设备健康监测与备件库存优化方法在离散车间的应用*

吴 浩, 吉卫喜,2, 张泽宏, 张 贇, 党 英

(1.江南大学 机械工程学院,江苏 无锡 214122； 2江苏省食品制造装备重点实验室,江苏 无锡 214122)

0 引 言

随着离散车间数字化与自动化水平的不断提高,大量具有感知功能的智能设备使得车间实现物联网、车间底层智能感知及上层的知识表达,车间生产逐渐向智能化方向发展[1]。然而,企业在享受智能化所带来的高效率、高精度便利的同时往往受制于较低的维护水平,无法充分发挥设备效能[2]。设备在故障前无法感知并且备件更换不及时与过剩情况时常发生。

目前，设备健康的维护方法主要分为两种：基于模型的方法和基于数据驱动的方法[3]。基于模型的方法对于电、气、液组成的复杂数控设备而言,其物理模型单一且搭建较为困难；而基于数据驱动的方法不需分析内部机理即可从制造过程数据中发现规律,易于实现。文献[4～6]在设备的预防性维护模型建立及预防周期求解方面取得了较好的效果,但上述研究未对设备运行过程中的数据进行分析,忽略了最直接反映设备健康状态的制造知识。在库存优化方面,文献[7～9]考虑了多种因素对备件补货过程的影响,通过建立相应的模型有效地降低了成本,但上述研究未将设备备件的重要性及库存成本最小进行综合考虑。

本文提出以改进的粒子群优化(IPSO)算法优化隐马尔可夫模型(hidden Markov model,HMM)识别设备在使用过程中的退化状态。首先，对设备运行过程中的制造数据经采集、处理、封装后进行模型训练,选取多个反映设备健康状态的关键指标对健康状态进行评估,本文所考虑的主要指标为压力、温度、电流、振动、主轴负载、机床功率。其次,考虑备品备件的重要度和库存成本最小建立备件库存的动态控制模型,结合备件的历史需求量与供货质量构建备件重要度指标,针对不同重要度的备件实施不同的控制策略。

1 设备健康预测模型

1.1 设备制造过程数据采集处理方法

针对某企业金工二车间的Fanuc数控设备,系统的整体方案设计如图1所示。

图1 制造过程数据采集构架

车间设备通过统一的局域网组网实现设备与智能终端稳定通信；传感器通过RS—485线缆串联后连接至串口服务器；智能终端将采集数据进行处理、封装后通过MQTT上报云端；基于外接传感器和FOCAS库函数实现对设备的电流、温度、振动、主轴负载等信号的采集。数据采集流程如图2所示,对于没有以太网接口的设备通过串口进行数据采集。

图2 制造过程信息采集流程

1.2 设备健康等级划分

考虑到设备的状态是由多个监测特征共同作用的结果,为了便于量化设备使用过程中的状态,将设备健康状态划分为健康、良好、合格、异常和故障5个等级,从而更直观地进行有针对性的维护。

1.3 考虑多特征参数的健康预测模型

基于机器学习的预测模型建立。由于HMM在时序与状态预测方面的准确性高、分类识别能力强以及IPSO的全局优化可以克服传统的Baum-Welch 算法在训练过程中容易陷入局部最优的缺点,本文提出结合IPSO的HMM设备健康状态评估方法,设备健康评估以数据服务层反映设备健康状态的关键特征指标历史运行数据(正常与异常工况下)进行分析。

1)HMM

HMM是关于时序的概率模型,描述由一个隐藏的马尔科夫链生成不可观测的状态随机序列,然后由各个状态序列生成观测随机序列的过程[10]。HMM由初始概率分布π,状态转移概率分布矩阵A以及观测概率分布矩阵B确定,用三元数组表示为λ(A,B,π),其中,π,A决定状态序列,B决定观测序列。基于HMM的预测流程如图3所示。

图3 基于HMM的预测流程

对于多健康参数的观测序列,其对应的观察状序列为O={o1,o2,…,oE}。假定各状态之间相互独立,多维HMM的输出概率可以用多个一维输出概率的乘积表示为

(1)

(2)

后向向量公式为

(3)

2)IPSO算法

(4)

(5)

式中w为惯性权重；c1,c2为社会学习因子和个体学习因子,传统上取值均为2.05；r1,r2为取值为[0,1]之间的随机数；k为迭代次数。本文选择可进行动态调整的惯性权重w解决算法无法跳出局部解和收敛速度慢的问题,其公式为

(6)

式中wmin,wmax分别为权重的最小值与最大值；f为粒子当前目标函数值；favg,fmin分别为所有粒子的平均目标函数值与最小目标函数值。

基于IPSO的HMM设备健康评估流程如图4所示。

图4 基于IPSO优化HMM的训练流程

2 考虑设备备件重要度的库存控制模型

2.1 前提与假设

1)假设设备备件的补货时间与到货时间分别服从γ和δ的指数分布；2)备件的采购过程与到货过程相互独立；3)采用(r,S)库存模型,其中,r为重订货点；S为设置的最高库存量。当库存量低于安全库存时会提示当前需要补货数量为S-γ；当采购需求提出时当前库存水平以γ的增长速度至上一库存水平；当采购到货时当前库存水平以δ的增长速度至到货后的库存量。

2.2 库存模型建立

以库存成本最小为目标,基于设备备品备件重要度的(r,S)库存模型建立库存量平衡方程；考虑库存多成本最小建立成本目标函数,基于备件的重要度建立库存优化模型。因为各维修备件本身对制造生产的影响不同,通过考虑设备备件到货率对企业的影响程度构建其服务水平表达式如式(7)所示

(7)

式中Pm为设备配件的重要程度；Sl为稳定状态下的平均年缺货水平；Ad为备件的年需求量。

本文所设置的备件服务水平应大于企业所设置的最低水平L0,进而实现库存成本最小与最优。离散车间设备备件的库存成本主要集中在四个方面,即采购、存贮、运输及缺货成本。其年平均总成本函数为

CT=Cy+Cs+Cl+Ca

(8)

式中Cy为年平均存贮成本；Cs为单次采购成本；Cl为平均缺货成本；Ca为年平均运输成本。

当库存系统处于稳态状态时,由处于该状态下的库存消耗与库存补充概率相等可以推导出稳态下的库存水平概率分布如下

(9)

(10)

稳定状态下平均每年的订货频率Of如式(11)所示,其中，Pi(i=1,2,…,S)为库存在平稳状态下的稳态概率分布

(11)

年平均库存量I为

(12)

年平均补货量Ac为

(13)

缺货频率Sl为

Sl=γ(1+δ/γ)rP0

(14)

针对于某一单个零部件的总成本Tc可表示为

(15)

式中 单位时间的单个零部件的库存成本为Kc；单位订购成本为Oc；单次订货固定成本为Fc；单次运输成本为X；单位缺货成本为Y。

服务水平Dr表达式为

(16)

最终考虑备件重要度的控制模型可转化为求解式(15)的最小值。

3 实例分析

3.1 设备健康监测

本文提出的整体系统框架如图5所示,通过该系统对所提出的方法进行验证。以某电梯零部件公司金工车间的Fanuc数控设备作为研究对象,选取2018年～2020年的车间采集到的数据和制造执行系统(manufacturing execution system,MES)数据进行实验分析,其中,2018年和2019年的数据作为模型的训练集,后一年的数据作为测试集。以模型状态的分类识别能力作为评价目标,为了验证方法的优越性,使用车间历史数据为同一数据集将文中算法与HMM进行比较,根据企业实际数据和专家经验对健康状态等级的数据进行划分。选取每种健康状态下的样本数量为500个,各样本包含200个数据点,即总共有2 500个样本,对应5种健康状态。数据处理采用Python环境,2种算法参数值设置如表1所示。

图5 系统框架

表1 2种算法的模型结构参数

为了评价模型性能,与HMM模型进行对比,结果如表2所示。由表2得出,本文提出的IPSO-HMM模型各项评价指标均高于96 %,且均高于HMM模型评定值,该模型具有较强的识别能力,可以有效用于设备的健康状态监测。

表2 模型评价结果

图6为2种算法在测试数据集上的混淆矩阵,其中，0,1,2,3,4分别表示健康、良好、合格、异常、故障。由图6(a),(b)可见,不能正确分类的主要都集中在不同状态的过渡阶段,主要是该阶段的特征状态区分不明显。从图中可知,本文方法在实验中表现良好且预测准确率高,算法对设备健康状态样本的识别正确率高于HMM模型。

图6 模型的混淆矩阵

表3为本文模型在企业中的实际预测结果,其中,检修时间为设备工程师发现设备异常进行检修的时间,并且预警的时间与维修时间比较接近。

表3 模型预测结果

3.2 考虑配件重要度的库存模型评价

本文选取企业中重要度为0.313的设备维修配件,物料代号为5030P332,物料名称三联齿轮,规格型号Z1=41,Z2=58,Z3=50,要求该零部件的服务水平不得低于85%,并且Kc=50,Fc=100,Oc=350,Y=10,γ=3,δ=5,X=200,n=3。对式(15)的最小成本值进行求解,得出最小成本值为1 186.64元,与公司之前该产品的成本相比降低了462.2元。

为了研究不同重要度下模型有效性,当维修备件的Kc=10,Fc=50,Oc=10,Y=20,γ=5,X=200,n=3时,选取不同δ对库存成本变化情况如表4所示。

表4 不同δ,Pm的总成本、重订货点和最高库存量分析

从表4中看出,随着备件关键度增大,其安全库存与最大库存数量均有所提高,同时备件的总成本、安全库存和最大库存随着δ的增加呈现降低趋势,补货需求越大说明企业在评价供应商时应选择交货期快的供应商。

当维修备件的Kc=50,Fc=100,Oc=10,Y=20,δ=5,X=500,n=3时,不同γ对库存成本变化情况如表5所示。表中可以看出,随着备件关键度的增加其安全库存与最大库存也在提高。随着其值的增加,备件的库存总成本在不断增加,库存策略中的安全库存量与最大库存量也在不断提高。备件消耗状态转移的概率γ越大则备件消耗的水平也在不断变大,对这类备件企业在备货时应多加关注。

表5 不同γ,Pm的总成本、重订货点和最高库存量分析

4 结 论

车间底层的制造过程智能感知是实现智能车间的基础,也是实现智能运维的重要前提。本文针对车间传统的设备管理模式存在的问题,提出了设备健康状态评估的主动维护方法,通过实例分析验证了该方法的有效性,为离散车间的设备运维提供了有效方法。其次,建立了考虑设备备件重要度的库存优化模型,以备件重要度与总库存成本最小为约束进行优化求解,对不同重要度的备件备货提供了有效方法。