基于健康狀態預測的家具制造設備維修方法

何 川，陳 勇

（1.浙江經濟職業技術學院，浙江杭州 310018；2.浙江圣奧家具制造有限公司，浙江杭州 310012）

0 引言

改革開放40多年來，我國家具制造業已經由原來的手工制作轉變為機械化、自動化生產。生產效率提升的同時，隨之而來的設備故障也給生產企業帶來了不少問題和困擾。據資料統計，在現代制造企業中故障維修和停機損失費用已占其生產成本的30%～40%[1]。大多數中小家具制造企業在設備管理方面也比較粗放，特別是設備維修這方面，存在著維修人員響應慢，隨機突發事件頻發造成故障停機時間居高不下，設備保養不善導致產品質量不穩定甚至造成返工成本等問題。因此如何以較少的投入來提升設備維修水平是板式家具制造企業等中小制造企業面臨的一項重要挑戰。

1 設備維修方法

大部分工業設備的維護維修方法可以分為三類：修復性維修、預防性維修和預測性維修。

1.1 修復性維修

修復性維修屬于事后維修，是基于事件驅動的維修，即在故障識別后，使設備恢復到能執行規定功能狀態所實施的維修。此類維修一旦發生，就會發生故障停機而造成損失。突發故障停機時間以操作人員的叫修開始，以維修人員維修完成結束。因此此類維修的故障停機時間實際上分為維修響應時間和維修時間兩部分：維修響應時間是從操作人員叫修開始到維修人員到現場維修結束，維修時間則是維修人員到現場維修開始到設備維修完成結束；維修響應時間取決于叫修流程是否復雜、維修人員的到達是否拖延以及考核管理制度，維修時間取決于設備故障的類型、維修履歷的積累以及維修人員的技能水平。

文獻[2]已經利用信息化技術在這方面做了應用嘗試，取得了良好的效果，比較適合大多數的中小制造企業。一方面將原本報修檢修的紙質流程全面升級在手機APP上完成，減少設備報修檢修的審批時間，同時通過考核維修人員維修響應時間，減少維修人員的到達時間。自該系統2017年5月上線以來，統計兩年的數據顯示，維修響應時間均較好地控制在較低水平；另一方面，通過積累報修履歷數據庫，實現設備故障維修的標準化，讓優秀的維修經驗得以復制，提升維修效率，減少維修時間。

1.2 預防性維修

預防性維修屬于事先維護，是基于時間驅動的維修，即在設備發生故障前，根據“預防為主,防患于未然”的原則，進行有計劃的預防性維修。如計劃性的日常檢查、定期檢查和維護保養工作等。文獻[2]中也設計了預防性檢修計劃模塊，對設備維護保養進行排單。預防維修的宗旨是以“防”為主，為了防止設備事故的發生，維修人員可能會多檢修、多更換，以此來確保設備狀態的穩定運行，這些都是造成過維修的重要原因，而過維修造成了大量人力物力的浪費[3]。

1.3 預測性維修

預測性維修屬于事先維護，基于安裝在設備上的各種傳感器，實時監控設備狀態，并對監測數據進行數據處理和統計分析，在利用知識、經驗以及智能算法來進行設備或部件健康狀態的預報。維修人員根據設備的健康狀態以及生產計劃進行適時、適度、精準的維修，在提升維修效率的同時也能盡量利用部件的使用壽命。

預測性維修是近年來的研究熱點。文獻[4-6]利用振動、電流、溫度等信號，分別通過改善的主成分分析、神經網絡、支持向量機等方法對軸承進行健康預測研究。文獻[7-9]利用振動信號、電流信號和聲發射信號，通過支持向量機、神經網絡、時域頻率傅里葉分析等方法對車床刀具進行了故障診斷研究。文獻[10-12]等利用采集感應電機的電流，通過改進或者綜合運用神經網絡、支持向量機、深度學習等機器學習方法對電機進行故障診斷研究。這些研究成果表明，可以通過放置在合適位置的振動、電流、溫度等傳感器檢測數據，再利用相應的人工智能方法對這些數據進行智能分析，實現故障預測和故障分類。

1.4 板式家具制造企業預測性維修方法

當前大部分家具制造企業在設備故障處理上主要有兩類維修：一類維修是通過更換已損件，如更換已無法工作的軸承、砂帶、干燥燈、刀具、單向閥、橡膠皮等；另一類維修是無需更換配件的故障，如螺絲、齒輪外圈等機械松動，機械異響需添加潤滑油，膠缸長時間未清理導致涂膠溫度不夠、氣壓不足導致前截刀不工作，接線松動導致膠鍋不加熱等。這兩類設備維修主要以修復性維修和預防性維修為主，很少根據檢測數據來進行預測性維修。

隨著物聯網技術的不斷發展，以及傳感硬件設備成本的不斷下降，逐漸出現了簡單的預測性維修方法。這種方法主要是通過檢測易損件的相關參數來表征該易損件的健康狀態，以作為何時進行維修維護的參考，如實時檢測UV干燥燈的能量狀態，砂帶的磨砂時間、刀具的切割米數或斬斷次數等，再根據經驗設定相應的閾值，當易損件的狀態達到相應的閾值后就對其進行提前更換。這樣就可以在一定程度上減少易損件的突發故障導致停機和產品不良，同時也能盡量保證易損件的使用時間。

但是能夠進行狀態檢測的易損件種類和數量比較少，一方面是由于沒有合適的檢測方法對所有易損件進行檢測，另一方面，對機械設備上的所有易損部件進行檢測也會增加大量硬件成本的同時也增加了檢測系統的復雜性。因此，從技術和成本的角度進行綜合考慮，只能對一些重要、較高價值的易損件的狀態進行適度檢測，從而判斷何時進行維修。而木工機械其他故障的預測性維修方法，目前尚未有相關研究。為此，本文提出了一種基于設備健康狀態預測的板式家具制造設備預測維修方法。

2 基于設備健康狀態預測的板式家具制造設備維修方法

2.1 基本原理

基于設備健康狀態預測的板式家具制造設備維修方法主要由數據采集與預處理、離線數據訓練、故障預測模型、設備健康狀態評估和設備維修計劃構成（圖1）。

圖1 基于設備健康狀態預測的設備維修方法基本流程

數據采集與預處理主要是采集相應設備上的特定參數。這些特定參數主要為設備電流、功率、溫度等容易采集的參數，并進行相應的歸一化和模糊化處理。并將前期的部分參數進行離線數據訓練來獲得訓練參數。數據采集并預處理后的數據，再加上訓練參數一起輸入到故障預測模型中，獲得預測輸出。系統根據預測輸出評估當前設備的健康狀態等級。設備維修人員根據設備健康狀態等級以及生產計劃來進行適時的維修維護。

該方法的核心在于評估設備健康狀態等級，而評估設備健康狀態等級的核心在于建立故障預測模型。當前已經有很多故障預測模型的建模方法，如神經網絡、支持向量機等。相對神經網絡以及傳統的支持向量機，最小二乘支持向量機（Least Squares Support Vector Machine，LS-SVM）具有更快的收斂速度和更優的預測性能[13]，而且支持向量機在解決非線性、小樣本、多維數問題時表現出了很多優良的特性[14]。因此本文將利用最小二乘支持向量機來建立故障預測模型。

2.2 研究對象

根據設備叫修信息化系統的維修數據顯示，直線封邊機的維修次數比其他設備多，因此本文將以直線封邊機為研究對象進行故障預測模型的建立和案例驗證。直線封邊機主要是用來加工板材直線邊，包括涂膠、施壓封邊、切邊、修邊等工序[15]。本次研究選擇了生產車間中一臺直線封邊機，其型號為KAL310/4/A20/S2。當生產人員發現故障后，會通過相應的報修系統上報，維修人員就會前去維修。根據2017年5月—2019年4月間的報修檢修數據顯示，主要的故障包括：膠溫不夠、軸承磨損、減速機故障、螺絲松動、前截刀氣壓不穩定、銑刀不工作、涂膠輪不工作、無控制啟動電源等涉及膠缸、機械、電氣方面的故障。

2.3 最小二乘支持向量機故障預測模型

基于最小二乘支持向量機的故障預測模型可以描述為：給定訓練集{xi，yi},其中xi∈Rd，表示第i個輸入樣本。d表示樣本輸入維度。yi∈R,表示第i個樣本輸出。故障預測建模就是通過對已知的樣本{xi，yi}（i=1～s）進行訓練，找到一個函數，使得對于訓練集之外的xi（i>s），也能精確地預測出對應的yi。

為了能夠預判設備健康狀態，就需要選取相應的采樣數據輸入和期望輸出。考慮到硬件成本以及數據檢測的穩定性，本文選取的采樣數據輸入是直線封邊機的三相電流（Ia、Ib和Ic）、有功率P、無功功率Q、功率因素PF以及膠缸溫度T。期望輸出為設備故障狀態y：1表示故障，0表示正常。當設備產生報修則表示有故障。

則該輸入輸出的數據集可表示為：

其中，x=[Ia Ib Ic P Q PF T]T，yi和xi分別表示第i個輸出期望值和采樣數據輸入，b表示獨立分布的隨機閾值。

最小二乘支持向量機一般利用非線性映射函數φ解決f（xi）的非線性逼近問題。即：

式（2）中，w是權重向量，b是閾值向量。因此為了獲得f（xi）的近似逼近，實際上是通過結構風險最小化原則，求解以下最優問題：

式（3）中，c為懲罰因子，ξi為不敏感損失函數的松弛因子，i∈（1，2，…，s），s為訓練樣本個數。通過引入拉格朗日函數，可以獲得最優解為：

式（4）中，L為單位矩陣，b是閾值向量，ɑ=[ɑ1，ɑ2，…ɑs]，ɑi為Lagrange乘子。Y=[y1，y2，…，ys]T，φ=[φ（x1），φ（x2），…φ（xs）]。考慮徑向基核函數泛化強且比較穩定，在先驗知識缺乏時，可以獲得更優的性能。因此采用徑向基核函數來構建LS-SVM預測模型，即將式（4）中滿足Mercer條件的正定核函數K（xi，xj）=φ（xi）Tφ（xj）定義為：

根據上述條件可以得出預測模型為：

2.4 輸出模糊化的最小二乘支持向量機預測模型

而對于木工機械來說，除了少部分故障，大部分故障并不是一發生就能引起設備停機，而是可以帶“病”生產，并逐漸積累到一定程度，或者生產人員在生產過程中發現無法操作或產品產出質量不良才去報修，等通過設備報修反饋發生故障時故障可能已經發生了一段時間。因此在故障預測模型建立時，故障報修點往前一段時間也需要被認為是故障狀態，即在訓練參數獲得ɑ和b時，輸出向量Y=[y1，y2，…，ys]T中，若在某個時間點的yt=1，則往前m個采樣點的所有輸出均為1，即yi=1且i∈（t-m，t）。

同時，在預測故障模型建立后，預測得到的輸出y是一個連續量，并不是0或者1。因此需要將式（6）得到的y進行模糊化，當預測輸出大于等于某個閾值yth則y=1，否則y=0，即：

2.5 設備健康狀態評估

在式（7）獲得故障預測值yi后，如果輸出是1，則表明在第i個時刻，設備可能發生了某些故障，但是直線封邊機可能還可以繼續生產，并不需要立即進行維修。而且由于在構建故障預測模型，以及獲得故障預測輸出時，均進行了一定的模糊化處理，預測得到的故障狀態會存在一定誤差。因此獲得的故障預測值yi表明了一種設備存在故障的可能性。只有當這種可能性頻繁發生時，則表明設備存在較為嚴重的故障，設備健康狀態較差。因此可以通過統計第n天故障預測狀態輸出值yi從0階躍到1的次數Fn，并將Fn來評估直線封邊機設備健康狀態。當Fn比較大時，表明設備健康狀態較差，需要盡快維修。如果Fn比較少，甚至為0，則表示設備還可繼續運行并進行跟蹤觀察。因此根據Fn的大小建立設備健康狀態的紅、黃、綠等級，以作為決策依據幫助設備維修管理者合理制定維修計劃，適時對設備進行預測性維修。定義設備健康狀態等級Sn如下：

3 案例驗證

本文采集了直線封邊機（KAL310/4/A20/S2）6個月的數據，包括直線封邊機的三相電流（Ia、Ib和Ic）、有功率P、無功功率Q、功率因素PF以及膠缸溫度T。這些數據通過PLC采集直線封邊機電表和膠缸溫度傳感器數據獲得，并通過工業以太網上傳到服務器保存在數據庫中。采樣頻率為每30 s采集一次。整個數據采集系統如圖2所示。

圖2 數據采集系統示意

通過文獻[2]中的叫修檢修信息化系統獲得了該設備這6個月的報修檢修信息，一共24次。其中，6月10日至10月12日的輸入數據和報修檢修數據是訓練數據集，用于構建預測模型；10月13日至12月11日的輸入數據是預測數據集。將預測數據集中的輸入數據代入故障預測模型，且設置m=60，yth=0.122，可以得到預測時域的輸出yi，以及每次從0變為1的yi的發生時間。統計每天的Fn，并根據式（8）確定當天的設備健康等級（表1）。

表1 2020年10月13日至12月11日的Fn和設備健康等級

同時從報修檢修信息化系統中導出預測時域的叫修信息，包括故障描述以及維修方案（表2）。

結合叫修維修的時間節點，將表1和表2的數據進行比較分析。其中一共出現了7次設備狀態等級為紅色的故障叫修，這7次紅色狀態預警下的故障都不同程度地導致了設備停機或維修需要更換部件等情況，分別為：

表2 預測時域叫修信息之故障描述和維修方案

（1）10月13日和10月14日連續兩天設備健康紅色等級預警，并在10月15日7:30發生了一次突發停機叫修，停機耗時44 min，故障原因為電機電源接頭松動。當維修結束后，當日Fn降為4次。

（2）10月16日設備健康狀態紅色等級預警，并在10月17日早上10:14就發生了突發停機叫修，停機耗時41 min，故障原因為送皮輪螺絲斷了。更換常規螺絲后正常。維修結束后，當日Fn降為3次。

（3）10月19日至10月21日一共有兩次紅色狀態預警和一次黃色狀態預警，10月22日就發生了一次前截刀電機無力的停機叫修，停機耗時5 h+52 min，故障原因為變頻器故障，經維修后正常。維修結束后，當日Fn降為1次。

（4）10月27日至10月29日一共連續三次紅色狀態預警，并在10月30日9:20發生了一次停機叫修，停機耗時20 min，故障原因為送皮單元機器經常停，光電開關偏移，積灰導致失靈。清理灰塵，調整光電開關后正常。維修結束后，當日Fn降為4次。

（5）11月5日至11月10日一共連續4次出現紅色和兩次黃色狀態預警，并在11月11日8:20發生了一次停機叫修，停機耗時3 h+37 min，原因是齊頭電機異響，精修電機振動大，最后電機需要外協維修后才能正常工作。維修結束后，當日Fn降為7次。

（6）11月12日發生了一次紅色狀態預警。并在11月13日14:39發生了一次叫修，停機耗時1 h+20 min，故障原因為跟蹤輪壞。更換跟蹤輪并移動靠山后正常運行。維修結束后，當日Fn降為0次。

（7）11月25日當天為紅色狀態預警，因為上午7:46發生了膠缸與膠輪不能工作而叫修，停機耗時3 h+16 min。故障原因為夜間機器在膠缸沒關情況下斷電，導致溢膠嚴重，涂膠軸卡死，更換備用膠缸后正常運行。

同時還有3次設備狀態等級為黃色的故障叫修，分別為：

（1）10月18日有一次黃色狀態預警，并在15:06發生了一次停機叫修，停機耗時19 min，故障原因為進料平臺固定螺絲松了。緊固螺絲后正常。維修結束后，當日Fn降為0次。

（2）10月23日至10月26日連續四天黃色狀態預警，并在10月26日7:36發生了一次停機叫修，停機耗時37 min，故障原因為前后截刀不正，調整后正常。維修結束后，當日Fn降為2次。

（3）11月28日發生了一次黃色狀態預警，并在11月29日8:17發生了一次停機叫修，停機耗時1 h+19 min，故障原因為氣動閥壞或氣壓小，更換閥后正常運行。維修結束后，當日Fn降為2次。

通過本次案例驗證數據信息進行分析后可得出以下結論：

（1）在60 d的驗證階段，有53 d的預測結果是能正確地表征設備健康狀態，預測正確率88.3%。如果能按照預測的狀態及時進行維修，可以減少停機時間1085 min。

（2）驗證實驗表明，本方法可以通過溫度、電流、功率、功率因素等參數的變化，能較為有效地來表征直線封邊機的健康等級，從而指導設備維修計劃安排，具有一定的有效性。

4 總結展望

本文建立了一種基于模糊最小二乘支持向量機的故障預測模型，并在此基礎上構建了基于設備健康狀態預測的板式家具制造設備維修方法。通過在直線封邊機上的案例驗證，表明該方法可以通過容易獲取的設備運行數據獲得較為準確的設備健康狀態等級，并以此作為設備何時進行提前維修的決策依據，以減少故障停機時間。而且該方法的數據采集硬件設備成熟，數據采集成本較低，比較適合應用于家居制造設備這種相對低端的制造機械設備預測性維修。如何對模型和方法進行優化，來獲得更高的預測準確性，并將該方法拓展應用到其他家具制造設備，是下一步研究工作的重點。