基于數據智能的螺桿式空壓機預測性維護

摘 要：為解決空壓機設備中不確定零部件損耗及其可能引發嚴重后果的問題，設計了基于大數據技術的空壓機設備預測性解決方案。首先，基于振動頻譜分析構建了空壓機壽命預測模型，通過信號濾波、異常值處理、零均值化處理等手段進行數據預處理，通過超參數優化和模型評估持續對空壓機設備模型進行優化調整。其次，通過采集現場空壓機的靜態數據和運行數據，基于空壓機機理進行了深入分析，提取了用于空壓機壽命預測的關鍵特征值，并設計了設備健康狀況評價指標。通過現場空壓機測試，驗證了空壓機設備預測性維護系統的合理性和可行性。測試結果表明，該系統能夠有效地預測空壓機的壽命，及時發現潛在故障，為設備的預防性維護提供有力支持。

關鍵詞：數據智能；特征提取；螺桿式空壓機；預測性維護；物聯網；設備故障診斷；剩余壽命預測

中圖分類號：TP206+.3；TH455 文獻標識碼：A 文章編號：2095-1302（2025）05-0-04

0 引 言

空壓機屬于旋轉動力機械，是一種空氣壓縮和氣體輸送設備，被廣泛運用于工業領域的各行各業。然而，其零部件在不可預見的情況下發生的損耗，往往會導致產線突然停工，打亂正常的生產節奏。更為嚴重的是，這種損耗還可能引發重大故障，給工業生產帶來極其重大的損失。

目前生產企業一般采用預防性維護來應對這種設備故障，即對設備進行周期性檢修來對設備進行維護[1]。這種做法雖然有時能提前將故障排除，但缺點是會造成設備維護次數偏高。另外，設備停機維護也會造成生產產量的降低[2]。

為了解決上述問題，業界提出了預測性維護的概念[3]。預測性維護是通過對設備狀況實施周期性或持續性監測來評價在役設備狀況的一種方法或一套技術，旨在準確預測并確定實施維護活動的最佳時機。

學者們針對設備預測性維護應用做了大量研究工作。文獻[4]采用累計和參數均值比進行參數變點檢測，采用D-S證據理論及證據加權分配合成方法進行多源信息融合，對柴油機潤滑油的剩余使用壽命進行預測，解決了傳統柴油機狀態監測方法早期預警率低、動態工況下模型適應性差等問題。文獻[5]分析了汽車工業現場相關的設備狀態數據類型，調查了在工業現場中的數據采集方法和模式，介紹了現場設備的狀態數據類型的建模方法和應用場景。文獻[6]研究了風電機組健康度評估方向和級別，并以大數據為基礎，提出了基于分布式數據處理技術和機器學習算法的風電機組健康管理平臺。上述成果表明，通過采集設備運行數據與大數據模型相結合，可實現實時跟蹤分析設備狀態、預測設備的失效狀態，提前避免故障的發生，有效地實現設備的精益化和智能化管理。

目前，設備預測性維護在空壓機領域，特別是在螺桿式空壓機領域的應用較少。空壓機是否連續轉動，對企業生產至關重要。鑒于此，本文將數據智能與空壓機工作相結合，探索設備預測性維護在螺桿空壓機中的應用，研究空壓機健康度模型，實現設備的預測性維護，從而提高空壓機的智能化水平。

1 設計需求和設備建模過程

1.1 設計需求

以生產設備為對象，采用應用統計學、故障模式影響及危害性分析（FMEA）、故障樹分析（FTA）、大數據處理技術、智能算法以及多目標決策等理論方法，通過機理分析、現場數據采集、數字建模、數值仿真與應用驗證相結合的方式，實現對設備的智能診斷與預測性維修決策。

1.2 設備建模過程

1.2.1 模型選取

預測模型大致可以分為數值型預測模型與非數值型預測模型。前者的狀態輸入主要是數值型的狀態特征值，易于計算機自動監測與預測，與數值化的評估標準結合后可以實現自動預警；后者的狀態輸入以圖譜的形式為主，需要結合人工分析給出結果，對主觀經驗有一定的依賴性，適用于離線的綜合分析。

在數值型預測模型中，又分為線性預測模型和非線性預測模型。線性預測模型中包括最小二乘回歸模型、時間序列建模回歸模型等。非線性預測模型包括神經網絡回歸模型、支持向量機回歸模型等。這些模型一般分為學習階段和預測階段。在模型學習階段，根據已知時刻對應的狀態信息對回歸模型的參數進行優化學習；在模型預測階段，結合給定的某個時刻（或某個狀態信息），根據回歸模型給出其相應的狀態信息（或時刻值）。

在非數值型預測模型中主要是通過對特征圖譜進行分類或聚類，再結合先驗知識和人工分析結果，根據當前特征圖譜與已知特征圖譜的相似程度來判斷設備或部件的工作狀態，并估計設備或部件的剩余壽命。這些特征圖譜可以是振動信號的時域圖，也可以是振動頻譜或是小波時 - 頻譜圖等。基于振動頻譜的不同特征或不同模式進行設備或部件的壽命預測與評估。

1.2.2 數據預處理

在故障診斷系統中，通過傳感器進行數據采集是為了獲得設備或部件的故障狀態信號。為確保采集到的數據能夠盡可能真實、全面地反映設備或部件的實際工作狀態，需要了解數據采集的過程和工作原理，并正確地設定采樣參數。另外，在數據采集過程中，有用的信號和各種噪聲混雜在一起，難于直接識別和利用。因此，在對采集的信號進行分析之前，需要對信號進行預處理。預處理的目的包括分離信號和噪聲，提高信噪比；從信號中提取有用的特征信號；修正測試系統的某些誤差，如傳感器的線性誤差、溫度影響等[7]。

（1）信號的濾波

為了消除檢測信號中的噪聲污染及其給各種后續分析帶來的負面影響，常采用特定的濾波器對檢測信號進行濾波[8]。信號的濾波可以在模擬域中實現，也可以在數字域中實現。根據濾波器的選頻特性，一般將濾波器分為4類：帶阻濾波器、帶通濾波器、高通濾波器、低通濾波器。圖1所示為這4種濾波器的頻譜特性。

（2）異常值處理

3σ規則是一種常用的異常值處理方法。該規則基于測試數據服從平穩正態分布的假設，以及小概率事件被視為異常的推理模式，即數據點落在測試數據的3σ分布之外就判定為異常值。3σ規則的主要特點是計算非常簡便，在實際診斷工作中應用較廣泛。

（3）零均值化處理

零均值化處理也叫中心化，即把分析的數據值轉化為零均值的數據，通過中心化處理，最終得到均值為0、標準差為1的服從標準正態分布的數據。假設對連續信號采樣后得到離散數據序列{un}（n=1， 2， ... ， N）。其均值為：

（4）連續信號均值

零均值處理就是定義一個新的時間歷程x（t）=un-ua，對處理后的數據進行采樣，得到離散數據序列{x}={un-ua}（n=1， 2， ... ， N）。這樣可以簡化頻譜分析、倒譜分析等后續分析過程[9]。

1.2.3 特征工程

特征工程就是挖掘并構建數據的特征表示，旨在尋找能夠表征數據內在特點的屬性，并將這些屬性以特征向量的形式表達出來，這一過程被稱為特征提取。值得注意的是，特征和屬性之間通常存在明顯的區別。屬性一般對應于數據表格的列，而特征則特指那些對機器學習算法有益的屬性。換言之，并非所有屬性都對機器學習系統有益，有些甚至可能產生負面影響。例如，在預測二手車下次維修時間時，車輛的顏色這一屬性很可能對預測結果沒有實質性幫助。

特征可以用特征向量來表示。例如一條數據的特征向量可以表示為x = （x1， x2， ...， xn），即該數據包含n個特征，每個特征xi的取值可以是連續的實數或者描述性的整數。若把模型簡化為函數表達式y = f （x1， x2， x3， ...），則特征就是其中的自變量x1， x2， x3， ...。因此，特征工程也可以理解為對模型輸入變量進行處理的過程。這個處理的過程分為以下2種：

第一種是增加特征，也就是在原始變量的基礎上，再應用各種方式生成新的自變量，比如x1和x2的平均值。但是，需要注意的是，生成的新變量一定是在預測性維護的場景中有實際意義的。這就需要以相關的業務知識為基礎了。

第二種是減少特征。這通常涉及利用設備或領域內的專業知識，從眾多輸入變量中精心挑選出那些與預測結果緊密相關或具有顯著影響的自變量。

1.2.4 超參數優化

超參數優化是指對所選模型的一些超參數進行調整，以提升模型的預測性能，使其更加精確。如果說特征工程是對輸入變量（自變量x）進行預處理和選擇的工作，那么超參數優化則是通過調整f的各種超參數來優化其性能。

1.2.5 模型評估

根據歷史數據建好模型后，就需要評估模型，也就是用另外一些在建模過程中沒有使用過的數據進行模型測試，以驗證模型的預測效果。測試模型用到的這部分數據一般是在建立和訓練模型之前，從歷史數據中劃分出的一部分數據，通常叫做測試集數據。對于回歸模型、分類模型有不同的模型評價指標。

1.2.6 模型部署

模型建立好之后需要部署到實際的生產系統中運行，不斷地接收從設備層采集到的數據，進行預測分析。

2 方案的實施

2.1 特征參數收集準備

一般來說，設備在運行時出現異常，設備的某些物理參數也會隨之改變。在兼顧全面性和易得性的原則下，且在不影響空壓機正常運行的情況下，收集整理以下數據：

（1）靜態數據：設備正常運行工況下的各種標準參數，如指標的額定值、出廠日期、投運日期、檢修信息、運行年限等。

（2）運行數據：溫度參數（軸承溫度），壓力數據（進氣壓力、出氣壓力），振動參數（轉動軸位移），電氣參數（電流、電壓、無功功率、有功功率、功率因素）。

2.2 特征提取

對位移傳感器采集的1～4級壓縮機轉動軸徑向位移振動原始信號進行時域、頻域的特征轉換與提取。傳感器在空壓機上的安裝位置如圖2所示。

2.3 設備健康狀況評估指標

對于設備狀態評估，需要定義合適的評估方法和指標，用于度量當前狀態與健康狀態的差距，并預測設備退化的發展趨勢，在故障產生前制定合理的維修計劃。

首先，將多個狀態參數整合成單一特征；其次，定義一種改進的馬氏距離（MD）；接著，引入滑動時間窗；最后，構建退化指數作為性能度量的指標。

用非參數的直方圖法來表征改進MD值的總體分布情況，按組距相等的原則對數據進行分組，縱坐標表示性能指標出現的概率。直方圖中中值較小的分組表示健康狀態，中值較大的分組代表設備偏離了健康狀態。隨著設備退化，MD值較大的組占比會逐漸增大[9]。

定義頻次貢獻率（FC）為直方圖中單組觀測值的數量除以總的觀測值數量[10]。在時間軸上從左到右以固定時間間隔滑動窗口，計算每個窗口內直方圖各組值的FC。利用每組值的FC變化趨勢來評估設備的狀態，其中斜率增大時就可以認為是故障發生或性能退化的征兆[11]。

馬氏距離的優點在于：馬氏距離不受特征量的量綱和相關性影響，又保留了多維參數信息的完整性。用額定參數代替樣本數據的均值可以降低微小波動對狀態評估的影響。

滑動窗口的優點在于：滑動窗口可以減少瞬時擾動引起的數值波動，減少評估誤差，而且對長期的退化趨勢的展示簡單直觀。

通過采集空壓機穩定運行的參數數據作為健康標準，并將其作為壓縮機特征值的訓練數據庫。通過數據標準化處理，計算得出樣本的馬氏距離作為評估參考標準。之后定期（例如每天或每周）在線采集一個時間段（窗）的運行數據作為測試樣本，并計算樣本數據與健康樣本的馬氏距離。健康狀態評估流程如圖3所示。

3 實施效果

若在兩個較鄰近的時間段內檢測出指標超過閾值，則設備會發出警報。例如，在圖4所示的樣本觀測時間段內的后半段，健康指標持續緩慢上升，并且有超限的趨勢。此時，設備就會根據當前指標狀態做出響應。

本文的方案無需對氣路、潤滑油路等進行改造和入侵式的檢測，只須根據現有運行參數進行健康狀態的評估。

4 結 語

空壓機作為一種空氣壓縮和氣體輸送設備，被廣泛應用于工業領域的各行各業。其零部件在不可預見的情況下發生的損耗，往往會導致產線突然停工，甚至這種損耗還可能引發重大故障，給工業生產帶來極其重大的損失。本文設計的基于大數據技術的空壓機設備預測性系統能實時評估設備健康狀態，提前預測設備故障，從而降低企業設備運維成本，具有極大的經濟價值和可推廣性。

參考文獻

[1]工業和信息化部，國家標準化管理委員會. 國家智能制造標準體系建設指南[S]. 北京：中國標準出版社，2018.

[2]張佳良.工業物聯網在打包機遠程智能運維中的應用[J].磚瓦，2020，50（1）：37-39.

[3]金曉航，孫毅，單繼宏，等．風力發電機組故障診斷與預測技術研究綜述[J].儀器儀表學報，2017，38（5）：1041-1053．

[4]陳冬梅，趙思恒，魏承印，等.船舶柴油機狀態監測及預測性維護研究及應用[J].中國機械工程，2022，33（10）：1162-1168.

[5]李洋.基于設備建模的設備預測性維護方法[J].中國設備工程，2022（12）：86-88.

[6]黃猛．基于大數據和機器學習模型的風力發電機組健康管理研究[J].機械制造，2017，55（8）：37-39.

[7] PECHT M G， KANG M. Prognostics and health management of electronics： fundamentals， machine learning， and the internet of things [M]. New Jersey： John Wiley and Sons Ltd， 2018.

[8]李福興，李璐爔，彭友．企業離散式智能設備預測性維護綜述[J].測控技術，2021，40（8）：1-6.

[9]李垚，朱才朝，陶友傳，等．風電機組可靠性研究現狀與發展趨勢[J].中國機械工程，2017，28（9）：1125-1133．

[10] 余曉航，孫毅，單繼宏，等.風力發電機組故障診斷與預測技術研究綜述[J].儀器儀表學報，2017，38（5）：1041-1053.

[11] 朱文博，陳紹煒，趙帥.航電系統故障預測與健康管理體系結構分析[J].電光與控制，2018，25（12）：63-66.