案例剖析 | 基于状态信息的电机轴承健康监测(下)
来源: | 作者:pmod6d781 | 发布时间: 2022-05-27 | 1930 次浏览 | 分享到:

   前 言

前面的两篇文章介绍了面对轴承健康监测问题时,工业工程师OT和数据工程师DT的解法以及相应的困惑。



总结起来大致是:


    


对于第一篇文章中的问题,通过单纯的工业解法,可以解决某些单独的定点问题。但严重依赖于专家经验,很难实现解法或者代码的通用性。通常会导致解一个问题写一段代码,当工况改变,代码也难以自适应,需要大量人工的调试处理。这样的运行距离理想的“智能化”相去甚远,这与工业工程师缺乏系统的数据分析与软件架构能力有关。


而第二篇文章中单纯的使用数据解法,最大的问题是通用的机器学习算法应用中,对其边界条件的输入以及适用范围的选择上出现偏差,这与数据分析师缺乏设备专门的机理知识有关。这导致算法的结果出现可用性不良和准确性不良等情况,而现场有效样本不足更放大了算法的可用性问题。给工程师的直观感觉就是“不智能”或者“不准”、“不好用”。

现在,K2数据科学DT团队与工业专家OT团队,如何将先验知识与数据科学统筹兼顾到一个可以工程化实现的路径上,实现系统的“智能”?依然用同一案例来看。

通过案例讲问题

首先,如果局限于“死”阈值的方式,最多做到多级阈值。DT可以先从99%都是正常样本的历史数据中,通过机器学习的方法将设备正常运行下的多参数进行融合处理,形成所谓的设备正常模型——这一方面避免了故障有效数据不足的问题,另一方面可以很容易通过同一套模型,基于每台机组历史的正常数据,生成符合每个设备自己DNA的动态阈值。


当动态阈值产生之后,设备的实时状态参数与动态阈值相比,会有不同的比较结果。但是动态阈值通常是低于国际标准或厂商所制定的固定阈值,此时的超越到底对设备意味着什么?需要OT和DT一同制定当实际值超越动态阈值之后的健康评价机制,例如是否需要采取非线性的惩罚机制?而DT则需要将相应的评价机制结合数据写成自动执行的代码。

DT在实践上述动态阈值的时候需要选择正确的设备状态参数。此时OT可以根据设备专业机理,帮助DT更高效的实现数据模型的构建。包括且不限于:

  • 选择合理的工况变量并进行相应识别,例如:可以通过电流、功率和负荷等数据进行启停、调节和平稳工况的识别;

  • 选择出从设备机理方面与设备健康最相关(或者是最应该相关)的参数作为设备健康指标,并且提供相应数据处理的逻辑:例如振动的瞬时值不用关注,因为已经有报警逻辑在监控;而是主要对振动幅值的趋势进行预警。


DT通过数据平滑、趋势预测和相关性分析算法,识别潜在影响动态阈值的因子,例如负荷类型和大小、室温、油温等在机组正常运行过程中对设备健康指标会造成波动的因素,避免DT在几百甚至几千个原始测点中盲目和低效地数据挖掘;同时还可以使用一些通用数据方法对OT的选择结果进行校验,最后共同讨论出合理的状态参数。