基于GMM 的流體旋轉(zhuǎn)設(shè)備運(yùn)行可靠性在線評(píng)價(jià)方法

郗 濤，王 博，吳賢慧，王莉靜，張建業(yè)

（1.天津工業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300387；2.天津城建大學(xué) 控制與機(jī)械工程學(xué)院，天津 300384）

0 引言

隨著水輪機(jī)、渦輪發(fā)動(dòng)機(jī)、離心機(jī)等流體旋轉(zhuǎn)設(shè)備的廣泛應(yīng)用，相應(yīng)的設(shè)備運(yùn)行與維護(hù)也越來(lái)越受重視，目前各大企業(yè)為了降低運(yùn)維成本，相繼建立了基于物聯(lián)網(wǎng)的設(shè)備運(yùn)行實(shí)時(shí)監(jiān)控系統(tǒng)，但只能對(duì)關(guān)鍵參數(shù)進(jìn)行在線監(jiān)測(cè)，無(wú)法對(duì)設(shè)備運(yùn)行的可靠性進(jìn)行評(píng)價(jià)。因此研究準(zhǔn)確高效的設(shè)備在線運(yùn)行可靠性評(píng)價(jià)方法，實(shí)現(xiàn)準(zhǔn)確的可靠性預(yù)測(cè)，對(duì)于降低設(shè)備故障頻率、延長(zhǎng)設(shè)備安全運(yùn)行時(shí)間、指導(dǎo)預(yù)防性維修具有重要意義。

在設(shè)備運(yùn)行可靠性評(píng)價(jià)領(lǐng)域，荊岫巖等［1］提出了一種基于比例協(xié)變量模型的抽水蓄能機(jī)組軸系運(yùn)行可靠性評(píng)估方法，該方法需要獲取故障數(shù)據(jù)計(jì)算初始故障率，但是由于設(shè)備故障種類多，導(dǎo)致難以得到準(zhǔn)確的初始故障率；URBAHA 等［2］提出一種基于聲發(fā)射監(jiān)測(cè)評(píng)估飛機(jī)燃?xì)廨啓C(jī)轉(zhuǎn)子葉片的可靠性評(píng)價(jià)方法，但該方法僅適用于故障發(fā)生后的維修期間，無(wú)法實(shí)現(xiàn)運(yùn)行中的實(shí)時(shí)評(píng)估；陳衛(wèi)沖等［3］通過對(duì)軸承溫升、機(jī)組振動(dòng)信號(hào)識(shí)別分析，實(shí)現(xiàn)泵站故障的原因分析與智能預(yù)警，完成了大型泵站運(yùn)行狀態(tài)的評(píng)價(jià)；王紅軍等［4］對(duì)振動(dòng)信號(hào)進(jìn)行處理，構(gòu)建高維特征空間，計(jì)算當(dāng)前狀態(tài)與正常狀態(tài)的特征子空間的夾角，來(lái)表征設(shè)備的運(yùn)行可靠性。但是旋轉(zhuǎn)設(shè)備在實(shí)際運(yùn)行中，振動(dòng)源多且復(fù)雜，存在振動(dòng)信號(hào)不易提取，安裝振動(dòng)傳感器增加運(yùn)維成本的問題［5］。

由于流體旋轉(zhuǎn)設(shè)備內(nèi)部流體物料的不固定性與不穩(wěn)定性，設(shè)備往往在多種工況條件下運(yùn)行。而工況變化進(jìn)一步導(dǎo)致電流、溫度等監(jiān)測(cè)參量的變化［6］。針對(duì)流體旋轉(zhuǎn)設(shè)備存在多工況運(yùn)行的問題，本文提出分工況進(jìn)行設(shè)備運(yùn)行可靠性評(píng)價(jià)的方法。通過建立監(jiān)測(cè)數(shù)據(jù)、工況條件、運(yùn)行狀態(tài)與系統(tǒng)可靠性之間的聯(lián)系，基于高斯混合模型（Gaussian Mixture Model，GMM）實(shí)現(xiàn)設(shè)備運(yùn)行可靠性在線評(píng)價(jià)。

1 構(gòu)建運(yùn)行工況劃分模型

在不同環(huán)境溫度和不同負(fù)載情況下，基于傳感器采集的設(shè)備運(yùn)行數(shù)據(jù)存在較大差異，若只考慮單一工況，勢(shì)必影響可靠性評(píng)價(jià)的準(zhǔn)確性，為了提高可靠性評(píng)價(jià)的準(zhǔn)確性、可靠性、普適性，故進(jìn)行工況劃分。由于流體旋轉(zhuǎn)設(shè)備無(wú)法簡(jiǎn)單的通過重力傳感器實(shí)現(xiàn)工作負(fù)載識(shí)別，故本文通過設(shè)備歷史運(yùn)行數(shù)據(jù)采用聚類的方法實(shí)現(xiàn)工況劃分。

分別使用基于密度的空間聚類算法（DBSCAN）和基于快速搜索和發(fā)現(xiàn)密度峰值的聚類算法（DPC）在公開數(shù)據(jù)集上進(jìn)行對(duì)比分析。本文采用C-MAPSS 公開數(shù)據(jù)集中的test_FD002數(shù)據(jù)作為測(cè)試數(shù)據(jù)集進(jìn)行聚類分析，該數(shù)據(jù)集由美國(guó)航天航空局創(chuàng)建，模擬了渦輪風(fēng)扇發(fā)動(dòng)機(jī)的實(shí)際退化過程，包括6 種工況下21 個(gè)傳感器參數(shù)信息，最后采用3 種常用的聚類性能評(píng)價(jià)指標(biāo)評(píng)價(jià)算法性能，選擇聚類性能較好的算法應(yīng)用于設(shè)備的工況劃分。

1.1 DBSCAN 聚類算法

DBSCAN 是一種能夠很好地識(shí)別噪聲點(diǎn)，可以實(shí)現(xiàn)快速聚類［7］。該算法主要根據(jù)設(shè)定的鄰域半徑（Eps）和樣本在鄰域半徑內(nèi)包含的最小鄰域點(diǎn)個(gè)數(shù)（Minpts）實(shí)現(xiàn)聚類。但是該算法存在鄰域半徑和最小領(lǐng)域點(diǎn)個(gè)數(shù)難以確定，且參數(shù)對(duì)聚類效果特別敏感的缺點(diǎn)。

1.2 DPC 算法

DPC 算法是由ALEX RODRIGUEZ 等［8］于2014 年提出，該聚類算法不需要提前指定聚類個(gè)數(shù)，能夠自動(dòng)發(fā)現(xiàn)聚類中心點(diǎn)，實(shí)現(xiàn)高效聚類。對(duì)于每一個(gè)數(shù)據(jù)點(diǎn)，都可以計(jì)算它的局部密度ρi和該點(diǎn)距離高密度點(diǎn)的最小距離δi，其局部密度定義為：

式中，χ（·）為邏輯判斷函數(shù)；dij為xi與xj之間的距離；dc為截?cái)嗑嚯x。

δi是通過計(jì)算數(shù)據(jù)點(diǎn)xi與其他更高密度點(diǎn)的最小距離，δi定義為：

1.3 聚類效果評(píng)價(jià)

使用聚類評(píng)價(jià)指標(biāo)對(duì)上述2 種聚類算法在公開數(shù)據(jù)集C-MAPSS 上進(jìn)行聚類效果評(píng)價(jià)。已知數(shù)據(jù)集X={x1，x2，…，xn}，真實(shí)類標(biāo)簽為U={U1，U2，…，UT}，聚類劃分結(jié)果為V={V1，V2，…，VC}，采用聚類精度（ACC）、調(diào)整互信息指數(shù)（AMI）、調(diào)整蘭德系數(shù)（ARI）評(píng)價(jià)聚類性能為：

式中，N1為正確聚類的樣本數(shù)；N為總樣本數(shù)；H（U），H（V）分別為U和V的熵；MI（U，V）為互信息；E{MI（U，V）}為互信息的期望值；a為在真實(shí)和試驗(yàn)情況下都屬于同一個(gè)簇的點(diǎn)對(duì)數(shù)目；b為在真實(shí)情況下屬于同一個(gè)簇而在試驗(yàn)情況下不屬于同一個(gè)簇的點(diǎn)對(duì)數(shù)目；c為在真實(shí)情況下不屬于同一個(gè)簇而在試驗(yàn)情況下屬于同一個(gè)簇的點(diǎn)對(duì)數(shù)目；d為在真實(shí)和試驗(yàn)情況下都不屬于同一個(gè)簇的點(diǎn)對(duì)數(shù)目［9］。

借助公開數(shù)據(jù)集對(duì)上述2 種聚類算法的聚類結(jié)果進(jìn)行對(duì)比分析，得到聚類效果見表1。

表1 聚類效果分析Tab.1 Clustering effect analysis

可以發(fā)現(xiàn)，DPC 具有更高的聚類精度，故本文選擇DPC 聚類方式對(duì)設(shè)備運(yùn)行工況進(jìn)行劃分。

2 構(gòu)建運(yùn)行工況在線識(shí)別模型

為了實(shí)現(xiàn)對(duì)設(shè)備運(yùn)行工況的實(shí)時(shí)在線識(shí)別，本文選擇XGBoost 算法［10］對(duì)含工況類別的歷史數(shù)據(jù)集進(jìn)行訓(xùn)練，構(gòu)建工況識(shí)別模型。

XGBoost 樹模型以CART 作為基分類器，通過Gradient Boosting 實(shí)現(xiàn)多棵CART 樹組合的集成學(xué)習(xí)算法［11-12］，XGBoost 的模型定義為：

式中，fK（xi）表示第K棵決策樹。

XGBoost 的目標(biāo)函數(shù)定義為：

式中，L（y i）為損失函數(shù)；Ω（fk）為正則項(xiàng)；γ，λ為超參數(shù)、控制懲罰程度；T為葉節(jié)點(diǎn)個(gè)數(shù)；ω為每個(gè)葉子節(jié)點(diǎn)的權(quán)重分?jǐn)?shù)。

3 構(gòu)建設(shè)備運(yùn)行可靠性評(píng)價(jià)模型

3.1 特征選取

為了降低評(píng)價(jià)模型的復(fù)雜度，避免引入冗余特征，故進(jìn)行特征選擇，挑選出與設(shè)備運(yùn)行狀態(tài)更具相關(guān)性的特征，構(gòu)建合理的特征向量作為評(píng)價(jià)指標(biāo)。首先選用ReliefF 算法計(jì)算每個(gè)特征對(duì)設(shè)備運(yùn)行狀態(tài)的重要度，保留貢獻(xiàn)度大的特征，為了避免強(qiáng)相關(guān)性特征對(duì)模型準(zhǔn)確率的影響，利用Pearson 算法計(jì)算每個(gè)特征之間的相關(guān)性，針對(duì)具有強(qiáng)相關(guān)性的2 個(gè)參量，只保留重要度較大的參量，去除冗余特征。

3.2 構(gòu)建基于GMM 的運(yùn)行可靠性基準(zhǔn)模型

高斯混合模型［13-15］是一種無(wú)監(jiān)督學(xué)習(xí)算法，其原理是通過多個(gè)高斯概率密度函數(shù)的線性組合表示數(shù)據(jù)的空間分布，可以實(shí)現(xiàn)任意類型分布數(shù)據(jù)的有效擬合。

現(xiàn)假設(shè)數(shù)據(jù)樣本集合D中包含m維樣本特征，n個(gè)樣本數(shù)據(jù)，第i個(gè)樣本Xi={x1，x2，…，xm}，各樣本均符合高斯分布，某一時(shí)刻樣本觀測(cè)值Xi的概率表示為：

式中，P（x）為高斯混合模型的概率密度函數(shù)；ωk，μk，σk分別為第k個(gè)樣本的權(quán)重、均值、協(xié)方差，且為高斯概率密度函數(shù)。

利用公開數(shù)據(jù)集中某一工況下正常運(yùn)行階段的數(shù)據(jù)進(jìn)行訓(xùn)練，得到三維基準(zhǔn)高斯混合模型如圖1 所示。

圖1 基準(zhǔn)高斯混合模型的三維Fig.13 d graph of the datum Gaussian mixture model

3.3 構(gòu)建運(yùn)行可靠性評(píng)價(jià)指數(shù)

將經(jīng)特征選擇后的設(shè)備實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)作為一個(gè)特征向量，基于馬氏距離來(lái)度量當(dāng)前特征向量偏離基準(zhǔn)高斯混合模型的距離，當(dāng)前特征向量與第個(gè)高斯模型馬氏距離表示為：

則特征向量與高斯混合模型的偏離程度表示為：

為更直觀地了解當(dāng)前設(shè)備的運(yùn)行可靠性程度，將馬氏距離映射到［0，1］之間作為設(shè)備運(yùn)行可靠性評(píng)價(jià)指數(shù)（Operational Reliability Index，ORI），其中，可靠性指數(shù)越接近于1 表示設(shè)備運(yùn)行越可靠。

式中，α為調(diào)整系數(shù)，取α=0.015。

4 實(shí)例分析

為了驗(yàn)證上述所提方法的有效性，以礦用離心機(jī)設(shè)備為實(shí)例進(jìn)行分析，離心機(jī)是運(yùn)用高速旋轉(zhuǎn)離心原理實(shí)現(xiàn)固液分離的裝置［16］。針對(duì)離心機(jī)載荷變化明顯，存在多種運(yùn)行工況的問題，本文分工況實(shí)現(xiàn)對(duì)離心機(jī)設(shè)備的運(yùn)行可靠性評(píng)價(jià)［17］。

本文以北京某礦用離心機(jī)設(shè)備生產(chǎn)廠商所生產(chǎn)的WL1200 型臥式振動(dòng)離心機(jī)作為研究對(duì)象，利用離心機(jī)遠(yuǎn)程監(jiān)控平臺(tái)采集設(shè)備實(shí)際運(yùn)行數(shù)據(jù)進(jìn)行驗(yàn)證，其中包括正常運(yùn)行狀態(tài)下的數(shù)據(jù)和故障數(shù)據(jù)，部分監(jiān)測(cè)特征參量見表2。

表2 監(jiān)測(cè)參量Tab.2 monitoring parameters

4.1 基于DPC 算法的工況劃分

本文對(duì)歷史數(shù)據(jù)集采用DPC 算法進(jìn)行聚類分析，分別得到圖2 的決策和圖3 的二維可視圖，可以看出離心機(jī)歷史數(shù)據(jù)集被劃分為5 種典型工況。

圖2 離心機(jī)數(shù)據(jù)集上得到的決策Fig.2 Decision diagram obtained from centrifuge dataset

圖3 離心機(jī)數(shù)據(jù)集上得到的二維聚類效果Fig.3 Two-dimensional clustering effect graph on centrifuge dataset

將聚類后的數(shù)據(jù)點(diǎn)還原到原來(lái)的數(shù)據(jù)空間，分別得到工況1～5 的工況情況見表3～7。

表3 礦用離心機(jī)工況1 模型Tab.3 Working condition 1 model of mining centrifuge

表4 礦用離心機(jī)工況2 模型Tab.4 Working condition 2 model of mining centrifuge

表5 礦用離心機(jī)工況3 模型Tab.5 Working condition 3 model of mining centrifuge

表6 礦用離心機(jī)工況4 模型Tab.6 Working condition 4 model of mining centrifuge

表7 礦用離心機(jī)工況5 模型Tab.7 Working condition 5 model of mining centrifuge

4.2 基于XGBoost 算法的運(yùn)行工況在線識(shí)別

為了驗(yàn)證XGBoost 算法在離心機(jī)工況識(shí)別上的準(zhǔn)確率，隨機(jī)提取歷史運(yùn)行數(shù)據(jù)作為測(cè)試集并帶入到訓(xùn)練好的模型中進(jìn)行測(cè)試，測(cè)試結(jié)果如圖4 所示。

圖4 工況預(yù)測(cè)結(jié)果分析Fig.4 Analysis of condition forecasting results

由圖中可以看出，使用該算法進(jìn)行工況識(shí)別具有較高的準(zhǔn)確率。

4.3 特征選擇

使用ReliefF 算法計(jì)算每個(gè)特征對(duì)離心機(jī)運(yùn)行狀態(tài)的重要度，得到24 個(gè)參量的平均重要度見表8。

表8 監(jiān)測(cè)參量的平均重要度Tab.8 Average importance of monitoring parameters

由于ReliefF 算法無(wú)法有效去除冗余特征，本文選擇保留重要度大于0.5 的特征參量，然后使用Pearson 算法去除冗余參量，將Pearson 相關(guān)系數(shù)的閾值設(shè)定為0.9，若相關(guān)性超過0.9，則只保留重要度較高的參量。經(jīng)過上述特征選擇，最終選擇主電機(jī)A 相電流、振動(dòng)電機(jī)1A 相電流、振動(dòng)電機(jī)2A 相電流、主電機(jī)繞組溫度，振動(dòng)電機(jī)1 溫度、振動(dòng)電機(jī)2 溫度、油泵電機(jī)溫度、主振彈簧溫度、篩籃位移、潤(rùn)滑油溫度、主軸轉(zhuǎn)速、主軸溫度、前后軸承溫度共14 個(gè)參量作為評(píng)價(jià)指標(biāo)。

4.4 基于GMM 方法的運(yùn)行可靠性基準(zhǔn)模型構(gòu)建

在設(shè)備正常運(yùn)行數(shù)據(jù)集中分別提取5 種不同運(yùn)行工況下的歷史運(yùn)行數(shù)據(jù)，利用上述14 個(gè)狀態(tài)參量分別構(gòu)建5 種不同工況下的運(yùn)行可靠性基準(zhǔn)模型。為實(shí)現(xiàn)運(yùn)行可靠性評(píng)價(jià)，將實(shí)時(shí)在線采集的14 個(gè)狀態(tài)參量作為一個(gè)特征向量，對(duì)該特征向量進(jìn)行工況識(shí)別后再將此特征輸入到對(duì)應(yīng)工況下的基準(zhǔn)高斯混合模型中，測(cè)量該特征與基準(zhǔn)模型的馬氏距離，再將馬氏距離映射到［0，1］之間得到運(yùn)行可靠性指數(shù)（ORI）。

4.5 結(jié)果分析

為了驗(yàn)證本文所提算法能夠有效反應(yīng)設(shè)備的劣化過程，取3 臺(tái)設(shè)備從投入運(yùn)行至第一次維修之前的運(yùn)行數(shù)據(jù)。由于數(shù)據(jù)量太大，每間隔10 h 提取一條運(yùn)行數(shù)據(jù)，構(gòu)成測(cè)試數(shù)據(jù)集進(jìn)行驗(yàn)證。計(jì)算得到設(shè)備運(yùn)行期間的運(yùn)行可靠性指數(shù)變化趨勢(shì)如圖5 所示。

圖5 設(shè)備全壽命周期的運(yùn)行可靠性指數(shù)Fig.5 ORI of equipment life cycle

隨著設(shè)備運(yùn)行時(shí)間的增加，運(yùn)行可靠性指數(shù)不斷下降，且設(shè)備故障點(diǎn)越多，運(yùn)行可靠性指數(shù)越低，符合實(shí)際。

為了進(jìn)一步驗(yàn)證故障點(diǎn)個(gè)數(shù)與運(yùn)行可靠性的關(guān)系，分別提取工況1，2，4 下的正常運(yùn)行數(shù)據(jù)、含有1 種故障、含有2 種故障和含有3 種及以上故障的設(shè)備運(yùn)行數(shù)據(jù)，得到對(duì)應(yīng)的運(yùn)行可靠性指數(shù)ORI。對(duì)應(yīng)工況1，得到各運(yùn)行條件下的ORI分布，如圖6 所示。

圖6 工況1 不同運(yùn)行條件下的ORIFig.6 ORI in different operating conditions of condition 1

對(duì)應(yīng)工況2，得到各運(yùn)行條件的ORI，如圖7所示。

圖7 工況2 不同運(yùn)行條件下的ORIFig.7 ORI in different operating conditions of condition 2

對(duì)應(yīng)工況4，得到各運(yùn)行條件的ORI，如圖8所示。

圖6～8 分別示出了工況1、工況2、工況4 下，故障點(diǎn)個(gè)數(shù)與運(yùn)行可靠性指數(shù)的關(guān)系，可以看出隨著設(shè)備故障點(diǎn)數(shù)的增多，設(shè)備運(yùn)行可靠性不斷降低。對(duì)5 種工況不同運(yùn)行條件下的運(yùn)行可靠性指數(shù)分布情況進(jìn)行統(tǒng)計(jì)，得到不同工況不同運(yùn)行條件下的ORI分布見表9。

表9 不同工況運(yùn)行條件下的ORI 分布Tab.9 ORI distribution under different operating conditions

為了建立統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)，對(duì)表9 作進(jìn)一步分析，按正常運(yùn)行狀態(tài)、含1 種故障狀態(tài)、含2 種故障狀態(tài)、含3 種及以上故障狀態(tài)劃分評(píng)價(jià)等級(jí)，依次為高可靠性階段、低可靠性階段、警告和危險(xiǎn)階段。以工況內(nèi)取中值和工況間取均值的方法建立表10 所示的整機(jī)運(yùn)行可靠性評(píng)價(jià)標(biāo)準(zhǔn)。

根據(jù)表10 可知，當(dāng)整機(jī)設(shè)備運(yùn)行可靠性指數(shù)小于0.857 時(shí)，可以認(rèn)為設(shè)備開始出現(xiàn)故障特征，離心機(jī)開始進(jìn)入劣化狀態(tài)，工作人員可以對(duì)離心機(jī)進(jìn)行適當(dāng)維修。

表10 離心機(jī)設(shè)備整機(jī)運(yùn)行可靠性評(píng)價(jià)標(biāo)準(zhǔn)Tab.10 Standard for reliability evaluation of centrifuge equipment

為了驗(yàn)證評(píng)價(jià)準(zhǔn)確率，取正常狀態(tài)下的運(yùn)行數(shù)據(jù)并計(jì)算運(yùn)行可靠性指數(shù)，得到ORI分布如圖9 所示?？梢园l(fā)現(xiàn)，設(shè)備在正常運(yùn)行狀態(tài)下僅有少數(shù)樣本點(diǎn)的ORI指數(shù)低于0.857，通過統(tǒng)計(jì)發(fā)現(xiàn)評(píng)價(jià)準(zhǔn)確率達(dá)到98%以上。

圖9 正常樣本點(diǎn)的ORI 分布Fig.9 ORI distribution of normal samples

有學(xué)者針對(duì)礦井通風(fēng)機(jī)的運(yùn)行可靠性提出了基于PCA-MSET 的運(yùn)行可靠性評(píng)價(jià)方法，對(duì)13個(gè)監(jiān)測(cè)變量降維后建立可靠性評(píng)價(jià)模型，利用歐式距離計(jì)算殘差得到可靠性指標(biāo)［18］。但是該方法僅考慮了單工況運(yùn)行情況，若將該方法用于多工況運(yùn)行的設(shè)備，則會(huì)導(dǎo)致評(píng)價(jià)不準(zhǔn)確?；谏鲜龇椒?，不再考慮多工況問題，使用離心機(jī)處于健康狀態(tài)下的運(yùn)行數(shù)據(jù)建立評(píng)價(jià)模型并進(jìn)行可靠性評(píng)價(jià)，得到圖10 示出的設(shè)備ORI分布。

圖10 僅考慮單工況下的ORI 分布Fig.10 ORI distribution under single working condition

由圖中可以看出，基于PCA-MSET 的單工況運(yùn)行可靠性評(píng)價(jià)模型，采用本文所用的離心機(jī)處于健康狀態(tài)下的運(yùn)行數(shù)據(jù)進(jìn)行仿真，評(píng)價(jià)結(jié)果不準(zhǔn)確且存在明顯分層現(xiàn)象，也驗(yàn)證了工況類別對(duì)設(shè)備運(yùn)行可靠性評(píng)價(jià)存在較大影響。因此本文所提方法在處理多工況運(yùn)行的設(shè)備上效果更好。

5 工程應(yīng)用

本文依托北京某公司離心機(jī)設(shè)備遠(yuǎn)程監(jiān)控與運(yùn)行可靠性評(píng)價(jià)項(xiàng)目，驗(yàn)證本文所提方法的有效性，將其集成到遠(yuǎn)程監(jiān)控系統(tǒng)中并應(yīng)用到選煤廠的離心機(jī)設(shè)備上。

首先采集離心機(jī)設(shè)備運(yùn)行數(shù)據(jù)并傳輸?shù)竭h(yuǎn)程監(jiān)控系統(tǒng)中，現(xiàn)場(chǎng)設(shè)備PLC 通過傳感器采集得到設(shè)備運(yùn)行狀態(tài)參數(shù)，通過DTU 將數(shù)據(jù)上傳至遠(yuǎn)程監(jiān)控系統(tǒng)中。大型選煤廠一般將所有信號(hào)接回集控中心，小型選煤廠為節(jié)省布線成本，一般會(huì)在現(xiàn)場(chǎng)進(jìn)行數(shù)據(jù)采集，現(xiàn)選用1 臺(tái)WL1200 型臥式振動(dòng)離心機(jī)和現(xiàn)場(chǎng)電氣控制柜，完成設(shè)備控制、數(shù)據(jù)采集和數(shù)據(jù)遠(yuǎn)程傳輸。

離心機(jī)遠(yuǎn)程監(jiān)控系統(tǒng)包括多個(gè)功能模塊，離心機(jī)的部分重要運(yùn)行數(shù)據(jù)可以直觀得到。

使用Python 語(yǔ)言對(duì)運(yùn)行可靠性評(píng)價(jià)相關(guān)算法完成編寫后，將其嵌入到遠(yuǎn)程監(jiān)控系統(tǒng)后臺(tái)，通過程序調(diào)用實(shí)現(xiàn)對(duì)離心機(jī)設(shè)備的運(yùn)行可靠性評(píng)價(jià)，選擇界面左側(cè)“設(shè)備信息管理”下的“運(yùn)行可靠性評(píng)價(jià)”選項(xiàng)，選擇對(duì)應(yīng)的項(xiàng)目便可以查看該項(xiàng)目下所有設(shè)備的運(yùn)行可靠性指數(shù)，同時(shí)運(yùn)行狀態(tài)異常的特征數(shù)據(jù)點(diǎn)也會(huì)顯示在對(duì)應(yīng)的設(shè)備上。

本文選取1 臺(tái)由于主電機(jī)溫度過高發(fā)出預(yù)警的設(shè)備進(jìn)行驗(yàn)證。該設(shè)備在2020 年10 月12 日17 時(shí)發(fā)出主電機(jī)溫度報(bào)警，圖11 示出了故障前、后主電機(jī)溫度的變化曲線。

圖11 主電機(jī)繞組溫度變化曲線Fig.11 Temperature change curve of main motor winding

得到故障發(fā)生前、后的設(shè)備ORI的變化曲線，如圖12 所示。

圖12 ORI 變化曲線Fig.12 ORI curve

由圖12 可以看出，大概在17：00 左右溫度超出閾值范圍，觸發(fā)報(bào)警，由圖13 可以發(fā)現(xiàn)，隨著繞組溫度偏離正常溫度區(qū)間，設(shè)備ORI逐漸減小，大約在13：30 左右，ORI已經(jīng)低于正常運(yùn)行狀態(tài)。由此可以看出，本文所提方法可以有效地實(shí)現(xiàn)設(shè)備運(yùn)行可靠性的評(píng)價(jià)，可以早于閾值報(bào)警發(fā)出故障預(yù)警，更早的識(shí)別出設(shè)備性能力惡化狀況，起到提早發(fā)現(xiàn)故障的作用。

6 結(jié)論

（1）針對(duì)流體旋轉(zhuǎn)機(jī)械運(yùn)行可靠性的問題，提出了一種基于GMM 的運(yùn)行可靠性的評(píng)價(jià)方法。

（2）以離心機(jī)設(shè)備為例進(jìn)行實(shí)例分析，考慮到離心機(jī)運(yùn)行過程中存在多種工況，為了提高評(píng)價(jià)模型的適用性和評(píng)價(jià)準(zhǔn)確率，進(jìn)行分工況處理，共得到5 種典型工況；為了降低模型的復(fù)雜度，提高效率，進(jìn)行特征選擇，從24 個(gè)監(jiān)測(cè)參量中選擇14 個(gè)特征參量作為評(píng)價(jià)指標(biāo)參與高斯混合模型構(gòu)建。最后基于馬氏距離得到ORI，結(jié)果表明，當(dāng)ORI低于0.857 時(shí)，便可認(rèn)為離心機(jī)設(shè)備進(jìn)入低可靠性運(yùn)行階段，且評(píng)價(jià)準(zhǔn)確率達(dá)到98%以上。

（3）在實(shí)際應(yīng)用中，本文所提方法可以提前預(yù)測(cè)設(shè)備的劣化狀態(tài)，有效地幫助設(shè)備管理人員實(shí)時(shí)掌握當(dāng)前設(shè)備的運(yùn)行情況，及時(shí)做出維修決策。