基于云平臺的工業過程故障檢測系統

洪愛軍

[摘 ? ?要 ]在傳統的工業過程中，針對現場工作站的存儲及計算能力有限，導致系統的過程監測數據利用不充分，難以實現實時故障診斷的等問題，提出了基于工業物聯網的工業過程故障診斷系統。該系統結合了物聯網、云計算和基于數據的故障診斷技術，實現了對工業現場的實時監控和在線診斷，并將該系統部署在云平臺上，可以為不同的工廠實現定制化的狀態監控服務。最后將該系統應用在工業過程智能控制實驗室（I2PIC）的非線性水箱系統中，驗證了該系統的有效性。

[關鍵詞]物聯網;云平臺;狀態監控;故障診斷;大數據;非線性水箱

[中圖分類號]TP277 [文獻標志碼]A [文章編號]2095–6487（2020）07–00–04

[Abstract]In the traditional industrial process， due to the limited storage and computing capacity of the on-site workstations， the system's process monitoring data is not fully utilized and it is difficult to realize real-time fault diagnosis. An industrial process fault diagnosis system based on the Industrial Internet of Things is proposed. The system combines the Internet of Things， cloud computing and data-based fault diagnosis technology to achieve real-time monitoring and online diagnosis of industrial sites， and deploy the system on a cloud platform to achieve customized status for different factories Monitoring service. Finally， the system was applied to the nonlinear water tank system of the Industrial Process Intelligent Control Laboratory （I2PIC）， and the effectiveness of the system was verified.

[Keywords]Internet of things; Cloud platform; Condition monitoring; Fault diagnosis; Big data; Non-linear water tank

現代工業生產過程中，系統安全穩定運行的重要性愈發凸顯。及時捕捉系統異常信息，實時監測系統的運行情況是工廠智能化的重要一環。系統安全與企業效益以及人民的財產生命安全直接掛鉤。如果未能對系統的運行進行及時有效的監測，則很難發現系統前期存在的安全隱患，當故障發生時不能及時作出準確的判斷，可能會因此引起工廠被迫停機檢修，不僅影響了正常生產，還對工廠的效益產生了不小的損失。所以，加強對系統的實時監控，及時檢測系統故障，提高系統可靠性顯得愈發重要。

當今時代，現代工業與信息技術高度融合。物聯網、大數據等信息技術已經逐漸滲透在工業生產的產業鏈中。工業物聯網是將具有各種智能傳感器，如采集器，智能控制器等和現代通信技術、人工智能技術滲透應用到工業生產的各個層面中，旨在提高工廠的生產效率和資源利用率，降低生產成本，最終實現傳統工廠智能化的改造。中國制造2025、德國工業4.0和美國先進制造伙伴計劃一系列舉措都說明了傳統工業將向智能化工廠轉型的必然趨勢。利用先進的大數據，物聯網等技術，對工業現場進行監控和實時的故障診斷，已經成為現代工廠降低生產成本，提高生產效率和企業競爭力的重要手段。

目前，對于物聯網與大數據技術應用在工業生產過程的研究仍然處于起步階段。近些年也有一些該方面的研究。仝營等基于工業鍋爐背景下，提出了鍋爐的物聯網和云計算模型，實現了設備關鍵參數的監測[1]。邵星等提出基于物聯網和云計算的工業廢氣智能監控系統，將云計算和云存儲技術用來分析廢氣數據[2]。高帆等提出了基于物聯網和運行大數據的設備監測系統，集成了設備健康的在線監控、遠程監控、遠程診斷、故障識別等功能，對設備的運行維護具有指導意義[3]。

孫小江等基于物聯網技術提出了小型水電站的在線監測及故障診斷系統，促進了小水電站向無人值班或無人值守的方向發展[4]。侯一鳴基于物聯網和工業云提出了選礦設備的智能監測系統，利用故障診斷、移動互聯等技術實現了對選礦設備的智能監控[5]。

本文針對傳統工業過程中對過程數據利用不充分，缺乏對整個系統的實時故障檢測等問題，利用物聯網和云存儲技術，將現場傳感器采集的數據實時采集并存儲在本地和云端，監測并可視化系統運行參數;利用故障診斷技術構建了一套故障診斷算法，依托于云平臺和云計算技術對系統進行實時的故障檢測。為傳統工廠實現智能化、信息化提供建設性的意見。

1 物聯網和故障檢測

1.1 物聯網關鍵概念

物聯網的概念很廣泛，簡單的來說就是物與物之間相互連接的互聯網。本文所研究是物聯網在工業領域的應用，即工業物聯網。工業物聯網的概念與物聯網中的Cyber Physical Syste（CPS）高度契合，即融合傳感器、嵌入式、等各種現代通信技術，使得物理系統具備各種信息化能力，并且設備與設備間高度協同且自治。工業物聯網的主要目的就是為了打造智能工廠。采集生產過程中、管理經營過程中產生的數據集，實現機器與人，機器與機器之間的信息交互。要完成智能工廠的完整性，需要設計完備的四層架構：感知層、網絡層、平臺層和應用層。感知層主要是由各種傳感器組成的感知單元，用來采集數據。為了適應智能工廠的需求，傳統的硬件設備、控制技術、傳輸協議會逐漸被取代。網絡層也叫傳輸層，它主要負責傳遞從感知層獲得的數據，主要分為有線網絡和無線網絡，其中無線網絡傳輸的應用范圍更廣。平臺層在整個物聯網四層架構中起著承上啟下的作用，將底層智能設備一體化管理，同時為應用層提供統一的開發接口，實現了設備端到業務端的直接連接。應用層是根據不同的業務需求，在平臺層設計相對應的物聯網應用。應用層將底層數據進行分析挖掘，從而實現對整個工廠生產的狀態監控，為工廠的生產提供更科學準確的決策。目前，隨著大數據時代的來臨，擁有數據意味著擁有戰略上的優勢[6]。如何挖掘數據內部的信息是掌握未來數據時代的關鍵，因此，機器學習算法作為挖掘數據的核心技術，被越來越多的人關注。

1.2 故障檢測方法概述

故障檢測方法如圖1所示，根據故障檢測原理的不同可以將故障檢測技術大體分為三種類型：基于解析模型的方法、基于知識的方法和基于數據驅動的方法[7]。

基于解析模型的方法是通過公式描述成分之間或變量之間的數學關系，并最終構建出一個準確的數學模型。通過比較構建的模型與實際模型之間的殘差信息來完成系統的故障檢測。該方法需要對系統的運行機理有充分的了解。正常情況下殘差應該在零附近波動。如果殘差突然變大，則系統很有可能發生了故障。不同形式的殘差又可以將其細分為：等價空間法、狀態估計法、參數估計法等。由于基于模型的方法能準確反映系統整個過程的狀態，所以這種方法適用于相對簡單的工業過程。然而在實際工業過程中，需要檢測的變量個數較多，各變量之間具有很強的非線性關系。基于模型的方法同時還需要很多專業知識，因此很難建立一個準確的機理模型，這也大大限制了該方法在故障檢測中的應用。

基于知識的方法是通過計算機來模擬專家的思維方式對系統的運行狀態進行推演運算[8]。根據不同的推理方式，該方法又可以分為：故障樹、模糊推理、專家系統等。該方法的好處是不需要系統精確的數學模型，但也存在一些缺點。基于知識的方法需要建立完備的知識庫，即使是經驗豐富的工程師，也不可能對該工業過程的所有方面都有透徹的了解。因此知識庫往往不是很完備，最終，這會直接影響故障檢測的可靠性和準確性。對于特定的場景需要特定的知識庫，通用性比較差。這些缺點制約了該方法的發展。

目前，基于數據驅動的故障診斷方法是最流行的，該方法不需要建立準確的數學模型，也不依賴于定性的知識。它需要系統工業過程的運行數據，系統的故障信息都隱含在這些數據中，如何挖掘數據中的隱含信息成為了現在研究的熱門。正常運行的數據和故障發生后的運行數據之間的差異體現在特征變量發生了改變，數據的統計量往往會發生變化，觀測統計量的變化，從而實現系統的故障檢測[9]。該方法不需要先驗知識的約束，具有普適性，尤其適用于難以建立數學模型的復雜工業系統。所以本文選擇基于數據驅動的方法來做故障檢測。根據特征信息提取的方式，基于數據驅動的方法可以分為：機器學習法、信號處理法和多變量統計分析法等[10]。

2 基于物聯網的故障檢測系統架構分析

2.1 基于物聯網的故障檢測系統架構

基于物聯網的工業過程故障檢測系統架構圖如圖2所示，該架構以物聯網的四層架構來構建。在感知層，是由各種傳感器元件組成的感知單元，為了適應智能工廠的需求，傳統的硬件設備、控制技術、傳輸協議都會逐漸被取代。智能傳感器將現場設備的數據都實時采集過來，并通過各種通訊協議發送到現場的工程師站中。在網絡層，通過無線網絡的方式將工程師站的數據傳輸到云平臺中。在平臺層，構建物聯網關與實際的工廠設備一一對應，通過云計算平臺對信息進行分析處理。工程師站的數據通過網絡將數據實時傳輸到云平臺中，最終存儲在云數據庫中，方便后續的數據計算和分析。另一方面將數據存儲在現場的工程師站的數據庫中，防止因為網絡中斷引起的數據缺失，當網絡恢復后再將緩存的歷史數據發送到云平臺中。在應用層，旨在為不同的工廠實現特定的需求，也是物聯網的核心所在。將現場采集到的數據通過數據挖掘技術進行分析處理，結合故障檢測算法對系統進行故障診斷分析。從而對整個工廠的生產運作提供更準確科學的決策。通過工業云將故障檢測系統部署在現有的系統中，為不同的工廠實現定制化的故障檢測服務。根據不同工廠的需求，有實時的狀態監控服務、現場運行數據分析服務、實時故障檢測服務、異常工況報警服務、故障檢測小程序服務。通過這四層架構來構建基于物聯網的工業過程故障檢測系統，大大提高了故障檢測的實時性、狀態監控的可靠性、異常報警的及時性。

2.2 狀態監測系統模塊分析

（1）系統運行狀態監測模塊。

傳感器采集現場的數據，通過傳輸協議傳送到現場的工程師站后，最終通過網絡傳輸到云平臺中，數據中包含著系統運行狀態的數據，通過數據挖掘可以了解現場的系統運行狀態，系統關鍵參數的可視化，數據運行的曲線圖、柱狀圖。圖表也更能直觀的表示現場的運行情況。

（2）故障檢測與報警模塊。

這一模塊負責對現場的所有數據進行挖掘，故障信息隱含在數據中，通過合適的故障檢測算法能檢測出系統是否發生故障。目前，集成到云平臺的故障檢測算法有主成分分析（PCA）、獨立成分分析（ICA）、支持向量數據描述（SVDD）等算法。傳統的故障檢測一般是離線檢測，缺乏實時性。而基于物聯網的故障檢測則可以做到在線檢測。通過采集一段時間的現場數據，構建實時的故障診斷模型，對系統進行在線診斷。而當系統發生故障時，通過報警模塊可以迅速的通知相關人員進行檢測維修，避免產生更大的經濟損失。基于物聯網的工業過程故障檢測流程圖如圖3所示。

3 案例分析

基于上述分析，本文將其最終應用在I 2PIC（工業過程智能控制實驗室）的一個非線性水箱系統中。其DCS系統結構圖和組態視圖如圖4所示。

本次實驗的現場設備層采用的儀表以及型號可參見表1。

非線性水箱系統的云端界面和實時數據如圖5所示，閥門的開度、液位高度等有效數據都實時顯示在界面中，可以直觀的監測整個系統的運行情況。為驗證系統故障檢測的有效性，本次實驗共采取了兩組數據，分別為穩態過程的漏水故障和放水過程的漏水故障，具體的故障類型以及故障表述如表2所示：

故障診斷的app如圖6所示，將運行數據導入進去后，選擇故障診斷算法，可以檢測出系統是否有故障、在何時發生了故障。兩種故障的診斷結果在圖6中顯示，從圖中可以看出，該app可以準確及時的檢測出故障的發生，具有良好的檢測效果。

4 結束語

本文針對傳統工業過程中監控數據利用不充分、故障診斷實時性不強、現場工程師站數據處理能力差的問題，利用物聯網、云平臺等技術搭建了一個工業過程故障檢測系統。最后將該系統應用在I 2PIC（工業過程智能控制實驗室）的一個非線性水箱系統中。基于物聯網的四層架構，設計實現了非線性水箱系統的智能在線故障診斷、設備關鍵信息的可視化、遠程監控管理功能。

隨著物聯網和云平臺等技術的發展，傳統工廠信息化程度不高的弊端將逐漸凸顯，物聯網等技術將為傳統工廠信息化、智能化提供強大的助力。本文將故障診斷技術與物聯網技術結合起來，有效的對工業現場進行實時監控，能夠及時檢測系統故障，實時監測關鍵設備的運行狀態，縮短設備檢修時間，減少工廠損失，提高了工廠的競爭力。

參考文獻

[1] 仝營，顧新建，紀楊建，等.基于物聯網和云計算的工業鍋爐在線監測[J].計算機集成制造系統，2016，22（1）：213-219.

[2] 邵星，王翠香，陳偉，等.基于物聯網和云計算的工業廢氣監控系統研究[J].軟件，2015（9）：45-47.

[3] 高帆，王玉軍，楊露霞，等.基于物聯網和運行大數據的設備狀態監測診斷[J].自動化儀表，2018，39（6）：5-8.

[4] 孫小江，李鍵，朱勇，等.物聯網技術在小水電站在線監測及故障診斷的應用[J].電工技術，2017（10）：61-62，88.

[5] 侯一鳴，徐泉，李亞杰，等.基于物聯網和工業云的選礦設備狀態監控系統[J].計算機集成制造系統，2017，23（9）：1972-1982.

[6] 孔憲光，鐘福磊，馬洪波，等.工業大數據環境下的混合故障診斷模型研究[C].2015年全國機械行業可靠性技術學術交流會暨第五屆可靠性工程分會第二次全體委員大會論文集，2015.

[7] Frank P M. Analytical and Qualitative Model-based Fault Diagnosis-A Survey and Some New Results[J].European Journal of Control，1996，2（1）：6-28.

[8] 程宇，王武，崔福軍，等.基于模型的故障診斷方法研究綜述[C].中國控制會議，2008.

[9] Ge Z， Song Z， Gao F. Review of Recent Research on Data-Based Process Monitoring[J].Industrial & Engineering Chemistry Research， 2013， 52（10）：3543-3562.

[10] Antonini M， Barlaud M， Mathieu P， et al. Image coding using wavelet transform.[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society， 1992，1（2）：205-20.