基于数据自组织挖掘的机械设备状态退化预警方法

胡瑾秋,张来斌,胡春艳,李文强

(中国石油大学机械与储运工程学院,北京102249)

基于数据自组织挖掘的机械设备状态退化预警方法

胡瑾秋,张来斌,胡春艳,李文强

(中国石油大学机械与储运工程学院,北京102249)

在设备状态监测过程中引入数据自组织挖掘思想,建立一种设备状态退化预警方法。采用隐马尔科夫模型(HMM)对设备的早期退化状态进行准确辨识和评估,并进一步建立设备退化过程的自组织预测模型。案例分析中将该方法应用到旋转机械轴承运行状态退化的预警过程中。结果表明,基于自组织数据挖掘的设备状态退化趋势预测方法预测效果准确、客观性强,预测值与实际值的拟合程度高,相对误差仅为3.1%。新方法能够预测设备未来时间段的退化状态及其发展趋势,提前给出预警信息,有效地制定预知维修计划,及时采取预防措施,防止因设备突发失效引起非计划停机造成生产和经济损失。

数据自组织挖掘;隐马尔科夫模型;数据分组处理方法;状态退化预警

机械设备中一旦任何部件发生故障,常引发连锁反应,造成重大生产损失,甚至导致灾难性的安全事故。曾庆虎等[1]提出一种基于小波相关特征尺度熵和隐半马尔可夫模型的设备退化状态识别方法。为消除多通道观测信息冗余,压缩高维故障特征,曾庆虎等[2]进一步提出了基于KPCA-HSMM设备退化状态识别方法。袁湘辉等[3]给出了一种MHMM-SVM混合模型,提高了电子装备早期故障的识别率。雷金波[4]运用逻辑回归模型评估设备运行状态的退化情况,并采用支持向量机回归对设备运行状态的趋势进行预测。吕克洪[5]提出基于时间应力分析的故障预测技术,提高了预测置信度。高甜容等[6]提出了一种基于故障先兆判定模型和动态置信度匹配的故障预测方法,在线预测故障发生的概率及时间。美国普渡大学智能过程系统实验室(LIPS)研发诊断和预警系统,给出建议或采取纠正性维护及控制的响应[7-8]。美国智能维护系统中心(IMS)建立了Watchdog智能预警系统[9-10]。Kazuhiko Suzuki提出了一种智能过程支持系统[11](IOSS),能够计算在异常事件中故障传播的影响。笔者以设备状态监测为基础,建立基于数据自组织挖掘的油气生产设备状态退化预警方法,提前给出退化预警信息,防止设备因失效引起非计划停机造成的生产和经济损失。

1 基于HMM的设备早期退化状态辨识

在设备状态监测基础上,对于设备早期退化状态辨识,应用隐马尔科夫模型(HMM)须解决两个基本问题:

(1)已知设备状态观测值,如可观测的振动加速度、轴承温度、滑油压力等参数值,如何辨识设备当前的退化状态。即对于一定的观测序列O=[o1, o2,…,oT]和既定的状态模型λ,如何计算观测序列在已知模型下的概率P(O|λ)。

(2)通过对设备状态进行的长期监测,如何建立设备在各个退化状态下的辨识模型。即如何调整合适的模型参数使P(O|λ)最大,即模型的训练问题。

因此,基于Markov链建立设备状态的退化模型,通过历史数据训练获得各个退化状态的转移概率,用以描述设备退化的动态过程。建模过程相关的基本概念如下:

有N个状态的设备退化HMM模型可表示为λ ={H,A,B},其中:

(1)假设设备退化的N种状态为s1,s2,…,sN; qt为在当前t时刻Markov链所处的状态,即qt∈(s1,s2,…,sN)。

(2)设备状态是不可观测的,能获得的只是隐含状态表现出的观测量O。设备在t时刻某个隐含状态的观测值为Ot,则有Ot∈(V1,V2,…,VM),其中M为该隐含状态的观测量个数。

(3)给定设备初始状态,设备位于各个状态的概率定义为矢量H=(h1,h2,…,hN),其中,hi=P(q1=si),1≤i≤N。

(4)设备在长期运行过程中逐渐退化,其状态由si转移到状态sj,这是一个条件概率aij,即,1≤i,j≤N。对应设备N种可能的状态,用概率矩阵表示为A=(aij)N×N,1≤i,j≤N。

(5)假定设备处于状态sj,外界获得该状态的观测值Vk的概率表示为该状态的观测概率bjk,bjk=P,1≤j≤N,1≤k≤M。对应设备N种可能的状态及每种状态的M种可能观测值,用概率矩阵表示为B=(bjk)N×M。

因此,给定观测序列O=(o1,o2,…,o3)以及模型λ={H,A,B},对设备退化状态的评估转化为计算观测变量在模型λ下的输出概率。具体计算步骤如下:

假定一个固定状态序列Q=[q1,q2,…,qT],观察序列O,定义前向变量为

初始化:

递归:

终止:

其算法的递推示意图如图1所示。

图1 计算前向变量的递推过程示意图Fig.1 Illustration of recursive process required for computation of forward variable

当设备运行全寿命过程中各个阶段的状态退化信息均具备时,可进一步对各个退化阶段训练一个相应的HMM退化模型。把待评估的观察值序列送入各个HMM退化模型,分别计算输出概率,输出概率最大的退化模型所对应的退化阶段(或退化等级)就是设备所处的实际退化状态。

在实际的工程应用中,模型的对数似然概率值还和观测序列的长度T相关。为了避免受到序列长度T的影响,将模型所得到的对数似然概率除以T作为设备退化过程的退化评估指标PV(Performance Value),则:

由式(5)所得的退化指标PV可以理解为设备目前的退化状况和正常状态的相似程度,反映设备的退化程度,即在设备的不同退化阶段,退化指标PV的概率分布也不相同。因此可用退化指标的概率分布来确定报警阈值。当正常状态的性能退化指标达到一定长度时,计算其均值和标准差,得到一级警报线的上下阈值。如果退化指标在上下阈值内,则视为正常状态;如果发现有多个退化指标在上下阈值之外,则触发一级警报。同理可以获得二级警报阈值。

2 设备退化状态的GMDH预测模型

在设备退化状态评估的基础上进一步开展状态预测,通过预知的设备退化状态信息提前报警,提前发现事故苗头,从而及时采取主动预测维修策略。本文中提出的基于自组织数据挖掘[12]思想的设备退化状态预测方法能够根据数据内在规律自适应地生成预测模型,并完成数据约简、预处理和模型检验等过程,从而减少用户在预测过程中的主观干预,提高预测精度和客观性。

利用自组织数据挖掘思想中的数据分组处理方法(GMDH),以多层神经网络的自组织思路构造预测模型,通过多层神经元的取舍和权值调整拟合数据趋势变化中复杂的非线性规律,预测设备的未来退化状态进行安全预警。

2.1 建模过程

GMDH预测模型建立过程中不需要提前对待预测的设备状态时间序列的特征进行主观分析,而是一种启发式自组织建模,具有自选择回归模式幂次特点。

建模过程分为几个步骤:

(1)数据集的划分。设系统的输入为x,输出为y,数据点数为n,变量数为m,把数据分为训练样本和检验样本,设训练样本数目为nt,系统输入输出变量构成矩阵W,即

(2)回归计算。对输入变量进行两两组合,建立多项式网络

式中系数由矩阵W中的训练矩阵根据最小二乘法估计得到。

(3)优化选择。利用检验矩阵数据,采用均方根判据法对式(7)得到的所有拟合方程(多项式网络)进行评估,计算公式为

其中,yij为输出yi的估计值。设定阈值rg,若拟合方程的评估值rj＞rg,则舍去。保留下来的拟合方程为当前轮次的优胜模型,其再作为下一轮筛选的备选输入,同时记录该轮评估的最小方均根Rmin。

(4)优化检验计算。如果该轮评估产生的Rmin比上一轮次的小,则以该层所得模型的输出作为下一层筛选的输入,然后继续重复第(2)至第(3)步的计算过程进行模型的优选与检验,直至产生的Rmin比上一轮次输出的数值大,则停止计算,此时得到最优的设备状态预测模型。

2.2 设备退化状态趋势预测

设备退化状态趋势预测及告警实施步骤见图2。

图2 设备退化状态预测预警实施流程Fig.2 Predicting procedure based on GMDH model

(1)建立原始数据集。对设备进行状态监测所得的数据(振动、压力、流量等)作为一个时间序列,由n时刻的前k个值来预测xn,即寻找对应最优函数关系xn=f(xn-1,xn-2,…xn-k),对应的矩阵为W,其中k为预测阶数。

(2)将试验或现场状态监测数据分为训练集和检验集,式(9)中取训练集数据点个数为m,检验集数据点个数为n-k-m。其中,m=3/4(n-k);n-k-m =1/4(n-k)。

(3)根据式(7)建立预测模型的参考函数。将参考函数中每个加法单元中的非系数部分看成一个新的自变量(局部函数),并将其作为第一轮次的输入。分别在训练集和集合W上通过最小二乘法对这些局部函数的系数进行拟合,得到中间模型。

(4)根据式(8)进行模型优选。通过获得的最优模型对未来的设备退化状态进行预测,得到最终的设备退化状态预警结果,从而可制定相应的预知维修策略或应急预案。

3 案例分析

对油气生产设备中的关键易损部件开展室内试验研究。以油气输送旋转机械中的轴承为例进行状态退化预警分析。采用ABLT-1A型寿命强化试验机(图3、4),对轴承进行全寿命加速失效试验,获得其全寿命振动监测数据,部件失效如图5所示。加速失效试验全过程共489 min,即其加速失效寿命为8.15 h,共取得489组数据,每组数据的长度为2048个点。

图3 ABLT-1A加速疲劳寿命试验台Fig.3 Accelerated bearing life test rig ABLT-1A

图4 传感器安装位置Fig.4 Installation position of sensors

图5 轴承内圈点蚀照片Fig.5 Inner failure of bearing

3.1 试验条件

采用的轴承型号为6208,轴承节径为60 mm,滚动体直径为12 mm,滚子9个,接触角0 rad。转轴转频为50 Hz,试验加载质量为14.7 kg,转速为3000 r/ min,润滑和冷却方式采用脂润滑,采样频率为20 kHz,数据长度为2048。6208轴承额定载荷18 kN,根据加速失效试验要求,试验载荷范围应设为额定载荷的0.25～0.30倍。为了进一步缩短加速失效试验时间,本例中选取额定载荷的0.4倍,并选用质量一般的普通轴承。因此每个轴承需要添加的径向载荷为P=7.2 kN。ABLT-1A型轴承寿命试验机加载计算公式为:m=F/98(kg),其中,F=2P,m为加载砝码质量。由此得出,试验机加载砝码质量为14.7 kg。

工程上常采用有效值或峰峰值作为设备退化的衰退指标,见图6。由图6可见,有效值在470 min左右迅速上升,这时轴承的退化程度已经相当严重,其剩余寿命也较短,已丧失了充分的时间规划维修工作,将不可避免地出现非计划停机事故。在轴承出现退化的早期,无法从有效值或峰峰值的变化程度判断退化的发生,用该特征值作为设备退化评估指标时其敏感性差,较难辨识设备的早期退化状态。

图6 轴承寿命过程时域特征值变化Fig.6 Change of time domain features in bearingıs life process

3.2 轴承性能退化评估分析

将轴承失效的全寿命周期数据分为两个数据集,分别作为训练集和测试集。对滚动轴承进行状态退化辨识与评估。其步骤如下:

(1)从训练集中取前50组数据作为正常数据组成观测序列。

(2)在满足基本的约束条件情况下,随机地选取初始状态概率矢量H,各状态转移概率矩阵以及观测值概率矩阵。在训练过程中,取训练的迭代步数不超过100,算法的收敛误差为0.0001。

(3)训练设备退化状态辨识模型,得到正常状态模型λnormal。

(4)将测试数据经预处理后输入λnormal,得到对数似然概率值。对该值经式(5)处理后得到设备状态退化指标PV,如图7所示。

由图7可以看出,轴承状态退化指标PV值在全寿命加速失效过程中有两次明显的下降,第一次在200 min左右,说明该阶段轴承进入退化的初始阶段;第二次在470 min附近,退化指标在该阶段迅速下降,表明设备已经处于严重的退化状态,其性能也急剧恶化。

相比图6中的指标变化趋势,退化指标PV能显著识别设备的早期退化阶段,而且在整个过程中PV值比较平稳,没有出现图6中在同一退化阶段某些参数出现的跃变现象。

3.3 轴承状态退化趋势预测及预警分析

为了监测轴承的退化趋势并进行预警分析,进一步对退化指标PV值进行预测,根据模型的建模步骤最后一次迭代完成时得到多项式中最优的预测模型为

图7 轴承全寿命加速失效退化过程PV指标曲线Fig.7 PV index curve of bearing life accelerated failure degradation process

图8 基于GMDH方法滚动轴承退化趋势预测结果Fig.8 Degradation trend prediction results based on GMDH

设备退化状态预测结果如图8所示。由图8可见,其性能退化指标PV将轴承的全寿命加速失效周期划分为3段:第一段1～180 min左右为正常状态;第二段181～460 min左右为早期退化阶段,启动一级警报,需要制定维修计划;第三段从461 min直至点蚀失效,这时轴承已经发生严重退化,处于临近报废阶段。从461 min开始启动二级警报,需要及时采取计划停机或启动应急预案。

从图8中还可以看出,基于自组织数据挖掘的设备状态退化趋势预测方法预测效果准确、客观性强,预测值与实际值的拟合程度高,相对误差仅为3.1%。

4 结 论

(1)提出的基于数据自组织挖掘的设备状态退化预警方法能够减少在数据挖掘过程中的主观干预,提高预测准确性。该方法能够对设备的早期微弱退化状态进行准确辨识和评估。

(2)新方法提前给出退化预警信息,防止因设备失效引起非计划停机带来的生产和经济损失,有利于提高油气生产过程的本质安全水平。

(3)新方法可进一步推广应用于油气生产机械设备的其他关键部件(如旋转设备的齿轮箱、叶轮,往复设备的气阀、十字头等)的状态退化预警分析中。

[1] 曾庆虎,邱静,刘冠军.小波相关特征尺度熵和隐半马尔可夫模型在设备退化状态识别中的应用[J].机械工程学报,2008,44(11):236-241. ZENG Qing-hu,QIU Jing,LIU Guan-jun.Application of wavelet correlation feature scale entropy and hidden semi-Markov models to equipment degradation state recognition [J].Chinese Journal of Mechanical Engineering,2008, 44(11):236-241.

[2] 曾庆虎,邱静,刘冠军,等.基于KPCA-HSMM设备退化状态识别方法的研究[J].兵工学报,2009,30(6): 740-745. ZENG Qing-hu,QIU Jing,LIU Guan-jun,et al.The study of equipment degradation state recognition method based on KPCA-HSMM[J].Acta Armamentarii,2009, 30(6):740-745.

[3] 袁湘辉,吴文全,卢建斌,等.基于MHMM-SVM混合模型的雷达发射机性能退化状态监测[J].海军工程大学学报,2012,24(3):89-93. YUAN Xiang-hui,WU Wen-quan,LU Jian-bin,et al. Fault monitoring based on MHMM-SVM for radar transmitter[J].Journal of Naval University of Engineering, 2012,24(3):89-93.

[4] 雷金波.基于逻辑回归和支持向量机的设备状态退化评估与趋势预测研究[D].上海:上海交通大学机械设计与理论,2008. LEI Jin-bo.Research on deneration assessment and trend prediction about machine based on logistic regression and SVM[D].Shanghai:Mechanical Design&Theory, Shanghai Jiaotong University,2008.

[5] 吕克洪.基于时间应力分析的BIT降虚警与故障预测技术研究[D].长沙:国防科学技术大学机械电子工程,2008. LÜ Ke-hong.Research on BIT false alarm reducing and fault prediction technologies based on time stress analysis [D].Changsha:Mechanical Engineering,National University of Defense Technology,2008.

[6] 高甜容,于东,岳东峰,等.基于故障先兆判定模型和动态置信度匹配的主轴润滑故障预测方法[J].机械工程学报,2012,48(17):75-82. GAO Tian-rong,YU Dong,YUE Dong-feng,et al.Spindle lubrication fault prediction based on fault symptom decision model and dynamic confidence matching[J].Chinese Journal of Mechanical Engineering,2012,48(17): 75-82.

[7] VENKATASUBRAMANIAN V.Prognostic and diagnostic monitoring of complex systems for product lifecycle management:challenges and opportunities[J].Computers& Chemical Engineering,2005,29(6):1253-1263.

[8] VENKATASUBRAMANIAN V.Systemic failures:challenges and opportunities in risk management in complex systems[J].AIChE Journal,2011,57(1):2-9.

[9] LEE J,NI J,DJURDJANOVIC D,et al.Intelligent prognostics tools and e-maintenance[J].Computers in Industry,2006,57(6):476-489.

[10] DJURDJANOVIC D,LEE J,NI J.Watchdog agent—an infotronics based prognostics approach for product performance degradation assessment and prediction[J]. Advanced Engineering Informatics,2003,17(3):109-125.

[11] KAZUHIKO S,YOSHIOMI M.How to prevent accidents in process industries?recent accidents and safety activities in Japan:the 4th World Conference of Safety of Oil and Gas Industry,June 27-30,2012[C].Seoul:Korea, c2012.

[12] MULLER J,LEMKE F.Self-organizing data mining [M].Berlin,Hamburg:Libri Books,2000.

(编辑 沈玉英)

An early warning method of degradation for mechanical facilities based on data self-organization mining technology

HU Jin-qiu,ZHANG Lai-bin,HU Chun-yan,LI Wen-qiang
(Faculty of Mechanical and Oil-Gas-Storage and Transportation Engineering in China University of Petroleum,Beijing 102249,China)

Data self-organization mining technology was introduced during facility condition monitoring process,and an early warning method of degradation for facilities was developed.Hidden Markov model(HMM)was used to identify and assess the early degradation state of the facility,and the predictive model was further developed to predict the future degradation trend.In the case study,the proposed method was applied to bearings in the rotating machinery.The results show that the effectiveness,objectivity and accuracy of this method are validated by the test results.The predictive states are consistent with the actual situation,and the relative error is only 3.1%.In this way,the early warning of the degradation states can be given to make engineer carry out appropriate maintenance strategies effectively and timely,which can avoid production and economic losses due to unplanned shutdown of machine.

data self-organization mining;hidden Markov model(HMM);group method of data handling(GMDH);early warning of degradation

TH 17

:A

1673-5005(2014)03-0142-06

10.3969/j.issn.1673-5005.2014.03.023

2013-12-01

国家自然科学基金项目(51104168);教育部新世纪优秀人才支持计划项目(NCET-12-0972);北京市自然科学基金项目(3132027);中国石油大学(北京)科研基金项目(YJRC-2013-35);北京市优秀博士学位论文指导教师科技项目(YB20111141401);中国石油天然气集团公司科学研究与技术开发项目(2012B-3407)

胡瑾秋(1983-),女,副教授,博士,硕士生导师,主要研究方向为油气生产系统故障诊断、安全评价及预警。E-mail:hujinqiu@ gmail.com。