总第13期
2018年5月刊
Column Big Data    大数据专栏
Column Big Data    大数据专栏
大数据技术在工业故障源定位方面的研究
文/樊芳利

大型设备故障往往是宏观的、系统级的,而故障原因却是部件级、材料级的,一种现象常存在多种可能的原因,导致故障定位困难。目前,故障定位大都基于设备管理人员的专业知识、业务经验。这种故障定位方法主观性强,太依赖个人能力。同时,业务逻辑诊断很可能会有遗漏。

随着大数据技术的发展,越来越多的行业开始挖掘历史数据来对各自的问题进行辅助决策和诊断,比如医疗、交通、金融等。这种以行业业务经验决策为主,以数据挖掘结果为辅的新型诊断、决策方式正在影响着各行各业。

故障源定位方法

故障源分离与定位技术是故障诊断的关键技术,也是故障诊断的最终目标。关于故障源智能定位的方法,近年来提出了许多,如基于故障树的、基于规则的、基于案例推理的、基于神经网络的、基于粗糙集理论的以及基于Petri网的。

不同工业领域的故障源定位方法不尽相同,各式各样,但目前总体状况仍然是理论缺乏实践、脱离业务逻辑、不能实现行业通用。因此,大型工业设备的故障原因查找还需要依靠专家经验,耗时又耗力。针对工业故障源定位现状,以风洞系统为切入点,基于推荐思想,本文提出了一个业务逻辑和算法分析结果相结合、行业通用的故障源辅助诊断系统。通过充分挖掘历史数据,一旦系统发生故障,立即诊断出可能的故障源。

故障源定位实现

本文的目标是弥补单独基于业务逻辑或基于算法进行故障源查找的缺陷,提出一种将业务逻辑和算法结合起来的行业通用故障源诊断方法。当设备发生故障,故障诊断系统能够迅速查找出与故障设备相关的其他设备以及参数,便于进行异常处理。

1.设备(参数)关联度

风洞系统是复杂、非线性的,主要包括洞体及部段运动控制系统、测控系统、动力系统、中压系统、真空系统、制冷系统、循环水系统和供配电系统设备等子系统,各个组件之间相互配合、密切关联,系统才能正常运转。因此,当其中一个组件出现问题,其他组件很可能是导致故障的原因之一。比如,风洞系统运行时的流场马赫数(测控系统)是稳定段总压(测控系统)和试验段静压(测控系统)的比值。当马赫数过大时,通常可以降低稳定段总压,或者升高试验段静压来处理异常。

当某个参数值出现异常时,通过关联分析找出与异常参数关系密切的参数,找出造成异常的原因,从而通过调节相关参数的值来进行异常处理。

1基于算法的设备(参数)关联度

在进行推荐之前,故障辅助诊断系统要先计算出设备(参数)之间的关联度。风洞系统中,每个子设备有不同数量的参数,需要抽取部分重要参数进行分析。

假设主出口水温、主出口压力、总温、主转速、换出口温度分别是设备1、设备2、设备3的重要参数。故障辅助诊断系统使用相关系数、互信息或欧式距离等算法,基于各参数的历史数据,计算出参数两两之间的关联度。进一步计算子设备之间各指标关联度的均值,得到设备之间的关联度。假设通过算法计算出设备1和设备2之间的关联度为 0.56,设备1与设备3之间为0.43。

2)基于业务逻辑的设备关联度

基于算法计算出的设备关联度需要风洞具体业务逻辑的支撑和修正。查阅风洞系统相关资料得到图1的业务逻辑,设备1为主压缩机,设备2为洞体内某部件,设备3为换热器。因为主压缩机直接对洞体回路做工而影响洞体温度,所以主压缩机和洞体某部件关联度更高一点(设置关联度为0.5),而与换热器关联度较低(设置关联度为0.3)。此时,将两种方式计算出的关联度进行加权平均(算法关联度权值为0.6、业务关联度权值为0.4),得到最终设备之间的关联度,见表1。由此得出,相较于设备3,设备1与设备2的关联度更高。

表1. 设备综合关联度(关联度)-以主压缩机为例

图1. 设备关联分析业务逻辑图

2.故障频繁项集挖掘

辅助诊断系统计算出设备之间的关联度之后,还需要挖掘设备之间历史故障的频繁项进,见表2。比如,当洞体部件发生故障时,总温过高,换热器参数出现异常,同时压缩机功率过大。这三个参数在故障发生时的异常表现组成了一种故障的历史频繁项集。

表2. 风洞系统各种故障下的频繁项集

3.故障相关设备推荐

基于上述的设备(参数)关联度和频繁项集,辅助诊断系统可以对故障设备进行相关设备(参数),也就故障源推荐。推荐思路有两种,分别是基于内容的推荐和协同过滤。

1)基于内容的故障相关设备推荐

基于内容的推荐需要目标故障设备的大量历史数据,思路见图2,每个子设备有各种故障(A、B、C)。当设备出现故障A时,辅助诊断系统迅速解析故障名称,生成一些关键词。根据这些关键词从频繁项集数据库里查找对应的频繁项,并将这些相关设备(参数)组成的频繁项按照支持度排名、推荐、展示出来。这将有助于设备管理人员快速、便捷的找到故障源。

图2. 基于内容的故障相关设备推荐思路图

2)基于协同过滤的故障相关设备推荐

当某个故障设备的历史数据较少,无法挖掘出故障频繁项时,系统基于设备相关联度,找出与故障设备关联度高的相似设备。通过挖掘这些相似设备的历史故障频繁项来实现故障源的诊断。具体思路见图3。

图3 基于协同过滤的故障相关设备推荐思路图

结束语

现阶段,业界将大数据技术、人工智能应用于复杂工业系统的故障诊断,故障源定位大多处于理论研究阶段。实际中,数学模型和信号处理的分析方法依然是主流。随着物联网技术的发展,很多商家基于传感器技术采集了大量设备运行数据。基于这些数据,可以很好的使用机器学习、深度学习算法对负责系统进行故障源诊断。

本文提出的业务逻辑结合推荐系统、数据挖掘的诊断方法,适用于缺少专家的情况,打破故障源诊断的专业壁垒,不过分依赖专家、减少人工消耗,能够更准确、更智能、更全面的诊断风洞系统的故障,定位故障源。

分享到
关闭