基于大数据的机电设备故障模型研究

左旭涛，李世明，程中国，岳 阳，丛龙斌

（1. 青岛地铁集团有限公司，山东青岛 266045，2. 东软集团股份有限公司，辽宁沈阳 110179）

1 机电设备故障特征

机电设备故障特征是指机电设备从使用到报废的整个生命周期中故障的发生、发展和变化特征。机电设备故障分为如下3个阶段。

（1）初期故障期（DFR型）。这个阶段的故障主要由材料质量问题、设计和制造质量缺陷、人员操作上的错误、装配失误等引起，故障率从高到低发生变化，并随着时间的推移趋于稳定。

（2）偶发故障期（CFR型）。设备正常运行，状态稳定且故障率低，大致来说不会发生故障状态，故障主要是由意外因素造成的，如维护不当和操作错误。故障的发生是随机且不可预测的。这一时期是设备的最佳工作期。

（3）磨损故障期（IFR型）。在此期间，设备故障率急剧上升，主要是因为设备已经使用了很长时间，部分零件老化且磨损严重，有效使用寿命结束。设备已经处于异常状态，应重点进行预防性维护工作。

2 机电设备故障模型研究

2.1 设备运行数据实时异常检测模型

目前，在机电设备的运行过程中，大多数传感器均会产生实时生产数据。但传统的监控报警系统仅通过阈值预警等方式，接收个别传感器的报警信息，很难识别整个生产数据的异常组合，无法对设备运行过程中的隐性异常做出预警。

基于机电设备的大量运行数据，设备运行数据实时异常检测模型通过运用数据降维、高斯混合模型等算法，实时发现机电设备运行数据信号间的异常组合并触发预警，实现机电设备实时的异常检测，提前发现问题并进行人工筛查，降低因机电设备故障而引发的突发事故概率。

本文设备运行数据实时异常检测模型所应用的核心算法为主成分分析方法和高斯模型。

（1）主成因分析方法（Principal Component Analysis，PCA）。这是被广泛使用的数据降维算法之一。数据集预处理手段有降维、均值插补、高维映射等手段，降维的目的是减少冗余信息，提高计算处理速度并适当提高计算精度，从而节省大量的时间和经济成本。PCA是降维的主要手段之一。

（2）高斯混合模型（Gaussian Mixture Model，GMM）。其由多个子分部的概率模型组成。通过观察数据在总体的概率分布，采用高斯概率密度函数（正态分布曲线）准确量化事物。高斯混合模型可以使用任何的概率分布，具有良好的计算性能，并且其分布具备准确的数据性质，可寻找出小概率出现的数据，该部分数据认为是异常数据。

2.2 设备健康及状态评估模型

机电设备的性能衰减、寿命降低是由量变到质变的动态过程。设备健康及状态评估通过对机电设备的运行状态进行监视与评估，分析设备微观和动态损伤过程中的演变过程、特点和规律，及时预测设备的使用寿命，实现事前预防、过程监控、动态养护等。

本文采用的机电设备健康及状态评估模型核心算法为威布尔分布算法。威布尔分布算法是可靠性分析和寿命检验的理论基础，作为一种连续的分布，它能够描述各种类型机电设备零部件故障数据的分布规律。威布尔分布在机电设备可靠性工程中被广泛应用，尤其适用于机电类设备的磨损累计失效的分布形式。由于它可以利用概率值很容易地推断出数据的分布参数，因而被广泛应用于各种寿命试验的数据处理。威布尔分布是连续性的概率分布，其函数模型为：

式（1）中，t为时间；m是形状参数；η是标准参数；γ是位置参数。

机电设备的故障期主要分为初期故障期（DFR型）、偶发故障期（CFR型）、磨损故障期（IFR型）3种。结合威布尔分布函数模型的推算，故障率的曲线函数模型图如图1所示。

图1 故障率的曲线函数模型图

（1）当m＜1时，设备部件处于初期故障期（DFR型），设备运行前期多做计划检修，保障设备正常运行，后期故障数趋于稳定后，可降低检修频率。

（2）当m= 1时，设备部件处于偶发故障期（CFR型），故障多是偶发，所以多做监视，总结规律，合理安排计划检修。

（3）当m＞1时，设备部件处于磨损故障期（IFR型），由于设备老化而导致的故障率增长，应增加检修次数，计算出未来年份发生的故障数量。根据故障数量做好备件储备，同时加强季度检修状态检测，对故障备件及时更换。

对于不同的机电设备，除预测设备使用年限外，通过大数据技术计算，还可以预测包括设备累计运行小时数、设备累计启动次数、故障分类、剩余使用年限等设备可靠性相关指标。

2.3 设备关联分析模型

设备关联分析又称设备关联挖掘，是在设备生产数据、运行数据等信息载体中，发现不同设备之间的联系。各类设备故障之间可能存在不易发现的关系，在机电设备故障模型中，通过对各机电设备故障情况进行关联分析，得到与故障情况相关联的设备，结合实际分析与故障相关联的原因。后续做设备分析时，可以根据这种关联，在设备发生故障时，关注所关联设备的故障情况，提前做好预警工作。

设备关联分析的核心算法是Apriori算法，该算法是一种挖掘关联规则的频繁项集的算法，其核心思想是通过2个阶段挖掘频繁项集，分别是候选集生成和封闭检测阶段，其中最小支持度和数据集是该算法的2个必要参数。通过采集综合监控设备的故障时间、设备故障时工作状态等数据，并根据该算法对设备数据进行分析，计算出2个或2个以上设备之间的故障关联信息，从而对设备故障进行预警。

通过对同一车站多个时间粒度的综合监控历史数据进行分析，可以得出不同设备之间发生故障的相互影响程度，发现各设备故障之间可能存在但不易发现的关系，从而对维修工作安排进行辅助指导。例如，对各站点的故障率进行分析，得出需要重点关注的站点以及与故障情况有关联的设备。当某设备类别发生故障时，与其关联的类别也可能发生故障，此时需重点关注并提前预警。

2.4 故障趋势预测模型

当前机电设备的安全报警方式主要有2种：①设备控制柜的仪表或报警灯报警；②现场的监控系统报警。这2种方式目前均为基于阈值的报警，当故障发生时，机电设备已经发生故障造成停机或损失，无法提前预警。

为解决这类问题，在机电设备故障模型中，基于设备运行数据，在设备运行过程中对数据做实时趋势分析，在产生趋近设备阈值的时候提出预警，报告何种指标将要超出阈值，并预测其将在多长时间后超出阈值，从而实现事前的趋势预警，并为调整设备和解决故障提供足够的时间，使设备运营过程更可控，提升维保效率。

故障趋势预测的核心算法是指数平滑法，该方法是一种时间序列分析的预测手段，它是在移动平均法的基础上衍生出来的，是通过计算指数平滑值，并与某个时间序列预测模型合作来预测该现象的未来。其原理主要是任意的平滑结果都是本期实际数据与前一期平滑数据加权计算的结果，其特点是，时间更近的数据具有更高的权重，以能够使预测值迅速反应当前的市场情况。权重之间按等比级数减少，此级数之首项为平滑常数α，公比为（1 -α）；指数平滑法对于观测值给出的权重是灵活的，可以采用不同的值来更改权重的变化率，并调整时间序列中观察值的一致性。

据业务场景不同，当时间数列无明显的趋势变化时应使用一次指数平滑法，当时间序列呈线性规律时应采用二次指数平滑法。

（1）一次指数平滑预测，其计算公式为：

（2）二次指数平滑是在一次指数平滑的结果基础上再次平滑。根据机电设备运行特点，利用该方法对其进行故障预测较为合适。其计算公式为：

预测未来T期的预测值公式为：

（3）三次指数平滑预测，是二次平滑基础上的再平滑，其计算公式为：

预测未来T期的预测值公式为：

指数平滑的预测结果为旧数据与新数据的加权和，所以为应对实时变化，应对不同的数据给予不同的权。新数据给与较大的权，旧数据给与较小的权。

在指数平滑法中，预测是否准确的关键是α值的选择，α值决定了新数据与旧数据在预测中所占比例。α值越大，新数据所占的比重就越大，原预测值所占比重就越小，反之亦然。当时间序列呈稳定的水平趋势时，α应取较小值；当时间序列波动较大，长期趋势变化的幅度较大时，α应取中间值；当时间序列具有明显的上升或下降趋势时，α应取较大值。

3 结束语

随着大数据技术的普及，传统的设备维修、维护模式将逐步被智能维修所取代，通过对设备状态的实时监测与分析，能够提前预测并发现设备故障以实现提前准备并预警，最大程度减少因设备故障所产生的损失。同时，实时监控故障状态也可以减少人工巡检的工作任务，提高工作效率。青岛地铁集团有限公司作为国内首个基于大数据技术搭建线网中心的地铁公司，建立了设备故障监测与智能诊断系统，为对易损机械部件及关键设备进行实时智能故障诊断，对设备故障状态进行提前预测、预警，制定预测性检修方案和辅助人工决策，以及后续的机电设备智能运维提供了可靠依据。