基于云平台的动态化设备智能诊断算法模型构建方案.pdf

第45卷 第08期 2023-08【183】收稿日期：2022-04-13作者简介：冯昭凯（1997-），男，河北石家庄人，硕士，研究方向为人工智能技术在故障诊断中的应用。基于云平台的动态化设备智能诊断算法模型构建方案Construction scheme of dynamic equipment intelligent diagnosis algorithm model based on cloud platform冯昭凯*，白 华，乔运华，赵怡静FENG Zhao-kai*，BAI Hua，QIAO Yun-hua，ZHAO Yi-jing（北京机械工业自动化研究所有限公司，北京 100120）摘 要：伴随着现代信息化技术与现代工业自动化技术的发展，企业生产设备日益复杂，企业设备维护成本也越来越高。在诸多成本中，最大限度地节省损耗成本是离散制造业生产过程中的一大难题，因此精准识别、定位复杂设备故障的研究成为当下智能制造领域的热点。在此背景下，首先面向离散制造业工艺频繁变更、设备快速迭代的特点进行业务分析，并基于分析结论提出一种设备智能诊断模型的快速构建方案，该方案可动态化、组件化配置设备智能诊断模型，以适应不同设备不同的故障诊断需求。在方案验证阶段，以滚动轴承的故障诊断为例，构建了轴承智能诊断算法模型，对提出的动态化模型构建方案进行验证。提出的动态化模型构建方案支持用户根据实际生产设备需要，灵活构建设备智能诊断算法模型，实现不同类型设备的智能诊断，具有适用范围广、易使用等优点。关键词：智能诊断；故障诊断；模型构建；动态模型中图分类号：TP31 文献标志码：A 文章编号：1009-0134(2023)08-0183-050 引言近年来，以智能制造为核心的“中国制造2025”1国家战略快速推进，在人工智能、云计算、物联网等新型现代化技术的支撑推动下2，各类制造业企业向智能化、高效化、集成化发展已成为必然趋势。伴随着现代信息化技术与现代工业自动化技术的结合，制造业企业的生产设备愈发大型化、精密化、复杂化、自动化3，设备故障几率也随之升高，设备故障的识别、定位、排除也更加困难。因此，如何及时、准确的对生产设备进行故障诊断以保障制造业企业生产过程的高可靠、高精度已经成为当下智能制造领域的研究热点4。本文立足于现代离散制造业领域，针对其业务变更频繁，设备引进频率高，生产任务、生产环境灵活多变等特点，提出一种可根据不同企业的实际设备需求，组件化、动态化配置设备智能诊断算法模型的模型构建方案。本文首先对动态化设备智能诊断算法模型构建方案所涉及的相关理论进行探讨，后结合实际业务需求，基于对业务对象及业务流程的逐层分析，提出一组构建方案，用以实现组态化、动态化配置设备智能诊断算法模型；最后，选取在旋转机械中，已经通过经典建模方法拥有了成熟建模结果的滚动轴承作为验证对象，为其动态化配置智能诊断算法模型，以验证本文提出的动态化设备智能诊断算法模型构建方案的可行性。以上方法路线提出的设备智能诊断算法模型构建方案立足于模型动态化配置理念，在满足现有企业设备故障诊断需求的基础上，对设备故障诊断模型进行抽象建模，得到可根据设备个性化参数进行格式化配置的故障诊断模型构建方案。本文提出的动态模型构建方案对于离散制造业设备故障诊断具有较好的兼容性，可大大降低离散制造业设备智能诊断的准入门槛。1 相关理论研究本章将对动态化设备智能诊断算法模型构建方案所涉及的相关理论进行简要介绍，包括为动态化设备智能诊断算法模型提供支撑的云平台，以及对现有智能诊断算法的研究分析。1.1 基于云平台的故障诊断系统云平台最初来源于亚马逊公司向其他企业提供计算服务的云相关业务，近年来，伴随着国内外云计算技术的理论进步与诸多实践应用，越来越多的企业选择将信息服务部署在云平台上，这可以极大的降低企业在基础设施方面的维护成本，此外，通过与虚拟化技术相结合，系统的可用性、容灾能力也会大大增强。考虑到中小型制造业企业信息化设备维护实力较弱这一事实，本文提出的设备智能诊断算法模型构建方案也将部署在云平台之上，以减少企业信息化系统维护的人力、物力成本，降低制造业企业设备智能诊断的准入门槛。云平台总体架构如图1所示，共包含数据采集层、云平台层、业务层三层，本文的设备智能诊断算法模型构建方案归属于故障诊断模块中基于算法诊断这一故障诊断模【184】第45卷 第08期 2023-08式，通过与数据采集层、云平台层及业务层其他业务模块相结合，共同构成设备故障诊断及远程运维云服务平台，为制造业企业提供设备故障诊断与远程运维服务。图1 设备故障诊断及远程运维云服务平台总体架构图1.2 智能诊断算法近年来，伴随着人工智能技术的迅速发展与制造业企业的实际需要，设备智能诊断算法的研究受到了广泛的关注，国内外学者分别从不同角度对设备智能诊断算法进行了深入的研究，设备智能诊断算法的故障诊断理论、模型和方法研究取得了显著进展。目前而言，设备智能诊断算法包括传统机器学习算法与深度学习算法两大类，具体如图2所示。图2 设备智能诊断算法分类目前而言，基于某一类具体设备或零部件的设备智能诊断算法模型在其研究思路上已经较为成熟且经历过一些落地验证。在此基础上，研究基于行业特色的动态智能诊断算法，是使得智能诊断算法广泛投入应用，且为行业带来生机的必要尝试。无论是传统机器学习算法还是深度学习算法，都涉及算法训练与算法调用两部分，其中，算法训练指使用经过标注的有标签数据或未经标注的无标签数据对算法模型进行充分的训练、验证与测试，待算法的性能满足使用需求后，即可保存模型的架构及其相关参数，方便后续诊断预测时进行算法模型调用；算法调用指根据算法模型的输入数据需要，采集设备运行数据并对其进行数据预处理，而后将预处理后的数据作为诊断算法的输入数据进行算法调用，算法模型预测计算完毕后，输出模型预测值，即设备或部件是否存在故障、故障类型、故障程度等。根据智能诊断算法模型构建方案的需求，本文对设备智能诊断算法的调用过程进行进一步的研究分析。如图3所示，在设备故障诊断领域，智能诊断算法的调用过程通常可分为两步：1）数据采集与预处理；2）诊断算法调用。图3 智能诊断算法调用过程在数据采集与预处理阶段，用户需要采集设备运行数据，并根据采集数据的实际情况与后续智能诊断算法的实际需求，构建数据预处理模型对设备运行数据进行数据预处理，数据预处理分为数据清洗与特征提取两类。其中，数据清洗包含降噪滤波与数据标准化等常用算法；特征提取则常用信号处理技术进行提取，包括时域分析法5、频域分析法6、时频分析法7三类。预处理完毕后，进入诊断算法调用阶段，即以经过预处理后的数据作为机器学习或深度学习算法的输入数据，调用经过预先充分训练的机器学习算法模型得出设备状态值，从而实现设备的故障诊断。如图2所示，常见的传统机器学习算法有隐马尔科夫模型8、决策树9、支持向量机10等等，传统机器学习具有良好的可解释性，但对特征提取的要求更高，而高质量的特征提取又需要丰富的先验知识和设备知识，这就导致传统机器学习算法在设备故障诊断领域应用较为困难。作为传统机器学习的延伸，深度学习模型不需要专家介入，可直接通过深层神经网络进行数据特征提取与设备状态预测。目前，深度学习算法已经受到研究人员和制造业企业的重视并被广泛应用在多个领域，如轴承故障诊断11、风力发电机组故障诊断12、齿轮箱故障诊断13、煤矿设备故障诊断14等。如图2所示，在设备智能诊断领域，经典的深度学习算法模型包括卷积神经网络、自编码器及其变体、循环神经网络以及深度置信网络等等15。2 动态智能诊断算法模型基于离散行业设备特征，结合多品类生产过程设备的差别应用，本文对企业设备诊断过程进行设备诊断算法整体建模，基于行业的动态化智能诊断算法建模对智能诊断模型提出了新的需求，即模型可动态、灵活、组件化配置。以上需求首先需要对设备智能算法流程和关键接口、设备建模的对象特征进行格式化表达，后基于属性化的标准表达，结合实际诊断流程对如何使用建模对象的不同属性进行规范流程抽象和流程建模。最终得到可动态调整，适应离散制造行业设备特征的通用设备智能诊断算法模型构建方案。第45卷 第08期 2023-08【185】2.1 建模对象研究分析在进行设备智能算法诊断时，可以分为如下几个过程：1）数据采集与预处理；2）智能诊断算法调用。本部分研究通过对上述诊断过程逐层分析，抽象出设备智能算法诊断时，各阶段所需的建模对象。1）数据采集与预处理：在设备数据采集与预处理阶段，系统需要与数据采集平台交互，获取设备运行数据，并根据后续智能诊断算法的需求，对其进行相应的预处理操作。在此阶段涉及到两个主要的建模对象，即数据源信息与数据预处理项信息。数据源信息用于维护系统需要从数据采集平台获取的设备运行数据信息，如振动、噪声、温度、油液指标、电气参数等，按数据源类型可将其分为两类，即数值数据与文件数据，在系统与数据采集平台进行数据交互时，不同数据源类型对应不同的数据接口表。在进行设备故障诊断前，系统还需要根据智能诊断算法的需求，对设备数据源进行相应的预处理，包括针对数值数据的逻辑运算、字符比较、四则运算、求均值、求最值、自定义函数等，以及针对文件数据的统计指标计算、标准化处理、降噪滤波、信号处理等。2）智能诊断算法调用：在此阶段，系统将根据用户定义好的设备智能诊断算法模型进行设备故障诊断，而诊断又可细分为三步，即输入、诊断、输出。其中，故障诊断的输入数据来源于上一阶段数据采集与预处理的结果，即设备技术指标（包括设备数据源信息与设备数据预处理项信息）；故障诊断的诊断逻辑由设备智能诊断算法模型决定，设备智能诊断算法模型包括智能算法文件、智能算法需要的输入数据与设备技术指标的映射关系、智能算法的输出值信息与设备故障信息的映射关系；智能诊断算法诊断完毕后，返回算法的输出值。系统根据设备智能诊断算法模型中定义的算法输出值与设备故障信息的映射关系生成故障诊断记录，包括故障设备的设备信息、诊断的模型信息、相应的故障信息及其解决方案。根据以上分析，动态建模所涉及的建模对象及对象属性如表1所示。表1 动态建模涉及的建模对象及对象属性建模对象对象属性数据源信息数据类型、数据源目标表、数据类别、数据源编码、数据源名称、单位；数据预处理项信息数据类型、数据类别、数据预处理项编码、数据预处理项名称、单位、预处理模型；设备类型技术指标设备类型、技术指标；设备类型故障信息设备类型、故障类型、故障、故障描述、解决方案、解决方案附件；设备类型智能诊断算法模型设备类型、故障类型、故障、模型编码、模型名称、模型描述、诊断算法（智能诊断算法、算法输入：输入参数、技术指标；算法输出：输出值、故障程度）；2.2 模型构建流程研究根据建模对象特征分析结果，在对设备智能算法诊断过程抽象得出的建模对象及其属性的前提下，本阶段研究通过对于诊断算法模型的通用表达流程进行分解，抽象出构建动态算法模型的建模流程。结合智能诊断算法调用过程，设备智能诊断算法模型的构建首先需要囊括：1）数据采集与预处理；2）智能诊断算法调用两个过程所涉及的建模对象并对其进行规范化表达；其次根据对建模对象的表达和数据建模，对每个阶段的建模流程、实际模型执行流程之间的映射关系进行流程化参数的设计。根据以上分析，相应的建模流程可分为两个阶段，第一阶段构建标准的数据对象表达模型，对设备诊断中的数据对象的进行规范化表达，包括：1）针对模型输入相关建模对象的构建，在此阶段将完成数据源信息、数据预处理项配置；2）模型输出相关建模对象的配置，如设备类型故障信息的配置。第二阶段基于数据构建模型完成设备智能诊断算法模型的流程规则设计，包括数据模型的对象关联关系以及流程逻辑的设计，如输入对象与智能诊断算法输入参数的关联关系、智能诊断算法的输出值与设备故障信息的关联关系，具体动态算法模型的构建流程如图4所示。模型输出模型输入开始设备类型技术指标信息设备类型智能诊断算法建模设备类型智能诊断算法模型智能诊断算法设备类型技术指标建模结束数据源建模数据源信息数据预处理项建模数据预处理项信息设备类型故障信息建模设备类型故障信息模型构建图4 动态算法模型的构建流程结合设备诊断实际应用过程对每个阶段再次进行阶段性分析，图4中的每个过程具体展开可进一步得出，模型输入相关建模对象构建是根据设备实际数据采集情况，配置设备类型数据源信息，结合系统内置的数据预处理算法，如标准化处理、降噪滤波、信号处理等算法或用户根据自己实际需要自行配置的数据预处理算法，配置数据预处理模型及数据预处理项信息，从数据源信息与数据预处理项信息中，选择直接作为设备故障诊断输入数据的数据项构【186】第45卷 第08期 2023-08成设备类型技术指标信息；模型输出相关建模对象构建：根据面向的故障诊断对象，为其配置相应的设备故障信息，作为设备智能诊断算法模型的输出信息；设备智能诊断算法模型构建：使用设备技术指标信息、设备故障信息与智能诊断算法文件综合构建设备类型智能诊断算法模型。为保证系统的易用性，系统内置数据预处理算法库与标准件智能诊断算法库，向用户提供一些常用的数据预处理算法，如标准化处理、降噪滤波、信号处理等，以及一些常见标准件的智能诊断算法，如轴承的智能诊断算法、齿轮的智能诊断算法等；同时，为保证系统的可扩展性，系统还支持用户根据实际需求，自行配置数据预处理算法及设备（部件）智能诊断算法。3 动态算法模型构建与验证在验证中将设备独有的个性化参数，按照模型进行格式化的表达，并驱动设备诊断流程。最终结果与现有该设备的诊断流程/效果进行比对，得出动态智能诊断算法模型对于离散制造业设备故障诊断模型的兼容性。在常用的机械设备中，滚动轴承16是极为常见的传动零部件。由于在大多数情况下，传动零部件的工作条件都比较恶劣，这就导致滚动轴承更容易发生故障，影响设备正常传动。据统计，在电机故障中，因轴承引发的设备故障占比达一半以上17，因此，对滚动轴承进行故障诊断是离散制造业生产中，较为常见的一个诊断场景。本文为这一设备零部件配置智能诊断算法模型，以模拟不同制造业企业根据自己的实际生产设备、生产环境等，动态化配置其所需的设备智能诊断算法模型。首先，用户根据实际使用场景轴承故障诊断，选用要使用的智能诊断算法，本系统内置Scikit-learn、TensorFlow等常用人工智能框架与轴承、齿轮箱等多项标准件的智能诊断算法，用户可根据诊断需求，自由选择内置的智能诊断算法文件，也可根据实际诊断设备，使用设备历史诊断数据，自行训练神经网络算法模型文件并上传使用。本文基于验证场景滚动轴承故障诊断，选用系统内置的基于CNN的轴承智能诊断算法作为本次设备智能诊断算法模型的智能算法。其次，根据设备实际情况，配置数据源、数据预处理项、设备类型技术指标信息、设备类型故障信息，最后组成设备智能诊断算法模型即可使用。配置完毕后，用户可以根据需求随时人为选择诊断对象与诊断模型并发起故障诊断，也可为设备配置实时故障诊断规则，即诊断对象、诊断模型、诊断频率，由系统定时对设备发起故障诊断。设备故障诊断完毕后，如果发现故障，系统将自动生成故障诊断记录。设备类型智能诊断算法页面如图5所示，按需故障诊断页面如图6所示。图5 设备类型智能诊断算法建模页面图6 按需故障诊断页面通过对以上建模过程中涉及到的关键参数进行调整，如设备技术指标信息、设备故障信息以及智能诊断算法文件，目前现有的设备智能诊断算法模型构建方案可支撑多种类型的设备或设备部件的故障诊断模型规范化表达。4 结语本文针对现代离散制造业企业业务变更频繁、设备引进频率高等问题，提出一种柔性高、可动态化、组件化配置设备智能诊断算法模型的构建方案，以帮助企业降低设备维护成本。本文首先对云平台与智能诊断算法的相关理论研究进行简要介绍；其次，在充分了解现有智能诊断算法的基础上，结合企业实际设备故障诊断的需求，本文对设备智能诊断算法模型构建过程中所涉及的对象及流程进行抽象建模分析，得出支持用户进行组件化、动态化配置的设备智能诊断算法模型；最终，本文以机械设备中极为常见的滚动轴承为例，为其动态化配置设备智能诊断算法模型，对本文所提出的动态化设备智能诊断算法模型构建方案进行验证。由于本文提出的动态化设备智能诊断算法模型构建方案采用了动态模型配置理念，且对设备智能算法诊断过程进行充分的研究与抽象建模，具有柔性高、易使用等优点，有利于降低制造业企业参与智能制造、设备智能故障诊断的门槛，助力“中国制造2025”战略的快速推进。在后续的研究与工作当中，将会对智能算法模型的训练、验证阶段进行研究与建模，方便用户自由构建、更新、验证智能诊断算法模型。参考文献：1 郑国伟.中国制造2025解读与体会J.制造技术与机床,2018(9):7-8,130.第45卷 第08期 2023-08【187】2 柴天佑.工业人工智能发展方向J.自动化学报,2020,46(10):8.3 李彦夫,韩特.基于深度学习的工业装备PHM研究综述J.振动.测试与诊断,2022,42(5):835-847,1029.4 刘晶,高立超,孙跃华,等.基于知识和数据融合驱动的设备故障诊断方法J.郑州大学学报(理学版),2022,54(2):39-46.5 丁显,徐进,汤海宁,等.风电机组传动链典型故障特征提取方法J.可再生能源,2020,38(3):319-325.6 Mohanty S,Gupta K K,Raju K S.Hurst based Vibro-Acoustic Feature Extraction of Bearing using EMD and VMDJ.Measurement,2017,117:200-220.7 Chu W L,Lin C J,Kao K C.Fault Diagnosis of a Rotor and Ball-Bearing System Using DWT Integrated with SVM,GRNN,and Visual Dot PatternsJ.Sensors(Basel,Switzerland),2019,19(21).8 刘旭,朱宗玖,杨明亮.基于小波包与隐马尔可夫的矿井提升机主轴故障诊断J.煤炭技术,2022,41(1).9 郭兆松,吴士力,邓侃.柴油机故障的堆栈自编码特征提取与随机森林识别J.机械设计与制造,2022(9):7.10常新宇,李琦.特征筛选与SVM结合的风机轴承故障诊断研究J.机械设计与制造,2022(10):380.11赵小强,罗维兰.改进卷积Lenet-5神经网络的轴承故障诊断方法J.电子测量与仪器学报,2022,36(6):13.12胡姚刚,刘怀盛,时萍萍,等.风电机组偏航系统故障诊断与寿命预测综述J.中国电机工程学报,2022,42(13):13.13李东东,赵阳,赵耀,等.基于深度特征融合网络的风电机组行星齿轮箱故障诊断方法J.电力系统保护与控制,2022,50(10).14闫方元.基于深度自动编码的矿井提升设备故障诊断方法D.太原理工大学,2022.DOI:10.27352/ki.gylgu.2022.000490.15李彦夫,韩特.基于深度学习的工业装备PHM研究综述J.振动.测试与诊断,2022,42(5):835-847,1029.16李舜酩,侯钰哲,李香莲.滚动轴承振动故障时频域分析方法综述J.重庆理工大学学报(自然科学),2021,35(10):85-93.17张亚雄.滚动轴承振动信号的采集与分析研究D.昆明理工大学,2014.通道的变压器油气相色谱仪在重复性、稳定性、测量线性以及测量重现性等多个方能表现稳定，各项指标均符合并优于国际、国标或者行业标准中提到的相关要求，可以为变压器状态的监控以及潜在威胁的发现提供可靠的支持。参考文献：1 郭振岩.中国变压器行业现状及应对措施J.变压器,2012,49(3):5.2 凌海峰,刘津浩,李志新.变压器油色谱分析与故障判断J.液压气动与密封,2012,32(5):46-50.3 连鸿松,李文琦,赖永华,等.变压器绝缘油溶解气体及含气量现场快速检测一体化装置研究J.高压电器,2020,56(3):79-86.4 张利刚.变压器油中溶解气体的成分和含量与充油电力设备绝缘故障诊断的关系J.变压器,2000,(3):39-42.5 钱之银,陆志浩,楼其民,等.变压器油中溶解气体判断方法综述J.高压电器,2002(6):34-37.6 许坤,周建华,茹秋实,等.变压器油中溶解气体在线监测技术发展与展望J.高电压技术,2005,31(8):4.7 金祖龙.变压器色谱在线监测系统及其关键技术J.变压器,2009,46(6):7.8 仲元昌,万能飞,夏艳,等.基于油气参数分析的电力变压器故障分步式诊断算法J.高电压技术,2014,40(8):6.9 刘栋梁.变压器油色谱数据异常的分析与处理J.变压器,2008,(3):49-51.10林同光,王声学,王略,等.核电站高压厂用变压器油色谱数据异常的分析与处理J.电工技术,2014(8):3.11胡发明.几起变压器油色谱异常的分析J.电气技术,2012(5):74-76.12程绍伟,金大鑫,张楠.220kV变压器油色谱异常分析J.变压器,2013,50(7):2.13绝缘油中溶解气体组分含量的气相色谱测定法：GB/T 17623-2017S.2017.14朱洪斌,余翔,张晓琴.变压器油中溶解气体色谱分析标准油配制装置的研发J.中国电力,2016,49(2):132-135.15Oil-filled electrical equipment-sampling of gases and analy-sis of free and dissolved gases-gauidance:IEC 605672012S.2012.【上接第182页】