杜 剛，顧 軍，劉海峰，李蘇南，榮華超，劉 華，吳文超

（1.大峘集團有限公司，江蘇 南京 211112；2.南京朗馳集團機電有限公司，江蘇 南京 210006；3.西門子（中國）有限公司，上海 200433）

引 言

鋼鐵企業(yè)規(guī)模不斷擴大和產(chǎn)業(yè)集中度不斷提升，裝備大型化、智能化業(yè)已成為一種趨勢。礦渣立磨是用于處理鋼鐵廠內(nèi)固體廢棄物制備超細粉的核心關鍵裝備。十多年來發(fā)展，其大型化在占地、投資、成本和能耗等方面均占有顯著優(yōu)勢，已成為鋼鐵企業(yè)節(jié)能減排、綠色發(fā)展必備的裝備之一。目前單線200萬噸以上級的高爐礦渣超細粉大型立式磨機技術，已達到國內(nèi)、外領先水平。隨之而來的大型立式磨機裝備數(shù)字化、智能化，實現(xiàn)系統(tǒng)的自主運行和預測性維護，掌握設備的運行工況，正確估計可能發(fā)生的故障和趨勢，避免災難性毀壞，將是立式磨機技術的進一步發(fā)展方向。針對一鋼鐵廠礦渣微粉生產(chǎn)線立式磨機，預測性運行維護系統(tǒng)的功能、配置、調試、工程服務等有關技術問題進行了深入探討和研究。在西門子SiePA基礎上，用信息傳感技術、信號處理及無線傳輸技術、現(xiàn)代測控技術［1］，建立一套完整的礦渣立磨預測性運行維護系統(tǒng)。

1 系統(tǒng)運維概述

當前礦渣微粉立式磨機設備的運維方式主要包括以下三種：

（a）在中控室對DCS相關狀態(tài)參數(shù)進行觀察，發(fā)現(xiàn)問題直接聯(lián)系現(xiàn)場工程師進行設備查看和維修。

（b）通過點巡檢的方式對設備進行健康檢查，且巡檢頻率很高，現(xiàn)場的問題發(fā)現(xiàn)主要憑借師傅/專家的經(jīng)驗。

（c）通過第三方（基于領域模型以及特定故障模式分析）每周/每月給出一份相關設備的評估報告，但并不針對整體立式磨機設備，而只針對其中某一部分的設備。

當前的運維方式面臨著巨大的挑戰(zhàn)：

（a）無法對立式磨機設備做到早期故障征兆的提前預測與預警，目前是局部設備發(fā)生故障后才進行維修，尚未建立對立式磨機整體進行多緯度數(shù)據(jù)關聯(lián)分析的系統(tǒng)。分析相對比較單一，不具備深入數(shù)據(jù)分析能力。

（b）多次出現(xiàn)非計劃性停車情況，絕大多數(shù)是由于微小故障無法在早期被有效的識別出來，進而導致后續(xù)演變成嚴重故障。當故障發(fā)生后才進行檢修則嚴重影響立磨設備的生產(chǎn)效率，并由此造成巨大的經(jīng)濟損失。

（c）設備故障診斷沒有形成標準體系，完全依賴老師傅/人工的經(jīng)驗。

隨著自動化、數(shù)字化與智能化的不斷進步，目前對于大型設備，均已經(jīng)具備數(shù)據(jù)采集的能力，并積累了一定量的歷史數(shù)據(jù)，基于工業(yè)大數(shù)據(jù)分析以及人工智能技術的設備預測性維護已成為企業(yè)重點需求。

希望能夠通過對設備已有數(shù)據(jù)進行深入的數(shù)據(jù)分析與挖掘，構建設備健康狀態(tài)預測模型，通過接入的實時數(shù)據(jù)與預測模型進行比對來對立式磨機整體潛在故障風險進行預測與預警。從復雜信號中提取微弱特征，抓取隱藏的異常信息［2］。

模型預警以后，系統(tǒng)支持利用自然語言處理技術匹配相似的診斷報告，為現(xiàn)場運維保駕護航，從而降低非計劃性停車風險，實現(xiàn)軟硬件一體的高質量服務。

2 數(shù)據(jù)獲取

礦渣微粉立式磨機運行狀態(tài)所需傳感器相關信息包括：

環(huán)境參數(shù)：溫度、濕度；

生產(chǎn)過程參數(shù)：溫度、壓力、流量、料位等；

設備狀態(tài)參數(shù)：電流、電壓、振動（頻譜）、軸溫等。

不同預測性模型依賴的測點會有所不同，根據(jù)條件布置需求測點：

對于減速機等配套設備部件的原廠內(nèi)置測點，將數(shù)據(jù)收集至自有數(shù)據(jù)平臺，SiePA將從數(shù)據(jù)平臺讀取和使用測點的數(shù)據(jù)；

對于特定SiePA模型監(jiān)控場景下立式磨機設備尚不具備而需要加裝測點的情況，增加測點及相關硬件，并將測點數(shù)據(jù)采集至其自有數(shù)據(jù)平臺供SiePA模型監(jiān)控場景之用；

自有數(shù)據(jù)平臺數(shù)據(jù)統(tǒng)一向SiePA開放，其主要針對的是OPC-UA協(xié)議接口采集的時序數(shù)據(jù)和針對FTP協(xié)議接口采集的振動原始采樣數(shù)據(jù)。涉及其他類型的數(shù)據(jù)協(xié)議接口，需要定制開發(fā)處理；

建立現(xiàn)場對外數(shù)據(jù)傳輸網(wǎng)絡；

采集半年以上歷史數(shù)據(jù)；

重要設備的歷史故障分析報告用于構建知識庫，導入總數(shù)不超過100份的故障報告，其余報告可通過SiePA系統(tǒng)的報告輸入界面錄入系統(tǒng)。

SiePA所支持的數(shù)據(jù)接口信息如下：

2.1 參數(shù)狀態(tài)數(shù)據(jù)接口

接口編號：1；

接口名稱：參數(shù)實時數(shù)據(jù)接口；

接口說明：從實時數(shù)據(jù)收集/輸出系統(tǒng)（如 實時數(shù)據(jù)庫）中獲取目標參數(shù)的實時運行數(shù)據(jù)，在SiePA系統(tǒng)中進行分析，實現(xiàn)健康狀態(tài)預警；

接口形式：OPC UA；

服務提供方：實時數(shù)據(jù)收集/輸出系統(tǒng)（如實時數(shù)據(jù)庫）；

服務消費方：SiePA預測性維護系統(tǒng)；

輸入?yún)?shù)：測點傳感器位號；

輸出參數(shù)：參數(shù)運行數(shù)據(jù)（時間戳、位號、監(jiān)測數(shù)值）；

調用方式：OPC UA。

2.2 控制系統(tǒng)事件數(shù)據(jù)接口

接口編號：2；

接口名稱：控制系統(tǒng)事件數(shù)據(jù)接口；

接口說明：從實時數(shù)據(jù)收集/輸出系統(tǒng)（如實時數(shù)據(jù)庫）中獲取目標參數(shù)的實時運行數(shù)據(jù)，在SiePA系統(tǒng)中進行分析，實現(xiàn)健康狀態(tài)預警；

接口形式：OPC UA A&E；

服務提供方：實時數(shù)據(jù)收集/輸出系統(tǒng)（如實時數(shù)據(jù)庫）；

服務消費方：SiePA預測性維護系統(tǒng)；

輸入?yún)?shù)：傳感器位號；

輸出參數(shù)：目標參數(shù)事件數(shù)據(jù)（時間戳、事件類型Type、事件來源Resource、事件狀態(tài)Status、優(yōu)先級Priority等）；

調用方式：OPC UA A&E。

2.3 智能診斷報告生成與輸出

智能預警子模塊在調用診斷模塊得到相應的解決方案之后，相應的解決方案數(shù)據(jù)（問題的描述，問題發(fā)生的具體的設備信息，問題的解決方案和解決方案對應的原始票據(jù)以及票據(jù)對應的設備信息，用戶對解決方案的評論和反饋）可以提供給報表模塊生成診斷報告。

3 技術特點與主要功能

3.1 技術思路與功能架構

SiePA系統(tǒng)支持用戶開展基于大數(shù)據(jù)分析的運行狀態(tài)預警與智能故障診斷，其主要技術路線/功能架構如圖1所示。

圖1 SiePA系統(tǒng)功能架構圖

首先，SiePA系統(tǒng)對多源數(shù)據(jù)進行整合集成，支持設備監(jiān)測歷史數(shù)據(jù)導入、實時數(shù)據(jù)接入、故障類型診斷與分析數(shù)據(jù)上傳，并結合工況設計相關數(shù)據(jù)，為后續(xù)診斷分析提供堅實基礎。

在運行狀態(tài)預測預警模塊中，SiePA預測預警模塊運用機器學習的算法，通過學習不同工況下健康狀態(tài)的機器設備的運行信息，同時可以進一步結合已有的技術標準，構建設備健康狀態(tài)的模型，并通過智能對比分析，實現(xiàn)對機器設備的監(jiān)控與預警。

基于預警信息，SiePA系統(tǒng)通過專家故障診斷規(guī)則數(shù)據(jù)庫和歷史故障信息庫，高效、便捷地對當前預警信息進行綜合故障診斷分析；協(xié)助用戶實現(xiàn)基于客觀數(shù)據(jù)的、可靠的、全面的風險評估與決策。

同時，SiePA系統(tǒng)支持用戶進一步基于以往故障分析報告與經(jīng)驗所構建的診斷知識庫，結合自然語言處理等人工智能技術，在智能排查診斷模塊中進行相關健康分析診斷查詢，推薦相關運維措施，指導運維人員開展相關工作。

3.2 關鍵技術與主要功能描述

3.2.1 運行狀態(tài)預測預警模塊

SiePA運行狀態(tài)預測預警模塊利用設備運行過程中產(chǎn)生的多源數(shù)據(jù)對設備的健康狀況進行分析，包括：基于實際情況的設備健康評估與預測預警；機械振動結合工藝參數(shù)的設備運行狀態(tài)建模分析；基于工藝時序數(shù)據(jù)的運行狀態(tài)建模分析等，為設備管理決策提供輔助支撐及可靠依據(jù)。

分析和監(jiān)控的結果以交互式可視化分析平臺的形式反饋給管理決策人員以及設備操作人員。管理決策人員和設備操作人員結合設備運行狀況和經(jīng)驗完成設備操作。對以上三方面主要功能與技術描述：

（1）基于實際情況的設備健康評估與預測預警

系統(tǒng)的模組構建模塊可以幫助用戶構建起從產(chǎn)線→設備→監(jiān)控模型的三級設備狀態(tài)監(jiān)控管理模式，如圖2所示。

圖2 模組構建模塊

基于構建的模組，并將其激活進行監(jiān)控，在監(jiān)控可視化儀表盤上（如圖3所示），系統(tǒng)將從工廠維度展示預警的整體統(tǒng)計信息，從時間維度展示24 h內(nèi)的實時預警狀態(tài)，從管理維度提供獨立的預警信息列表，幫助用戶全方位了解工廠運行狀況。

圖3 監(jiān)控可視化儀表盤

對于產(chǎn)生的預警信息，系統(tǒng)支持進一步的預警分析，系統(tǒng)將展示預警前后模型中對應的主測點以及關聯(lián)測點的數(shù)據(jù)趨勢，以及模型分析結果中的測點數(shù)據(jù)偏離度信息，同時支持用戶對于歷史數(shù)據(jù)的查詢進行綜合的分析。對于機械振動數(shù)據(jù)，系統(tǒng)將根據(jù)設備配置的相關信息，同時會基于內(nèi)置的故障診斷模型，推薦該預警潛在的常見機械故障類型。相關系統(tǒng)功能圖如圖4，5所示?；趯缶畔⒌姆治?，用戶可以填寫報警的描述，推送至知識庫模塊進行解決方案的自動檢索與報告生成。

圖4 機械振動預警分析

圖5 工藝時序預警分析

（2）機械振動結合工藝參數(shù)的設備運行狀態(tài)建模分析

SiePA振動建模是基于用戶選擇的歷史原始信號數(shù)據(jù)，經(jīng)過信號預處理，得到相應的譜圖，便于提取、分析振動信號在頻域上的特征。通過融合在正常工況下所提取的時序上的非振動信號（溫度、壓強等）與振動信號在頻域上的特征，形成相應的時頻分析的特征向量，采用機器學習算法訓練和自適應調整來改進其性能［3］，并建立關于正常工況的多維度相關性模型，該模型可被用于檢測實際工況相對正常（模型）工況的偏離程度，從而實現(xiàn)設備的在線健康監(jiān)測功能。SiePA預測預警模塊在模型訓練結束時，支持用戶重新選擇一段已知設備運行狀態(tài)的歷史數(shù)據(jù)進行訓練模型驗證，以保證模型的在監(jiān)控時的可靠性。這種人機交互式的驗證方式，極大程度上豐富了用戶的體驗、照顧了用戶的使用感受，同時最大程度上保證了模型用于監(jiān)控設備健康運行的可靠性。在此基礎上，通過結合非振動信息（溫度、壓強信息）使得監(jiān)測過程更加符合實際機器設備運行情況，加強模型的魯棒性，實現(xiàn)全生命周期、全工況的設備健康狀態(tài)預警。

相較于傳統(tǒng)的振動預警監(jiān)控，SiePA振動預警模型的可靠性更高，在設備健康狀態(tài)監(jiān)控階段，由于結合了非振動（時序）數(shù)據(jù)，使得模型對設備實現(xiàn)了更全面的定義與監(jiān)控，增加了模型的可靠性；SiePA振動預警模型的數(shù)據(jù)深度及智能創(chuàng)造價值更高，通過實時采集的數(shù)據(jù)通過分析與正常運行狀態(tài)模型的對比，幫助及時發(fā)現(xiàn)異常趨勢，從而提示相關人員及時采取相關措施，盡可能避免或減少拆機的故障維修和停機檢修的發(fā)生。

在具體的建模過程中，SiePA系統(tǒng)會從振動信號中提取重要的特征，同時進一步提取溫度、電流、電壓等非振動時序數(shù)據(jù)，結合振動數(shù)據(jù)的采樣時間間隔、采樣頻率提取時域、頻域特征因素，組成特征向量，作為模型的輸入。通過提取相應的建模特征，將相關因素進行建模分析，得到符合當前機器狀況的健康預警模型。將建好的模型用于檢測測試數(shù)據(jù)，模型可正確的區(qū)分正常樣本和異常樣本，以達到預警維護的目的。

系統(tǒng)中具體功能描述如下：

對于振動原始信號數(shù)據(jù)，系統(tǒng)支持時-頻域的綜合分析，首先通過系統(tǒng)的設備配置模塊（如圖6所示），用戶可以定義具體的設備實例，將數(shù)據(jù)測點與設備的部件進行關聯(lián)，同時對設備所涉及到的機械工藝參數(shù)（如軸承四件套等）等進行輸入。該部分信息將支持預警模型的建立，以及常見機械故障的診斷。

圖6 設備配置模塊

當利用機械振動數(shù)據(jù)進行預警模型建立時，系統(tǒng)將自動根據(jù)設備配置信息，結合各測點在設備上的位置以及工藝參數(shù)，進行建模測點的推薦，用戶也可以根據(jù)設備經(jīng)驗進行測點的更改與選擇，如圖7所示。

圖7 選擇振動測點結合工藝時序建模

基于選擇的測點，系統(tǒng)提供交互式的可視化數(shù)據(jù)分析圖表，展示歷史的振動數(shù)據(jù)統(tǒng)計值趨勢，以及相關的關聯(lián)測點的數(shù)據(jù)趨勢，基于配置的靜態(tài)報警閾值，用戶可以進行正常工況下數(shù)據(jù)時間段的刷選，如圖8所示。系統(tǒng)將根據(jù)刷選的訓練集，進行建模數(shù)據(jù)的質量檢測，系統(tǒng)將根據(jù)計算結果，返回數(shù)據(jù)集中篩選出的特征數(shù)據(jù)點以及數(shù)據(jù)中潛在的邊界數(shù)據(jù)點，用戶需要在系統(tǒng)上對特征數(shù)據(jù)點以及邊界數(shù)據(jù)點進行標注反饋，如圖9所示。最終，系統(tǒng)將根據(jù)反饋的結果進行模型的構建，如圖10所示。

圖8 基于歷史數(shù)據(jù)的訓練集刷選

圖9 訓練集質量檢測和用戶反饋收集

圖10 模型訓練

（3）基于時序數(shù)據(jù)的運行狀態(tài)建模分析

SiePA打破了傳統(tǒng)的以設備部件為最小的建模分析單元的建模方式，基于系統(tǒng)集成的多源數(shù)據(jù)，采用測點作為最小的建模單元進行建模分析，這種建模方法為下一步故障診斷的精確定位和分析排查設備故障打下良好的基礎。整個預警階段建模主要分為三個部分：第一部分是建模數(shù)據(jù)篩選；第二個部分是運行狀態(tài)模型訓練；第三個部分是利用建好的模型進行設備運行狀態(tài)監(jiān)控。

在運行狀態(tài)模型訓練階段，SiePA支持基于歷史數(shù)據(jù)訓練和模型導入兩種方式用于設備預警狀態(tài)的監(jiān)測的預警機器學習模型。模型導入是基于西門子模型算法庫中已訓練好的機器學習模型，可直接用于監(jiān)控機器設備，而根據(jù)歷史數(shù)據(jù)的模型訓練則是基于用戶選擇的歷史數(shù)據(jù)，通過提取特征（即：影響設備運行狀態(tài)的因素），形成相應的特征向量，作為改進的多維度相關性建模算法的輸入，通過該算法訓練出適應當前工廠的符合當前工況的設備健康監(jiān)測模型。SiePA預測預警模塊在模型訓練結束時，支持用戶重新選擇一段已知設備運行狀態(tài)的歷史數(shù)據(jù)進行訓練模型驗證，以保證模型的在監(jiān)控時的可靠性。這種人機交互式的驗證方式，極大程度上豐富了用戶的體驗、照顧了用戶的使用感受，同時最大程度上保證了模型用于監(jiān)控設備健康運行的可靠性。在此基礎上，通過結合相關測點信息使得監(jiān)測過程更加符合實際機器設備運行情況，加強模型的魯棒性，實現(xiàn)全生命周期、全工況的設備健康狀態(tài)預警。

系統(tǒng)中具體功能描述如下：

（1）多維度數(shù)據(jù)的關聯(lián)分析

基于系統(tǒng)的工程模塊將工廠數(shù)據(jù)進行整合后，系統(tǒng)將進行數(shù)據(jù)維度的相關性分析。相關性分析的結果可以從數(shù)據(jù)層面為用戶推薦需要重點關注的主測點以及主測點相關性高的關聯(lián)測點，系統(tǒng)也支持用戶根據(jù)行業(yè)經(jīng)驗進行測點的選擇。

圖11為系統(tǒng)的功能界面示圖。

用戶通過該功能模塊，可以融合數(shù)據(jù)驅動以及經(jīng)驗驅動的方式，交互式的選擇與產(chǎn)線/設備健康管理密切相關的指標（測點），從而定義“產(chǎn)線/設備狀態(tài)DNA”，使得模型能夠提取更具針對性的數(shù)據(jù)特征，同時可進一步提升模型的可解釋性。

（2）模型訓練

結合歷史數(shù)據(jù)中的實際生產(chǎn)運行工況與故障情況，系統(tǒng)支持用戶交互式選取某段或某幾段歷史數(shù)據(jù)，進行工況的標注，用于模型的訓練。同時對于訓練好的模型，可以選取一段歷史數(shù)據(jù)進行模型效果的檢驗。系統(tǒng)功能圖如圖12所示。

3.2.2 智能健康診斷模塊

SiePA智能健康診斷模塊以歷史故障記錄為數(shù)據(jù)基礎，以自然語言處理模型為分析工具，為用戶提供疑難故障的建議解決方案，并通過不斷更新知識庫來進行自身完善。診斷模塊的工作流程可概括為以下幾個方面：

(1)預警診斷流程

SiePA運行狀態(tài)預測預警模塊會在監(jiān)控設備運行的過程中產(chǎn)生報警，并將其推送至診斷模塊。診斷模塊根據(jù)報警信息的自然語言描述，自動進行初步診斷，并將報警和初步診斷的結果保留在診斷隊列中。

(2)用戶手工查詢流程

用戶可以通過在SiePA智能設備健康診斷模塊的查詢界面直接輸入故障相關信息的方法直接調用診斷流程。用戶需要提供的信息包括故障設備、故障概要、故障具體描述等，提供的信息越具體詳細，查詢的結果也就越準確。診斷模塊會調用后臺的NLP模型進行檢索，最終返回若干條與待解決故障最相似的歷史記錄。用戶可以查看這些記錄，并評價其是否對解決當前故障有所幫助。

(3)知識庫管理

SiePA運行狀態(tài)預測預警模塊會在運行過程中不斷獲取新的知識，以完善知識庫，提高診斷的準確率。在使用診斷模塊成功解決用戶輸入的故障查詢后，該案例會作為新的知識加入到診斷模塊的知識庫中。用戶在使用診斷模塊的過程中，可以對診斷模塊返回的解決方案進行評價，評價結果也會加入知識庫，以使未來的診斷結果更加準確。

系統(tǒng)中具體功能簡要描述如下：

當設備狀態(tài)發(fā)生預警時，基于所輸入的潛在故障現(xiàn)象描述，高效匹配相似的歷史故障診斷記錄，實現(xiàn)運維措施的推薦。該模塊用于工廠的設備數(shù)字化管理的同時，幫助用戶挖掘數(shù)字的價值來滿足智能工廠的運行需要。

SiePA智能診斷分析模塊以歷史故障記錄、檢維修報告為數(shù)據(jù)基礎，以自然語言處理模型為分析工具，為用戶提供疑難故障的建議解決方案，并通過不斷更新知識庫來進行自身完善。診斷模塊的工作流程可概括為以下幾個方面：

預警診斷流程：SiePA運行狀態(tài)預警模塊會在監(jiān)控設備運行的過程中產(chǎn)生報警，并將其推送至知識庫模塊。知識庫模塊根據(jù)報警信息的自然語言描述，由圖13基于自然語言描述的推薦方案界面圖表示，自動進行語義分析，基于構建的知識庫，匹配相關歷史相似案例以及相應的解決方案。

圖13 基于自然語言描述的推薦方案界面圖

用戶手工查詢流程：用戶可以通過在SiePA智能設備健康診斷模塊的查詢界面直接輸入故障相關信息的方法直接調用診斷流程。用戶需要提供的信息包括故障設備、故障概要和故障具體描述等，提供的信息越具體詳細，查詢結果也就越準確。診斷模塊會調用后臺NLP模型進行檢索，最終返回若干條與待解決故障最相似的歷史記錄。用戶可以查看這些記錄，并評價其是否對解決當前故障有所幫助。

知識庫管理：在系統(tǒng)運行的全生命周期過程中，基于報警信息以及用戶系統(tǒng)操作與反饋，系統(tǒng)將不斷獲取新的知識，以完善知識庫，提高方案推薦的準確率。在使用知識庫模塊成功解決用戶輸入的故障查詢后，該案例會作為新的知識加入到知識庫中。圖14為知識庫管理界面圖，用戶可以對返回的解決方案進行評價，評價結果也會加入知識庫，以使未來的推薦結果更加準確。

圖14 知識庫管理界面圖

對于振動信號的預警，SiePA診斷模塊同時還采取了一種基于線性峭度提取頻域特征的頻譜故障診斷算法。該算法的核心優(yōu)勢在于能有效從強噪聲信號中發(fā)現(xiàn)瞬態(tài)成分及其頻域中的位置，確定故障頻帶，并針對該特征頻帶建立故障診斷模型。同時該模型的訓練算法采用了特殊設計，使其訓練出來的模型具有較好的數(shù)據(jù)泛化能力，對實際工況下的故障診斷具有較好的魯棒性。

SiePA振動診斷的技術路線總體分為三步：首先，根據(jù)國際規(guī)則診斷庫生成故障數(shù)據(jù)模型；其次，在監(jiān)控預警的情況下，運用譜、線性峭度提取報警頻譜的故障特征頻帶并提取故障特征頻帶中的特征參數(shù)作為模型的特征值；最后，利用訓練完成的模型對報警信號進行故障分類，實現(xiàn)故障診斷。并將診斷結果保留到診斷隊列當中。

最后有處理權限的用戶可以登入診斷模塊并查看診斷隊列中的未處理報警列表及初步解決方案，如果初步解決方案可以解決問題，則直接處理并關閉報警，如不能解決問題，用戶可以選擇修改故障描述并重新進行診斷。

采集齒輪箱內(nèi)各振動測點的的初始樣本數(shù)據(jù)，通過其輸入轉速，結合軸承故障系數(shù)表得到該齒輪箱的滾動軸承頻率基本信息，包括外圈故障頻率、內(nèi)圈故障頻率、滾動體故障頻率、保持架故障頻率等。

接著通過譜峭度定位其故障段，進而在這個頻段內(nèi)用診斷算法提取加速度包絡譜和速度頻譜的軸承故障邊帶能量及振幅較大的頻率分量。圖15為加速度包絡譜圖（橫坐標：頻率/Hz，縱坐標：加速度幅值/mm·s-2/dB），圖16為速度頻譜圖（橫坐標：頻率/Hz，縱坐標：速度幅值mm·s-1/dB）。根據(jù)所提取的信息，進一步與故障頻率進行匹配對比，進行故障診斷。

圖15 加速度包絡譜圖

圖16 速度頻譜圖

基于以上技術，在系統(tǒng)中，系統(tǒng)將給予內(nèi)置的診斷算法，對于所識別到潛在異常風險，初步判斷潛在的常見機械故障類型，并顯示在預警界面的右側（如圖17所示的右側綠色部分），為診斷提供更為便捷、智能、高效的排查支持，降低專家工作負荷，提高設備運行可靠性。

圖17 機械振動預警分析

4 特定場景性能預測及故障診斷

4.1 主電機性能預測

立式磨機主電機輸出轉速，經(jīng)減速機變速后輸出扭矩給磨輥/盤系統(tǒng)研磨做功。整個傳動鏈是剛性傳動，因此諸如磨輥的過載所導致的反向扭矩會一定程度傳導到主電機；減速器內(nèi)斷齒導致傳動失效導致電機短時間內(nèi)無法將電能轉化為動能，最終過熱燒毀。因此對主電機自身的異常工況保護就顯得尤為重要。

通過對主電機正常工況下的工作電流、繞組溫度、潤滑油溫/壓等多維度時域歷史數(shù)據(jù)建立相關性模型，來預測主電機偏離正常工況的程度。

4.2 主電機故障診斷

通過對故障歷史數(shù)據(jù)建立決策樹模型可以定位具體的故障類型：

-電機軸承潤滑不良；

-油膜軸承軸瓦損壞；

4.3 主電機-減速器聯(lián)軸器振動監(jiān)測

聯(lián)軸器可能存在兩側軸不對中和不平行等情況，在高速傳動過程中會導致兩側軸承的徑向和軸向的振動，對滾動體或軸瓦造成沖擊力和受力不均，降低軸承的使用壽命。

通過對正常工況下的聯(lián)軸器兩端軸承的振動頻譜以及軸承溫度等多維度歷史數(shù)據(jù)建立相關性模型，可以預測相關軸承的健康程度。

4.4 主電機-減速器聯(lián)軸器振動故障診斷

通過對故障歷史數(shù)據(jù)建立決策樹模型可以定位具體的故障類型：-輸入端軸承：軸承外圈磨損/軸承內(nèi)圈磨損；-輸出端軸承：軸承外圈磨損/軸承內(nèi)圈磨損。

4.5 減速器內(nèi)傳動振動監(jiān)測

減速器內(nèi)部分為高速級、中間級和行星級三級變速。各級輸入輸出端均安裝有振動加速度傳感器。因此可以通過對正常工況下的相關軸承和齒輪的傳動頻譜特征歷史數(shù)據(jù)建立相關性模型，來預測減速器內(nèi)各變速級的工作性能。

4.6 減速器內(nèi)傳動振動故障診斷

通過對故障歷史數(shù)據(jù)建立決策樹模型可以定位具體的故障類型：

-高速級輸出端軸承：軸承外圈磨損/軸承內(nèi)圈磨損；

-中間級輸出端軸承：軸承外圈磨損/軸承內(nèi)圈磨損；

-行星級輸出端軸承：軸承外圈磨損/軸承內(nèi)圈磨損；

-齒輪點蝕、磨損、斷齒。

4.7 磨輥/盤動平衡監(jiān)測

多個工作磨輥同時工作時，存在彼此之間下壓不均衡；單輥下料層厚度也可能分布不均。這種情況導致磨輥間研磨載荷分布不均，影響磨輥壽命和研磨效率。同時整個磨盤由于受力不均，也影響立式磨機本體的結構完整性。

單輥的研磨載荷取決于其壓下力、其下料層厚度和磨盤轉速。而不同的磨輥壓力、料層厚度和磨盤轉速會導致磨輥的不同的垂直向振動特征。因此可以利用這一振動頻譜特征，結合單輥的工作壓力、溫度和磨盤轉速等多維度特征數(shù)據(jù)來表征單輥的研磨載荷。繼而可以反映出磨盤上各工作輥之間的載荷分布情況。工作輥的載荷分布均勻程度可以用來衡量磨輥/盤系統(tǒng)在生產(chǎn)過程中的動態(tài)平衡度。

基于上述原理分析，對正常工況下每個磨輥的振動頻譜，壓下力、溫度和磨盤轉速等測點數(shù)據(jù)建立相關性模型來預測磨輥/盤系統(tǒng)動平衡度，從而實現(xiàn)對磨輥/盤動態(tài)失衡的預警監(jiān)測。

4.8 選粉機風機-電機聯(lián)軸器振動監(jiān)測

聯(lián)軸器可能存在兩側軸不對中和不平行等情況，在高速傳動過程中導致兩側軸承的徑向和軸向的振動，對滾動體或軸瓦造成沖擊力和受力不均，降低軸承的使用壽命。

通過對正常工況下的聯(lián)軸器兩端軸承的振動頻譜以及軸承溫度等多維度歷史數(shù)據(jù)建立相關性模型，可以預測相關軸承的健康程度。

4.9 選粉機風機-電機聯(lián)軸器振動故障診斷

通過對故障歷史數(shù)據(jù)建立決策樹模型可以定位具體的故障類型：

-輸入端軸承：軸承外圈磨損/軸承內(nèi)圈磨損

-輸出端軸承：軸承外圈磨損/軸承內(nèi)圈磨損

以上所述，在特定場景下獲取各測點振動頻譜特征，結合多維度特征數(shù)據(jù)來表征生產(chǎn)過程中的動態(tài)變化?；赟iePA系統(tǒng)的智能診斷分析模塊和相關性原理分析，在正常工況下對各測點數(shù)據(jù)建立相關性模型來預測故障類型，從而實現(xiàn)預警監(jiān)測和故障診斷。

5 系統(tǒng)部署服務器要求

硬件設備配置如表1所示。

表1 SiePA預測性維護系統(tǒng)的硬件設備配置

為保證良好的用戶體驗和顯示效果，對于訪問SiePA系統(tǒng)的客戶機，采用Chrome瀏覽器或基于Chrome內(nèi)核的瀏覽器，并采用1920×1080分辨率。

用戶數(shù)據(jù)平臺（Customer’s date platform）聯(lián)結SiePA服務器和現(xiàn)場DCS系統(tǒng)，建立現(xiàn)場對外數(shù)據(jù)傳輸網(wǎng)絡通信。西門子SiePA工作站、服務器與現(xiàn)場采集數(shù)據(jù)的通信由圖18所示的網(wǎng)絡架構表示相互聯(lián)結關系。

圖18 基于西門子SINEMA-RC的網(wǎng)絡架構圖

6 結束語

針對當前礦渣微粉立式磨機設備的運維方式，利用設備運行過程中產(chǎn)生的多源數(shù)據(jù)對設備的健康狀況進行分析，實現(xiàn)運行狀態(tài)預測預警。

通過對設備已有數(shù)據(jù)進行深入的數(shù)據(jù)分析與挖掘，構建設備健康狀態(tài)預測模型，接入實時數(shù)據(jù)與預測模型進行比對來對立式磨機整體潛在故障風險進行預測與預警。

這些分析和監(jiān)控的結果將以交互式可視化分析平臺的形式反饋給管理決策人員以及設備操作人員。采用Chrome內(nèi)核的瀏覽器或基于Chrome內(nèi)核的瀏覽器，使訪問SiePA系統(tǒng)獲得良好的體驗和顯示效果。

本系統(tǒng)在實現(xiàn)運行狀態(tài)、故障風險預測預警提出處置建議的同時，不斷挖掘數(shù)字化價值和更新知識庫實現(xiàn)自身完善，實現(xiàn)向智能化工廠的運行方向不斷發(fā)展。