大数据在设备健康预测和备件补货中的应用

张 晨 李 嘉 王海宁 李思悦

1.中石化上海赛科石油化工有限责任公司，上海，201507 2.华东理工大学商学院，上海，200237 3.埃森哲(中国)有限公司，上海，200050

0 引言

如何科学预测设备健康状况和相关备件消耗需求，在尽量降低维修成本和库存资金占用的情况下，保障生产的安全运行，是一个有重要现实意义的研究问题[1-2]。

设备健康预测方法分为基于模型的方法和数据驱动的方法。基于模型的方法需要根据设备特性，搭建精确的物理模型对设备健康状况进行预测，对于复杂的生产系统或设备机理而言，很难建立与其对应的物理模型[3-4]。数据驱动的方法能绕开建立精确模型这一难点，从海量的历史数据中挖掘相关规律，无需分析复杂的设备机理。廖雯竹等[5]采用统计模式识别方法对设备进行性能评估，运用自回归滑动平均模型对设备健康状况进行预测。赵玉刚等[6]采用LIB-SVM(library for support vector machines)对小样本、非线性条件下的数据进行拟合，实现对电子设备故障的预测。上述方法大多基于传统机器学习的方法构建模型。深度学习作为机器学习的一个分支，通过组合低层特征形成更加抽象的高层特征表示，可更好地表示数据的分布式特征。HEIMES[7]运用递归神经网络方法来估计系统的剩余使用寿命。王洪斌等[8]提出了一种基于深度信念网络的风电机组主轴承状态监测方法。吴魁等[9]利用长短期记忆(long short-term memory，LSTM)编解码器网络构建特征空间，基于测量数据特征向量与特征空间的欧氏距离衡量健康状态的退化程度。与传统的机器学习方法相比，深度学习不需要依靠专家判断挑选特征，在预测结果上也更有优势。

备件库存优化一般采用定性预测和定量预测的方法。定性预测侧重于对事物发展方向或趋势进行预测，采用方法有德尔菲法、主观概率法、历史类比法等；定量预测建立在数学与统计学的基础上，利用数学模型和计算机仿真等技术进行预测[10]。吕飞等[11]考虑备件需求的随机性和时间紧迫性，建立了带软时间窗的选址-库存-路径问题模型。黄照协等[12]以典型串并联系统的备件库存优化为研究对象，构建备件库存优化模型，给出了基于边际分析法的优化算法。罗祎等[13]根据METRIC理论，建立了具有多等级的维修供应体系、多层次结构备件的初始库存分配通用模型。聂涛等[14]通过建立单项备件供应可用度模型，构建了两级闭环供应链库存系统优化模型，并运用边际效能分析算法实现了系统供应效能的最大化。现有的库存预测优化模型仍以传统的时间序列方法为主，基于大数据统计分析的方法较少。

本文提出了一种基于深度学习的设备健康预测模型，首先采用自编码器提取监测信号特征，然后设计一个结合递归神经网络(recurrent neural network，RNN)与深度神经网络(deep neural networks，DNN)的模型进行时序预测，并综合预测结果构建设备健康度指标(health performance index，HPI)对设备健康状况进行描述。其次，针对库存优化问题，提出了一种基于统计分布判定和参数拟合的库存预测方法，根据消耗量的分布计算出未来的消耗数量、安全库存的设置点、重订货点，以及重订货量。最后，结合设备健康预测与库存优化构建主动预警信息系统，将设备健康预测系统的输出作为备品备件优化系统的输入，进一步降低维修成本、减少库存资金积压、提高服务保障水平，并通过在某石化企业的应用验证了所提方法的有效性。

1 设备健康预测和库存预测及优化模型

1.1 设备健康状态预测模型

设备健康状态预测模型将各传感器监测到的设备历史运行数据综合输出为未来各时刻的健康度值，从而对设备健康状态进行判断。此模型的构建主要分为以下几步：

(1)数据提取。选定一台设备，从实时数据库中提取传感器采集到的转速、压力、温度等监测数据，以及该设备对应的工况(正常工况、不同故障的工况)状态。

(2)特征提取。本文使用自编码器Autoencoder对原始数据进行降维操作。自编码器是一种数据压缩算法，先将原始资料进行压缩，再将压缩的资料还原，使得数据转换到一个新的空间。由于自编码器采用的是非线性的降维方式，因此降维的效果优于主成分分析(principal component analysis，PCA)等传统降维方法。采用自编码器将多个传感器采集到的高维数据进行降维操作，最终得到更加简洁而有效的特征表达。

(3)基于深度学习的预测模型搭建。该模型网络架构如图1所示。第一部分为模型的输入部分，输入的值为通过自编码器提取到的信号在时间点t、t-1、t-2、…的历史运行数据。第二部分为RNN层，本文的RNN层数设定为2，其神经元数目需要通过实验确定。通过RNN的时间序列特性，找出输入特征间的关系。第三部分为DNN层，将RNN提取出的特征进行维度的转换，进而进行预测。本文中的DNN层数设定为2，神经元数目根据实验确定。本文将均方误差(mean square error，MSE)作为设备健康状态预测模型的目标函数，通过梯度下降法(gradient descent)对模型进行训练。第四部分为模型的输出层，输出各信号在未来某时刻对应的单个预测值。

图1 基于深度学习的预测模型Fig.1 Prediction model base on deep learning network

(4)构建设备健康度指标。由于设备的健康状况是多个特征共同作用的结果，因此通过分析工况与状态的关联关系，将上述设备各主要信号的预测值综合成0～100%的评价指标，称为HPI。HPI的值越大，设备的健康度越高，因此通过HPI对设备的健康状态进行量化，使用户更容易地对设备健康状态进行判断。

1.2 库存预测与优化模型

库存预测与优化模型根据备品备件历史消耗量的分布计算出未来的消耗数量、安全库存的设置点、重订货点、重订货量，此模型的构建主要分为以下几步：

(1)以备品备件的历史消耗数据为输入，进行备件需求分析，得到综合的备件消耗统计特征值。对有历史消耗的备件，预测未来一年的备件需求量：

(1)

式中，w为平滑系数，模型里取值为0.4；di为刚过去的第i个季度的备件需求量；k为要纳入计算的过去的季度数。

对于无历史消耗的备件，则综合考虑备件总装机量、备件平均寿命等因素，基于期望故障率进行预测：

D2=NλTm/n=NTm/(nTM)

(2)

式中，D2为未来一段时间的备件需求量；N为备件的总装机量；λ为处于“偶然故障期”内备件的单位时间的故障率；TM为备件的平均无故障周期；T为预测的时段；m为正常使用的设备数量；n为包含正常使用和备用机的设备总数量。

(2)得到备件的消耗规律后，采用χ2匹配度检验来确定备件消耗规律的统计分布。通过计算χ2来判断相应的备件消耗规律所符合的统计分布类型，为后续的储备定额计算提供基础。χ2的计算公式为

(3)

式中，q为分段的总数量；FAi为第i个分段的实际频数；FEi为第i个分段的理论频数。

(3)计算备件的安全库存。当库存消耗为正态分布时，需综合考虑要求的备件服务水平、备件平均需求量、备件采购提前期及其波动情况。当库存消耗为泊松分布时，需考虑供应的不确定性和需求的不确定性。以泊松分布的库存为例，其最优的安全库存水平SS的计算公式为

(4)

式中，PR表示备件的重订货点，当备件库存低于该值时需要重新补充备件；μ为备件需求所满足的泊松分布的均值；TL为备件采购提前期；z为服务水平或备件保障率所对应的相应的安全系数；σl为备件采购提前期的偏差。

(4)计算备件的重订货点。重订货点是指采用连续盘点的库存控制策略时，库存量下降到某个预先规定的数量而需要进行备件采购补充时的库存值。正态分布下的重订货点取决于备件的安全库存量以及采购提前期内的备件平均需求量；泊松分布下的重订货点取决于备件要求的服务水平和备件平均需求量。泊松分布的库存下，需要备件时可以从库房里得到备件的概率为

(5)

(5)计算备件的重订货量。本文使用经济订货量法计算重订货量，它综合考虑了库存持有成本和采购成本。

(6)在得到所需要的备件储备定额后，对计算结果进行综合分析和评价，平衡备件储备定额和备件保障效能，从而得到各个备件的最优的安全库存、重订货点和经济订货批量。

1.3 主动预警原型系统的构建

本文提出的主动预警原型系统总架构如图2所示。设备健康预测系统的数据输入主要是实时数据库中的数据。设备健康预测的输出、外部数据、企业资源计划系统和设备关键等级系统一起作为备品备件优化系统的输入，其中，外部数据主要提供设备对生产的重要性程度、采购的不稳定性等级等信息；企业资源计划系统主要提供库存现状数据、采购历史数据和消耗历史数据等信息；设备关键等级系统主要提供设备关键等级数据等信息。将备品备件优化系统的输出作为企业资源计划系统的输入，提供服务水平和库存金额的建议。最后，通过构建此原型系统对设备健康预测模型与库存优化模型的效果进行验证。

图2 系统框架Fig.2 Framework of the system

2 实例分析

2.1 设备健康预测评估

本文选择某石化企业的泵设备作为模型评估的对象，根据2013～2017年各传感器所监测到的该设备运行数据(包括设备的转速、温度、油压、振动等信息)进行实验。其中，2013、2014年的数据为预测模型的训练数据，2015～2017年的数据为模型的测试数据。最后，根据设备的维修记录对模型性能进行评价。

2017年5月10日，泵设备的运行状态发生大幅波动。该设备在发生第一次预警后，于5月11日再次预警，并且预警时间持续延长，5月13日后，设备健康度一直低于基准线。设备在5月15日进行检修，发现轴承已经有较大磨损，局部组件断裂，并发生了电机缺相。这说明通过本文所设计的模型可以实现对设备运行故障的精确预警。

表1所示为本文模型的预测结果，其中，维修日期为该设备实际发生维修的日期，且故障开始时间都发生在实际维修日前的30d内；预警时间为模型输出的设备发生故障的时间。由表1可以看出，此模型输出的预警时间与设备故障时间是接近的，因此本模型可以对设备健康状况进行准确预测。

表1 模型的预测输出

本文算法和LSTM算法在不同的序列长度模型下的预测性能见表2。采用均方误差对二者的设备健康度指标预测结果进行对比。由表2可以看到，序列长度相同时，本文算法在预测精度上显著高于LSTM算法，训练时间则要比LSTM算法短得多。因此，本文算法在某石化企业的数据集上取得了比现有标杆方法LSTM更好的效果。

表2 本文所提算法与LSTM算法的比较

2.2 库存优化模型评估

本文以2007年1月～2016年12月某石化企业的备品备件消耗数据为训练数据，对2017年1月～10月备品备件的消耗情况进行预测，并将其与2017年1月～10月实际的消耗数据进行比对来判断模型的优劣程度。

每个备件的属性和消耗量不同，需求量也会相差很大，为了更全面准确地测试模型效果，根据“建议的安全库存是否为零”这一条件把所有5 473个备件分为2类，然后计算并比较重订货点检验指标α与安全库存检验指标β的值来检验模型的结果，评估方法如图3所示。

图3 库存预测模型结果评估的方法Fig.3 The evaluation method of inventory forecast

模型计算结果表明，1.1%的物料库存储备偏多，8.5%的物料库存储备偏少，剩余的90.4%的物料库存储备符合2017年1月～10月的实际消耗情况。

根据库存优化模型，输出每种备件的建议安全库存数量、重订货点以及重订货量，进一步输出备件库存/采购总额与备件服务水平最优“包线”。包线上的任何一点都是可供选择的，最佳选择方案取决于对备件成本和备件服务水平的权衡和决策。与2017年的真实消耗量对比，库存优化模型的可靠性达到90.4%，并且随着数据的准确性和完善性提高，模型的可靠性还有进一步的提升空间。

2.3 主动预警原型系统的评估

在设备健康模型与库存优化模型的基础上，某石化企业开发了综合备件主动预警平台。该平台界面同时显示预测的失效时间以及现有的库存量，可以根据备件失效的预计时间和采购的提前期，综合考虑采购计划，在减少库存的同时，降低保供缺货的风险。平台的应用使某石化企业的备件库存理论降幅达到2792万元，同时备件的服务水平也从74%提高到95%。

3 结论

(1)本方法在训练时间远低于LSTM算法的同时，预测精度高于LSTM算法，可实现对设备故障的快速精确预警。

(2)本文方法备件库存优化模型的可靠性高达90.4%，可有效减少备件库存。

(3)下一步的石化生产工业大数据的应用研究方向如下：①在对单个设备自身健康状况进行预测的基础上，自动识别与自身工况模式相似的同类设备，并对同类设备的健康状况进行判断；②根据石化设备健康状态预测的结果进一步生成健康风险系数，判断设备的健康风险等级，更好地对设备的维修维护进行指导。