基于物联网和运行大数据的设备状态监测诊断

高 帆，王玉军，杨露霞

(重庆川仪软件有限公司，重庆 401121)

0 引言

设备是企业进行正常生产的物质基础。设备的可靠性和维护效果是保障企业生存的必要条件。设备健康状态的监测、诊断以及维护都直接影响企业的生产经营和经济效益，已成为企业降低生产成本和保证生产效率的基础。如果在生产设备使用过程中，未能对其运行健康状态进行有效的监测诊断，则设备的突发故障可能会带来难以估算的安全隐患，工厂运维人员只能实施事后维修、非计划停机，并承担巨额维修费用和生产损失。

随着信息化与工业化的深度融合，信息技术渗透到了工业产业链的各个环节。机械设备所产生、采集和处理的数据日益丰富，移动互联网、物联网、大数据带来的设备健康状态感知、高速数据传输、分布式计算和诊断分析等先进技术，给工业带来深刻的变革，使工业进入了新的发展阶段。采用先进的信息化分析技术对设备健康状态进行监测诊断，己经成为企业降低生产成本、提高生产效率和市场竞争力的重要手段之一[1]。该技术可使企业避免非计划停机和安全事故，减少企业的维修费用和备件成本。本文针对基于物联网和运行大数据的设备健康状态监测诊断模式进行研究，探讨设备运行维护的有效路径。

1 设备预防性维护

有效的设备预防性维护，可在设备出现健康状况问题之前制定合理的维护决策，杜绝设备的安全隐患。设备预防性维护的具体过程如下。

①通过传感器获得设备的实时状态信息，利用先进的分析技术对监测设备的工作状态及运行环境信息进行分析，从而获得设备的健康状态[2]。通过以太网的分布式数据库的数据资源共享服务，并依据多传感器数据之间的协同性、互补性进行有效的监测、诊断和预测，可对监测数据进行快速、有效的处理。建立分类性能优越的模型，并采用故障特征提取技术，以模糊识别的方法进行故障诊断，对设备运行的健康状态进行评判。

②根据传感器采集的设备健康状态，并融合DCS系统的相关参数参量，对在线监测的各类数据进行统计分析，并与设计参数、历史数据进行比较；利用综合分析法，对历史数据进行趋势分析，生成设备运行状态的趋势分析曲线，形成趋势分析报告，指导自动化工厂的运维管理和辅助决策。

③依据设备的趋势分析曲线，并基于故障统计分析、建模、评判、预测性维护、预警等数据服务，验证、提升、优化各种寿命预测、状态预测方法，以整体提升设备健康状态的预测可靠性。

④通过一系列的设备监测诊断方法实施预防性维护，合理确定设备的维护计划以及维护时间，减少设备生产停工时间，用最少的备件库存满足设备最多的维护操作，进而最大限度地减少备品备件库存费用、降低设备维护成本。

2 基于物联网技术的设备状态监测诊断

物联网的出现，给设备的健康状态监测诊断提供了新的模式和思路[3]。利用物联网，能够将信息感知技术、网络技术、智能运算技术融为一体，完成设备健康状态信息的实时协同采集、智能处理、及时反馈等功能；构建感知层、网络层和应用层的3层系统框架[4]，可实现集故障预知、远程监控、远程诊断、在线诊断、人工智能为一体的智能、高效监测诊断模式[5-6]。基于物联网架构的监测诊断系统如图1所示。

图1 基于物联网架构的监测诊断系统示意图Fig.1 Schematic diagram of monitoring and diagnosis system based on IoT architecture

①感知层利用安装于设备上的传感器节点进行信息采集，实现对机械设备温度、油位、水位、压力、负载等状态的信息监测；利用短距离通信技术将数据传输至现场网关或上位机，可实现感知层数据的采集和传输。

②感知层获取机械设备的健康状态监测信号和运行参数数据，经网络层传送至各分厂服务器，再通过专网或4G等物联网，与公司总部的设备监测诊断管理平台、集控中心、云服务平台、移动终端等进行数据、图像以及报警事件等信息通信，实现设备健康状态信息的集中存储、远程管理和移动办公[7]。

③应用层主要利用柔性开放、可扩展、可重构、实时交互的设备健康信息数据库，实现监测信号分析、故障特征提取、故障诊断及预测功能。利用丰富、成熟的数据预处理算法，对数据进行有目的性的重组、挖掘、推理；然后对数据进行个性化处理，为机械设备的安全运行、计划检修、主动维护和技术管理提供决策信息；最后，通过人机界面(human machine interface，HMI)把有价值的诊断结论、决策信息展示给用户，从而完成了设备健康状态监测诊断的功能要求。

③应用层主要利用柔性开放、可扩展、可重构、实时交互的设备健康信息数据库，实现监测信号的分析、故障特征提取、故障诊断及预测功能，把有价值的诊断结论、决策信息展示给用户，为机械设备的安全运行、计划检修、主动维护和技术管理提供决策信息。

3 基于运行大数据技术的设备状态监测诊断

设备运行状态的在线监测，具有监测部位多、采样频率高、在线收集数据时间长等特点。海量运行数据的产生，意味着设备健康状态监测诊断技术迎来了大数据时代[8]。将大数据分析与机器学习技术应用于设备运行过程的故障预测诊断[9]，通过从复杂装备运行特征大数据中挖掘出故障信息，以实现运行故障的快速诊断，是近年大数据在智能制造领域的重要应用之一[10]。

在收集大量运行特征数据的基础上，采用数据挖掘算法对设备运行数据进行重组、挖掘，建立故障诊断专家知识库[11]，获得与故障有关的诊断规则。基于专家知识库以及诊断规则，对实时监测数据进行诊断，并逐步更新专家知识库，可以得到更为准确的诊断结论和建议对策。基于知识库的设备健康状态监测诊断流程如图2所示。

图2 基于知识库的设备状态监测诊断流程图Fig.2 Flowchart of the monitoring and diagnosis for equipment status based on knowledge base

利用设备运行大数据分析技术，根据状态检测、故障诊断分析的结果，在故障将要发生时对设备进行维护[12]，是一种主动、积极的维护方式。基于运行大数据分析的设备状态监测诊断流程如图3所示。

图3 基于运行大数据分析的设备状态监测诊断流程图Fig.3 Flowchart of monitoring and diagnosing of equipment status based on operation big data analysis

将大数据驱动判别和专家知识库判别相结合，辅以失效模式、失效机理分析，综合形成故障诊断记录，作为故障解决方案的基础[13-14]。

4 结束语

在设备的维护过程中，高准确性和可靠性的设备健康预测结果是保证设备维护效果的重要因素。采用最新的设备健康状态监测诊断技术，转变现有设备的维修思路和方法，将普遍采用的计划性检修向基于设备健康状态的监测和预警诊断进行转变，可降低企业成本，提高设备利用率和竞争力。本文针对行业和企业存在的相关实际问题，以设备故障监测、诊断、预防性维护为手段，将物联网和大数据技术应用于设备健康状态监测诊断中。在感知层、网络层和应用层的3层系统框架下，应用机器学习算法对设备运行大数据进行数据挖掘，建立专家知识库，获得与故障有关的诊断规则，实现了集设备健康状态在线监测、远程监控、远程诊断、故障匹配识别为一体的智能、高效监测诊断。

物联网和大数据技术在设备健康状态监测诊断中的应用，将确保中、高层技术和管理人员及时掌握设备运行健康状态，进行状态分析和故障诊断，对延长设备检修间隔、缩短检修时间、提高设备可靠性和可用系数、延长设备可用寿命、减少运行检修费用等都将产生深远的影响。通过应用物联网和大数据技术的设备健康状态监测诊断系统，将有助于发现设备关键机械部件的故障原因，指导企业快速维护及合理安排生产，帮助企业、行业找到一条设备运行维护的捷径，消除企业在提高生产率方面遇到的瓶颈问题，提高企业的竞争力，提升经济效益。

参考文献:

[1] 王晓,陈杰,李济顺,等.大型设备远程状态监测及信息采集技术研究[J].自动化仪表,2018,39(1):66-69.

[2] 李红卫,杨东升,孙一兰,等.智能故障诊断技术研究综述与展望[J].计算机工程与设计,2013,34(2):632-637.

[3] 孙小江,李键,朱勇,等.物联网技术在小水电站在线监测及故障诊断的应用[J].电气设计,2017,10(A):61-62.

[4] 马宏.基于物联网的矿山环境感知器研究与设计[D].淮南:安徽理工大学,2014.

[5] 周新美.基于物联网的智能医疗终端数据集成技术的研究[D].成都:西华大学,2013.

[6] 孟千胜.物联网终端网络管理研究与实现[D].焦作:河南理工大学,2012.

[7] 朱洪波,杨龙祥,于全.物联网的技术思想与应用策略研究[J].通信学报,2010,31(11):2-9.

[8] 孔宪光,钟福磊,马洪波,等.工业大数据环境下的混合故障诊断模型研究[C]//2015年全国机械行业可靠性技术学术交流会暨第五届可靠性工程分会第二次全体委员大会论文集,2015:200-204.

[9] 彭宇,刘大同,彭喜元.故障预测与健康管理技术综述[J].电子测量与仪器学报,2010(1):1-9.

[10]孙冬.基于混合模型的故障检测与诊断方法的研究与应用[D].南京:南京航空航天大学,2013.

[11]刘强,柴天佑,秦泗钊,等.基于数据和知识的工业过程监视及故障诊断综述[J].控制与决策,2010,25(6):801-807．

[12]刘达新.基于运行大数据学习的复杂装备故障诊断技术及其典型应用[J].中兴通讯技术,2017,23(4):56-59.

[13]李国杰,程学旗.大数据研究:未来科技及经济社会发展的重大战略领域——大数据的研究现状与科学思考[J].中国科学院院刊,2012,27(6):647-657.

[14]黄宜华.大数据机器学习系统研究进展[J].大数据,2015,1(1):28-47.