基于大数据分析的机电设备运行故障预测及诊断

唐秀芳

（无锡市工业设备安装有限公司，江苏 无锡 214074）

0 引言

随着社会的快速发展，人们对机电设备的需求越来越大，包括用于生产的产业类机电设备、用于人们生活的民生类机电设备以及用于数据采集和智能化分析的信息类机电设备，这些机电设备的可靠性直接关系到人们生产、生活能否持续稳定地进行；因此，该设备一旦出现故障，将影响安全生产，造成严重的损失[1]。然而，传统的机电维修保养机制通常是事后维修，需要停工停产，存在诊断滞后、不能在事前预测和不能及时维修等缺陷。因此，在发展机电设备运行维护保养技术的过程中，预测机电设备的运行故障一直都是专家学者们的研究重点，在机电设备运行过程中提前进行故障预测和诊断分析并提出应对措施，就是机电设备运行维护管理中亟需解决的问题，也是机电设备维护管理智能化发展的必然需求。

1 基于大数据分析的机电设备运行故障预测及诊断分析

在机电设备的运行过程中，将可靠度作为衡量机电设备持续正常运转的关键因素，通过对可靠度进行分析，维持设备的可靠度，就可以保证机电系统安全稳定地运行，并为决策者提供足够的系统运行信息，达到降低机电维修保养成本的目的[2]。对机电设备运行可靠度进行测算，就需要大量的机电设备固有信息数据和运行信息数据，该文通过对机电设备运行故障预测及诊断分析的数据源进行研究，建立了故障预测模型，并对模型进行分析和诊断，完成了对机电设备运行可靠性的分析，从而提升了机电系统的稳定度，降低了故障发生的概率。

1.1 大数据源研究

反应机电设备运行服务的常见数据源包括机电设备的运行环境数据、商品信息数据、固有属性数据以及运行状态数据。其中机电设备的运行状态数据是直接反应和影响机电设备运行状态的信息数据，其他3种数据是间接反应和影响机电设备运行状态的信息数据。根据影响程度不同给予不同的影响因子值。

1.1.1 机电设备的运行环境数据

机电设备的运行环境数据是影响机电设备安全可靠运行的重要参数，它也会影响机电设备的使用年限。机电设备的运行环境数据一般包括环境的温湿度、空气的湿度、空气灰尘以及震动等信息数据。将机电设备的运行环境数据纳入大数据库，可以提高预测模型的可靠性。

1.1.2 机电设备的固有属性数据

机电设备的固有属性数据是对机电设备运行服务进行大数据分析预测的重要信息数据，它会影响分析预测的准确度。机电设备的固有属性数据一般包括位置、尺寸、额定参数值以及材质等信息数据。将机电设备的固有属性数据纳入大数据库，可以提高预测模型的可靠性。

1.1.3 机电设备的商品信息数据

机电设备的商品信息数据是机电设备追本溯源的重要信息，该信息在机电运行维护中对管理备品备件具有重要的作用。机电设备的商品信息数据一般包括品牌、规格和供货商等信息数据。将机电设备的商品信息纳入大数据库，可以促进机电设备维护系统对产品品牌的评估预测，从而提升故障预测模型的可靠性。

1.1.4 机电设备的运行状态数据

机电设备的运行状态数据是进行故障预测和诊断分析的重要依据，反映了机电设备的运行状况。机电设备的运行状态数据一般包括测取的开关量、电压、电流、功率、震动和温度等状态量。将机电设备的运行状态数据纳入大数据库，就可以通过提取状态特征对机电设备的运行状态进行诊断和预测，从而提高机电设备安全运行的可靠性。

1.2 构建故障预测模型

随着自动化和智能化等新技术的兴起，各个行业都非常注重对数据的积累和应用，但是这些行业对数据的应用还不够深入[3]。以电力系统为例，变电所设备的稳定性直接影响了电力系统的安全运行，下面构建出变电所设备系统基于大数据的故障预测模型及机器深度学习架构的预测架构，如图1所示。

1.2.1 基于数据驱动的模型构建

采集变电所设备系统3个月的历史数据，并对该数据进行挖掘和分析，分析各变量的相关性，寻找相关变化趋势和规律；形成变电所设备系统的建立信息模型（Building Information Modeling，BIM），把设备模型的信息以及建模时输入的商品信息抽取写入数据库，组成变电所设备系统的大数据源。通过机器深度学习对变电所设备系统的大数据源进行建模，构建系统模型，反映各个系统参数间的关系，并输出预测状态信息。

图1 基于大数据的机电设备系统故障预测模型及机器学习预测架构

1.2.2 数据处理

在变电所设备系统的运行过程中，存在许多数据处理的问题，例如遗漏值、离群值以及杂讯等问题；此时，数据为无效数据，如果不对数据进行处理，直接将无效数据放入模型，就会产生不准确的结果。因此，首先需要对数据进行预处理；其次，对大数据源进行SVR模型适配，并通过该资料进行模型训练（Training）；最后，获得最适合的模型。

1.2.3 预测分析

在预测模型中，运用支持向量回归（SVR）对数据做出预测，给定1组训练数据，训练样本D={（x1，y1）……（xi，yi）}，yi∈R，其中x为输入值代表的数据类型的属性，y为属性的对应值。代表方程式为f（x）=w×x+b，f（x）为预测值，w、b为待确定的参数，学习到1个f（x）使其与y尽可能地接近，当每个f（xi）和yi的差值都很小时，就可以准确地预测y，因此需要找出最合适的w，并且还需要解出该w的值，可以将其视为求解凸函数最佳化问题，如公式（1）所示。

式中：ε为预测的值与实际值的差距，ε＞0。

如果在ε合理的情况下能解出公式（1）的值，就称其为可行性预测。然而，在大多状况下，数据信息都会受到杂讯、离群值和误差等各种因素的影响，导致没有可行性预测，因此该文应用损失函数和惩罚系数来解决该问题，如公式（2）所示。

式中：C为正则化常数；ξi为松弛变量。

因为ξi始终大于等于该点的预测误差绝对值减去ε，所以s.t.约束条件的意义就是让所有的点（xi，yi）都满足敏感度损失函数，也就是让ξi可以代替点（xi，yi）的损失。惩罚系数用于解决杂讯或离群值所产生的问题，还可以用来判断训练模型 （Training Model） 是否有过度或不适资料，并用C来表示。每一组训练资料都有其对应的ξi及ξi*，用来决定该组训练资料是否会落在ε的范围之外。

当机器学习时，对学习结果影响大的因素包括惩罚系数和模型内部参数等[1]，可以通过试误法找到错误率最低的组合，即最佳参数组合，该参数就是最适模型的参数。

1.3 诊断分析方法

建立变电所设备系统运行的故障诊断知识库，包括基于大数据在线故障诊断分析数据和基于人工运维的经验数据。故障诊断知识库分析方法的流程，如图2所示。

1.3.1 诊断模型

以大数据源为基础，选择并计算特征参数，保证初始模型数据的准确性。构造基于融合信息的特征信息选取算法，计算出待选特征和已知征兆间的相关性，通过故障规则表，建立改进型故障诊断模型，并将低纬度故障数据映射到高维特征空间，从而提高模型的精度。

1.3.2 知识库

建立基于大数据的在线故障诊断知识库。智能化网关采集现场设备并将其写入数据库，当有设备发生故障时，就生成故障信息单并保存在数据库中，其中，故障设备的型号、状态详情（例如设备的电流电压信息）等关键信息会作为故障原因知识库的输入信息，查询（预测）并推荐最有可能的几种故障原因，默认选择可能性最大的故障原因。

建立基于线下运维的故障诊断知识库。人员对设备进行日常巡检，如果设备状态正常，工作人员就扫码填写巡检单（保存在数据库中，包括巡检人员、巡检站点、巡检设备和巡检时间等）。如果设备出现异常状况，工作人员就手动填写故障信息单，其中，故障原因可以是现有知识库根据填写的相关数据调用故障原因进行默认选择，也可以是巡检人员进行人工判断；故障处理结束后，拍摄现场处理图片，填写任务详情单（保存在数据库中，包括处理人、通知人、任务内容、现场处理过程的图片文字标注、任务完成状况以及故障原因等信息），根据现场故障的处理状况确认故障原因，填写完成并上传写入知识库。

图2 故障诊断知识库分析方法流程

2 应用验证结果

图3 知识库诊断分析结果

该文采用BIM（3D）建模技术，构建了隧道变电所BIM模型，该模型的数据库包括设备的运行环境数据、固有属性数据以及商品信息数据；并在该模型的基础上，结合物联网数据远程采集、传输和处理技术，实现了对隧道变电所设备的实时监测，最终储存机电设备的运行状态数据。该文还融合多种大数据源构建故障预测模型，通过机器深度学习对该模型进行预测分析，基于知识库故障诊断分析，获得诊断原因（如图3所示），设备运行的预测诊断映射出该系统的运行状态及趋势，便于评估机电设备系统的稳定度，并形成评估报告反馈给管理人员，从而实现系统部件更换或结构调整，提升机电系统的稳定度，并及时有效地解决安全隐患，进而节约设备的维护成本。

3 结语

机电设备系统运行的维护管理对智能化故障预测及诊断服务的要求日益增加，事前预测和诊断可以保证机电设备系统的正常运行，降低设备故障对生产、生活带来的负面影响。该文重点介绍了对基于大数据分析的机电设备运行故障预测及诊断分析方法的研究，融合大数据源对多维数据进行交互，建立故障预测模型；再基于知识库诊断分析，完成设备健康预测及故障原因诊断，有效降低了设备的维修成本，提升了人员对设备的处置能力。