)結(jié)合工藝參數(shù)的設(shè)備運(yùn)行狀態(tài)建模分析；基于工藝時(shí)序數(shù)據(jù)的運(yùn)行狀態(tài)建模分析等，為設(shè)備管理決策提供輔助支撐及可靠依據(jù)。

分析和監(jiān)控的結(jié)果以交互式可視化分析平臺的形式反饋給管理決策人員以及設(shè)備操作人員。管理決策人員和設(shè)備操作人員結(jié)合設(shè)備運(yùn)行狀況和經(jīng)驗(yàn)完成設(shè)備操作。對以上三方面主要功能與技術(shù)描述：

（1）基于實(shí)際情況的設(shè)備健康評估與預(yù)測預(yù)警

系統(tǒng)的模組構(gòu)建模塊可以幫助用戶構(gòu)建起從產(chǎn)線→設(shè)備→監(jiān)控模型的三級設(shè)備狀態(tài)監(jiān)控管理模式，如圖2所示。

圖2 模組構(gòu)建模塊

基于構(gòu)建的模組，并將其激活進(jìn)行監(jiān)控，在監(jiān)控可視化儀表盤上（如圖3所示），系統(tǒng)將從工廠維度展示預(yù)警的整體統(tǒng)計(jì)信息，從時(shí)間維度展示24 h內(nèi)的實(shí)時(shí)預(yù)警狀態(tài)，從管理維度提供獨(dú)立的預(yù)警信息列表，幫助用戶全方位了解工廠運(yùn)行狀況。

圖3 監(jiān)控可視化儀表盤

對于產(chǎn)生的預(yù)警信息，系統(tǒng)支持進(jìn)一步的預(yù)警分析，系統(tǒng)將展示預(yù)警前后模型中對應(yīng)的主測點(diǎn)以及關(guān)聯(lián)測點(diǎn)的數(shù)據(jù)趨勢，以及模型分析結(jié)果中的測點(diǎn)數(shù)據(jù)偏離度信息，同時(shí)支持用戶對于歷史數(shù)據(jù)的查詢進(jìn)行綜合的分析。對于機(jī)械振動(dòng)數(shù)據(jù)，系統(tǒng)將根據(jù)設(shè)備配置的相關(guān)信息，同時(shí)會(huì)基于內(nèi)置的故障診斷模型，推薦該預(yù)警潛在的常見機(jī)械故障類型。相關(guān)系統(tǒng)功能圖如圖4，5所示?；趯?bào)警信息的分析，用戶可以填寫報(bào)警的描述，推送至知識庫模塊進(jìn)行解決方案的自動(dòng)檢索與報(bào)告生成。

圖4 機(jī)械振動(dòng)預(yù)警分析

圖5 工藝時(shí)序預(yù)警分析

（2）機(jī)械振動(dòng)結(jié)合工藝參數(shù)的設(shè)備運(yùn)行狀態(tài)建模分析

SiePA振動(dòng)建模是基于用戶選擇的歷史原始信號數(shù)據(jù)，經(jīng)過信號預(yù)處理，得到相應(yīng)的譜圖，便于提取、分析振動(dòng)信號在頻域上的特征。通過融合在正常工況下所提取的時(shí)序上的非振動(dòng)信號（溫度、壓強(qiáng)等）與振動(dòng)信號在頻域上的特征，形成相應(yīng)的時(shí)頻分析的特征向量，采用機(jī)器學(xué)習(xí)算法訓(xùn)練和自適應(yīng)調(diào)整來改進(jìn)其性能［3］，并建立關(guān)于正常工況的多維度相關(guān)性模型，該模型可被用于檢測實(shí)際工況相對正常（模型）工況的偏離程度，從而實(shí)現(xiàn)設(shè)備的在線健康監(jiān)測功能。SiePA預(yù)測預(yù)警模塊在模型訓(xùn)練結(jié)束時(shí)，支持用戶重新選擇一段已知設(shè)備運(yùn)行狀態(tài)的歷史數(shù)據(jù)進(jìn)行訓(xùn)練模型驗(yàn)證，以保證模型的在監(jiān)控時(shí)的可靠性。這種人機(jī)交互式的驗(yàn)證方式，極大程度上豐富了用戶的體驗(yàn)、照顧了用戶的使用感受，同時(shí)最大程度上保證了模型用于監(jiān)控設(shè)備健康運(yùn)行的可靠性。在此基礎(chǔ)上，通過結(jié)合非振動(dòng)信息（溫度、壓強(qiáng)信息）使得監(jiān)測過程更加符合實(shí)際機(jī)器設(shè)備運(yùn)行情況，加強(qiáng)模型的魯棒性，實(shí)現(xiàn)全生命周期、全工況的設(shè)備健康狀態(tài)預(yù)警。

相較于傳統(tǒng)的振動(dòng)預(yù)警監(jiān)控，SiePA振動(dòng)預(yù)警模型的可靠性更高，在設(shè)備健康狀態(tài)監(jiān)控階段，由于結(jié)合了非振動(dòng)（時(shí)序）數(shù)據(jù)，使得模型對設(shè)備實(shí)現(xiàn)了更全面的定義與監(jiān)控，增加了模型的可靠性；SiePA振動(dòng)預(yù)警模型的數(shù)據(jù)深度及智能創(chuàng)造價(jià)值更高，通過實(shí)時(shí)采集的數(shù)據(jù)通過分析與正常運(yùn)行狀態(tài)模型的對比，幫助及時(shí)發(fā)現(xiàn)異常趨勢，從而提示相關(guān)人員及時(shí)采取相關(guān)措施，盡可能避免或減少拆機(jī)的故障維修和停機(jī)檢修的發(fā)生。

在具體的建模過程中，SiePA系統(tǒng)會(huì)從振動(dòng)信號中提取重要的特征，同時(shí)進(jìn)一步提取溫度、電流、電壓等非振動(dòng)時(shí)序數(shù)據(jù)，結(jié)合振動(dòng)數(shù)據(jù)的采樣時(shí)間間隔、采樣頻率提取時(shí)域、頻域特征因素，組成特征向量，作為模型的輸入。通過提取相應(yīng)的建模特征，將相關(guān)因素進(jìn)行建模分析，得到符合當(dāng)前機(jī)器狀況的健康預(yù)警模型。將建好的模型用于檢測測試數(shù)據(jù)，模型可正確的區(qū)分正常樣本和異常樣本，以達(dá)到預(yù)警維護(hù)的目的。

系統(tǒng)中具體功能描述如下：

對于振動(dòng)原始信號數(shù)據(jù)，系統(tǒng)支持時(shí)-頻域的綜合分析，首先通過系統(tǒng)的設(shè)備配置模塊（如圖6所示），用戶可以定義具體的設(shè)備實(shí)例，將數(shù)據(jù)測點(diǎn)與設(shè)備的部件進(jìn)行關(guān)聯(lián)，同時(shí)對設(shè)備所涉及到的機(jī)械工藝參數(shù)（如軸承四件套等）等進(jìn)行輸入。該部分信息將支持預(yù)警模型的建立，以及常見機(jī)械故障的診斷。

圖6 設(shè)備配置模塊

當(dāng)利用機(jī)械振動(dòng)數(shù)據(jù)進(jìn)行預(yù)警模型建立時(shí)，系統(tǒng)將自動(dòng)根據(jù)設(shè)備配置信息，結(jié)合各測點(diǎn)在設(shè)備上的位置以及工藝參數(shù)，進(jìn)行建模測點(diǎn)的推薦，用戶也可以根據(jù)設(shè)備經(jīng)驗(yàn)進(jìn)行測點(diǎn)的更改與選擇，如圖7所示。

圖7 選擇振動(dòng)測點(diǎn)結(jié)合工藝時(shí)序建模

基于選擇的測點(diǎn)，系統(tǒng)提供交互式的可視化數(shù)據(jù)分析圖表，展示歷史的振動(dòng)數(shù)據(jù)統(tǒng)計(jì)值趨勢，以及相關(guān)的關(guān)聯(lián)測點(diǎn)的數(shù)據(jù)趨勢，基于配置的靜態(tài)報(bào)警閾值，用戶可以進(jìn)行正常工況下數(shù)據(jù)時(shí)間段的刷選，如圖8所示。系統(tǒng)將根據(jù)刷選的訓(xùn)練集，進(jìn)行建模數(shù)據(jù)的質(zhì)量檢測，系統(tǒng)將根據(jù)計(jì)算結(jié)果，返回?cái)?shù)據(jù)集中篩選出的特征數(shù)據(jù)點(diǎn)以及數(shù)據(jù)中潛在的邊界數(shù)據(jù)點(diǎn)，用戶需要在系統(tǒng)上對特征數(shù)據(jù)點(diǎn)以及邊界數(shù)據(jù)點(diǎn)進(jìn)行標(biāo)注反饋，如圖9所示。最終，系統(tǒng)將根據(jù)反饋的結(jié)果進(jìn)行模型的構(gòu)建，如圖10所示。

圖8 基于歷史數(shù)據(jù)的訓(xùn)練集刷選

圖9 訓(xùn)練集質(zhì)量檢測和用戶反饋收集

圖10 模型訓(xùn)練

（3）基于時(shí)序數(shù)據(jù)的運(yùn)行狀態(tài)建模分析

SiePA打破了傳統(tǒng)的以設(shè)備部件為最小的建模分析單元的建模方式，基于系統(tǒng)集成的多源數(shù)據(jù)，采用測點(diǎn)作為最小的建模單元進(jìn)行建模分析，這種建模方法為下一步故障診斷的精確定位和分析排查設(shè)備故障打下良好的基礎(chǔ)。整個(gè)預(yù)警階段建模主要分為三個(gè)部分：第一部分是建模數(shù)據(jù)篩選；第二個(gè)部分是運(yùn)行狀態(tài)模型訓(xùn)練；第三個(gè)部分是利用建好的模型進(jìn)行設(shè)備運(yùn)行狀態(tài)監(jiān)控。

在運(yùn)行狀態(tài)模型訓(xùn)練階段，SiePA支持基于歷史數(shù)據(jù)訓(xùn)練和模型導(dǎo)入兩種方式用于設(shè)備預(yù)警狀態(tài)的監(jiān)測的預(yù)警機(jī)器學(xué)習(xí)模型。模型導(dǎo)入是基于西門子模型算法庫中已訓(xùn)練好的機(jī)器學(xué)習(xí)模型，可直接用于監(jiān)控機(jī)器設(shè)備，而根據(jù)歷史數(shù)據(jù)的模型訓(xùn)練則是基于用戶選擇的歷史數(shù)據(jù)，通過提取特征（即：影響設(shè)備運(yùn)行狀態(tài)的因素），形成相應(yīng)的特征向量，作為改進(jìn)的多維度相關(guān)性建模算法的輸入，通過該算法訓(xùn)練出適應(yīng)當(dāng)前工廠的符合當(dāng)前工況的設(shè)備健康監(jiān)測模型。SiePA預(yù)測預(yù)警模塊在模型訓(xùn)練結(jié)束時(shí)，支持用戶重新選擇一段已知設(shè)備運(yùn)行狀態(tài)的歷史數(shù)據(jù)進(jìn)行訓(xùn)練模型驗(yàn)證，以保證模型的在監(jiān)控時(shí)的可靠性。這種人機(jī)交互式的驗(yàn)證方式，極大程度上豐富了用戶的體驗(yàn)、照顧了用戶的使用感受，同時(shí)最大程度上保證了模型用于監(jiān)控設(shè)備健康運(yùn)行的可靠性。在此基礎(chǔ)上，通過結(jié)合相關(guān)測點(diǎn)信息使得監(jiān)測過程更加符合實(shí)際機(jī)器設(shè)備運(yùn)行情況，加強(qiáng)模型的魯棒性，實(shí)現(xiàn)全生命周期、全工況的設(shè)備健康狀態(tài)預(yù)警。

系統(tǒng)中具體功能描述如下：

（1）多維度數(shù)據(jù)的關(guān)聯(lián)分析

基于系統(tǒng)的工程模塊將工廠數(shù)據(jù)進(jìn)行整合后，系統(tǒng)將進(jìn)行數(shù)據(jù)維度的相關(guān)性分析。相關(guān)性分析的結(jié)果可以從數(shù)據(jù)層面為用戶推薦需要重點(diǎn)關(guān)注的主測點(diǎn)以及主測點(diǎn)相關(guān)性高的關(guān)聯(lián)測點(diǎn)，系統(tǒng)也支持用戶根據(jù)行業(yè)經(jīng)驗(yàn)進(jìn)行測點(diǎn)的選擇。

圖11為系統(tǒng)的功能界面示圖。

用戶通過該功能模塊，可以融合數(shù)據(jù)驅(qū)動(dòng)以及經(jīng)驗(yàn)驅(qū)動(dòng)的方式，交互式的選擇與產(chǎn)線/設(shè)備健康管理密切相關(guān)的指標(biāo)（測點(diǎn)），從而定義“產(chǎn)線/設(shè)備狀態(tài)DNA”，使得模型能夠提取更具針對性的數(shù)據(jù)特征，同時(shí)可進(jìn)一步提升模型的可解釋性。

（2）模型訓(xùn)練

結(jié)合歷史數(shù)據(jù)中的實(shí)際生產(chǎn)運(yùn)行工況與故障情況，系統(tǒng)支持用戶交互式選取某段或某幾段歷史數(shù)據(jù)，進(jìn)行工況的標(biāo)注，用于模型的訓(xùn)練。同時(shí)對于訓(xùn)練好的模型，可以選取一段歷史數(shù)據(jù)進(jìn)行模型效果的檢驗(yàn)。系統(tǒng)功能圖如圖12所示。

3.2.2 智能健康診斷模塊

SiePA智能健康診斷模塊以歷史故障記錄為數(shù)據(jù)基礎(chǔ)，以自然語言處理模型為分析工具，為用戶提供疑難故障的建議解決方案，并通過不斷更新知識庫來進(jìn)行自身完善。診斷模塊的工作流程可概括為以下幾個(gè)方面：

(1)預(yù)警診斷流程

SiePA運(yùn)行狀態(tài)預(yù)測預(yù)警模塊會(huì)在監(jiān)控設(shè)備運(yùn)行的過程中產(chǎn)生報(bào)警，并將其推送至診斷模塊。診斷模塊根據(jù)報(bào)警信息的自然語言描述，自動(dòng)進(jìn)行初步診斷，并將報(bào)警和初步診斷的結(jié)果保留在診斷隊(duì)列中。

(2)用戶手工查詢流程

用戶可以通過在SiePA智能設(shè)備健康診斷模塊的查詢界面直接輸入故障相關(guān)信息的方法直接調(diào)用診斷流程。用戶需要提供的信息包括故障設(shè)備、故障概要、故障具體描述等，提供的信息越具體詳細(xì)，查詢的結(jié)果也就越準(zhǔn)確。診斷模塊會(huì)調(diào)用后臺的NLP模型進(jìn)行檢索，最終返回若干條與待解決故障最相似的歷史記錄。用戶可以查看這些記錄，并評價(jià)其是否對解決當(dāng)前故障有所幫助。

(3)知識庫管理

SiePA運(yùn)行狀態(tài)預(yù)測預(yù)警模塊會(huì)在運(yùn)行過程中不斷獲取新的知識，以完善知識庫，提高診斷的準(zhǔn)確率。在使用診斷模塊成功解決用戶輸入的故障查詢后，該案例會(huì)作為新的知識加入到診斷模塊的知識庫中。用戶在使用診斷模塊的過程中，可以對診斷模塊返回的解決方案進(jìn)行評價(jià)，評價(jià)結(jié)果也會(huì)加入知識庫，以使未來的診斷結(jié)果更加準(zhǔn)確。

系統(tǒng)中具體功能簡要描述如下：

當(dāng)設(shè)備狀態(tài)發(fā)生預(yù)警時(shí)，基于所輸入的潛在故障現(xiàn)象描述，高效匹配相似的歷史故障診斷記錄，實(shí)現(xiàn)運(yùn)維措施的推薦。該模塊用于工廠的設(shè)備數(shù)字化管理的同時(shí)，幫助用戶挖掘數(shù)字的價(jià)值來滿足智能工廠的運(yùn)行需要。

SiePA智能診斷分析模塊以歷史故障記錄、檢維修報(bào)告為數(shù)據(jù)基礎(chǔ)，以自然語言處理模型為分析工具，為用戶提供疑難故障的建議解決方案，并通過不斷更新知識庫來進(jìn)行自身完善。診斷模塊的工作流程可概括為以下幾個(gè)方面：

預(yù)警診斷流程：SiePA運(yùn)行狀態(tài)預(yù)警模塊會(huì)在監(jiān)控設(shè)備運(yùn)行的過程中產(chǎn)生報(bào)警，并將其推送至知識庫模塊。知識庫模塊根據(jù)報(bào)警信息的自然語言描述，由圖13基于自然語言描述的推薦方案界面圖表示，自動(dòng)進(jìn)行語義分析，基于構(gòu)建的知識庫，匹配相關(guān)歷史相似案例以及相應(yīng)的解決方案。

圖13 基于自然語言描述的推薦方案界面圖

用戶手工查詢流程：用戶可以通過在SiePA智能設(shè)備健康診斷模塊的查詢界面直接輸入故障相關(guān)信息的方法直接調(diào)用診斷流程。用戶需要提供的信息包括故障設(shè)備、故障概要和故障具體描述等，提供的信息越具體詳細(xì)，查詢結(jié)果也就越準(zhǔn)確。診斷模塊會(huì)調(diào)用后臺NLP模型進(jìn)行檢索，最終返回若干條與待解決故障最相似的歷史記錄。用戶可以查看這些記錄，并評價(jià)其是否對解決當(dāng)前故障有所幫助。

知識庫管理：在系統(tǒng)運(yùn)行的全生命周期過程中，基于報(bào)警信息以及用戶系統(tǒng)操作與反饋，系統(tǒng)將不斷獲取新的知識，以完善知識庫，提高方案推薦的準(zhǔn)確率。在使用知識庫模塊成功解決用戶輸入的故障查詢后，該案例會(huì)作為新的知識加入到知識庫中。圖14為知識庫管理界面圖，用戶可以對返回的解決方案進(jìn)行評價(jià)，評價(jià)結(jié)果也會(huì)加入知識庫，以使未來的推薦結(jié)果更加準(zhǔn)確。

圖14 知識庫管理界面圖

對于振動(dòng)信號的預(yù)警，SiePA診斷模塊同時(shí)還采取了一種基于線性峭度提取頻域特征的頻譜故障診斷算法。該算法的核心優(yōu)勢在于能有效從強(qiáng)噪聲信號中發(fā)現(xiàn)瞬態(tài)成分及其頻域中的位置，確定故障頻帶，并針對該特征頻帶建立故障診斷模型。同時(shí)該模型的訓(xùn)練算法采用了特殊設(shè)計(jì)，使其訓(xùn)練出來的模型具有較好的數(shù)據(jù)泛化能力，對實(shí)際工況下的故障診斷具有較好的魯棒性。

SiePA振動(dòng)診斷的技術(shù)路線總體分為三步：首先，根據(jù)國際規(guī)則診斷庫生成故障數(shù)據(jù)模型；其次，在監(jiān)控預(yù)警的情況下，運(yùn)用譜、線性峭度提取報(bào)警頻譜的故障特征頻帶并提取故障特征頻帶中的特征參數(shù)作為模型的特征值；最后，利用訓(xùn)練完成的模型對報(bào)警信號進(jìn)行故障分類，實(shí)現(xiàn)故障診斷。并將診斷結(jié)果保留到診斷隊(duì)列當(dāng)中。

最后有處理權(quán)限的用戶可以登入診斷模塊并查看診斷隊(duì)列中的未處理報(bào)警列表及初步解決方案，如果初步解決方案可以解決問題，則直接處理并關(guān)閉報(bào)警，如不能解決問題，用戶可以選擇修改故障描述并重新進(jìn)行診斷。

采集齒輪箱內(nèi)各振動(dòng)測點(diǎn)的的初始樣本數(shù)據(jù)，通過其輸入轉(zhuǎn)速，結(jié)合軸承故障系數(shù)表得到該齒輪箱的滾動(dòng)軸承頻率基本信息，包括外圈故障頻率、內(nèi)圈故障頻率、滾動(dòng)體故障頻率、保持架故障頻率等。

接著通過譜峭度定位其故障段，進(jìn)而在這個(gè)頻段內(nèi)用診斷算法提取加速度包絡(luò)譜和速度頻譜的軸承故障邊帶能量及振幅較大的頻率分量。圖15為加速度包絡(luò)譜圖（橫坐標(biāo)：頻率/Hz，縱坐標(biāo)：加速度幅值/mm·s-2/dB），圖16為速度頻譜圖（橫坐標(biāo)：頻率/Hz，縱坐標(biāo)：速度幅值mm·s-1/dB）。根據(jù)所提取的信息，進(jìn)一步與故障頻率進(jìn)行匹配對比，進(jìn)行故障診斷。

圖15 加速度包絡(luò)譜圖

圖16 速度頻譜圖

基于以上技術(shù)，在系統(tǒng)中，系統(tǒng)將給予內(nèi)置的診斷算法，對于所識別到潛在異常風(fēng)險(xiǎn)，初步判斷潛在的常見機(jī)械故障類型，并顯示在預(yù)警界面的右側(cè)（如圖17所示的右側(cè)綠色部分），為診斷提供更為便捷、智能、高效的排查支持，降低專家工作負(fù)荷，提高設(shè)備運(yùn)行可靠性。

圖17 機(jī)械振動(dòng)預(yù)警分析

4 特定場景性能預(yù)測及故障診斷

4.1 主電機(jī)性能預(yù)測

立式磨機(jī)主電機(jī)輸出轉(zhuǎn)速，經(jīng)減速機(jī)變速后輸出扭矩給磨輥/盤系統(tǒng)研磨做功。整個(gè)傳動(dòng)鏈?zhǔn)莿傂詡鲃?dòng)，因此諸如磨輥的過載所導(dǎo)致的反向扭矩會(huì)一定程度傳導(dǎo)到主電機(jī)；減速器內(nèi)斷齒導(dǎo)致傳動(dòng)失效導(dǎo)致電機(jī)短時(shí)間內(nèi)無法將電能轉(zhuǎn)化為動(dòng)能，最終過熱燒毀。因此對主電機(jī)自身的異常工況保護(hù)就顯得尤為重要。

通過對主電機(jī)正常工況下的工作電流、繞組溫度、潤滑油溫/壓等多維度時(shí)域歷史數(shù)據(jù)建立相關(guān)性模型，來預(yù)測主電機(jī)偏離正常工況的程度。

4.2 主電機(jī)故障診斷

通過對故障歷史數(shù)據(jù)建立決策樹模型可以定位具體的故障類型：

-電機(jī)軸承潤滑不良；

-油膜軸承軸瓦損壞；

4.3 主電機(jī)-減速器聯(lián)軸器振動(dòng)監(jiān)測

聯(lián)軸器可能存在兩側(cè)軸不對中和不平行等情況，在高速傳動(dòng)過程中會(huì)導(dǎo)致兩側(cè)軸承的徑向和軸向的振動(dòng)，對滾動(dòng)體或軸瓦造成沖擊力和受力不均，降低軸承的使用壽命。

通過對正常工況下的聯(lián)軸器兩端軸承的振動(dòng)頻譜以及軸承溫度等多維度歷史數(shù)據(jù)建立相關(guān)性模型，可以預(yù)測相關(guān)軸承的健康程度。

4.4 主電機(jī)-減速器聯(lián)軸器振動(dòng)故障診斷

通過對故障歷史數(shù)據(jù)建立決策樹模型可以定位具體的故障類型：-輸入端軸承：軸承外圈磨損/軸承內(nèi)圈磨損；-輸出端軸承：軸承外圈磨損/軸承內(nèi)圈磨損。

4.5 減速器內(nèi)傳動(dòng)振動(dòng)監(jiān)測

減速器內(nèi)部分為高速級、中間級和行星級三級變速。各級輸入輸出端均安裝有振動(dòng)加速度傳感器。因此可以通過對正常工況下的相關(guān)軸承和齒輪的傳動(dòng)頻譜特征歷史數(shù)據(jù)建立相關(guān)性模型，來預(yù)測減速器內(nèi)各變速級的工作性能。

4.6 減速器內(nèi)傳動(dòng)振動(dòng)故障診斷

通過對故障歷史數(shù)據(jù)建立決策樹模型可以定位具體的故障類型：

-高速級輸出端軸承：軸承外圈磨損/軸承內(nèi)圈磨損；

-中間級輸出端軸承：軸承外圈磨損/軸承內(nèi)圈磨損；

-行星級輸出端軸承：軸承外圈磨損/軸承內(nèi)圈磨損；

-齒輪點(diǎn)蝕、磨損、斷齒。

4.7 磨輥/盤動(dòng)平衡監(jiān)測

多個(gè)工作磨輥同時(shí)工作時(shí)，存在彼此之間下壓不均衡；單輥下料層厚度也可能分布不均。這種情況導(dǎo)致磨輥間研磨載荷分布不均，影響磨輥壽命和研磨效率。同時(shí)整個(gè)磨盤由于受力不均，也影響立式磨機(jī)本體的結(jié)構(gòu)完整性。

單輥的研磨載荷取決于其壓下力、其下料層厚度和磨盤轉(zhuǎn)速。而不同的磨輥壓力、料層厚度和磨盤轉(zhuǎn)速會(huì)導(dǎo)致磨輥的不同的垂直向振動(dòng)特征。因此可以利用這一振動(dòng)頻譜特征，結(jié)合單輥的工作壓力、溫度和磨盤轉(zhuǎn)速等多維度特征數(shù)據(jù)來表征單輥的研磨載荷。繼而可以反映出磨盤上各工作輥之間的載荷分布情況。工作輥的載荷分布均勻程度可以用來衡量磨輥/盤系統(tǒng)在生產(chǎn)過程中的動(dòng)態(tài)平衡度。

基于上述原理分析，對正常工況下每個(gè)磨輥的振動(dòng)頻譜，壓下力、溫度和磨盤轉(zhuǎn)速等測點(diǎn)數(shù)據(jù)建立相關(guān)性模型來預(yù)測磨輥/盤系統(tǒng)動(dòng)平衡度，從而實(shí)現(xiàn)對磨輥/盤動(dòng)態(tài)失衡的預(yù)警監(jiān)測。

4.8 選粉機(jī)風(fēng)機(jī)-電機(jī)聯(lián)軸器振動(dòng)監(jiān)測

聯(lián)軸器可能存在兩側(cè)軸不對中和不平行等情況，在高速傳動(dòng)過程中導(dǎo)致兩側(cè)軸承的徑向和軸向的振動(dòng)，對滾動(dòng)體或軸瓦造成沖擊力和受力不均，降低軸承的使用壽命。

通過對正常工況下的聯(lián)軸器兩端軸承的振動(dòng)頻譜以及軸承溫度等多維度歷史數(shù)據(jù)建立相關(guān)性模型，可以預(yù)測相關(guān)軸承的健康程度。

4.9 選粉機(jī)風(fēng)機(jī)-電機(jī)聯(lián)軸器振動(dòng)故障診斷

通過對故障歷史數(shù)據(jù)建立決策樹模型可以定位具體的故障類型：

-輸入端軸承：軸承外圈磨損/軸承內(nèi)圈磨損

-輸出端軸承：軸承外圈磨損/軸承內(nèi)圈磨損

以上所述，在特定場景下獲取各測點(diǎn)振動(dòng)頻譜特征，結(jié)合多維度特征數(shù)據(jù)來表征生產(chǎn)過程中的動(dòng)態(tài)變化?；赟iePA系統(tǒng)的智能診斷分析模塊和相關(guān)性原理分析，在正常工況下對各測點(diǎn)數(shù)據(jù)建立相關(guān)性模型來預(yù)測故障類型，從而實(shí)現(xiàn)預(yù)警監(jiān)測和故障診斷。

5 系統(tǒng)部署服務(wù)器要求

硬件設(shè)備配置如表1所示。

表1 SiePA預(yù)測性維護(hù)系統(tǒng)的硬件設(shè)備配置

為保證良好的用戶體驗(yàn)和顯示效果，對于訪問SiePA系統(tǒng)的客戶機(jī)，采用Chrome瀏覽器或基于Chrome內(nèi)核的瀏覽器，并采用1920×1080分辨率。

用戶數(shù)據(jù)平臺（Customer’s date platform）聯(lián)結(jié)SiePA服務(wù)器和現(xiàn)場DCS系統(tǒng)，建立現(xiàn)場對外數(shù)據(jù)傳輸網(wǎng)絡(luò)通信。西門子SiePA工作站、服務(wù)器與現(xiàn)場采集數(shù)據(jù)的通信由圖18所示的網(wǎng)絡(luò)架構(gòu)表示相互聯(lián)結(jié)關(guān)系。

圖18 基于西門子SINEMA-RC的網(wǎng)絡(luò)架構(gòu)圖

6 結(jié)束語

針對當(dāng)前礦渣微粉立式磨機(jī)設(shè)備的運(yùn)維方式，利用設(shè)備運(yùn)行過程中產(chǎn)生的多源數(shù)據(jù)對設(shè)備的健康狀況進(jìn)行分析，實(shí)現(xiàn)運(yùn)行狀態(tài)預(yù)測預(yù)警。

通過對設(shè)備已有數(shù)據(jù)進(jìn)行深入的數(shù)據(jù)分析與挖掘，構(gòu)建設(shè)備健康狀態(tài)預(yù)測模型，接入實(shí)時(shí)數(shù)據(jù)與預(yù)測模型進(jìn)行比對來對立式磨機(jī)整體潛在故障風(fēng)險(xiǎn)進(jìn)行預(yù)測與預(yù)警。

這些分析和監(jiān)控的結(jié)果將以交互式可視化分析平臺的形式反饋給管理決策人員以及設(shè)備操作人員。采用Chrome內(nèi)核的瀏覽器或基于Chrome內(nèi)核的瀏覽器，使訪問SiePA系統(tǒng)獲得良好的體驗(yàn)和顯示效果。

本系統(tǒng)在實(shí)現(xiàn)運(yùn)行狀態(tài)、故障風(fēng)險(xiǎn)預(yù)測預(yù)警提出處置建議的同時(shí)，不斷挖掘數(shù)字化價(jià)值和更新知識庫實(shí)現(xiàn)自身完善，實(shí)現(xiàn)向智能化工廠的運(yùn)行方向不斷發(fā)展。