基于工业大数据的智能化能耗管理与故障预诊系统

王海峰

(上汽通用汽车有限公司，上海 201206)

0 引 言

2013年，德国在汉诺威工业博览会上推出“工业4.0国家战略”。这被认为是人类第四次工业革命的开端，也开启了各个国家在新一轮产业革命中竞争的序幕[1]。

随着新一代信息技术与制造业的深度融合，新一轮工业革命的孕育发展，信息技术渗透到了制造企业产业链的各个环节。条形码、二维码、射频技术(RFID)等物联网标识，工业传感器、可编程逻辑控制器(PLC)等工业自动控制系统，企业资源计划(ERP)、计算机辅助设计/制造(CAD/CAM)、制造执行系统(MES)等软件技术在企业中得到了广泛应用，制造业企业的运营也越来越依赖信息技术[2]。制造业的整个价值链和制造业产品的整个生命周期都涉及诸多的数据，制造业企业产生的工业大数据也呈现爆炸式增长的趋势。

1 工业大数据

工业大数据就是在工业领域信息化相关应用中所产生的海量数据。工业大数据是实现智能制造的核心技术。如图1所示，制造系统中问题的发生和解决的过程中会产生大量的数据，通过对这些数据的分析和挖掘可以了解问题产生的过程、造成的影响和解决的方式，这些信息被抽象化建模后转化成知识，再利用知识去认识、解决和避免问题，核心是以往靠人的经验转向依靠挖掘工业数据中的隐性线索，使得制造业知识能够被更加高效和自发地产生、利用和传承[3]。因此，问题和知识是目的，而工业大数据则是一种手段。

图1 工业大数据-问题-知识之间的关系

工业大数据已经成为一个日益明显的现象，而在制造系统变得日益复杂的今天，利用工业大数据去解决问题和积累知识是一种更加高效和便捷的方式。工业大数据的目的并不是追求数量大，而是通过系统式的数据收集和分析手段，实现价值的最大化。所以推动智能制造的并不是工业大数据本身，而是基于工业大数据的分析技术。

2 智能化能耗管理与故障预诊系统

2.1 能耗管理

智能化的能耗管理需要拥有远程监控系统，并涉及生产线的管理工作，可以及时获取生产线各个工业机械的能耗数据，实现对工业机械的性能监控。企业通过分析和利用所获得的能源监控数据，可以减少生产线运行过程中所消耗的能源，提高生产效率。

除了对能耗进行透明化的分析与管理，并对能耗进行有目的地优化外，还可以从能耗数据中进一步挖掘更多的信息，从而分析预测设备的运行风险与产品的质量风险。

在生产系统中，存在着许多不可以测量的风险。这些风险在真正引发设备故障和次品率上升之前很难被知晓和避免，这就需要通过采集一些具备先兆性的信号加以预测。然而，由于生产系统中的设备众多，且生产环境较为复杂，对所有设备加装传感器显然不太现实。这就需要有一种非侵入式的监控手段，通过设备天然具备的信号进行检测。对于所有设备而言，能耗信息就是天然具备的信号，且能在一定程度上显示出设备衰退、质量偏移等不可测量风险的征兆。

2.2 能耗数据采集

在能耗管理与预测方面，首先需要做的是使工厂的能耗透明化。这就要求系统所采集的能耗数据不能像以往一样仅仅统计每一台设备在某一段时间的总能耗，而是需要根据实际工厂设备使用情况，对设备的能耗构成进行进一步分解[4]。

(1)每一台设备在各种模式下的能耗统计。通常设备有停机、待机、空载运转、工作、待料和自检等工作模式，在生产系统中的设备是按照生产节拍在各个模式下有规律地转换，而生产节拍的设计会对能耗产生很大的影响。

(2)每一种产品在不同生产环节中的能耗统计。每一种产品在生产过程中的能量消耗能够增加产品成本的透明度，并将这些数据反馈到设计段进行生产工艺和流程的优化。

(3)比较执行相同任务的不同设备的能耗差异。通常一个工厂内会有生产同类产品的多条生产线，对同类生产线相同负载循环的设备能耗进行比较，就可以知道设备的节能效果。

2.3 能耗管理与故障预诊断系统

欧姆龙公司开发了基于能耗信号对工业系统进行故障预测与健康管理的技术(Power Prognosis Analytics，PPA)并已成功应用于机械、工程设备和汽车流水线等自动化控制领域。通过对设备能耗信息的深度建模与信息挖掘，实现对设备早期故障和产品质量风险的预测性管理[5]。

故障预测与健康管理技术能够对产品各个生产环节中不同设备加工过程中的能耗信息进行采集，并在嵌入式处理器中进行自动地分步骤识别和特征提取等功能，分析每一个步骤的质量风险贡献度。

基于PPA的能耗管理与故障预诊系统的是由硬件系统与软件系统两部分组成。

硬件系统是由一种节能的、小型化的电量监控器所构成的控制系统。此硬件系统通过在设备上安装用以监控设备能耗数据的传感器，如电流传感器、电压传感器等，测量并显示生产线中各工位各机械设备的初始电压、电流、累计电量、无功功率和功率因素等参数，并在存储器中储存测量数据，在通信网络中进行集中监控管理。其次，硬件系统与设备一起连接至现场工业控制网络，通过控制器与设备进行通信，采集设备相关状态后，上传至工厂网络，将数据存储后用于分析。

软件系统基于故障预测与健康管理的技术，分析系统的核心被称为非嵌入式设备能耗诊断分析模块(Non-intrusive Energy-based Machine Performance Analytics，EMPA)。能耗信号输入到EMPA模块后，经过如图2所示的智能化分析过程，针对固定时间固定动作、动态时间固定动作以及动态时间动态动作等不同设备属性开发了相应的分析模块。

图2 设备能耗诊断分析流程

分析步骤大致可以分解为以下几部分：

步骤 1：分析模块读取传感器读入的原始数据，并对原始数据按照负载循环进行自动识别和分割。数据分割可以按照信号周期性出现的特征，比如功率的峰值、零交点等。对于工业生产系统而言，由于设备一直在不停地生产同样的产品，每一个负载循环的功率和能耗曲线有很大的相似性，因此可以根据这些曲线中的相似点进行数据分割。

步骤2：对步骤1中进行分割后的信号进行特征提取，将原始数据映射到特征空间。特征提取是指从传感器信号中提取能反映信号特性的一些量值，此方法中主要包括时域特征。信号的时域特征主要包括均值、每个步骤的总能耗、总能耗与预期值的偏差、能量最大值和均方值等。

步骤3：对提取的特征矩阵进行降维处理，目的为了去除特征矩阵中的冗余，在保证方差最大情况下尽可能地去除特征之间的相关性。常用的数据降维手段包括K-L变换、主元分析等数据降维的手段。

步骤4：基于最新获得的信号特征矩阵，便可在步骤5中对设备的衰退状态进行估计。设备衰退状态估计主要思路是计算当前设备特征量与健康基线的重合度，从而对设备衰退程度的量化。

步骤5：在获得设备衰退信息之后便可通过强化学习的机制选择不同的衰退状态下的预测模型，从而进一步预测设备特征空间的未来趋势。预测获得的特征量可以通过在预测的置信区间内采样获取。当设备的健康值超过了控制范围，或是所预测的未来健康值在未来设定的时间内超过了控制范围，系统将产生相应的预警提示。

3 结束语

对生产设备的监测、预警和控制是实现能源管理的必要条件，对所有生产设备的全面感知已成为实现未来智能工厂能源管理智能化的基础。

在未来的智能工厂中，各个生产设备可以实时监测与采集设备使用状态与数据，并通过运用先进的预测算法，对设备能耗进行分析，在设备停机前预诊相关故障，提前做好维修与保养，这样将大大减少设备停机时间，提高设备利用率，提升生产效率。