400-608-2558
029-86698003
400-608-2558
029-86698003
伴隨裝備制造業的不斷革新，產生了自主維修、狀態檢修等新型設備健康管理模式，極大地推進了設備健康管理的創新與發展。而這些新模式的基礎和核心就是故障預測與健康管理（Prognostics and Health Management, PHM）技術。
一、什么是PHM？
PHM技術是指釆用傳感器信息、專家知識及維修保障信息，借助各種智能算法與推理模型進行設備運行狀態的監測、預測、判別以及管理，實現低虛警率的故障檢測與隔離，解決傳統維修過程中存在的“維修不足”及“維修過剩”等問題，有效提高設備的可用性、減少保障費用，并最終達到設備狀態的智能維護及智能任務規劃的目的。
PHM 技術將設備管理與運維從事后維修、計劃檢修推向了狀態檢修階段，提供故障從發現到解決全過程一體化方案。核心功能包括：狀態監測、故障預測、原因分析、策略匹配、計劃保障、維修輔助、維修保障等。
二、統計分析和機器學習在PHM的應用
為保障系統功能的精準性與高效性，以統計分析和機器學習等大數據挖掘技術為代表的故障預測與診斷方法逐漸被應用于PHM領域，快速推進了PHM 技術的發展。
相關技術和方法包括統計分析、概率推理、分類預測、綜合評價等，已經在實時狀態監控、故障判別、健康預測及輔助決策等多個場景得到應用和落地，并取得了非常不錯的效果。
1、實現設備的多層級監控預警
監控狀態是設備健康管理體系中重要的一環，設備狀態監測需要對設備運行參數、運行狀態等數據進行實時監控和預報警推送。
目前，設備的安全預警閾值更多是依賴人工經驗對設備當前監控指標設定安全警戒線，缺乏科學的依據，容易出現由于預警值設定較低導致虛警率過高問題，或是因為設置預警閾值過高，導致報警時就已經發生了不可逆的故障。
基于這種情況，企業期望在傳統經驗預警的基礎上加入更加科學的數據分析方法，實現多級預警。
基于統計分析實現科學的閾值劃分
通常設備出廠設定的閾值叫做其安全預警，也是多級預警體系中的一級預警。在此基礎上，可以通過數據分析的方法來構建二級預警，二級預警的解決思路是運用異常檢測的方法，對歷史數據進行統計分析，形成靜態或動態工況的參數閾值。
此類方法常見的有基于箱線圖的異常檢測、基于分位數的異常檢測、基于Z-Score的異常檢測以及基于拉依達準則的異常檢測等。在實際使用過程中，可以通過模型的不斷更新來生成動態參數閾值，這樣做的好處是使得參數更加符合設備當前的運行狀況。
比如，我們在汽輪機設備監測預警過程中，針對主汽母管溫度閾值的確定，使用了基于箱線圖的異常檢測方法。如下圖左側是箱型圖方法，右側是基于這種方法得出的閾值。與設備根據經驗確定的一級預警值共同提供預警服務，圖中不連續的點是因為并未對全部的工況進行劃分，這主要是考慮到數據量的因素。
基于回歸預測實現異常提前發現
設備狀態監測指標為運維人員提供當前的設備運行情況，但如果設備出現狀態異常時，比如已經或即將達到設備故障的臨界點，則留給運維人員的維修時間較少，因此，需要提前對設備的運行狀態進行異常預警。
關于設備運行狀態的指標預警，主要是對各個運行指標進行預測。其中，不但要考慮指標自身變化，還需要考慮其它指標變化對該指標的影響。
針對這類問題，常用回歸預測方法進行建模預測，包括線性回歸、嶺回歸、SVR、梯度提升回歸樹、XGboost回歸等等。而關于回歸算法的選擇，可以嘗試多種算法進行預測與對比，并從中選取誤差較小的一種算法。當然，在指標選擇時還會運用到相關分析、方差分析等方法進行指標選取。
以汽輪機上“低溫省煤器入口溫度”預測為例，通過相關指標分析確定影響該指標的因素有發電機功率、鍋爐給水流量、主汽門蒸汽壓力、冷段再熱母管蒸汽壓力。同時，確定上述指標與目標指標之間的時間差，并基于此來構造200多個指標，然后運用線性回歸、嶺回歸、SVM回歸、XGBoost回歸四種方法進行建模預測，其中XGBoost回歸效果最佳。
值得一提的是，隨著預測時間長度的變化，預測準確度評判指標R方有一個衰退趨勢，在這組數據預測中，預測近1分鐘的數據R方為0.97，10分鐘的值R方衰退到0.91,30分鐘R方衰退到0.78。在實際使用中需要根據業務需要確定預測時間范圍，同時，如何減緩衰退也是模型要改善的目標之一。
基于歷史趨勢擬合實現異常預警
對于結構相對簡單，或可變參數相對較少的設備，由于其指標之間相互沒有影響，在進行故障預警多圍繞單個指標進行分析。這里，可以根據歷史故障發生前后指標的變化進行趨勢的擬合，再以擬合好的公式對新的數據進行判斷，提前發現異常。
比如，在判斷動車上牽引變流器冷卻系統濾網是否堵塞的故障時，冷卻系統油溫/水溫變化就是一個非常關鍵的指標，我們可以對濾網清理后到堵塞前這段時間的溫度變化進行擬合。它們之間的關系可以是線性也可以是非線性的，根據實際情況進行選擇，但注意在選取數據的時候一定是要選擇在相同工況下的數據，同時對于不同次故障前指標的變化需要進行無量綱處理。
進一步地，對兩次濾網堵塞情況（一次輕微堵塞、一次嚴重堵塞）在上次清理到堵塞前的數據進行對齊處理，通過對指標標準化后，選擇指數擬合、logistic擬合、二次擬合、增長擬合等多種方法進行擬合，然后通過誤差分析來選擇最好的一種擬合算法。
在模型擬合好之后，再將輕微堵塞和嚴重堵塞兩種情況分別在曲線上進行標注，這時輕微堵塞的溫度增長率為0.108，嚴重堵塞的增長率達到0.21，在實際應用中可以在列車運行過程中對每天的溫度與上一天溫度的變化進行預警，而預警值要在輕微堵塞之前，比如0.09。
2、實現智能化故障診斷
前面提到針對不同指標/測點的監測和分析，可以獲悉單個指標/測點當前是否超出范圍，以及未來一段時間的狀況。
在實際的應用過程中，部分單個測點可以直接表征一類故障，但更多時候，一個故障的發生可能會引發多個測點表現異常。而且，不同的故障可能導致的異常程度不一致。
那么，如何根據這些異常測點精準地定位到具體的故障類型呢？根據應用場景的不同、設備的不同、采集數據類型的不同，有不同的故障診斷方法。
基于多指標異常檢測實現故障預警
前面講的都是基于單個指標通過閾值進行異常預警，在實際應用中，我們會發現一種故障對應的異常點可能會出現多個，且多個部位之間有連鎖反應，其中的某一個部位異常不足以說明問題，需要結合多個部位的數據綜合判斷才能給出明確的答案。
針對這類問題可以選擇異常檢測方法，異常檢測方法一般分為四類：基于統計的Robust Covariance、基于密度的局部離群點檢測LOF、基于劃分的Isolation Forest以及基于分類的One-class SVM。
比如，對于列車齒輪箱溫度故障，僅用一個軸端溫度不足以說明故障的產生，還需要結合同側溫差和溫升等數據進行判斷。這時，使用異常檢測算法是一個不錯的選擇。通過對比不同算法檢測出異常的準確率和召回率，可以實現多種不同算法之間的比較，以此來確定哪種算法最優。
基于分類預測實現故障診斷
對于復雜設備，由于設備故障的產生是由多個因素綜合導致的，在這種情況下，使用傳統方法進行判斷的準確性并不高，還需要綜合考慮各方面的因素進行預測。同時，由于設備故障類型多樣，還需要對不同的故障分別進行分析。在這方面,基于分類的機器學習方法得到了較為廣泛的應用。常用的分類算法包括：決策樹算法、隨機森林分類、梯度提升樹分類、神經網絡、SVM分類、貝葉斯網絡分類、Xgboost分類等。
比如，在針對油浸式變壓器進行故障的時候，故障的類型有局部放電故障、高能放電故障、低溫過熱故障、高溫過熱故障、油道堵塞故障、絕緣老化故障等等。我們提取設備運行過程中的油中溶解氣體含量指標，包括c2h6、co2、n2、o2、c2h4、ch4、co、h2、c2h2，將故障作為目標指標進行分類模型構建。我們在實際中使用了梯度提升樹算法、支持向量機算法和隨機森林算法，并取得了不錯的效果。
基于綜合評價實現設備健康評估
在實際的生產中，大型設備一般包含多個關鍵部件，想要了解整體設備的健康狀況，可以使用綜合評價方法進行設備健康評估。此方法是基于業務理解及設備構造分析,對設備關鍵部件所對應的評價指標進行梳理，從而構建綜合評價模型，并對設備及其各部位進行全方位的評價。該方法的好處在于，一方面，可以對設備進行綜合監控、及時預警；另一方面，可對設備發生異常現象的情況進行原因追溯，指導維護人員快速定位設備問題。
設備健康狀態評估一般使用的指標包含幾個方面：設備上監測指標、設備部件的消耗情況、設備生產過程中的生產效率、產品質量、物耗狀態等。
例如，在對煙草生產過程中的某成型設備進行健康狀況綜合評價時，我們構建了“評價維度-評價要素-評價指標”三級綜合評價體系，從設備效率表現指數、產品質量放心指數、設備物耗評價指數三個維度進行總體評價，每個維度下又分為若干評價要素，每個評價要素下分若干個評價指標，最終得到設備健康狀況綜合得分，發現設備綜合得分降低后，可以快速追溯到是哪方面的原因導致的，便于企業運維人員快速維護。
基于性能劣化的壽命預測
由于觀測設備全生命周期內的變化非常困難，因此這里說的壽命預測主要是針消耗類產品或對設備上的消耗件/周轉件（如輪胎、軸承、刀具、電池、剎車片等），不考慮設備整體的剩余壽命。此類部件壽命預測多是通過歷史數據發現部件在設備性能、生產效率、生產質量等方面的劣化趨勢，然后通過曲線擬合的方式，構建部件全生命周期內的設備性能/效率/質量趨勢曲線，進而通過當前部件的性能劣化表現，反推其處在生命周期的具體階段。
3、提高故障原因/策略的發現效率
傳統設備故障診斷主要依靠人工經驗進行原因分析和策略匹配，企業在歷史的設備故障診斷過程中也沉淀了大量的原因診斷及策略匹配的知識，那么如何將這些知識進行合理規整及高效利用？目前，部分企業已經建立了故障相關的知識庫并加以利用，而機器學習在其中發揮的作用：一是在構建知識庫的過程中，提高知識庫的構建效率；二是在知識庫的使用過程中，提高使用的效率。這里，主要會用到的文本分類、聚類及相似度等方法。
基于聚類分析實現知識庫快速構建
在設備故障診斷過程中，診斷知識庫的構建是非常重要的一個環節，它的結構內容合理與否直接影響著診斷效率，但這部分工作也是最難的，這是由于企業歷史的故障原因、維護策略等數據大多都是人工填寫，而企業在早期并沒有建立一個統一的規范，從而導致整理現有的故障記錄、構建故障知識體系的難度非常大。基于文本分析+聚類的方法能夠很大程度上減少人工工作量，從而提高知識庫構建的效率。
例如，在構建發動機故障知識庫的過程中，涉及到對發動機故障知識進行分類。由于故障數據非常多，要想通過人工實現，工作量非常大。而通過文本分類的方法對所有故障進行分詞，然后通過聚類的方式對所有故障進行劃分，并根據劃分的結果對每一類故障進行標注，這樣就能夠節省很多時間。
基于相似度計算實現故障原因/策略精準匹配
由于觀測設備全生命周期內的變化非常困難，因此這里說的壽命預測主要是針消耗類產品或對設備上的消耗件/周轉件（如輪胎、軸承、刀具、電池、剎車片等），不考慮設備整體的剩余壽命。此類部件壽命預測多是通過歷史數據發現部件在設備性能、生產效率、生產質量等方面的劣化趨勢，然后通過曲線擬合的方式，構建部件全生命周期內的設備性能/效率/質量趨勢曲線，進而通過當前部件的性能劣化表現，反推其處在生命周期的具體階段。
維修人員在設備故障定位及維修過程中，由于經驗的缺乏可能會導致故障的排查和處理速度較慢，針對此類情況，企業會建立輔助排故系統來幫助維修人員快速的定位故障原因和匹配策略。具體來說，通過對問診過程中獲取的設備現象描述與故障知識庫中現有的故障現象、原因進行匹配，發現與當前設備現象相似的故障，將歷史原因及解決措施進行推薦，幫助用戶快速解決問題。相似度計算的方法包括歐氏距離、皮爾遜相關系數、余弦相似度、廣義Jaccard相似系數。
例如，對汽輪機設備進行輔助排故的過程中，通過數據的自動采集獲取到設備當前運行狀態數據，明確部分指標發生異常，但是無法定位到具體原因，這時可以通過對當前設備運行狀態與歷史發生的異常情況進行相似性計算來定位原因。
通過對設備當前運行狀態與歷史異常情況進行相似度分析，發現當前設備運行狀況與歷史編號為“9890”的異常情況相似度最高，對此我們可以將“9890”對應的故障原因、排查步驟、維修策略等歷史知識推送給維修人員，提升維修效率。
三、結束語??
本文介紹了幾種常用的機器學習與統計分析方法在設備故障診斷中的應用，我們稱之為基于數據驅動的故障診斷。在實際設備故障診斷過程中，除了使用數據驅動的方法，還需要結合設備機理知識、專家經驗知識等對設備健康狀況進行綜合分析。
此外，在數據驅動的診斷過程中也會存在一些特殊的數據處理及分析方法，例如針對信號類數據（設備上的震動、聲音、電流等）采用信號處理方法進行故障判斷。當然，還有一些設備故障判斷的方法，如曲線相似度法、歷史數據包絡算法、特征相似度法，受篇幅的限制，我們會在今后的文章中再跟大家詳細分享。
隨著企業對生產過程智能化要求的提高，設備健康管理將越來越受重視。同時，伴隨數據采集的全面性，基于數據驅動的方法在故障診斷中發揮的作用將會越來越大。利用機器學習基本知識，探索/組合新的智能化模型，更加高效、準確的解決異常預警、故障發現、原因分析、策略匹配等設備運行維護過程中的問題，是企業數據分析人員的責任，是企業智能化必經之路。
友情鏈接
