大数据驱动的港口机械状态监测平台研究

李益波1 肖炳林1 何威誉1 李 恒 张 氢

1 广州港集团有限公司 2 同济大学

1 引言

港口机械是目前集装箱码头的主要设备，一旦发生突发故障，会影响码头作业生产，造成巨大的经济损失，甚至造成人员伤亡。港口机械融合了数字技术、现代控制技术、通讯技术的机电液一体化设备，其复杂程度高，出现突发故障后维修难度较大，如果碰到没有备件等情况，维修时间也不可控。当前大多数码头企业还在采用计划维修的方式，定期对起重机设备进行检查和保养，没有考虑设备的实际使用情况及真实的健康状态，造成了时间和人力物力的浪费。

随着码头自动化进程加快，越来越多的人工操作逐渐被替代，传统的人工巡检严重影响码头的作业效率，需要一种更加智能化的状态监测方法。港口机械的特点是载货量大，长期处于频繁启停、换向等非平稳工况，不仅设备容易出现故障，而且会对监测信号带来干扰，加大故障诊断的难度。码头企业迫切需要一种能够对港口机械关键部件进行在线实时监测的平台，以应对不断增长的全球贸易。

随着物联网及人工智能等领域新技术的兴起与发展，故障诊断领域也进入了“大数据”时代。通过高效快速的数据采集、存储、传递、处理，实现对更大数量、更多测点设备的监测，由此产生的海量数据给港口机械智能状态监测的深入研究和应用提供了新的机遇。国家自然科学基金“十三五”发展规划中，将面向大数据的深度学习理论与方法、基于大数据的趋势预测和决策、面向领域大数据的人机物融合系统示范应用作为优先发展领域[1]。

目前，基于大数据的状态监测已经应用于多个领域。通用电气航空(GEAviation)公司对旗下生产的飞机发动机安装智能传感装置来进行实时监测，并将故障信息可视化在移动设备上，供客户实时参考[2]。阿尔斯通(ALSTOM)公司开发的产品TrainTracer，为轨道交通车辆与设备提供远程监控、数据采集及在线的故障诊断服务[3]。在起重机领域，日本小松(KOMATSU)制作所和美国卡特彼勒(CAT)公司针对该难点，将先进的数据采集及分析方法嵌入旗下大型工程机械的状态监测与故障诊断的售后服务中，增加产品竞争力[4]。三一重工、中联重科和徐工集团也进行了智能监控系统的开发，将设备远程监控、数据采集模块整合到一个可视化系统中，实现设备的全球定位、实时信息监控、故障诊断、远程维护和报警等功能。GE等大公司的成功案例多是针对工况较为平稳或在一个较长时期内平稳的设备，具有积累大量的包含各类故障特征的大数据优势。但是，面对非平稳运行的设备，以及缺乏标记数据积累的行业仍然存在巨大的应用困境。

本文结合广州港的实际需要，针对大数据的获取、学习和应用提出可行的技术路线，建立状态监测平台，实现如下功能：①设备管理人员可以通过客户端及时了解关键部件在起重机作业时的实际状态，监视监测点的数据异常情况，监视关键部件的故障前期特征；②利用分析软件对采集的信号及数据进行故障诊断和分析，针对性地安排部件检修计划；③利用积累的历史数据，结合机器学习等大数据分析工具，对起重机故障预警模型进行建模及优化，从而对起重机关键部件的状态、剩余寿命以及起重机健康状态进行准确的评估及预测。

2 大数据状态监测总体框架

图1 港口大数据监测平台总体方案

集装箱码头机械设备多、种类多，且工作状态不同，是典型离散事件动态系统。以广州港三期码头为例，对码头上几十台岸边集装箱起重机和轮胎式集装箱起重机进行监测会产生海量的数据，采集这些数据并进行分析是状态监测平台的主要任务。图1为大数据监测平台的总体方案。整个方案分为3个部分：

(1)数据采集。从单机监测系统获取单机起重机状态信息、关键部件监测点状态信息、关键部件报警信息、关键部件监测点传感器原始信号和操作日志数据，利用物联网IoT数据采集技术、网络总线技术进行数据的传输。

(2)数据中心。数据中心将采集的数据以及数据分析过程中产生的中间数据、模型进行存储、传输。原始数据库负责保存原始数据，根据数据来源及其不同结构类型，分别存入InfluxDB、MongoDB以及MySQL数据库。数据内容包括原始传感器物理信号、起重机故障数据、起重机运行相关数据、起重机设备参数等。监测模型数据库负责从原始数据库中提取实时故障监测相关特征数据，并存入实时监测模型数据库，由起重机故障诊断分析模块读取并处理。机器学习模型数据库从原始数据库中提取起重机故障预测建模相关数据，经过数据预处理后存入机器学习模型数据库，由起重机故障预测建模软件模块负责读取并处理。

(3)监控平台。布置在云端提供远程监测与决策服务，包括港口机械故障诊断、故障预测、数据可视化平台(见图2)。整个监测系统可分为6个层次：①数据源层，包括起重机机构传感器数据、起重机运行数据、设备参数数据、维护日志数据等；②数据采集层，通过各种网络协议和数据存储分发协议，将采集到的数据传输到服务器和数据库中进行分别存储；③数据存储层，对采集的各种数据进行清洗、解析和分类，并进行结构化/非结构化混合和分布式存储，并与上层数据分析层对接，提供高性能的数据存取服务；④数据分析层，在时域分析、频域分析、时频分析等传统分析方法基础上，采用AI及机器学习方法，包括分类回归、贝叶斯网络、人工神经网络、深度学习等，实现对故障的诊断与预测；⑤业务层，利用各分析方法实现状态监视、信号异常监视、故障识别、故障预测、维护决策制定等业务；⑥展示层，利用WEB监视门户网站形式，把各类原始数据、统计结果、分析结果等以报表形式在终端进行可视化。

图2 监测平台逻辑层次图

3 数据采集关键问题研究

集装箱码头作为离散事件动态系统，对其中的离散单元(港口机械设备)进行监测数据采集存在3个难点：传感器的安装与配置、传感器数据远程传输和采集策略的制定。

3.1 传感器的安装与配置

根据广州港的历史维护记录，港口机械的故障多发生于传动系统，常见故障有：齿轮箱的齿轮磨损、偏心、局部磨损裂纹、断齿等故障；轴承的滚子、内外圈故障；电机的定、转子故障；滑轮故障；机械不平衡故障等。因此监测平台的重点为集装箱起重机起升机构、小车机构和俯仰机构的传动系统。

振动信号作为传动系统状态监测的重要手段，广泛应用于风电、航空等领域[8-9]。对于港口机械，选择合适的振动传感器安装位置尤为重要。通过实地调研码头的常见故障频次，确定了岸边集装箱起重机传感器测点安装位置(见图3)。

图3 岸边集装箱起重机传动系统振动传感器安装位置

3.2 传感器数据远程传输

在每台港口机械上布置众多的振动传感器将产生海量的数据，如何对这些数据进行收取传输，并保持实时性，是建立监测平台的关键技术难题。结合TCP/IP通信方式和消息队列遥测传输技术(MQTT)，可保障数据的稳定实时传输。如图4所示，数据采集外部接口采用MQTT服务器，保证外部接口的灵活性；内部采用Kafka消息中间件，保证内部软件模块之间的连接的灵活性，同时具有很强的可扩展性，实现大批量数据点的实时采集及传输。为满足不同数据类型数据的存储需求，采集系统提供了MySQL数据库，主要用于保存设备信息、人员信息、故障记录、维修信息以及工单信息等关系型数据及记录。InfluxDB主要用于设备运行产生的各个信号变量的实时数据及历史数据记录。MongoDB则主要用于保存各种传感器信息的高频原始信号。数据库按照不同使用阶段及调用关系又分为平台原始数据库、实时监测模型数据库以及机器学习模型数据库，供各个软件模块查询调用及处理后存储使用。

图4 大数据传输与存储方案

3.3 采集策略制定

岸边集装箱起重机一直处于非平稳工况中，频繁启停且伴有冲击，在传感器信号采集过程中会引入干扰信号，影响后续的故障诊断与预测。因此，传统的定周期采集方法不再适用，需要制定新的采集策略来应对这种状况。本文提出采用转速触发方式进行数据采集，将PLC中的转速信息提取出来，在达到某一数值后触发采集仪进行数据采集。这种策略可以有效避免因工况变化带来的干扰。图5为转速触发采集策略前后的振动速度值的对比图，从图中可以看出转速触发前采集的信号杂乱，很多启停所造成的冲击都会引起误报警，而在采用转速触发采集策略后，可以明显地去除这些设备操作上的干扰。

图5 转速触发采集策略实施前后对比

4 故障诊断问题研究

利用采集得到的传感器数据对港口机械设备进行故障诊断是监测平台的主要任务之一，该任务被分成2个阶段实施：基于实时数据的故障检测和基于历史数据的故障模型。如图6所示，第一阶段的主要任务是通过实时监测数据提取故障特征，进行特征匹配，完成故障报警，确定大致的故障位置后告知工作人员进行维修，然后将故障模式存入历史数据库。第二阶段的主要任务是利用机器学习方法建立故障诊断模型，用历史数据不断更新模型，最终实现故障的准确识别，包括位置、程度以及维修建议。

图6 大数据故障诊断技术路线图

4.1 实时故障检测

实时故障检测的一个重要特点是及时，能够应对早期故障及突发故障，这意味着基于大量计算的故障模型不再适用。因此，监测平台采用故障特征匹配的方法快速诊断，并进行预警。表1列举了部分常用振动信号故障特征。

表1 实时故障检测特征参数

其中，峰值(PV)是所测数据的最大幅值，用来指示轴承磨损程度，有效值(RMS)取决于信号能量，能够有效指示轴承退化状况。峰值因子(PF)是峰值和有效值的比值。缺陷因子(DEF)综合上述指标的优点，不受转速、载荷、尺寸等参数影响，便于设定报警值，容易使用且能快速地评价轴承的健康状况。具体公式为：

DEF=a×PF+b×RMS

(1)

以起升电机轴承故障为例，在实际的监测平台运行过程中，发现码头一台轮胎吊的电机驱动端测点的DEF值和振动加速度值存在报警。在图7a中，振动信号时域波形出现明显的冲击，冲击能量较大(见图7b)，通过进一步分析认为电机驱动端轴承存在磨损迹象。检修发现该轴承出现明显的磨损故障，对其更换之后，DEF值、振动速度和加速度值均下降到正常范围内(见图7c)。

图7 轮胎吊起身电机故障报警

4.2 机器学习故障诊断模型

简单的通过故障特征匹配进行故障检测虽然具有良好的实时性，但是不能准确判断故障发生的位置与程度，同时容易造成误报和漏报，带来严重的后果。状态监测平台结合大数据和机器学习算法，特别是深度学习算法，建立起由数据驱动的故障诊断模型，提出更加准确的故障诊断和维护建议。

随着历史故障数据的不断积累，有更多的数据对故障诊断模型进行训练，模型的精度会不断提高，判断更加准确。图8为基于深度学习的故障诊断模型框架。

图8 基于深度学习的故障诊断模型框架

5 故障预测问题研究

故障预测包括健康状态预报和寿命预测。健康状态预报用于确定当前部件或者系统处于其健康退化过程中的哪一种健康状态,即正常状态、性能下降状态或者功能失效状态等。当部件或系统处于性能下降状态时,判断是由于何种故障原因引起其健康水平的下降,并且评价当前健康状态偏离其正常状态程度的大小。剩余寿命预测是指依据部件或系统的当前健康状态、历史状态等信息,采用合适的预报模型,确定部件或系统的剩余使用寿命[5]。目前故障预测所遇到的最主要难题是数据不足，难以建立准确的模型。

港口机械状态监测平台在完善实时数据采集和历史数据存储的功能上，利用机器学习在大数据中进行知识获取，最终建立针对港口机械关键设备的故障预测模型。图9为基于振动监测信号港口机械轴承故障预测技术路线图。

图9 基于机器学习的故障预测模型技术路线图

6 结语

结合广州港南沙三期码头实际情况，研究大数据驱动的港口机械状态监测平台的搭建。针对集装箱码头在数据采集、数据存储、故障诊断和故障预测等方面所遇到的难点进行详细阐述，并提供了相应的解决方法和技术路线：

(1)结合网络技术、数据采集技术和数据库技术，解决了海量数据实时获取与存储的难题。

(2)将故障诊断分为2个阶段，首先通过故障特征匹配实现故障的实时检测；其次结合历史数据和机器学习算法建立更加准确的故障诊断模型。

(3)状态监测平台在广州港南沙三期码头的应用验证了其有效性。随着数据的不断积累，基于机器学习的故障诊断和预测模型将不断完善。