基于數據自組織挖掘的機械設備狀態退化預警方法

胡瑾秋,張來斌,胡春艷,李文強

(中國石油大學機械與儲運工程學院,北京102249)

基于數據自組織挖掘的機械設備狀態退化預警方法

胡瑾秋,張來斌,胡春艷,李文強

(中國石油大學機械與儲運工程學院,北京102249)

在設備狀態監測過程中引入數據自組織挖掘思想,建立一種設備狀態退化預警方法。采用隱馬爾科夫模型(HMM)對設備的早期退化狀態進行準確辨識和評估,并進一步建立設備退化過程的自組織預測模型。案例分析中將該方法應用到旋轉機械軸承運行狀態退化的預警過程中。結果表明,基于自組織數據挖掘的設備狀態退化趨勢預測方法預測效果準確、客觀性強,預測值與實際值的擬合程度高,相對誤差僅為3.1%。新方法能夠預測設備未來時間段的退化狀態及其發展趨勢,提前給出預警信息,有效地制定預知維修計劃,及時采取預防措施,防止因設備突發失效引起非計劃停機造成生產和經濟損失。

數據自組織挖掘;隱馬爾科夫模型;數據分組處理方法;狀態退化預警

機械設備中一旦任何部件發生故障,常引發連鎖反應,造成重大生產損失,甚至導致災難性的安全事故。曾慶虎等[1]提出一種基于小波相關特征尺度熵和隱半馬爾可夫模型的設備退化狀態識別方法。為消除多通道觀測信息冗余,壓縮高維故障特征,曾慶虎等[2]進一步提出了基于KPCA-HSMM設備退化狀態識別方法。袁湘輝等[3]給出了一種MHMM-SVM混合模型,提高了電子裝備早期故障的識別率。雷金波[4]運用邏輯回歸模型評估設備運行狀態的退化情況,并采用支持向量機回歸對設備運行狀態的趨勢進行預測。呂克洪[5]提出基于時間應力分析的故障預測技術,提高了預測置信度。高甜容等[6]提出了一種基于故障先兆判定模型和動態置信度匹配的故障預測方法,在線預測故障發生的概率及時間。美國普渡大學智能過程系統實驗室(LIPS)研發診斷和預警系統,給出建議或采取糾正性維護及控制的響應[7-8]。美國智能維護系統中心(IMS)建立了Watchdog智能預警系統[9-10]。Kazuhiko Suzuki提出了一種智能過程支持系統[11](IOSS),能夠計算在異常事件中故障傳播的影響。筆者以設備狀態監測為基礎,建立基于數據自組織挖掘的油氣生產設備狀態退化預警方法,提前給出退化預警信息,防止設備因失效引起非計劃停機造成的生產和經濟損失。

1 基于HMM的設備早期退化狀態辨識

在設備狀態監測基礎上,對于設備早期退化狀態辨識,應用隱馬爾科夫模型(HMM)須解決兩個基本問題:

(1)已知設備狀態觀測值,如可觀測的振動加速度、軸承溫度、滑油壓力等參數值,如何辨識設備當前的退化狀態。即對于一定的觀測序列O=[o1, o2,…,oT]和既定的狀態模型λ,如何計算觀測序列在已知模型下的概率P(O|λ)。

(2)通過對設備狀態進行的長期監測,如何建立設備在各個退化狀態下的辨識模型。即如何調整合適的模型參數使P(O|λ)最大,即模型的訓練問題。

因此,基于Markov鏈建立設備狀態的退化模型,通過歷史數據訓練獲得各個退化狀態的轉移概率,用以描述設備退化的動態過程。建模過程相關的基本概念如下:

有N個狀態的設備退化HMM模型可表示為λ ={H,A,B},其中:

(1)假設設備退化的N種狀態為s1,s2,…,sN; qt為在當前t時刻Markov鏈所處的狀態,即qt∈(s1,s2,…,sN)。

(2)設備狀態是不可觀測的,能獲得的只是隱含狀態表現出的觀測量O。設備在t時刻某個隱含狀態的觀測值為Ot,則有Ot∈(V1,V2,…,VM),其中M為該隱含狀態的觀測量個數。

(3)給定設備初始狀態,設備位于各個狀態的概率定義為矢量H=(h1,h2,…,hN),其中,hi=P(q1=si),1≤i≤N。

(4)設備在長期運行過程中逐漸退化,其狀態由si轉移到狀態sj,這是一個條件概率aij,即,1≤i,j≤N。對應設備N種可能的狀態,用概率矩陣表示為A=(aij)N×N,1≤i,j≤N。

(5)假定設備處于狀態sj,外界獲得該狀態的觀測值Vk的概率表示為該狀態的觀測概率bjk,bjk=P,1≤j≤N,1≤k≤M。對應設備N種可能的狀態及每種狀態的M種可能觀測值,用概率矩陣表示為B=(bjk)N×M。

因此,給定觀測序列O=(o1,o2,…,o3)以及模型λ={H,A,B},對設備退化狀態的評估轉化為計算觀測變量在模型λ下的輸出概率。具體計算步驟如下:

假定一個固定狀態序列Q=[q1,q2,…,qT],觀察序列O,定義前向變量為

初始化:

遞歸:

終止:

其算法的遞推示意圖如圖1所示。

圖1 計算前向變量的遞推過程示意圖Fig.1 Illustration of recursive process required for computation of forward variable

當設備運行全壽命過程中各個階段的狀態退化信息均具備時,可進一步對各個退化階段訓練一個相應的HMM退化模型。把待評估的觀察值序列送入各個HMM退化模型,分別計算輸出概率,輸出概率最大的退化模型所對應的退化階段(或退化等級)就是設備所處的實際退化狀態。

在實際的工程應用中,模型的對數似然概率值還和觀測序列的長度T相關。為了避免受到序列長度T的影響,將模型所得到的對數似然概率除以T作為設備退化過程的退化評估指標PV(Performance Value),則:

由式(5)所得的退化指標PV可以理解為設備目前的退化狀況和正常狀態的相似程度,反映設備的退化程度,即在設備的不同退化階段,退化指標PV的概率分布也不相同。因此可用退化指標的概率分布來確定報警閾值。當正常狀態的性能退化指標達到一定長度時,計算其均值和標準差,得到一級警報線的上下閾值。如果退化指標在上下閾值內,則視為正常狀態;如果發現有多個退化指標在上下閾值之外,則觸發一級警報。同理可以獲得二級警報閾值。

2 設備退化狀態的GMDH預測模型

在設備退化狀態評估的基礎上進一步開展狀態預測,通過預知的設備退化狀態信息提前報警,提前發現事故苗頭,從而及時采取主動預測維修策略。本文中提出的基于自組織數據挖掘[12]思想的設備退化狀態預測方法能夠根據數據內在規律自適應地生成預測模型,并完成數據約簡、預處理和模型檢驗等過程,從而減少用戶在預測過程中的主觀干預,提高預測精度和客觀性。

利用自組織數據挖掘思想中的數據分組處理方法(GMDH),以多層神經網絡的自組織思路構造預測模型,通過多層神經元的取舍和權值調整擬合數據趨勢變化中復雜的非線性規律,預測設備的未來退化狀態進行安全預警。

2.1 建模過程

GMDH預測模型建立過程中不需要提前對待預測的設備狀態時間序列的特征進行主觀分析,而是一種啟發式自組織建模,具有自選擇回歸模式冪次特點。

建模過程分為幾個步驟:

(1)數據集的劃分。設系統的輸入為x,輸出為y,數據點數為n,變量數為m,把數據分為訓練樣本和檢驗樣本,設訓練樣本數目為nt,系統輸入輸出變量構成矩陣W,即

(2)回歸計算。對輸入變量進行兩兩組合,建立多項式網絡

式中系數由矩陣W中的訓練矩陣根據最小二乘法估計得到。

(3)優化選擇。利用檢驗矩陣數據,采用均方根判據法對式(7)得到的所有擬合方程(多項式網絡)進行評估,計算公式為

其中,yij為輸出yi的估計值。設定閾值rg,若擬合方程的評估值rj＞rg,則舍去。保留下來的擬合方程為當前輪次的優勝模型,其再作為下一輪篩選的備選輸入,同時記錄該輪評估的最小方均根Rmin。

(4)優化檢驗計算。如果該輪評估產生的Rmin比上一輪次的小,則以該層所得模型的輸出作為下一層篩選的輸入,然后繼續重復第(2)至第(3)步的計算過程進行模型的優選與檢驗,直至產生的Rmin比上一輪次輸出的數值大,則停止計算,此時得到最優的設備狀態預測模型。

2.2 設備退化狀態趨勢預測

設備退化狀態趨勢預測及告警實施步驟見圖2。

圖2 設備退化狀態預測預警實施流程Fig.2 Predicting procedure based on GMDH model

(1)建立原始數據集。對設備進行狀態監測所得的數據(振動、壓力、流量等)作為一個時間序列,由n時刻的前k個值來預測xn,即尋找對應最優函數關系xn=f(xn-1,xn-2,…xn-k),對應的矩陣為W,其中k為預測階數。

(2)將試驗或現場狀態監測數據分為訓練集和檢驗集,式(9)中取訓練集數據點個數為m,檢驗集數據點個數為n-k-m。其中,m=3/4(n-k);n-k-m =1/4(n-k)。

(3)根據式(7)建立預測模型的參考函數。將參考函數中每個加法單元中的非系數部分看成一個新的自變量(局部函數),并將其作為第一輪次的輸入。分別在訓練集和集合W上通過最小二乘法對這些局部函數的系數進行擬合,得到中間模型。

(4)根據式(8)進行模型優選。通過獲得的最優模型對未來的設備退化狀態進行預測,得到最終的設備退化狀態預警結果,從而可制定相應的預知維修策略或應急預案。

3 案例分析

對油氣生產設備中的關鍵易損部件開展室內試驗研究。以油氣輸送旋轉機械中的軸承為例進行狀態退化預警分析。采用ABLT-1A型壽命強化試驗機(圖3、4),對軸承進行全壽命加速失效試驗,獲得其全壽命振動監測數據,部件失效如圖5所示。加速失效試驗全過程共489 min,即其加速失效壽命為8.15 h,共取得489組數據,每組數據的長度為2048個點。

圖3 ABLT-1A加速疲勞壽命試驗臺Fig.3 Accelerated bearing life test rig ABLT-1A

圖4 傳感器安裝位置Fig.4 Installation position of sensors

圖5 軸承內圈點蝕照片Fig.5 Inner failure of bearing

3.1 試驗條件

采用的軸承型號為6208,軸承節徑為60 mm,滾動體直徑為12 mm,滾子9個,接觸角0 rad。轉軸轉頻為50 Hz,試驗加載質量為14.7 kg,轉速為3000 r/ min,潤滑和冷卻方式采用脂潤滑,采樣頻率為20 kHz,數據長度為2048。6208軸承額定載荷18 kN,根據加速失效試驗要求,試驗載荷范圍應設為額定載荷的0.25～0.30倍。為了進一步縮短加速失效試驗時間,本例中選取額定載荷的0.4倍,并選用質量一般的普通軸承。因此每個軸承需要添加的徑向載荷為P=7.2 kN。ABLT-1A型軸承壽命試驗機加載計算公式為:m=F/98(kg),其中,F=2P,m為加載砝碼質量。由此得出,試驗機加載砝碼質量為14.7 kg。

工程上常采用有效值或峰峰值作為設備退化的衰退指標,見圖6。由圖6可見,有效值在470 min左右迅速上升,這時軸承的退化程度已經相當嚴重,其剩余壽命也較短,已喪失了充分的時間規劃維修工作,將不可避免地出現非計劃停機事故。在軸承出現退化的早期,無法從有效值或峰峰值的變化程度判斷退化的發生,用該特征值作為設備退化評估指標時其敏感性差,較難辨識設備的早期退化狀態。

圖6 軸承壽命過程時域特征值變化Fig.6 Change of time domain features in bearing?s life process

3.2 軸承性能退化評估分析

將軸承失效的全壽命周期數據分為兩個數據集,分別作為訓練集和測試集。對滾動軸承進行狀態退化辨識與評估。其步驟如下:

(1)從訓練集中取前50組數據作為正常數據組成觀測序列。

(2)在滿足基本的約束條件情況下,隨機地選取初始狀態概率矢量H,各狀態轉移概率矩陣以及觀測值概率矩陣。在訓練過程中,取訓練的迭代步數不超過100,算法的收斂誤差為0.0001。

(3)訓練設備退化狀態辨識模型,得到正常狀態模型λnormal。

(4)將測試數據經預處理后輸入λnormal,得到對數似然概率值。對該值經式(5)處理后得到設備狀態退化指標PV,如圖7所示。

由圖7可以看出,軸承狀態退化指標PV值在全壽命加速失效過程中有兩次明顯的下降,第一次在200 min左右,說明該階段軸承進入退化的初始階段;第二次在470 min附近,退化指標在該階段迅速下降,表明設備已經處于嚴重的退化狀態,其性能也急劇惡化。

相比圖6中的指標變化趨勢,退化指標PV能顯著識別設備的早期退化階段,而且在整個過程中PV值比較平穩,沒有出現圖6中在同一退化階段某些參數出現的躍變現象。

3.3 軸承狀態退化趨勢預測及預警分析

為了監測軸承的退化趨勢并進行預警分析,進一步對退化指標PV值進行預測,根據模型的建模步驟最后一次迭代完成時得到多項式中最優的預測模型為

圖7 軸承全壽命加速失效退化過程PV指標曲線Fig.7 PV index curve of bearing life accelerated failure degradation process

圖8 基于GMDH方法滾動軸承退化趨勢預測結果Fig.8 Degradation trend prediction results based on GMDH

設備退化狀態預測結果如圖8所示。由圖8可見,其性能退化指標PV將軸承的全壽命加速失效周期劃分為3段:第一段1～180 min左右為正常狀態;第二段181～460 min左右為早期退化階段,啟動一級警報,需要制定維修計劃;第三段從461 min直至點蝕失效,這時軸承已經發生嚴重退化,處于臨近報廢階段。從461 min開始啟動二級警報,需要及時采取計劃停機或啟動應急預案。

從圖8中還可以看出,基于自組織數據挖掘的設備狀態退化趨勢預測方法預測效果準確、客觀性強,預測值與實際值的擬合程度高,相對誤差僅為3.1%。

4 結 論

(1)提出的基于數據自組織挖掘的設備狀態退化預警方法能夠減少在數據挖掘過程中的主觀干預,提高預測準確性。該方法能夠對設備的早期微弱退化狀態進行準確辨識和評估。

(2)新方法提前給出退化預警信息,防止因設備失效引起非計劃停機帶來的生產和經濟損失,有利于提高油氣生產過程的本質安全水平。

(3)新方法可進一步推廣應用于油氣生產機械設備的其他關鍵部件(如旋轉設備的齒輪箱、葉輪,往復設備的氣閥、十字頭等)的狀態退化預警分析中。

[1] 曾慶虎,邱靜,劉冠軍.小波相關特征尺度熵和隱半馬爾可夫模型在設備退化狀態識別中的應用[J].機械工程學報,2008,44(11):236-241. ZENG Qing-hu,QIU Jing,LIU Guan-jun.Application of wavelet correlation feature scale entropy and hidden semi-Markov models to equipment degradation state recognition [J].Chinese Journal of Mechanical Engineering,2008, 44(11):236-241.

[2] 曾慶虎,邱靜,劉冠軍,等.基于KPCA-HSMM設備退化狀態識別方法的研究[J].兵工學報,2009,30(6): 740-745. ZENG Qing-hu,QIU Jing,LIU Guan-jun,et al.The study of equipment degradation state recognition method based on KPCA-HSMM[J].Acta Armamentarii,2009, 30(6):740-745.

[3] 袁湘輝,吳文全,盧建斌,等.基于MHMM-SVM混合模型的雷達發射機性能退化狀態監測[J].海軍工程大學學報,2012,24(3):89-93. YUAN Xiang-hui,WU Wen-quan,LU Jian-bin,et al. Fault monitoring based on MHMM-SVM for radar transmitter[J].Journal of Naval University of Engineering, 2012,24(3):89-93.

[4] 雷金波.基于邏輯回歸和支持向量機的設備狀態退化評估與趨勢預測研究[D].上海:上海交通大學機械設計與理論,2008. LEI Jin-bo.Research on deneration assessment and trend prediction about machine based on logistic regression and SVM[D].Shanghai:Mechanical Design&Theory, Shanghai Jiaotong University,2008.

[5] 呂克洪.基于時間應力分析的BIT降虛警與故障預測技術研究[D].長沙:國防科學技術大學機械電子工程,2008. Lü Ke-hong.Research on BIT false alarm reducing and fault prediction technologies based on time stress analysis [D].Changsha:Mechanical Engineering,National University of Defense Technology,2008.

[6] 高甜容,于東,岳東峰,等.基于故障先兆判定模型和動態置信度匹配的主軸潤滑故障預測方法[J].機械工程學報,2012,48(17):75-82. GAO Tian-rong,YU Dong,YUE Dong-feng,et al.Spindle lubrication fault prediction based on fault symptom decision model and dynamic confidence matching[J].Chinese Journal of Mechanical Engineering,2012,48(17): 75-82.

[7] VENKATASUBRAMANIAN V.Prognostic and diagnostic monitoring of complex systems for product lifecycle management:challenges and opportunities[J].Computers& Chemical Engineering,2005,29(6):1253-1263.

[8] VENKATASUBRAMANIAN V.Systemic failures:challenges and opportunities in risk management in complex systems[J].AIChE Journal,2011,57(1):2-9.

[9] LEE J,NI J,DJURDJANOVIC D,et al.Intelligent prognostics tools and e-maintenance[J].Computers in Industry,2006,57(6):476-489.

[10] DJURDJANOVIC D,LEE J,NI J.Watchdog agent—an infotronics based prognostics approach for product performance degradation assessment and prediction[J]. Advanced Engineering Informatics,2003,17(3):109-125.

[11] KAZUHIKO S,YOSHIOMI M.How to prevent accidents in process industries?recent accidents and safety activities in Japan:the 4th World Conference of Safety of Oil and Gas Industry,June 27-30,2012[C].Seoul:Korea, c2012.

[12] MULLER J,LEMKE F.Self-organizing data mining [M].Berlin,Hamburg:Libri Books,2000.

(編輯 沈玉英)

An early warning method of degradation for mechanical facilities based on data self-organization mining technology

HU Jin-qiu,ZHANG Lai-bin,HU Chun-yan,LI Wen-qiang
(Faculty of Mechanical and Oil-Gas-Storage and Transportation Engineering in China University of Petroleum,Beijing 102249,China)

Data self-organization mining technology was introduced during facility condition monitoring process,and an early warning method of degradation for facilities was developed.Hidden Markov model(HMM)was used to identify and assess the early degradation state of the facility,and the predictive model was further developed to predict the future degradation trend.In the case study,the proposed method was applied to bearings in the rotating machinery.The results show that the effectiveness,objectivity and accuracy of this method are validated by the test results.The predictive states are consistent with the actual situation,and the relative error is only 3.1%.In this way,the early warning of the degradation states can be given to make engineer carry out appropriate maintenance strategies effectively and timely,which can avoid production and economic losses due to unplanned shutdown of machine.

data self-organization mining;hidden Markov model(HMM);group method of data handling(GMDH);early warning of degradation

TH 17

:A

1673-5005(2014)03-0142-06

10.3969/j.issn.1673-5005.2014.03.023

2013-12-01

國家自然科學基金項目(51104168);教育部新世紀優秀人才支持計劃項目(NCET-12-0972);北京市自然科學基金項目(3132027);中國石油大學(北京)科研基金項目(YJRC-2013-35);北京市優秀博士學位論文指導教師科技項目(YB20111141401);中國石油天然氣集團公司科學研究與技術開發項目(2012B-3407)

胡瑾秋(1983-),女,副教授,博士,碩士生導師,主要研究方向為油氣生產系統故障診斷、安全評價及預警。E-mail:hujinqiu@ gmail.com。