面向云服务的智能监测诊断模型研究与开发

， ， ，

(1.上海金艺检测技术有限公司， 上海201900；2.西安交通大学 机械工程学院，陕西 西安 710049)

国家提出智能制造2025、智能制造重大工程等制造业发展战略，其本质内涵是用“智慧”创造价值[1-2]。监测诊断作为保障生产安全有序进行、提高资产利用率的关键业务，其“智慧”集中体现于算法模型之中，准确合理、鲁棒有效、专业便捷的模型方法，不仅是保证可靠诊断和预知维修的基础工具，也是未来制造业云服务的核心功能与价值所在。

监测诊断经过三十多年的研究和工程应用，取得了长足的发展，各种新方法新技术层出不穷，然而能够完全适用于工业现场的模型却为数不多。目前，诊断业务中使用的模型方法较为陈旧，且因人而异，与个人经验密切相关，随着老一辈技术人员的逐渐退出，监测诊断工作进入发展的瓶颈阶段。为了破解这一现状，借助云平台[3]、大数据分析等新技术，开展适应新需求的监测诊断模块研发工作，在巩固现有成熟技术的基础，吸收消化新技术，形成一批高实用化的监测诊断模型，在提高诊断准确性和业务效率的同时，努力推进“诊断平台超市”、“诊断托管服务”等新的业务模式[4-5]。

1 现状分析

目前，建设设备健康状态管理的云服务平台已成为国内外制造企业转型升级的必然选择[6]。国外公司的典型代表为美国通用电气(GE)公司，该公司在2004年就将工业制造在产值总量中的比重下降至30%，剩余70%的业务均由主业密切关联的新型服务所构成，近年来又将工业互联网作为公司全球战略的重点，着眼于资产优化和运营优化，其核心内容是设备的预防性维护。2016年GE发布Predix平台，每天监测和分析来自1千万个传感器的5千万项监测元数据，已增加超过10亿美元的收入。该平台的监测诊断模型与方法采用用户自定义方式，在提高了平台应用技术门槛的同时，也使未来的监测诊断效果成为企业自身技术的体现。目前GE公司正在积极准备将Predix推广到中国制造企业中，给国内监测诊断行业带来巨大压力的同时，也给予了理念的更新。另外，美国智能维护系统中心(IMS)开发了基于云的设备健康监测系统，但目前展示的监测诊断特色工具只有神经网络和小波分析两种，远未达到行业内的应用需要。

国内西安陕鼓动力股份有限公司自2003年起致力于远程监测、故障诊断、网络化服务平台应用需求等方面的技术研究与相应技术的推广应用，目前已建成设备MRO健康管理与服务支持中心，监测600余台套设备，累积20T的历史数据。在监测诊断核心模型方面，由于该公司产品为典型的转子系统，借助西安交通大学研发的全息谱技术，已能够解决绝大多数的故障识别与动平衡维护问题。依托设备健康管理平台与监测诊断模型，该公司每年的设备服务利润超过1.6亿元，并跻身于宝钢湛江的建设工程。

在国内外制造企业的升级转型变革中，设备监测诊断云服务平台正在发挥着越来越重要的作用，作为其核心技术的智能监测诊断模型，面临着专业化、精确化、高效化和云端化的发展需求，如何整合资源并占领先机，成为当前监测诊断领域面对的首要问题。

2 智能监测诊断模型设计

针对设备监测诊断云服务的需求，系统化地整理监测诊断的模型和方法，将智能监测诊断模型研发分为如图1所示的三个层次。第一层次建设基础性的监测诊断模型方法库，涵盖野点剔除、无量纲指标计算、频域分析、非平稳信号分析、特殊频域分析、故障通过频率计算、特征提取与选择、相关性分析、截面分析、模式识别、数据描述和回归分析等方法；第二层次开展数据服务，建立监测诊断数据清洗模型，提高数据质量；第三层次针对常见的振动、温度和扭矩等监测量，研发风机、滚动轴承、齿轮箱等关键设备研发专用的诊断模型。通过上述模型的系统性研发，提供智能化、专业化的数据服务、监测服务与诊断服务。

图1 智能监测诊断模型设计

智能监测诊断模型具备的特点包括：

接口标准：为了实现与未来云平台的集成，所研发模型均定义标准接口，支持不同开发工具的便捷调用。通过设计模块间的相互调用机制，实现多模块重组，应对不同诊断问题。

复杂工况的自适应：监测数据的表现不但与运行状态有关，还取决于设备的服役经历、所处工况和现场环境等多种因素，造成模型方法难以适应个性化的监测诊断问题。所研发模型具备自适应能力，能够随现场诊断问题自适应调整，减少漏判、误判现象的发生。

高准确性：所研发模型方法的先进性，与多年累积的诊断历史数据相结合，能够提高监测诊断结论的准确性，提高业务的认可度。

良性发展：研发内容既有基础性的模型方法，也包括前沿技术方法，在应用中能够充分挖掘数据中的规律与知识，不断提高模型准确性，实现监测诊断业务的良性发展。

3 智能监测诊断模型研究

3.1 基础监测诊断工具

基础监测诊断工具是智能模型的基础，以振动数据为主要对象，从时域、频域、时—频域等方面全面提取设备状态特征[7]。

频域分析是振动信号的主要分析手段，由于时域截断和频域离散化会造成频谱的失真现象，谐波信号离散傅立叶变换得到的频率、幅值和相位都存在较大误差，对故障诊断具有严重的影响。此外，受到频率分辨率和转速波动的限制，理论故障特征频率与实际信号频谱中的谱线之间存在误差，影响了故障判断。针对该问题，在基础监测诊断工具中研发了如图2所示的精细化故障特征提取模型，通过频谱校正获得精确频谱，并对校正后的频谱进行故障特征频率的搜索，能够有效提高诊断分析的准确性。

图2 精细化故障特征提取模型

3.2 数据服务模型

在设备的全生命周期监测过程中，沿服役时间轴产生了具有高维、动态、开放和异构特点的多源监测数据流，受到获取和传输等环节中的干扰因素影响，出现数据缺失、错误、冲突等现象，直接对其进行分析处理，不但无法获得有价值的信息，而且增加了无效的计算与通信负担。为此，研究数据服务模型，根据数据来源、类型和产生背景，形成可复用、可扩展的清洗模型，实现按需定制的数据流清洗机制。

数据服务模型主要包括野点剔除、虚拟数据补全、多源数据冲突消解三种模型，其中虚拟数据补全模型使用优化的AR模型，外推生成虚拟数据以补全缺失值；多源数据冲突消解模型利用支持向量回归方法，从监测数据中提取光滑连续的趋势函数，使用与归一化互相关分析，度量各趋势之间的相似性，根据相似性情况，排除无效监测数据。

3.3 振动温度自适应预警模型

针对风机、齿轮箱、轴承等设备的振动量、温度量研究自适应监测预警模型。使用一类支持向量机方法，连续估计监测参量在特征空间中的分布区域，对监测参数与特征空间的相对距离设置报警阈值，判断是否出现异常。这种在高维、动态的特征空间中建立的相对报警阈值，等价于原始数据空间中的非线性自适应阈值，报警阈值设置问题的复杂性被大大降低。模型如下图所示：

图3 振动温度自适应预警模型

3.4 故障自动诊断模型

从监测数据中提取故障特征，根据经验或知识推测故障特征的产生原因，从而确定故障的出现与部位，是设备故障诊断的一般流程。从历史数据中学习经验和提取知识，并推广应用于其它同类型故障的判别，是故障诊断的核心环节。为此，研发基于概率神经网络的故障自动诊断模型，将故障数据特征输入如图4所示的概率神经网络中，通过网络学习获取并存储诊断知识，当新数据到来后，将其特征输入网络中，根据贝叶斯后验概率公式即可判断出现各类故障的概率值。该模型具有训练速度快、准确性随案例积累不断提高的特点。

图4 故障知识的学习模型

3.5 趋势预测模型

对监测特征量进行趋势回归建模，在其出现劣化倾向后估计其后续发展，对避免故障的发生和发展具有重要的作用。现有趋势预测方法大多需要预先设定回归参数，面对千差万别的设备状态变化过程，无法得到一个普遍适应于各种状态的模型参数。为此，研究如图5所示的自适应支持向量预测回归模型，在趋势建模过程中，根据数据特点自适应地调节ε—不敏感参数，保证在状态发展的各个阶级均能得到合理的趋势拟合结果。在此基础上，对趋势进行外推，计算特征值首次达到阈值的时刻，实现故障的预测。

图5 自适应支持向量预测回归模型

4 智能监测诊断模型的应用

在研究的基础上，开发智能监测诊断模型的示范平台。该平台定时获取转子、轴承和齿轮等常见设备的监测数据，自动提取特征后，进行预警判断，当发现异常后，调用诊断模块进行分析判断，给出诊断结论。目前该平台已应用于1580热轧生产线中，取得了良好的效果。

图6 智能监测诊断模型应用

5 结论

利用智能监测诊断模型解决云服务平台的数据利用问题，是提高诊断效率和准确性的有效途径。本文设计了智能监测诊断模型体系，研发基础监测诊断工具集、数据服务模型、自适应预警模型、故障自动诊断模型和趋势预测模型，并开展了应用工作。

随着监测诊断业务的不断深化发展，智能化模型在应用中需要不断调整和完善。未来在大数据环境下，产生适应设备独特运行工况和服役条件的个性化诊断模型，将是重要的研究方向。