遠程監(jiān)控及故障診斷技術(shù)在大型軋機系統(tǒng)中的應(yīng)用

呂金，徐莉，隋大偉，高啟心，徐德樹

（1.天津電氣科學(xué)研究院有限公司，天津 300180；2.燕山大學(xué)電氣工程學(xué)院，河北 秦皇島 066004；3.天津航空機電有限公司，天津 300308）

近年來，隨著中國工業(yè)經(jīng)濟的發(fā)展，大型軋機在鋼鐵、有色金屬等行業(yè)中發(fā)揮著越來越重要的作用。然而，在軋機生產(chǎn)過程中，由于設(shè)備復(fù)雜性高、操作人員技術(shù)水平參差不齊、以及環(huán)境條件惡劣等原因，軋機出現(xiàn)故障的情況時有發(fā)生，建立一個完善的監(jiān)控系統(tǒng)和故障診斷系統(tǒng)尤為重要。目前，傳統(tǒng)的故障診斷方法[1-2]主要是通過數(shù)據(jù)采集系統(tǒng)將系統(tǒng)運行的所有數(shù)據(jù)采集到本地服務(wù)器中，當(dāng)系統(tǒng)報警或者報故障時，調(diào)出故障前后的數(shù)據(jù)曲線，工程師依據(jù)經(jīng)驗來判斷故障類型和原因，但其存在一些不足之處，主要表現(xiàn)為手段原始、診斷速度慢且需要停機檢查，這將消耗大量人力物力。此外，大型軋機機械結(jié)構(gòu)及設(shè)備也較為復(fù)雜，而且通常故障與故障之間相互影響，使得技術(shù)人員在進行診斷時經(jīng)驗和技巧非常重要，否則診斷精度就會受到影響。

國內(nèi)的研究團隊，主要是以高校為領(lǐng)導(dǎo)者，在遠程監(jiān)控技術(shù)方面已經(jīng)取得了顯著的進展。例如，華北電力大學(xué)開發(fā)了一種名為“汽車發(fā)電機組工況監(jiān)測和診斷系統(tǒng)”的技術(shù)[3]，它結(jié)合了貝葉斯網(wǎng)絡(luò)診斷技術(shù)和多智能體技術(shù)，用于監(jiān)測汽車發(fā)電機組的狀態(tài)并進行故障診斷；華東理工大學(xué)開發(fā)了一種名為“微焊接機器人遠程監(jiān)控及實時維護系統(tǒng)”的技術(shù)[4]，該系統(tǒng)采用B/S架構(gòu)，并利用VPN 技術(shù)對微焊接機器人的狀態(tài)進行檢測和實時維護。傳統(tǒng)的遠程監(jiān)控系統(tǒng)一般采用基于客戶端/服務(wù)端（C/S）模式和有線傳輸方式進行數(shù)據(jù)傳輸，這種結(jié)構(gòu)存在諸多限制和不足。首先，開發(fā)成本較高，升級維護也相對困難；其次，功能模塊往往缺乏靈活性，無法滿足企業(yè)的個性化需求；最后，在操作上也存在一定難度。

本文提出的遠程監(jiān)控系統(tǒng)可以通過互聯(lián)網(wǎng)連接到云服務(wù)器進行數(shù)據(jù)傳輸和存儲，同時可以支持多種無線傳輸方式，如Wi-Fi、藍牙、4G等。采用基于人工智能的故障診斷系統(tǒng)，這種系統(tǒng)可以使用機器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，通過對大量歷史數(shù)據(jù)的分析和學(xué)習(xí)，來實現(xiàn)自動化故障診斷和預(yù)測。

1 遠程監(jiān)控與故障診斷系統(tǒng)總體設(shè)計

大型軋機遠程監(jiān)控及故障診斷系統(tǒng)總體機構(gòu)設(shè)計如圖1所示。

圖1 遠程監(jiān)控與故障診斷總結(jié)構(gòu)Fig.1 Remote monitoring and fault diagnosis structure

2 硬件系統(tǒng)設(shè)計

2.1 傳感器系統(tǒng)設(shè)計

傳感器是大型軋機遠程故障診斷系統(tǒng)中的重要組成部分，采集到的數(shù)據(jù)是進行數(shù)據(jù)分析的基礎(chǔ)。因此，在選擇傳感器時，需要特別謹慎，需要考慮到傳感器的適用性、靈敏度、線性范圍、穩(wěn)定性和精度等要素。再根據(jù)被監(jiān)測單元的主要指標(biāo)選擇傳感器。傳感器的型號如表1所示。

表1 傳感器型號Tab.1 Sensor type

2.2 數(shù)據(jù)采集及傳輸系統(tǒng)設(shè)計

根據(jù)傳感器的選型，選擇合適的數(shù)據(jù)采集系統(tǒng)，數(shù)據(jù)采集方案如圖2所示，本文選擇的是繁易公司的FBox 采集模塊，帶有4G 模塊，支持西門子、三菱、歐姆龍等PLC 設(shè)備。首先，用PLC 收集傳感器系統(tǒng)所采集到的生產(chǎn)線運行參數(shù)，然后再通過以太網(wǎng)將采集來的數(shù)據(jù)傳輸?shù)紽Box 采集模塊中，不用增加額外的傳感器數(shù)據(jù)收集模塊，利用軋線的PLC 即可。隨后，F(xiàn)Box 采集模塊利用無線傳輸技術(shù)將采集到的監(jiān)測量上傳至云服務(wù)器進行保存和匯總，然后使用故障診斷技術(shù)對數(shù)據(jù)進行故障排查，并通過無線網(wǎng)絡(luò)及時向工作人員反饋生產(chǎn)線的運行情況和故障狀態(tài)。

圖2 數(shù)據(jù)采集方案圖Fig.2 Data acquisition scheme diagram

2.2.1 數(shù)據(jù)采集系統(tǒng)設(shè)計

數(shù)據(jù)采集系統(tǒng)指的是將采集到的軋機的運行參數(shù)通過有線或者無線的方式傳輸?shù)缴衔粰C中。由于大型軋機的工況復(fù)雜，采用有線傳輸?shù)姆绞匠杀敬笄覠o法保證數(shù)據(jù)的穩(wěn)定傳輸，因此本文選用繁易公司的FBox數(shù)據(jù)采集模塊來實現(xiàn)數(shù)據(jù)的無線傳輸。FBox設(shè)備基于ARM CORTEX A8處理器內(nèi)核，具備3個以太網(wǎng)口、3個串行通訊口，具備WIFI/GPRS/4G等多種無線設(shè)備的互聯(lián)能力。在本文中，將FBox 設(shè)備安裝在現(xiàn)場機柜中，通過以太網(wǎng)口連接現(xiàn)場的PLC設(shè)備。FBox設(shè)備通過網(wǎng)絡(luò)將這些PLC 設(shè)備或儀表中的數(shù)據(jù)發(fā)布到互聯(lián)網(wǎng)云服務(wù)器中。可以隨時查看分布在各地的設(shè)備數(shù)據(jù)、了解設(shè)備運行狀態(tài)和報警、遠程調(diào)試PLC設(shè)備、攝像頭監(jiān)控等功能。

2.2.2 數(shù)據(jù)傳輸方式的選取

FBox 設(shè)備支持西門子、三菱、歐姆龍等眾多公司的PLC 設(shè)備，且網(wǎng)絡(luò)配置簡單，無需用戶了解復(fù)雜的網(wǎng)絡(luò)環(huán)境和服務(wù)器配置。本文現(xiàn)場使用的是西門子PLC300 系列產(chǎn)品，因此，通過以太網(wǎng)口連接現(xiàn)場的PLC 設(shè)備。FBox 設(shè)備通過4G 網(wǎng)絡(luò)實現(xiàn)數(shù)據(jù)的遠程傳輸，連接云服務(wù)器Fserver，用戶可以通過裝有OPC 端的上位機或者4G 網(wǎng)絡(luò)訪問云服務(wù)器Fserver，對生產(chǎn)線進行實時監(jiān)控。

2.2.3 遠程監(jiān)控平臺構(gòu)建

該平臺提供了豐富的控件、變量連接方式，可快速組態(tài)生產(chǎn)線畫面，具有多種顯示效果；提供PC 端和手機端界面，手機接收設(shè)備報警信息。自定義手機界面監(jiān)控畫面，如圖3所示。

圖3 手機App監(jiān)控畫面Fig.3 Mobile App monitoring screen

3 故障診斷專家系統(tǒng)及其診斷方法

專家系統(tǒng)[5-7]是一種集成了領(lǐng)域?qū)＜抑R的計算機系統(tǒng)，通過存儲專家經(jīng)驗來解決問題。隨著技術(shù)的發(fā)展和研究的深入，專家系統(tǒng)被廣泛應(yīng)用于故障診斷、控制、預(yù)測、教學(xué)等領(lǐng)域，并融入了模糊理論、數(shù)據(jù)庫技術(shù)、人工算法等元素，使其功能不斷完善。專家系統(tǒng)具有專業(yè)性、啟發(fā)性、靈活性和透明性等特點。

3.1 專家系統(tǒng)的工作原理

專家系統(tǒng)使用知識庫、數(shù)據(jù)庫和推理機推理問題。它先從知識庫獲取知識，然后定義推理規(guī)則并儲存到數(shù)據(jù)庫中。推理機根據(jù)規(guī)則進行推理，得到假設(shè)方案集合。對假設(shè)方案進行排序，選擇最優(yōu)解決方案。根據(jù)解決方案去解決問題，若解決則得到解釋信息，否則選擇下一個假設(shè)方案。重復(fù)此過程直至問題解決，否則無解。

3.2 專家系統(tǒng)的組成

針對不同的研究對象，每種專家系統(tǒng)的設(shè)計準(zhǔn)則和任務(wù)也不一樣，專家系統(tǒng)都由知識庫、綜合數(shù)據(jù)庫、知識獲取機、推理機、解釋器和人機接口6大模塊組成，其基本結(jié)構(gòu)如圖4所示。

圖4 專家系統(tǒng)結(jié)構(gòu)Fig.4 Expert system architecture

3.3 基于梯度下降法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是一種常用的人工神經(jīng)網(wǎng)絡(luò)模型[8-10]，可以用于分類、回歸等任務(wù)。然而，傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程需要大量的計算資源和時間，并且容易陷入局部最優(yōu)解。為了解決這些問題，使用優(yōu)化算法來優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的參數(shù)。

在BP 神經(jīng)網(wǎng)絡(luò)中，每個神經(jīng)元的輸出可以表示為

式中：yk為第l層第k個神經(jīng)元的輸出；f（）為激活函數(shù)；Nl-1為l-1層神經(jīng)元個數(shù)；wkj為連接第l-1層第j個神經(jīng)元和第l層第k個神經(jīng)元的權(quán)重；bk為第l層第k個神經(jīng)元的偏置。對于輸入層（第1層），直接將輸入作為輸出。

梯度下降法是BP 神經(jīng)網(wǎng)絡(luò)的常用優(yōu)化算法，可以通過反向傳播算法計算出每個權(quán)重和偏置的梯度，從而更新它們的值。假設(shè)誤差函數(shù)為E，則每個權(quán)重和偏置的梯度可以表示為

其中

式中：δk為第l層第k個神經(jīng)元的誤差信號；tk為第k個神經(jīng)元的目標(biāo)值；ak為第k個神經(jīng)元的輸入（即加權(quán)和）；f'( )為激活函數(shù)的導(dǎo)數(shù)。

需要注意的是，對于不同的激活函數(shù)，導(dǎo)數(shù)的計算方式也不同。最后，權(quán)重和偏置的更新公式為

其中，η為學(xué)習(xí)率，可以控制權(quán)重和偏置的更新步長，在使用PSO 算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)時，可以將權(quán)重和偏置作為粒子的位置，使用PSO 算法更新粒子的速度和位置，從而優(yōu)化網(wǎng)絡(luò)的權(quán)重和偏置。

通過BP 神經(jīng)網(wǎng)絡(luò)可以建立生產(chǎn)線運行參數(shù)和故障癥狀及其故障狀態(tài)的非線性關(guān)系，并進行實時診斷。根據(jù)歷史維修記錄及對應(yīng)的故障樣本數(shù)據(jù)，選取某企業(yè)冶金生產(chǎn)線大型軋機的多組歷史數(shù)據(jù)作為網(wǎng)絡(luò)的樣本數(shù)據(jù)來訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)。

3.4 基于模糊故障樹的貝葉斯網(wǎng)絡(luò)

基于故障樹的貝葉斯網(wǎng)絡(luò)[11-14]是一種結(jié)合故障樹分析和貝葉斯網(wǎng)絡(luò)的方法，用于對系統(tǒng)故障進行建模和分析。它將故障樹中的事件和邏輯關(guān)系轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)的節(jié)點和邊，從而能夠通過概率推理來評估系統(tǒng)的可靠性和故障概率。

故障樹分析法是一種用于分析系統(tǒng)故障的圖形分析方法。故障樹中的事件和門代表了系統(tǒng)中可能發(fā)生的故障和故障的邏輯關(guān)系。常見的故障樹門包括與門（AND門）和或門（OR門）。

貝葉斯網(wǎng)絡(luò)是一種概率圖模型，用于表示變量之間的條件依賴關(guān)系。貝葉斯網(wǎng)絡(luò)由節(jié)點和邊組成，其中節(jié)點表示隨機變量，邊表示變量之間的依賴關(guān)系。每個節(jié)點都與一個條件概率表（conditional probability table，CPT）相關(guān)聯(lián)，描述了給定其父節(jié)點的取值時，該節(jié)點的概率分布。

將故障樹轉(zhuǎn)化為貝葉斯網(wǎng)絡(luò)的過程涉及將故障樹中的事件映射到貝葉斯網(wǎng)絡(luò)的節(jié)點，并通過AND門和OR門的轉(zhuǎn)化規(guī)則建立節(jié)點之間的依賴關(guān)系。對于每個節(jié)點，需要定義其CPT，該表根據(jù)父節(jié)點的狀態(tài)計算當(dāng)前節(jié)點的概率。

根據(jù)貝葉斯定理，可以計算給定證據(jù)的條件下，某個事件的后驗概率。貝葉斯定理的公式如下所示：

式中：P(A|B)為事件A在給定事件B發(fā)生的條件下的后驗概率；P(B|A)為事件B在事件A發(fā)生的條件下的概率；P(A)為事件A的先驗概率；P(B)為事件B的先驗概率。

在基于故障樹的貝葉斯網(wǎng)絡(luò)中，可以將貝葉斯公式應(yīng)用于故障樹的節(jié)點上，例如：

式中：F為故障事件；E1,E2,E3為故障事件的子事件；P(E1|F)為在故障事件F發(fā)生的條件下，子事件E1發(fā)生的概率；P(F)為故障事件F發(fā)生的先驗概率；P(E1,E2,E3)為子事件E1,E2,E3同時發(fā)生的概率。

根據(jù)觀測到的節(jié)點狀態(tài)，可以通過貝葉斯網(wǎng)絡(luò)的推理算法計算出其他節(jié)點的概率，并最終確定故障原因。

4 故障診斷專家系統(tǒng)模型的建立

在上文研究的基礎(chǔ)上建立故障診斷專家系統(tǒng)模型，首先介紹了診斷流程的設(shè)計思路，然后將BP 神經(jīng)網(wǎng)絡(luò)和貝葉斯網(wǎng)絡(luò)融入專家系統(tǒng)并簡述其優(yōu)勢，最后設(shè)計專家系統(tǒng)知識庫和推理機。

4.1 診斷流程設(shè)計

傳統(tǒng)專家系統(tǒng)的推理機制簡單，規(guī)則之間邏輯關(guān)系不夠透明，難以對整個推理過程起作用。規(guī)則數(shù)量較多時，搜索難度大、效率低、精度差。傳統(tǒng)專家系統(tǒng)缺乏自學(xué)習(xí)能力，無法解決新問題，知識修改、添加、調(diào)整規(guī)則等操作只能由工程師完成。因此，本文采用了將BP 神經(jīng)網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合的方式，智能的故障診斷專家系統(tǒng)的結(jié)構(gòu)如圖5所示。

圖5 基于多融合網(wǎng)絡(luò)的專家系統(tǒng)Fig.5 Expert system based on multi-fusion network

4.2 建立知識庫

本文介紹了一種大型軋機故障診斷專家系統(tǒng)的構(gòu)建方法，該系統(tǒng)包括靜態(tài)知識庫和動態(tài)知識庫。靜態(tài)知識庫主要來源于生產(chǎn)線內(nèi)部設(shè)備的使用說明手冊、維修記錄、專家經(jīng)驗和相關(guān)書籍，而動態(tài)知識庫則是通過BP 神經(jīng)網(wǎng)絡(luò)和貝葉斯網(wǎng)絡(luò)根據(jù)實例訓(xùn)練獲取的。本文使用一家鋼鐵企業(yè)的一段時間的故障數(shù)據(jù)來訓(xùn)練改進后的BP 神經(jīng)網(wǎng)絡(luò)，并得到了優(yōu)化后的算法，還將故障癥狀和狀態(tài)輸入到貝葉斯網(wǎng)絡(luò)中，以獲取故障原因的后驗概率，并構(gòu)建了動態(tài)知識庫，如圖6所示。

圖6 大型軋機傳動單元故障事實表Fig.6 Transmission unit of large rolling mill failure fact table

4.3 推理機的建立

對BP 神經(jīng)網(wǎng)絡(luò)的推理機制進行了改進，使得專家系統(tǒng)可以實時診斷監(jiān)測到的異常數(shù)據(jù)。當(dāng)出現(xiàn)異常時，將異常數(shù)據(jù)輸入已訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中進行故障診斷，并用貝葉斯網(wǎng)絡(luò)的推理機制完善推理過程，增強自我學(xué)習(xí)能力。通過T-S 模糊故障樹[15]建模和構(gòu)建貝葉斯網(wǎng)絡(luò)，得到了各節(jié)點的條件概率表和根節(jié)點的先驗概率，最終可以通過輸入故障癥狀及其狀態(tài)得到各根節(jié)點的后驗概率。推理過程如圖7、圖8所示。

圖7 改進BP神經(jīng)網(wǎng)絡(luò)推理流程圖Fig.7 Improved BP neural network reasoning flow chart

圖8 貝葉斯網(wǎng)絡(luò)推理流程圖Fig.8 Bayesian network inference flow chart

4.4 歷史數(shù)據(jù)模塊

歷史數(shù)據(jù)模塊由歷史運行數(shù)據(jù)查詢和歷史故障記錄查詢這兩大部分組成，用戶可以根據(jù)自己的需求，依次選擇生產(chǎn)線單元、生產(chǎn)組件、查詢?nèi)掌趤砹私馍a(chǎn)線的歷史運行情況和歷史故障情況。

5 結(jié)論

本文介紹了故障診斷方法和遠程監(jiān)控技術(shù)在大型軋機系統(tǒng)中應(yīng)用，使用繁易公司的FBox數(shù)據(jù)采集模塊和Fserver云系統(tǒng)，用戶可以通過遠程站實時訪問現(xiàn)場設(shè)備的數(shù)據(jù)；提出了BP 神經(jīng)網(wǎng)絡(luò)和基于模糊故障樹的貝葉斯網(wǎng)絡(luò)的故障診斷方法，并構(gòu)建了專門用于冶金行業(yè)大型軋機的故障診斷專家系統(tǒng)。同時，對大型軋機遠程監(jiān)控系統(tǒng)進行了總體設(shè)計和核心單元的工作原理和故障分析。通過融合BP 神經(jīng)網(wǎng)絡(luò)和貝葉斯網(wǎng)絡(luò)的專家系統(tǒng)，系統(tǒng)具備了自學(xué)習(xí)和解決非線性和不確定性問題的能力。最終，成功設(shè)計并實現(xiàn)了大型軋機運行的遠程監(jiān)控及故障診斷系統(tǒng)。