动力设备故障预测实现方案探讨

陈百利，吴延军，谢拥华

（广东邮电职业技术学院，广东 广州 510630）

0 引 言

通信局站已实现了动环监控系统的全面覆盖，可通过监控系统随时掌控局站动力设备的运行状况，及时发现动力设备故障，并进行派单和处理。另外，还可以利用获取的实时数据和历史数据综合研判故障发生的原因。故障发生后再处理的方式故障维护周期长，运维费用高居不下，还可能因为无法尽快修复关键设备而给通信系统带来停机风险。如果能够提前预知设备的故障发生时间，就可以制定有效的维护和维修计划，提前检修设备，从而减少上述风险的发生，有效降低动力设备的运营成本。因此，可利用动环监控系统已存储的数据和人工智能技术，通过机器学习等方式建立动力设备故障预测方法，经实际工况检验形成有效的动力设备故障预维护，以保障通信设备的运行安全。

1 预测性维护研究及对动力设备的故障预测

预测性维护（简称PdM）是以状态为依据的维护方式[1]。设备运行时对设备的一些关键参数进行周期性监测和故障判断，可预测设备将来的发展趋势，并根据发展趋势预先制定预测性维护和维修计划，同时需确定设备处理的时间、内容、方式以及必需的技术和物资支持等。

预测性维护将设备的状态监测、故障诊断、故障预测以及维护计划等活动融为一体，带来了一种全新的维护模式。利用工业生产数据，借鉴相应的数据分析技术，预测设备的运行状态，从而进一步预测设备的潜在故障和威胁。

伴随着“工业4.0”的发展、“新基建”战略的提出、工业生产数据采集技术的日趋完善、计算机设备算力的增加、成本的降低以及智能分析技术的日趋成熟，工业生产设备的预测性维护逐渐成为工业界和学术界讨论的热门话题[2]，越来越受到业界的重视。当今人工智能技术快速发展，促使AI技术广泛应用于各行各业，从而带动了行业产业的不断升级。得益于AI技术的发展，机器学习技术目前已成为工业设备预测性维护的前沿方向。

在国外，Srinath P[3]将机器学习技术应用于预测性维护，采集NASA引擎故障数据，利用回归模型预测剩余使用寿命（RUL），在减少维护频率和减少设备维护时间等方面取得了良好的应用效果。Daniyan I[4]使用具有动态时间序列的人工神经网络预测轨道车辆车轮轴承的状态和潜在故障，运用MATLAB环境中的Levenberg-Marquardt算法进行预处理和迭代训练，预测未来的温度变化和轴承的剩余使用寿命，获得了有效的预测模型。Hardik A G[5]采用支持向量机和logistic回归算法优化相关参数，探索和比较核基础设施中可能发生的罕见事件。

在国内，张曼等[6]利用统计诊断方法预测性分析气象站中不同劣化程度的蓄电池组，能很好地测试出蓄电池组在不同健康状况下的电压与内阻值。黄飞飞[7]利用数据挖掘技术分析诊断油气田集输管线上压缩机工况采集到的大量运行状态数据，实现了对设备的预测性维护。SUN J[8]将贝叶斯推导公式应用于飞机状态的监测系统，能预先识别出飞机空调系统（ACS）的故障前兆。赵继胜[9]采用递归神经网络RNN对电力生产设备的时序数据进行迭代建模，并结合用户标记故障进行识别，实现了故障预判。

动环监控系统实时采集通信局站的动力设备数据，存储了大量历史数据，这些数据一般按时间顺序进行保存。从数学角度看，设备发生故障的概率和设备历史运行数据构成了一组复杂的函数关系，可利用已有的时序数据找出运行数据与设备发生故障的关系。因此，可利用这些数据，通过人工智能和大数据等技术实现对动力设备故障的预测及故障诊断，并给出切实可行的维护计划和方案。此外，还能实现动力设备的精准运维和精细化管控，减少或避免由设备停机等故障给通信设施带来的不可估量的损失，间接提高设备的使用寿命和系统的整体运维水平。

2 动力设备故障预测实现方案

2.1 故障预测方案建立过程

动环监控系统中动力设备数据一般以关系型数据库的形式进行保存。存储格式一般以时间顺序按站点、设备以及监控点存储，运行数据和告警数据单独保存。进行故障预测训练前，需梳理原始数据形成可以训练的数据集。预测方案建立的过程如图1所示。

图1 故障预测方案建立的过程

图1中，建立预测方案的大致步骤为“预处理原始数据→特征选择→标准化处理→预测训练→生成预测方案→方案验证”。如果方案不能满足实际要求，则需要对方案进行循环训练，直到获取到最终的优化预测方案。最终的优化预测方案建立后，在数据库中进行持久化存储，形成预测方案库供实际系统调用。

2.1.1 原始数据预处理

数据库中存储的原始数据包括直流配电设备、交流配电设备、整流设备、空调设备以及蓄电池组等动力设备和环境的告警数据和运行数据。设备涉及的厂商和型号较多，采集的数据也较大[10]。在采集过程中，受传感器采集精度和传输通信等多种因素影响，会存在准确性偏差、采集密度过梳或过密以及漏采等情况。因此，生成故障预测方案前需要对数据进行处理，即需要对原始数据进行预处理。预处理的主要内容包括去除奇异点数据、补充缺失数据、数据重组以及数据抽取等。

去除奇异点包括去除噪声。可以考虑采用基本的数据统计方法，如利用散点图法或数据可视化方法识别可能代表噪声的离群点。但是，注意不要去除设备故障点时刻的相关数据。此外，可以采用3标准差（平均值±标准差×3）方法。在实际运行中，一般可以多种方法混合使用。

动力设备数据的缺失主要是由从传感器到监控中心传输过程中的传输故障或前端采集设备故障引起的。传感器需要通过前端采集设备预先保存数据。当传输故障恢复后，监控中心可从前端采集设备存储的数据中进行重采。监控中心需要根据时序序列的特性及相关联监控点的特性进行补充，必要时可借助人工方式进行处理。

数据库中各监控点的存储方式不统一，无法直接用来进行数据分析。因此，数据重组时需要将各监控点的数据按照时间序列重新组织，按某个时间维度和多个监控点对数据结构进行重定义。

数据抽取是将关系型数据库中存储的数据抽取成其他数据格式。一般需通过Pentaho Kettle等工具进行转换，如使用MongoDB进行NoSQL数据库中的数据抽取。

2.1.2 特征选择

并不是所有的数据点都与故障相关。一般关键参数对整体状态有着较大的影响[11-12]，因此需要去除不相关的数据，并选取重要的关键特征子集。由于与故障相关的监控点不只一个，因此在特征选择时可以考虑采用方差法[13]。具体地，计算每个特征的均值和方差，设定一个基础阈值，当该维度的监控点方差小于基础阈值时，可以丢弃该特征。上述方法的关键问题是基础阈值的判定，需结合预测方案的训练和验证进行统筹考虑。

考虑到动力设备各监控点数据集的特征，还需要考虑单个监控点的自相关特性，即某个时刻的预测会受到这个时刻之前数据的影响。Aremu O O[14]通过Kullback-Leibler散度度量，应用基于相关性的层次聚类和相对熵，生成了原始数据的低维特征子集。

2.1.3 标准化处理

分析数据前需要对数据进行标准化处理使数据指标化。处理时，为使标准化后的数据落于一个小的特定区间，可考虑采用归一化处理方式。将数据统一映射到区间[0，1]上使用的数据归一化的方法，有min-max标准化、log函数转换以及z-score标准化等。

2.1.4 故障预测方案的训练和验证

设备的故障预测主要是指利用设备正常运行期间的特性预测设备的剩余使用寿命，可使用机器学习等技术进行设备故障预测方案的训练。动力设备的数据属于时间序列数据，因为与故障相关的数据相对较少，所以建议采用逻辑回归分析方法，即将均方根误差作为衡量值，混合多种方法进行对比试验后形成有效的预测方案。

2.1.5 工具的选择

有很多非常方便的工具和算法库支撑数据处理，如 H2O[15]、scikit-learn、NumPy以及 Pandas等。可充分利用这些已有的工具和算法库进行数据的预处理、特征选择、数据的标准化以及预测方案训练，从而减少算法开发的难度。

2.2 故障预测实验方案

在故障预测方案训练的过程中，可以将实际工况中存储的历史运行数据备份到实验环境中进行训练，训练完成后再应用于实际运行环境。

2.2.1 训练过程

实验中，可将存储在数据库中的运行数据分成两部分，一部分用于故障预测训练，另一部分用于方案验证。某一种型号设备中某一类故障训练的过程主要包括训练集数据准备、预测训练、方案验证以及优化训练4个步骤。上述4个步骤完成后再重新进行预测训练，形成一个训练周期。训练过程是一个不断验证和不断优化的循环过程。故障预测训练过程如图2所示。

2.2.2 预测训练实验环境方案

基于算力等原因，需要在实验室中搭建私有云平台为算力提供支撑。预测训练的实验环境方案如图3所示。

图3中的预测训练实验环境分为模拟局站、私有云平台以及客户端呈现3个部分。其中，底层的模拟局站用来模拟实际的局站动力设备，提供对局站动力设备运行数据和故障数据的模拟。设备模拟采集网关采集动力设备数据，并将采集到的数据上传给上层的云平台。模拟数据可以补充预测训练中原始数据的不足，也可以与已训练好的预测方案及维护策略一起为决策者提供预维护决策建议。

图2 故障预测训练过程

图3 预测训练实验环境示意图

私有云平台主要提供系统服务。系统服务包含采集管理服务、预测训练服务、方案验证服务以及能为上层应用提供接口的所有服务。根据私有云平台提供的服务功能，私有云平台可划分成多个虚拟服务器，供需方调用。

数据采集服务可采集模拟局站动力设备运行状态的数据。存储管理服务可存取实际系统中备份出来的数据、模拟设备运行状态数据的存储以及在预测训练完成后保存不同故障的预测方案。实体管理服务用来管理局站、设备以及监控点等。性能管理服务通过抽取实验数据和历史数据进行初步的分析和统计。故障管理服务抽取相应的故障数据，包括故障前发生的与故障相关的监控点数据等。数据预处理服务可实现对原始的数据降噪、相关性分析以及归一化处理等。预测训练服务是方案的核心模块，能够根据不同的智能算法完成对设备故障预测方案的训练和生成。方案验证服务完成对已生成预测方案的实验验证。故障原因分析服务提供故障发生的原因，并为预测维护建议提供专家依据。预维护策略根据模拟的实时数据、故障预测方案以及故障原因分析提供的分析结论，最终生成维护决策建议以供决策者使用。会话管理服务用来接收客户端对不同服务功能的请求。接口服务提供不同的服务接口，并对外提供相应的服务。

客户端的呈现侧主要用来呈现各种参数的设置和结果，包括预处理结果的输出和呈现、预测算法的匹配设置和呈现、基本参数的设置、方案验证结果呈现、统计分析结果的输出以及相应的预测性维护决策建议，并能根据需要输出其他内容。

2.3 故障预测在运行环境的应用方案

实验环境中，已经构建好的故障预测方案可生成预测方案库并存储在数据库中。实际应用时，需要将预测方案部署在实际运行的环境中使用，实时接收动力设备和环境的运行数据。调用预测方案库预测故障，实时给出预维护决策和建议。将实验环境中产生的故障预测方案应用于实际运行环境的方案，如图4所示。

图4 故障预测在运行环境应用示意图

2.3.1 预测性维护建议的生成

数据采集模块用于采集不同型号动力设备的数据和环境数据。采集到的数据需要通过协议转换成内部结构进入消息队列，其中告警和状态数据将通过消息队列转出，运行数据直接存储于NoSQL数据库，如MongoDB。这两部分数据将与实验室训练的预测方案库进行匹配，当数据与预测方案相符合时，将根据预测方案给出预测性维护建议，并在客户端进行呈现。

2.3.2 故障预测方案优化更新

当故障发生后，实时判断此故障与预测方案库中故障是否相关。如果相关，则将此故障及相关的运行数据纳入智能运算模块进行故障预测方案的重构建，实现预测方案的修正和优化。处理过程中，先将采集的数据通过预处理模块进行处理，补充不完整的数据，去除奇异数据和不相关数据，然后利用对应的故障预测算法重新补充训练。训练完成后，更新已存在的预测方案库，将其作为下次智能分析判断的依据。

3 结 论

动力设备故障的预测需要充分利用动环监控系统中已存储的数据找到适合的算法进行有效训练，从而为通信系统的稳定运行服务。实现方案中，可采用预测方案的离线循环训练和在线定期优化调整相结合的方式，使故障预测更逼近实际工况。预测性维护可做到提前维护，提前预防，因此在减少设备故障的发生频率和减少损失等方面发挥了重要作用。未来，在该方面仍需不断实验和验证，充分利用机器学习技术，使技术在不断发展的同时不断完善。