智能運維中設(shè)備故障診斷技術(shù)研究

肖徐兵 徐瑋 楊宇峰 曹敬 張凌翔

摘要：本文對智能運維中設(shè)備故障診斷技術(shù)進行研究，并作出相關(guān)的實驗設(shè)計。首先研究設(shè)備故障診斷技術(shù)在計算機中的實現(xiàn)方式，根據(jù)傅立葉變換提取特征數(shù)據(jù)，再以主成分分析法對數(shù)據(jù)的特征向量進行排序。然后將智能運維技術(shù)應(yīng)用在設(shè)備故障診斷技術(shù)中，研究常見數(shù)據(jù)信號的提取方法，構(gòu)建基于智能運維的設(shè)備故障診斷模型并對其進行訓(xùn)練，然后搭建算法并實現(xiàn)。最后設(shè)計實驗，將本文研究的智能運維中設(shè)備故障診斷技術(shù)與傳統(tǒng)的人工設(shè)備故障診斷技術(shù)進行對比分析，驗證了本文技術(shù)更具實用價值。

關(guān)鍵詞：智能運維技術(shù);設(shè)備故障診斷技術(shù);信號

通常情況下的設(shè)備故障診斷技術(shù)是依據(jù)技術(shù)工人或研究人員的感官或經(jīng)驗去判斷分析所診斷設(shè)備的轉(zhuǎn)速、壓力、溫度、噪音等一切有用信息，再將這些有用信息結(jié)合在一起分析建模，得到設(shè)備運行狀況報告的一項技術(shù)。但是自20世紀50年代以來，我國的設(shè)備故障診斷技術(shù)已經(jīng)多年沒有跨越式的發(fā)展[1]。在這個大背景下，由于互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，當今社會進入了大數(shù)據(jù)時代。數(shù)據(jù)信息爆炸式增長使得企業(yè)的運維部門承擔(dān)著巨大的壓力，由此誕生智能運維系統(tǒng)。所謂智能運維是指一種利用大數(shù)據(jù)系統(tǒng)或人工智能技術(shù)完成數(shù)據(jù)分析、決策、診斷的技術(shù)體系[2-3]。在實際應(yīng)用場景之中，經(jīng)過大量數(shù)據(jù)的檢測和運維人員自身的標注，智能運維系統(tǒng)的算法逐漸得到了發(fā)展。本文為了推進設(shè)備故障診斷技術(shù)的發(fā)展，將智能運維技術(shù)應(yīng)用在設(shè)備故障診斷技術(shù)中，對其進行研究。

1 設(shè)備故障診斷技術(shù)研究

1.1 基于傅立葉變換的特征提取

特征提取是所有設(shè)備故障診斷技術(shù)中最重要的一步，它直接將物理信號與機器語言聯(lián)系在一起，使數(shù)據(jù)真正轉(zhuǎn)換為計算機能夠讀懂的內(nèi)容。在使用傅立葉變換進行特征提取時，可以將原始的物理信號在時域與頻域之間相互轉(zhuǎn)換。在現(xiàn)代計算機領(lǐng)域，通常將FFT，即快速傅立葉變換作為視頻域的變換方法，這是一種快速計算離散傅立葉變換的方法，也被稱為DFT[4]。常用的FFT按照時間和頻率抽取其實現(xiàn)方法，其下又分為基2法、基4法、混合基法、分裂基法等。

信號的蝶形運算從左至右進行信號經(jīng)過直線后做乘法運算，兩條直線相交處做加法運算。WkN與-WkN分別乘以x2（k）可以將算法省略，相當于減少一半的運算。

1.2 數(shù)據(jù)主成分分析

原始數(shù)據(jù)經(jīng)過特征提取之后，就能夠使用計算機對其進行分類處理，但是此時的數(shù)據(jù)維度過高，還需要使用主成分分析法對其進行降維處理。主成分分析法是一種非常常用的數(shù)據(jù)降維方法，還能將經(jīng)過分析處理后的數(shù)據(jù)信息通過特定的方式進行排序。首先需要將樣本數(shù)據(jù)D-{x1，x2，…，Xn）中心化處理，定義一個正交變換后的坐

2 基于智能運維的設(shè)備故障診斷技術(shù)

上文中詳細介紹了設(shè)備故障診斷技術(shù)的實現(xiàn)過程，而本文主要是將智能運維技術(shù)應(yīng)用在設(shè)備故障診斷技術(shù)中，因此以下內(nèi)容對基于智能運維的設(shè)備故障診斷技術(shù)進行研究。首先在終端中進行上文所述的設(shè)備故障診斷，然后在計算機的云端上開始真正的基于智能運維的設(shè)備故障診斷處理。

2.1 原始數(shù)據(jù)的提取

目前設(shè)備故障診斷技術(shù)常用的信號中，最常見的是噪音、電流、電壓和振動信號[6]。這四種信號都能在一定程度上反映出目標設(shè)備的故障狀態(tài)，其性能對比如表1所示。

如表1所示，通過對表中四種數(shù)據(jù)信號的性能對比，在考慮實際成本的基礎(chǔ)上，就能夠得到機械設(shè)備故障時的診斷數(shù)據(jù)及其預(yù)測類型。

2.2 基于智能運維的設(shè)備故障診斷模型訓(xùn)練

將以上四種信號燈診斷數(shù)據(jù)與預(yù)測類型導(dǎo)入計算機中。采用在線訓(xùn)練的方式進行模型訓(xùn)練和分類，圖中所示的模型庫需要大量的數(shù)據(jù)進行訓(xùn)練，可以將診斷結(jié)果保存在云端模型庫中，當診斷結(jié)果嚴重偏離預(yù)測值時，可以將診斷模型庫中的數(shù)據(jù)調(diào)取出來進行二次訓(xùn)練，這樣能夠極大地避免資源的浪費[7]。為了能夠減少終端的運算壓力，將故障特征提取和數(shù)據(jù)的主成分分析都放在云端進行處理，終端中只進行數(shù)據(jù)信號的提取。使終端、云端和網(wǎng)絡(luò)共同構(gòu)建一個數(shù)據(jù)處理的流水線，進而提升基于智能運維系統(tǒng)的設(shè)備故障診斷技術(shù)的實時性能。

3 實驗探究

3.1 實驗準備工作

四臺計算機中其中一臺作為主服務(wù)器，另外三臺作為節(jié)點服務(wù)器。在每臺計算機之間配置OPENSSH服務(wù)器，作為四臺計算機之間的訪問連接工具。實驗數(shù)據(jù)采集自CUT-2轉(zhuǎn)子振動實驗臺，主服務(wù)器作為終端處理器，測量故障診斷過程中的模組數(shù)據(jù)。

分別在軸承內(nèi)圈、軸承外圈、軸承滾珠部位進行故障檢測，將三臺節(jié)點服務(wù)器連接在三個可能會發(fā)生故障的部位，再將三臺節(jié)點服務(wù)器中的數(shù)據(jù)匯總到主服務(wù)器中，計算數(shù)據(jù)并進行分析。結(jié)果的可能性為28種，將診斷的最終結(jié)果設(shè)置為ABC的形式，當A=1時，軸承內(nèi)圈故障設(shè)，當A-O時，軸承內(nèi)圈完好;同理，當B=1時，軸承外圈故障，當B-O時，軸承外圈良好;當C=1時，軸承滾珠故障，當C=0時，軸承滾珠良好。當診斷結(jié)果為000時，代表整個設(shè)備無故障。

3.2 實驗過程

首先在同樣的故障設(shè)備中令具備豐富經(jīng)驗的設(shè)備故障檢測人員進行人工診斷，通過對噪音、電流、電壓和振動信號的觀測，得到診斷結(jié)果。設(shè)置不同的故障情況，將以上28種不同的故障類型全部設(shè)置在實驗中，以驗證在不同的故障診斷技術(shù)中.每個故障部位的故障診斷準確率。將以上實驗重復(fù)15次，以驗證實驗結(jié)果的準確性。然后使用本文方法進行基于智能運維的設(shè)備故障診斷，同樣設(shè)置28種不同的故障類型使機器診斷故障部位，并將實驗反復(fù)進行15次，以確保實驗結(jié)果的準確性。

3.3 實驗結(jié)果分析

通過以上實驗過程，將使用本文方法進行的故障診斷方法設(shè)置為A組，將使用傳統(tǒng)人工方法進行的故障診斷技術(shù)設(shè)置為B組，得到的實驗結(jié)果輸送到主服務(wù)器中分析整理得到如表2所示的數(shù)據(jù)。

通過表2中的數(shù)據(jù)可以得知，使用兩種方法進行設(shè)備故障的診斷時，無故障診斷是正確率最高的，其中本文使用的方法進行無故障診斷幾乎不會出現(xiàn)錯誤，而人工方法的診斷結(jié)果準確率也很高。剩余的三種故障類型中，內(nèi)圈故障、外圈故障和滾珠故障都沒有100%的準確率，但是完全可以看出，本文基于智能運維的設(shè)備故障診斷方法的準確率高于傳統(tǒng)人工方法。因此可以得到判斷，本文基于智能運維的設(shè)備故障診斷技術(shù)相比于傳統(tǒng)方法更具備實用性和優(yōu)越性。

4 結(jié)束語

目前大數(shù)據(jù)已經(jīng)進入了社會的方方面面，而與之相匹配的智能運維技術(shù)卻大多停留在IT行業(yè)，只有初步的應(yīng)用。本文基于智能運維技術(shù)對設(shè)備故障診斷技術(shù)進行了改進，實現(xiàn)了設(shè)備故障診斷技術(shù)智能化設(shè)計，并作出實驗驗證了本文設(shè)計的可行性和相比起傳統(tǒng)設(shè)備故障診斷技術(shù)的優(yōu)越性，為設(shè)備故障診斷技術(shù)的發(fā)展作出了貢獻，并為運維技術(shù)的應(yīng)用提供了新的思路。

參考文獻

[1]張曦曦，礦山機電設(shè)備故障檢測診斷技術(shù)應(yīng)用探究[J].石化技術(shù)，2020，27 （08）：214+256.

[2]高云.冶金機電設(shè)備中振動監(jiān)測和故障診斷技術(shù)應(yīng)用[J].中國設(shè)備工程，2020 （12）：147-148.

[3]劉漢波.機電一體化設(shè)備的安裝調(diào)試及其故障診斷技術(shù)的應(yīng)用分析[J].現(xiàn)代商貿(mào)工業(yè)，2020，41（18）：213.

[4]沈海燕，楊玲玲，程清波，鐵路客運站設(shè)備故障診斷評價體系及多屬性分析模型研究[J].中國設(shè)備工程，2020 （07）：139-142.

[5]劉娜，劉淵康.基于智能感知的監(jiān)控運維故障診斷技術(shù)探討[J].中國交通信息化，2020 （03）：118-120.

[6]羅曼曼.設(shè)備智能運維在流程型工業(yè)中的應(yīng)用[J].互聯(lián)網(wǎng)經(jīng)濟，2019 （22）：62-67.

[7]楊劍友，趙張磊，奚洪磊，周震宇，陳剛，就地化保護智能運維檢修模式研究[J].浙江電力，2018，37 （12）：57-61.

作者簡介

肖徐兵（1986-），男，江蘇省泰州市人。大學(xué)本科學(xué)歷，工程師。研究方向為電力調(diào)度自動化，電力信息化，智慧能源服務(wù)，智能運維服務(wù)。

徐瑋（1989-），男，江蘇省鹽城市人。大學(xué)本科學(xué)歷，高級工程師。研究方向為電力調(diào)度自動化，電力信息化，綜合能源服務(wù)，智慧能源服務(wù)。

楊宇峰（1983一），男，江蘇省建湖縣人。碩士研究生，高級工程師。研究方向為調(diào)度自動化，配網(wǎng)自動化，新能源監(jiān)控，綜合能源管控與服務(wù)。

曹敬（1983-），男，江蘇省淮安市人。碩士研究生，高級工程師。研究方向為電力調(diào)度自動化，新能源調(diào)度，綜合能源管控服務(wù)。

張凌翔（1993一），男，江蘇省淮安市人。碩士研究生，工程師。研究方向為電力調(diào)度自動化，電力信息化，智慧能源服務(wù)，智能運維服務(wù)。