肖徐兵 徐瑋 楊宇峰 曹敬 張凌翔

摘要：本文對(duì)智能運(yùn)維中設(shè)備故障診斷技術(shù)進(jìn)行研究，并作出相關(guān)的實(shí)驗(yàn)設(shè)計(jì)。首先研究設(shè)備故障診斷技術(shù)在計(jì)算機(jī)中的實(shí)現(xiàn)方式，根據(jù)傅立葉變換提取特征數(shù)據(jù)，再以主成分分析法對(duì)數(shù)據(jù)的特征向量進(jìn)行排序。然后將智能運(yùn)維技術(shù)應(yīng)用在設(shè)備故障診斷技術(shù)中，研究常見數(shù)據(jù)信號(hào)的提取方法，構(gòu)建基于智能運(yùn)維的設(shè)備故障診斷模型并對(duì)其進(jìn)行訓(xùn)練，然后搭建算法并實(shí)現(xiàn)。最后設(shè)計(jì)實(shí)驗(yàn)，將本文研究的智能運(yùn)維中設(shè)備故障診斷技術(shù)與傳統(tǒng)的人工設(shè)備故障診斷技術(shù)進(jìn)行對(duì)比分析，驗(yàn)證了本文技術(shù)更具實(shí)用價(jià)值。

關(guān)鍵詞：智能運(yùn)維技術(shù);設(shè)備故障診斷技術(shù);信號(hào)

通常情況下的設(shè)備故障診斷技術(shù)是依據(jù)技術(shù)工人或研究人員的感官或經(jīng)驗(yàn)去判斷分析所診斷設(shè)備的轉(zhuǎn)速、壓力、溫度、噪音等一切有用信息，再將這些有用信息結(jié)合在一起分析建模，得到設(shè)備運(yùn)行狀況報(bào)告的一項(xiàng)技術(shù)。但是自20世紀(jì)50年代以來，我國(guó)的設(shè)備故障診斷技術(shù)已經(jīng)多年沒有跨越式的發(fā)展[1]。在這個(gè)大背景下，由于互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，當(dāng)今社會(huì)進(jìn)入了大數(shù)據(jù)時(shí)代。數(shù)據(jù)信息爆炸式增長(zhǎng)使得企業(yè)的運(yùn)維部門承擔(dān)著巨大的壓力，由此誕生智能運(yùn)維系統(tǒng)。所謂智能運(yùn)維是指一種利用大數(shù)據(jù)系統(tǒng)或人工智能技術(shù)完成數(shù)據(jù)分析、決策、診斷的技術(shù)體系[2-3]。在實(shí)際應(yīng)用場(chǎng)景之中，經(jīng)過大量數(shù)據(jù)的檢測(cè)和運(yùn)維人員自身的標(biāo)注，智能運(yùn)維系統(tǒng)的算法逐漸得到了發(fā)展。本文為了推進(jìn)設(shè)備故障診斷技術(shù)的發(fā)展，將智能運(yùn)維技術(shù)應(yīng)用在設(shè)備故障診斷技術(shù)中，對(duì)其進(jìn)行研究。

1 設(shè)備故障診斷技術(shù)研究

1.1 基于傅立葉變換的特征提取

特征提取是所有設(shè)備故障診斷技術(shù)中最重要的一步，它直接將物理信號(hào)與機(jī)器語(yǔ)言聯(lián)系在一起，使數(shù)據(jù)真正轉(zhuǎn)換為計(jì)算機(jī)能夠讀懂的內(nèi)容。在使用傅立葉變換進(jìn)行特征提取時(shí)，可以將原始的物理信號(hào)在時(shí)域與頻域之間相互轉(zhuǎn)換。在現(xiàn)代計(jì)算機(jī)領(lǐng)域，通常將FFT，即快速傅立葉變換作為視頻域的變換方法，這是一種快速計(jì)算離散傅立葉變換的方法，也被稱為DFT[4]。常用的FFT按照時(shí)間和頻率抽取其實(shí)現(xiàn)方法，其下又分為基2法、基4法、混合基法、分裂基法等。

信號(hào)的蝶形運(yùn)算從左至右進(jìn)行信號(hào)經(jīng)過直線后做乘法運(yùn)算，兩條直線相交處做加法運(yùn)算。WkN與-WkN分別乘以x2（k）可以將算法省略，相當(dāng)于減少一半的運(yùn)算。

1.2 數(shù)據(jù)主成分分析

原始數(shù)據(jù)經(jīng)過特征提取之后，就能夠使用計(jì)算機(jī)對(duì)其進(jìn)行分類處理，但是此時(shí)的數(shù)據(jù)維度過高，還需要使用主成分分析法對(duì)其進(jìn)行降維處理。主成分分析法是一種非常常用的數(shù)據(jù)降維方法，還能將經(jīng)過分析處理后的數(shù)據(jù)信息通過特定的方式進(jìn)行排序。首先需要將樣本數(shù)據(jù)D-{x1，x2，…，Xn）中心化處理，定義一個(gè)正交變換后的坐

2 基于智能運(yùn)維的設(shè)備故障診斷技術(shù)

上文中詳細(xì)介紹了設(shè)備故障診斷技術(shù)的實(shí)現(xiàn)過程，而本文主要是將智能運(yùn)維技術(shù)應(yīng)用在設(shè)備故障診斷技術(shù)中，因此以下內(nèi)容對(duì)基于智能運(yùn)維的設(shè)備故障診斷技術(shù)進(jìn)行研究。首先在終端中進(jìn)行上文所述的設(shè)備故障診斷，然后在計(jì)算機(jī)的云端上開始真正的基于智能運(yùn)維的設(shè)備故障診斷處理。

2.1 原始數(shù)據(jù)的提取

目前設(shè)備故障診斷技術(shù)常用的信號(hào)中，最常見的是噪音、電流、電壓和振動(dòng)信號(hào)[6]。這四種信號(hào)都能在一定程度上反映出目標(biāo)設(shè)備的故障狀態(tài)，其性能對(duì)比如表1所示。

如表1所示，通過對(duì)表中四種數(shù)據(jù)信號(hào)的性能對(duì)比，在考慮實(shí)際成本的基礎(chǔ)上，就能夠得到機(jī)械設(shè)備故障時(shí)的診斷數(shù)據(jù)及其預(yù)測(cè)類型。

2.2 基于智能運(yùn)維的設(shè)備故障診斷模型訓(xùn)練

將以上四種信號(hào)燈診斷數(shù)據(jù)與預(yù)測(cè)類型導(dǎo)入計(jì)算機(jī)中。采用在線訓(xùn)練的方式進(jìn)行模型訓(xùn)練和分類，圖中所示的模型庫(kù)需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，可以將診斷結(jié)果保存在云端模型庫(kù)中，當(dāng)診斷結(jié)果嚴(yán)重偏離預(yù)測(cè)值時(shí)，可以將診斷模型庫(kù)中的數(shù)據(jù)調(diào)取出來進(jìn)行二次訓(xùn)練，這樣能夠極大地避免資源的浪費(fèi)[7]。為了能夠減少終端的運(yùn)算壓力，將故障特征提取和數(shù)據(jù)的主成分分析都放在云端進(jìn)行處理，終端中只進(jìn)行數(shù)據(jù)信號(hào)的提取。使終端、云端和網(wǎng)絡(luò)共同構(gòu)建一個(gè)數(shù)據(jù)處理的流水線，進(jìn)而提升基于智能運(yùn)維系統(tǒng)的設(shè)備故障診斷技術(shù)的實(shí)時(shí)性能。

3 實(shí)驗(yàn)探究

3.1 實(shí)驗(yàn)準(zhǔn)備工作

四臺(tái)計(jì)算機(jī)中其中一臺(tái)作為主服務(wù)器，另外三臺(tái)作為節(jié)點(diǎn)服務(wù)器。在每臺(tái)計(jì)算機(jī)之間配置OPENSSH服務(wù)器，作為四臺(tái)計(jì)算機(jī)之間的訪問連接工具。實(shí)驗(yàn)數(shù)據(jù)采集自CUT-2轉(zhuǎn)子振動(dòng)實(shí)驗(yàn)臺(tái)，主服務(wù)器作為終端處理器，測(cè)量故障診斷過程中的模組數(shù)據(jù)。

分別在軸承內(nèi)圈、軸承外圈、軸承滾珠部位進(jìn)行故障檢測(cè)，將三臺(tái)節(jié)點(diǎn)服務(wù)器連接在三個(gè)可能會(huì)發(fā)生故障的部位，再將三臺(tái)節(jié)點(diǎn)服務(wù)器中的數(shù)據(jù)匯總到主服務(wù)器中，計(jì)算數(shù)據(jù)并進(jìn)行分析。結(jié)果的可能性為28種，將診斷的最終結(jié)果設(shè)置為ABC的形式，當(dāng)A=1時(shí)，軸承內(nèi)圈故障設(shè)，當(dāng)A-O時(shí)，軸承內(nèi)圈完好;同理，當(dāng)B=1時(shí)，軸承外圈故障，當(dāng)B-O時(shí)，軸承外圈良好;當(dāng)C=1時(shí)，軸承滾珠故障，當(dāng)C=0時(shí)，軸承滾珠良好。當(dāng)診斷結(jié)果為000時(shí)，代表整個(gè)設(shè)備無(wú)故障。

3.2 實(shí)驗(yàn)過程

首先在同樣的故障設(shè)備中令具備豐富經(jīng)驗(yàn)的設(shè)備故障檢測(cè)人員進(jìn)行人工診斷，通過對(duì)噪音、電流、電壓和振動(dòng)信號(hào)的觀測(cè)，得到診斷結(jié)果。設(shè)置不同的故障情況，將以上28種不同的故障類型全部設(shè)置在實(shí)驗(yàn)中，以驗(yàn)證在不同的故障診斷技術(shù)中.每個(gè)故障部位的故障診斷準(zhǔn)確率。將以上實(shí)驗(yàn)重復(fù)15次，以驗(yàn)證實(shí)驗(yàn)結(jié)果的準(zhǔn)確性。然后使用本文方法進(jìn)行基于智能運(yùn)維的設(shè)備故障診斷，同樣設(shè)置28種不同的故障類型使機(jī)器診斷故障部位，并將實(shí)驗(yàn)反復(fù)進(jìn)行15次，以確保實(shí)驗(yàn)結(jié)果的準(zhǔn)確性。

3.3 實(shí)驗(yàn)結(jié)果分析

通過以上實(shí)驗(yàn)過程，將使用本文方法進(jìn)行的故障診斷方法設(shè)置為A組，將使用傳統(tǒng)人工方法進(jìn)行的故障診斷技術(shù)設(shè)置為B組，得到的實(shí)驗(yàn)結(jié)果輸送到主服務(wù)器中分析整理得到如表2所示的數(shù)據(jù)。

通過表2中的數(shù)據(jù)可以得知，使用兩種方法進(jìn)行設(shè)備故障的診斷時(shí)，無(wú)故障診斷是正確率最高的，其中本文使用的方法進(jìn)行無(wú)故障診斷幾乎不會(huì)出現(xiàn)錯(cuò)誤，而人工方法的診斷結(jié)果準(zhǔn)確率也很高。剩余的三種故障類型中，內(nèi)圈故障、外圈故障和滾珠故障都沒有100%的準(zhǔn)確率，但是完全可以看出，本文基于智能運(yùn)維的設(shè)備故障診斷方法的準(zhǔn)確率高于傳統(tǒng)人工方法。因此可以得到判斷，本文基于智能運(yùn)維的設(shè)備故障診斷技術(shù)相比于傳統(tǒng)方法更具備實(shí)用性和優(yōu)越性。

4 結(jié)束語(yǔ)

目前大數(shù)據(jù)已經(jīng)進(jìn)入了社會(huì)的方方面面，而與之相匹配的智能運(yùn)維技術(shù)卻大多停留在IT行業(yè)，只有初步的應(yīng)用。本文基于智能運(yùn)維技術(shù)對(duì)設(shè)備故障診斷技術(shù)進(jìn)行了改進(jìn)，實(shí)現(xiàn)了設(shè)備故障診斷技術(shù)智能化設(shè)計(jì)，并作出實(shí)驗(yàn)驗(yàn)證了本文設(shè)計(jì)的可行性和相比起傳統(tǒng)設(shè)備故障診斷技術(shù)的優(yōu)越性，為設(shè)備故障診斷技術(shù)的發(fā)展作出了貢獻(xiàn)，并為運(yùn)維技術(shù)的應(yīng)用提供了新的思路。

參考文獻(xiàn)

[1]張曦曦，礦山機(jī)電設(shè)備故障檢測(cè)診斷技術(shù)應(yīng)用探究[J].石化技術(shù)，2020，27 （08）：214+256.

[2]高云.冶金機(jī)電設(shè)備中振動(dòng)監(jiān)測(cè)和故障診斷技術(shù)應(yīng)用[J].中國(guó)設(shè)備工程，2020 （12）：147-148.

[3]劉漢波.機(jī)電一體化設(shè)備的安裝調(diào)試及其故障診斷技術(shù)的應(yīng)用分析[J].現(xiàn)代商貿(mào)工業(yè)，2020，41（18）：213.

[4]沈海燕，楊玲玲，程清波，鐵路客運(yùn)站設(shè)備故障診斷評(píng)價(jià)體系及多屬性分析模型研究[J].中國(guó)設(shè)備工程，2020 （07）：139-142.

[5]劉娜，劉淵康.基于智能感知的監(jiān)控運(yùn)維故障診斷技術(shù)探討[J].中國(guó)交通信息化，2020 （03）：118-120.

[6]羅曼曼.設(shè)備智能運(yùn)維在流程型工業(yè)中的應(yīng)用[J].互聯(lián)網(wǎng)經(jīng)濟(jì)，2019 （22）：62-67.

[7]楊劍友，趙張磊，奚洪磊，周震宇，陳剛，就地化保護(hù)智能運(yùn)維檢修模式研究[J].浙江電力，2018，37 （12）：57-61.

作者簡(jiǎn)介

肖徐兵（1986-），男，江蘇省泰州市人。大學(xué)本科學(xué)歷，工程師。研究方向?yàn)殡娏φ{(diào)度自動(dòng)化，電力信息化，智慧能源服務(wù)，智能運(yùn)維服務(wù)。

徐瑋（1989-），男，江蘇省鹽城市人。大學(xué)本科學(xué)歷，高級(jí)工程師。研究方向?yàn)殡娏φ{(diào)度自動(dòng)化，電力信息化，綜合能源服務(wù)，智慧能源服務(wù)。

楊宇峰（1983一），男，江蘇省建湖縣人。碩士研究生，高級(jí)工程師。研究方向?yàn)檎{(diào)度自動(dòng)化，配網(wǎng)自動(dòng)化，新能源監(jiān)控，綜合能源管控與服務(wù)。

曹敬（1983-），男，江蘇省淮安市人。碩士研究生，高級(jí)工程師。研究方向?yàn)殡娏φ{(diào)度自動(dòng)化，新能源調(diào)度，綜合能源管控服務(wù)。

張凌翔（1993一），男，江蘇省淮安市人。碩士研究生，工程師。研究方向?yàn)殡娏φ{(diào)度自動(dòng)化，電力信息化，智慧能源服務(wù)，智能運(yùn)維服務(wù)。