基于大數據的化工機械設備故障診斷方法研究

郭 智

（撫順礦務局職工工學院 遼寧 撫順 113008）

1 引言

現代化生產中，化工機械設備結構、功能越來越復雜，若生產設備出現故障，會影響工廠的流水線作業，經濟損傷嚴重，因此，研究化工機械設備故障診斷方法，提高工廠中化工機械設備的生產效率，同時令產品質量能夠滿足標準要求，具有重要意義。停機負責生產的機械設備，采集設備提供的一切有用信息，分析不同時期的故障診斷特點，掌握機械設備的健康狀況和特征信息，預報其運行狀態，但該方法未考慮機械設備運行狀態，設備故障診斷準確率較低[1]。結合隸屬度函數和故障集合理論，深入分析故障征兆和故障原因之間的關系，利用模糊關系矩陣，建立故障征兆和故障原因的關聯模型，建立機械設備故障的知識庫，通過集合理論對設備故障進行診斷，但該方法模糊關系難以確定，設備故障診斷準確率同樣較低[2]。針對這一問題，結合以上理論以及大數據技術，本文研究化工機械設備的故障診斷方法。

2 基于大數據的化工機械設備故障診斷方法設計

2.1 基于大數據樣本學習設備故障特征

基于大數據技術，采集海量機械設備故障樣本，學習設備故障特征。利用自動編碼器，在無監督的情境模式下，對設備故障的信息數據進行深度學習，利用集合層和網絡層，共同組成關于大數據維度的解碼網絡，令集合層和網絡層的編碼節點數量，能夠保持相同，進而確保輸出目標和輸入數據相同[3]。投入足夠的故障樣本，給定一組化工機械設備的大數據樣本集，通過大數據維度的解碼網絡，將機械設備樣本集的高維大數據編碼至網絡層，把高維大數據轉換至低維空間，再通過解碼網絡重構集合層的信息數據，使其能夠表示樣本集的數據特征，再把網絡層的信息數據，作為大數據的特征向量[4]。編碼網絡的表示公式為：

其中，X為編碼網絡計算后，隱含層輸出的向量集合，即機械設備樣本大數據的特征向量，d為集合層和網絡層的適應函數，U為集合層和網絡層之間的權重系數，R為機械設備的大數據樣本集，a為大數據的偏置向量[5]。通過公式（1），把高緯度的樣本大數據，轉換為低維度數據。自動編碼器對偏置向量和網絡權值進行調整，采用均方差衡量誤差，作為深度學習模型訓練的代價函數，最小化解碼網絡重構過程中，輸出向量和輸入向量的誤差，令隱含層編碼的特征向量，能夠最大程度保留大數據樣本集的輸入信息。獲取機械設備大數據樣本集的特征信息，在無監督訓練的模式下，令學習模型學習大數據蘊含的特征信息，使模型針對不同的化工機械設備故障，可以提取相適應的特征參數。至此完成基于大數據樣本的設備故障特征學習。

2.2 描述化工機械設備故障特征基元

描述機械設備提取的故障特征基元，包括關系元、事元、物元。分析關系元、事元、物元的基本概念，描述故障特征基元，包括基元可拓性和基元可拓變換規律，其描述數據為機械設備故障的靜態知識，根據可拓學理論進行故障特征建模，從定性和定量相結合的角度出發，為設備故障提供可描述通道。利用一維物元體現設備故障，令物元包含大量數據信息，利用物元，形式化描述故障特征的信息數據，構建物元的有序三元組，包括化工機械設備、故障特征、故障特征量值，構建故障特征對應量值的陣列。利用事元，形式化描述不同故障特征之間的相互作用，選取故障動作、動作特征、動作特征量值，作為事元存在序列的3個元組，由于一個故障行為含有多個特征，由此構成動作量值的表達方程[6]。利用關系元，描述設備故障診斷信息中存在的關聯約束關系，利用故障關系、關系特征、故障特征量值，構成關系元的有序三元組，由于一個故障關系含有多個特征，由此構成特征關系的量值陣列[7]。靜態知識描述完畢后，采用動態物元，描述故障特征的量值，隨時間變化而產生的變化量，表達公式為：

其中，t為故障特征的變參量，b為特征類別，I(t)為關于變參量t的量值，v(t)為變參量隨時間變化而產生的變化量。將關系元、事元、物元、動態物元，作為設備故障診斷的基本邏輯，建立形式化的知識表示方式。至此完成化工機械設備故障特征基元的描述。

2.3 識別化工機械設備故障診斷模式

將化工機械設備故障特征基元，輸入神經網絡，識別故障診斷模式。構建具有3層感知器的神經網絡，利用神經網絡的非線性映射能力，逼近時間序列中基元的隱含關系，采用廣義粗糙集理論，對網絡結構進行約簡處理，將線性傳遞函數、Sigmoid函數、線性函數，分別作用于第1層、第2層、第3層的神經元，令第1層神經元對應化工機械設備的各個故障征兆，第3層神經元對應機械設備的故障原因和診斷模式。把大數據樣本集的故障特征基元，即關系元、事元、物元、動態物元，作為輸入向量，將動量法和非線性學習算法相結合，迭代訓練感知器輸入的信息數據，最小化3個感知器的訓練誤差，消除網絡目標輸出和實際輸出之間的差別，在此基礎上確定網絡參數，根據輸出結果，確定故障原因和診斷模式。至此完成化工機械設備故障診斷模式的識別，實現基于大數據的化工機械設備故障診斷方法設計。

3 實驗論證分析

將此次設計方法，與兩組常規化工機械設備故障診斷方法，進行對比實驗，比較3組方法的故障診斷準確率。

3.1 實驗準備

通過人工制造劃痕的方式，模擬10種軸承健康狀態，通過電火花機，加工內圈、滾珠和軸承外圈3個位置，獲取具有故障類型的軸承數據集，每個故障軸承有且僅有一種故障。軸承試驗臺采用16通道的加速度傳感器，數據集的設備故障有9種，具體見表1。

表1 數據集軸承故障狀態

在軸承正常工況的樣本中，選取3 780組原始樣本集，得到訓練樣本集，在所有健康狀態的樣本中，取1 000組測試樣本集，3組方法每次選取100個樣本，進行迭代訓練，提取軸承故障特征，診斷劃痕故障。

3.2 實驗結果

改變兩組診斷方法的迭代次數，軸承滾動體的故障診斷準確率對比結果見表2。

表2 滾動體故障診斷結果 單位：%

由上表可知，設計方法故障診斷平均準確率為97.46%，常規方法1和常規方法2的平均準確率，分別為94.79%和96.20%，相比兩組常規方法，設計方法故障診斷準確率分別降低了2.67%和1.26%。軸承內圈的故障診斷準確率對比結果見表3。

表3 內圈故障診斷結果 單位：%

由上表可知，設計方法故障診斷平均準確率為96.71%，常規方法1和常規方法2的平均準確率，分別為94.57%和95.39%，相比兩組常規方法，設計方法故障診斷準確率分別降低了2.14%和1.32%。軸承外圈的故障診斷準確率對比結果見表4。

表4 外圈故障診斷結果 單位：%

由上表可知，設計方法故障診斷平均準確率為96.81%，常規方法1和常規方法2的平均準確率，分別為94.47%和95.30%，相比兩組常規方法，設計方法故障診斷準確率分別降低了2.34%和1.51%。綜上所述，此次設計方法診斷軸承劃痕故障時，充分提高了故障診斷準確率。

4 結語

此次研究充分發揮了大數據的技術優勢，有效提高了化工機械設備故障診斷準確率。但此次設計方法仍存在一定不足，在今后的研究中，會使用復合元描述設備故障狀態信息，包括關系元、事元、物元，令數據信息充分體現設備特征，提高診斷方法的全面性。