1、Vol.42,No.2Journal of Inner Mongolia University of Science and Technology第42 卷第2 期June,20232023年6 月内蒙古科技大学学报物联网下智能制造设备故障预测分析赵军富靳永胜?,李建军(1.内蒙古科技大学工程训练中心,内蒙古包头0 140 10;2.内蒙古蒙牛乳业(集团)股份有限公司,内蒙古呼和浩特0010000;3.内蒙古科技大学信息工程学院,内蒙古包头014010)摘要:针对生产企业设备故障导致生产效率低下的问题,应用物联网技术对生产过程实现实时监控,展示生产过程实时运行状况,预测未来生产设备可能发生的故
2、障,提出一种应用物联网框架的设备故障预测分析实时监控系统,该系统通过生产车间现场布置的各式传感器实时采集设备运行数据,并将这些数据传递到故障预测平台系统,通过SERENA数据驱动方法处理数据来进行设备故障预测分析通过一个家电生产线的案例分析,验证了预测分析方法的合理性,实现对设备的运行状况、故障预警和设备退化过程的实时监控,保证制造型企业的生产设备健康运行,降低机率,提高生产效率。关键词:物联网;数据分析;预测分析;智能制造中图分类号:TP391文献标识码:A文章编号:2 0 95-2 2 95(2 0 2 3)0 2-0 12 3-0 5D0I:10.16559/ki.2095-2295.2
3、023.02.005Equipment failure prediction analysis for intelligentmanufacturing under the Internet of ThingsZHAO Junfu,JIN Yongsheng,LI Jianjun3(1.Engineering&Training Center,Inner Mongolia University of Science&Technology,Baotou 014010,China;2.Inner MongoliaMengniu Dairy Group Company Limited,Hohhot 0
4、10000,China;3.Information Engineering School,Inner Mongolia University of Sci-ence&Technology,Baotou 014010,China)Abstract:To address the problem of low productivity due to equipment failure in manufacturing enterprises,Internet of Things technol-ogy was applied to achieve real-time monitoring of th
5、e production process,to show the real-time operation status of the productionprocess,and to predict the possible future failure of production equipment.We proposed a real-time monitoring system for equipmentfailure prediction and analysis using the IoT framework.The system collects equipment operati
6、on data in real time through various sen-sors arranged on the production floor and transmits these data to the failure prediction plaform system,which processes the data throughthe SERENA data-driven method to perform equipment failure prediction and analysis.Through a case study of a home appliance
7、 pro-duction line,the system verifies the rationality of the predictive analysis method,realizes real-time monitoring of equipment opera-tion,fault warning and equipment degradation process,ensures healthy operation of production equipment in manufacturing enterpri-ses,reduces downtime rate and impr
8、oves productivity.Key words:Internet of Things;data analysis;predictive analysis;intelligent manufacturing如今,世界各大生产企业正在转向预测分析1和智能互联产品2 项先进制造技术施耐德(Sc h n e i d e r)和美国电力(American Electric Power)等公司都在其技术基础架构上投人大量资金以启用预警通知,通过识别即将发生的故障实现预知维护,提高企业利润.*基金项目:内蒙古自治区教育科学规划课题资助项目(NGJGH2021159);内蒙古自治区自然科学基金资助项目
9、(2 0 2 2 MS06009).作者简介:赵军富(197 9一),男,内蒙古科技大学副教授,研究方向为物联网技术。通信作者:e-mail:4516 2 3 2 95 q q.c o m收稿日期:2 0 2 2-0 7-0 81242023年6 月第42 卷第2 期内蒙古科技大学学报在智能制造中,停机会造成巨大的损失,设备故障造成重大事故和人身安全物联网技术的应用使得智能制造业在生产过程中能够获取底层数据并进行数据分析2 ,将原始数据转换3 为有用信息和有价值的手段因此,使用分布式传感器通过数据采集机制从车间捕获多个参数,通过数据分析技术3 可以预测机器何时发生故障,在故障之前进行有计划维护
10、,从而减少停机风险或降低维修成本,提高企业生产效益。本文在流程化工业智能制造4 中选取家电企业方太热水器生产线为实验平台,通过预测分析服务来避免生产故障,提高生产效率。在方太热水器的一个装配生产单元中使用了故障预警系统。如图1所示,该系统主要由物联网、控制系统、反应池、容积缸体以及传感器和活塞等构成。过滤器空气执行元件报警器物联网中位置1位置传感器活塞位置传感器位置2控制系统温度传感器浓度传感器碳酸钠氧化铝与巾工二氧化碳反应泄硫酸混合液缸体铝图1故障预警系统首先,物联网对系统中硫酸铝和碳酸氢钠2 种溶液配比进行数据采集并传递给控制系统,2 种溶液在反应池混合反应生成氢氧化铝和二氧化碳的泡沫混合
11、液,并形成扩散的雾化射流经喷嘴喷人缸体,活塞在缸体内由于压力差产生运动:然后,物联网通过位移传感器、温度传感器、浓度传感器、压力传感器等对所涉及的化学药品的温度、进样液体的压力、进样的时间和数量、所注人的化学药品的比例等数据进行采集,并将采集到的数据传递到控制系统.当活塞运行在位置传感器1与位置传感器2 之间时,系统正常工作,当活塞触到位置1或位置2 时就会预警经实验发现在活塞触发预警之后,尽管活塞系统已经发出报警,但是仍然无法确定报警与那些具体的数据参数有关因此,将在第2 节提出一种数据驱动5 的方法,通过多数据(例如温度、压力、时间等)表征量,以确定哪些参数可以作为活塞触发报警的良好预测指
12、标进行详细研究。1设备故障预测分析实时监控系统设备故障预测分析实时监控系统(即SERENA系统)建立在基于Docker Swarm(D o c k e r 的集群管理工具)虚拟化技术的轻量级服务架构6 上该系统使用“即插即用 的解决方案,使用模块化技术7 有助于服务的替代以及信息采集到的数据在数据库中存储管理平台服务不去直接访问数据存储,而是使用一些中间层作为它们的接口,这种解耦允许独立地替换数据接口(RESTAPI的模块化集合)、存储格式和分布式文件系统8(HDFS)图2 中给出了基于物联网体系结构及服务架构的故障预测分析监控系统,该系统由SERENA云平台子系统和网关子系统2 个子系统组成
13、网关子系统9 是由预处理规则、智能数据计算、实时预测组成一个或多个网关获取来自工厂传感器的数据,先将元数据进行预处理并将其发送到SERENA云10 子系统.SERENA云子系统由数据调度、预测分析及可视化多个组件对数据处理,再经过反向代理认证中心(RPCA)(安全策略拒绝或接受传人的请求)实现双向身份验证,将合法请求通过RPCA转发到消息代理,再由消息代理转发到适当的云服务云服务之间通过JSON-LD消息(是一种基于JSON表示和传输互联数据(LinkedData)的方法)相互通信,其格式部分基于MIMOSACRIS3.2标准这些消息包含从工厂机器收集的数据及其相关的元数据。消息的数据部分(测
14、量和警报)被存储在云中的Hadoop集群中,消息的元数据存储在MIMOSA元数据存储库中元数据存储库可以通过元数据Web服务提供的RESTfulAPI(一种网络应用程序的设计风格和开发方式,基于HTTP协议,使用JSON格式定义)与任何授权的服务交互数据调度预测分析可视化消息代理元数据web服务RPCA数据存储SERENAY云元数据存储预处理规则智能数据计算实时预测网关工厂2图2设备故障预测分析监控系统125赵军富,等:物联网下智能制造设备故障预测分析2SERENA数据驱动方法及数据处理基于机器学习的预测性维护服务的目的是通过基于历史数据创建数据驱动模型来预测多周期工业过程中的报警或故障为了避
15、免领域专家的人工干预,采用不同的策略来描述周期时间序列12 数据,并在多周期范围内对其进行汇总为此,实施了数据预处理和监督学习2 个重要的分析步骤.2.1数据预处理首先,使用周期长度分位数法,去除属于第一个或最后一个分位数的周期,对异常值进行识别并移除其次,为了解决所研究工业过程的周期性问题,需要执行了一个对齐任务,通过填充使数据符合一个固定的时间结构(周期的最后一个值被重复,直到周期的时间槽被填满).此外,由于传感器采集的数据是原始时间序列,在预处理阶段,这些数据必须转换为与时间无关的运行状态特征值首先,将原始时间序列划分为多个连续部分,划分后的大小满足SERENA的固定参数其次,针对每个部
16、分计算出能够概括时间序列趋势的统计特征,如均值、标准差、峰度、偏度、绝对值等经过将具有相同大小的时间序列部分进行选择,并在案例中使用,发现SERENA数据驱动方法可以成功地应用于不同大小的时间序列部分:最后,从众多统计特征的完整集合中,选择信息量最佳的特征,丢弃不需要的特征此时需要引人2 种技术:1)基于多重共线性13 的技术,即删除那些可以通过其他属性的多元回归模型预测其数值的属性;2)基于相关性的技术,即删除所有最相关的属性,平均所有(其他)属性.在周期性工业生产过程中,对于一个特定循环的报警情况是不需要预测的,而对于跨越多个循环周期(例如数小时或数天)的较长时期的报警情况的预测是很有必要
17、的因此,需要将数据预处理及计算步骤在更长的多周期时间内汇总以及统计数据周期相关的数据.SERENA数据驱动方法通过在聚合的多周期上计算线性回归来捕获每个统计数据特征的退化情况,并记录斜率和截距系数此外,对于每个属性,记录多周期时间内的最小值、最大值、平均值和标准偏差,以保证特征选择和特征聚合都保留了测量结果2.2监督学习监督学习算法构建了包括输入和输出的一组数据的数学模型这些数据称为训练数据,由一组训练样本组合监督学习主要包括分类和回归,当输出被限制为有限的一组值(离散数值)时使用分类算法;当输出可以具有范围内的任何数值(连续数值)时使用回归算法本文监督学习包括2 个步骤:模型构建和实时预测模
18、型构建是通过对历史数据进行学习训练,并提取数据与预测标签(过去记录的报警条件)之间的关系实时预测是基于已经建立的模型对新数据进行标记.SERENA利用决策树分类器和线性支持向量机两种不同的分类算法,根据评分标准(默认为F评分)自动选择性能最佳的算法为了评估算法的有效性,使用了K折交叉验证法14,该策略将数据集平均分为K个折页(在每个折页中保持原始标签分布的比例),并且在K次迭代测试中,交替使用1个折页作为测试集,其他的K1折页作为训练集。在每次迭代中,有一个模型被用来测试一组总是与用来训练模型的周期不一样的周期由于采用了基于分类算法参数的网格优化搜索的自我调整策略,每个算法的最佳性能参数都由S
19、ERENA自己选择.最后,通过计算精度、召回率(即报警条件或故障)的F分数等指标对预测模型进行验证。3实例分析通过在方太热水器生产线现场采集的数据中提取2 0 2 1年11月7 日到2 0 2 2 年3 月16 时间段的数据来分析预测在给定时间段中可能出现的故障报警.在分析416 2 0 个周期的时间段内活塞报警(图1故障预警系统)处仅发生了12 个报警,这12个报警始终成对出现,且彼此之间的时间间隔为几分钟.如图3 所示,将紧邻报警之前的那个周期都标记为1,其他所有周期都标记为0,然后每天汇总所有周期,如果将每天在报警之前包含至少一个周期,则将该天标记为1.在实验汇总的12 9d中,只有7
20、d标记为1,在这7 d中的每一天都包含2 个周期,这些周期紧接在活塞上发出报警信号之前。图3 显示了每天的周期数,其中7 条红色垂线位于2个报警信号发生的日期.为了有效预测活塞上的报警信号,将已经测试了不同的信号及其组合作为输入,来评估其中哪一个实验结果更好为此,使用决策树和线性支持向量机作为分类器两种分类算法,分别计算了不同输人信号的精度和F1分数值在表1,2 给出测试的1262023年6 月第42 卷第2 期内蒙古科技大学学报结果中突出显示了2 个分类器之间的主要F1分数值在实验中输入4个来自于故障预警系统采集的不同信号,如图1所示,信号1是浓度传感器数据,信号2 是温度传感器数据,信号3
21、 是活塞低位传感器(位置2)数据,信号4是活塞低位传感器(位置1)数据.80060040020002020100820201028202011172020120720201227202101162021020520210225时间/d图3每天的周期数表1决策树指标输入信号精度F1 分数(0)F1 分数(1)信号10.970.980.75信号20.910.970.28信号30.960.960.16信号1+信号20.910.950.14信号2+信号30.920.950.59信号40.970.970表2线性支持向量机指标输人信号精度F1 分数(0)F1 分数(1)信号10.970.980.15信号2
22、0.920.970.29信号30.960.990信号1+信号20.910.980.59信号2+信号30.930.970.29信号40.970.980由表1,2 可见,活塞低位传感器信号3 和活塞高位传感器信号4对报警预测的影响小于浓度传感器信号1和温度传感器信号2 因此,系统的精准预警主要取决于浓度传感器的信号1和位置传感器的信号2.4结论文章提出基于物联网框架的设备故障预测分析实时监控系统,该平台可扩展且不依赖于特定技术,并具有创新的认证机制RPCA.同时,提出了基于物联网平台的一种数据驱动分析方法该方法在具有大量不同的数据集的通用工业案例中得以应用在故障预测分析的案例中获得有价值的结果,经
23、研究证明所提出的方法能够对报警信号做出良好的预测.未来的工作将集中在将附加功能集成到智能制造的预测分析服务中,通过分析相关故障报警随时间变化的频率,得出被预测分析设备的剩余使用寿命的通用技术。参考文献:1AHMED E,YAQOOB I,HASHEM I A T,et al.Therole of big data analytics in Internet of ThingsJJ.Com-puter Networks,2017,129:459.2SOONCHAROON S,PONGCHAROEN P,HICKS H.Grey wolf production scheduling for the
24、 capital goods in-dustryJ.Applied Soft Computing Journal,2020,94:106480.3AREMU O O,PALAU A S,PARLIKAD A K,et al.Structuring data for intelligent predictive maintenance inasset managementJJ.IFAC-Papers On Line,2018,51(11):514.4YANG T,YI X L,LU S W,et al.Intelligent manufac-turing for the process indu
25、stry driven by industrial artifi-cial intelligenceJJ.Engineering,2021(7):1224.5BUMBLAUSKAS D,NOLD H,BUMBLAUSKAS P,etal.Big data analytics:transforming data to action J.Business Process Management Journal,2017,23(3):703.6ZHAO J F,LI J J.Research on the integration of digitalfactory and smart factory
26、based on Internet of things J.Manufacturing Technology&Machine Tools,2020(4):20.7ZHOU A W,SHAO W,LIU C.Quality management in-formation collection in digital factory based on internet ofthingsJ.Manufacturing Technology&Machine Tools,2016(7):126.8FU Y,WU G,GENG J.et al.Kinetics and modeling ofartifici
27、al sweeteners degradation in wastewater by the UV/persulfate processJJ.Water Research,2019,150:12.9CHEN Y,ZHU F,LEE J.Data quality evaluation andimprovement for prognostic modeling using visual assess-(责任编辑:师宝萍)127赵军富,等:物联网下智能制造备故障预测分析ment based data partitioning methodJ.Computers inIndustry,2013,64
28、(3):214.10PANICUCCI S,NIKOLAKIS N,CERQUITELLI T,etal.A cloud-to-edge approach to support predictive ana-lytics in robotics industryJJ.Electronics,2020,9(3):492.11BITSCH G,SENJIC P.Open semantic modeling forsmart production systemsC/54 CIRP conferenceon manufacturing systems,Amsterdam,Netherland:Else
29、vier B V,2021:582.12赵军富,李建军,王猛.基于物联网实时监控生产车间的能源效率研究J.制造技术与机床,2 0 2 1(4):20.13WANG S,WAN J,ZHANG D,et al.Towards smartfactory for industry 4.O:A self-organized multi-agentsystem with big data based feedback and coordinationJ.Computer Networks 2016,101(04):158.14ZHANG C,LIM P,QIN A K,et al.Multiobjectivedeep belief networks ensemble for remaining useful lifeestimation in prognosticsJJ.IEEE Trans on NeuralNet Learn Sys,2017,28(10):2306.