沈陽鼓風(fēng)機集團股份有限公司 張建茹 郭慶豐 閆強

華電福新能源股份有限公司甘肅分公司 李樂 趙禮永

機械設(shè)備集群大數(shù)據(jù)系統(tǒng)研究與應(yīng)用

沈陽鼓風(fēng)機集團股份有限公司 張建茹 郭慶豐 閆強

華電福新能源股份有限公司甘肅分公司 李樂 趙禮永

對設(shè)備進行連續(xù)的數(shù)據(jù)采集與儲存的基礎(chǔ)上，獲得反映設(shè)備狀態(tài)的數(shù)據(jù)，系統(tǒng)通過對獲得的大數(shù)據(jù)進行處理以及研究，從而對設(shè)備的健康狀態(tài)進行一個合理的評估。為了有效地監(jiān)測機組異常變化以及進行機組狀態(tài)評估，必須選取合理的特征參量，并對這些參量進行監(jiān)控。通過結(jié)合自動設(shè)置報警門限以及與特征參量門限值相關(guān)聯(lián)的報警策略，實現(xiàn)了系統(tǒng)對機組的運行狀態(tài)監(jiān)測、異常識別、狀態(tài)評估，甚至是故障部位識別，建立智能診斷系統(tǒng)。

大數(shù)據(jù)采集與存儲 狀態(tài)監(jiān)測 數(shù)據(jù)分析 故障診斷 門限值。

1　大數(shù)據(jù)存儲

傳統(tǒng)關(guān)系型數(shù)據(jù)庫已不能滿足互聯(lián)網(wǎng)應(yīng)用需求的情況下，開始出現(xiàn)一些針對結(jié)構(gòu)化、半結(jié)構(gòu)化甚至非結(jié)構(gòu)化數(shù)據(jù)的管理系統(tǒng)。在這些系統(tǒng)中，數(shù)據(jù)通常采用多副本的方式進行存儲，保證系統(tǒng)的可用性和并發(fā)性；采用較弱的一致性模型（如最終一致性模型），在保證低延時的用戶相應(yīng)的同時，維持復(fù)本之間的一致狀態(tài)；并且都提供良好的負(fù)載平衡策略和容錯手段。

按照數(shù)據(jù)管理方式劃分，集中式數(shù)據(jù)管理系統(tǒng)和非集中式數(shù)據(jù)管理系統(tǒng)兩大類。

2　大數(shù)據(jù)處理

在信息時代，互聯(lián)網(wǎng)已經(jīng)成為了世界范圍內(nèi)最大的數(shù)據(jù)倉庫。如何快速地從這些海量數(shù)據(jù)中抽取出關(guān)鍵的信息用以提高互聯(lián)網(wǎng)應(yīng)用的質(zhì)量、用戶體驗等，已經(jīng)成為了互聯(lián)網(wǎng)企業(yè)之間競爭的關(guān)鍵技術(shù)問題。同時，大規(guī)模數(shù)據(jù)處理的研究，也是DISC應(yīng)用研究的關(guān)鍵問題。

解決大規(guī)模數(shù)據(jù)處理的方法就是并行計算。將大量數(shù)據(jù)分散到多個節(jié)點上，將計算并行化，利用多機的計算資源，從而加快數(shù)據(jù)處理的速度。目前，這種并行計算主要分為三大類，一類是廣泛應(yīng)用于高性能計算的MPI（Message Passing Interface，消息傳遞接口）技術(shù)，一類是以Google/Yahoo為代表的互聯(lián)網(wǎng)企業(yè)興起的Map（映射）/Reduce（化簡）計算，一類是微軟提出的Dryad并行計算模型。

3　機械設(shè)備運行工況智能識別技術(shù)

現(xiàn)行大數(shù)據(jù)有結(jié)構(gòu)化、半結(jié)構(gòu)化與非結(jié)構(gòu)化之分，對于結(jié)構(gòu)化大數(shù)據(jù)（大規(guī)模樣本+高維變量），研究了大數(shù)據(jù)分類分析方法，主要包括：支持向量分位數(shù)回歸、神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸、L1 Logit回歸、大規(guī)模數(shù)據(jù)分位數(shù)回歸等。這些大數(shù)據(jù)分類分析方法，能夠準(zhǔn)確地識別機械設(shè)備運行工況，具體過程如下：

第一，收集所監(jiān)測機械設(shè)備歷年來的運行工況參數(shù)，基于對其工況特點的統(tǒng)計分析，給出對其工況的合理分段（確定工況類別數(shù)）；

第二，根據(jù)正常工況下機械設(shè)備的功率、針對幅值等信號，將每一組工況參數(shù)分到不同的類中，形成帶有類別標(biāo)簽的樣本集；

第三，利用這些樣本訓(xùn)練支持向量分位數(shù)回歸、神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸、L1 Logit回歸、大規(guī)模數(shù)據(jù)分位數(shù)回歸等，得到相應(yīng)的模型（估計出模型參數(shù)）；

第四，將此模型應(yīng)用到機械設(shè)備，則可以通過輸入當(dāng)前的工況參數(shù)到此模型，模型會自動給出當(dāng)前工況的類別。

4　神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸模型的應(yīng)用

現(xiàn)實中，解釋變量和響應(yīng)變量之間的關(guān)系模式不一定是線性的，非線性關(guān)系即使存在，其函數(shù)形式也很難準(zhǔn)確確定，主要表現(xiàn)為：非線性函數(shù)fx1（X1）的形式很難選擇和設(shè)計。常見的做法是將非線性函數(shù)進行線性近似：局部多項式展開或B-樣條基函數(shù)展開，使用線性分位數(shù)回歸方法逼近非線性分位數(shù)回歸結(jié)果，局部多項式分位數(shù)回歸與B-樣條分位數(shù)回歸就是其中的典型代表?；蛘呖梢允褂梅菂?shù)方法解決非線性函數(shù)誤設(shè)問題，即建立非參數(shù)分位數(shù)回歸模型。

神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸（QRNN）由Taylor首次提出，是一種靈活的非參數(shù)的分位數(shù)回歸建模方法。分位數(shù)回歸神經(jīng)網(wǎng)絡(luò)將分位數(shù)回歸和神經(jīng)網(wǎng)絡(luò)的優(yōu)點相結(jié)合，表現(xiàn)出強大的功能：一方面，通過分位數(shù)回歸方法可以揭示解釋變量對響應(yīng)變量整個條件分布的影響；另一方面，通過神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以模擬解釋變量對響應(yīng)變量的非線性影響模式。

因此，由前文介紹，進一步考慮神經(jīng)網(wǎng)絡(luò)的分位數(shù)回歸問題，我們就可以得到神經(jīng)網(wǎng)絡(luò)分位數(shù)回歸（QRNN）模型

式（29）

式中，權(quán)重向量W（ζ）與閾值向量b（ζ）都依賴于分位點ζ的變化。特別地，當(dāng)隱層轉(zhuǎn)換函數(shù)g（h）j和輸出層轉(zhuǎn)換函數(shù)g（o）都是等值函數(shù)時，QRNN模型就退化為線性分位數(shù)回歸模型。

在QRNN模型中，隱層節(jié)點的數(shù)目n決定了模型的復(fù)雜程度，Taylor（2000）給出其選擇準(zhǔn)則，可以采用K折交叉驗證法得到隱含層結(jié)點數(shù)目。K折交叉驗證法的基本思想是：將原始訓(xùn)練劃分成兩個部分，訓(xùn)練集與驗證集；將數(shù)據(jù)集分成大小相等的子集K份，每個子集分別作一次驗證集，其余K份子集作為訓(xùn)練集，因此，在一次K折交叉驗證法中，相對應(yīng)要建立K個模型，并且對這K個模型的驗證結(jié)果計算平均辨識率。理論上，K要足夠大，才能使得訓(xùn)練集樣本數(shù)足夠多，實踐中，K=10已經(jīng)足夠大。文中選擇K=5進行交叉驗證。

前文已經(jīng)定義過非對稱損失函數(shù)Pl（u），但是，該函數(shù)不是處處可微，它在原點處的倒數(shù)沒有定義。因此，我們可以考慮用一個處處可微的函數(shù)逼近代替。根據(jù)Chen（2007）在分位數(shù)回歸方法中使用的Huber（1981）準(zhǔn)則，可以構(gòu)建平滑算法逼近非對稱損失函數(shù)Pl（u）。

Huber準(zhǔn)則h（ u）是 L1（絕對誤差）準(zhǔn)則和 L2（平方誤差）準(zhǔn)則的混合使用， L1準(zhǔn)則用于描述絕對值誤差項大于給定閾值ε的值，L2準(zhǔn)則用于描述絕對值誤差項小于給定閾值ε的值：

這個方程準(zhǔn)則提供了絕對誤差和平方誤差在原點處的平穩(wěn)過渡。Huber準(zhǔn)則可以被用來逼近損失函數(shù)，新的逼近損失函數(shù)為

因此，此時標(biāo)準(zhǔn)的基于梯度的優(yōu)化算法可以被用于優(yōu)化模型參數(shù)。即QRNN模型的參數(shù)向量可以使用逼近損失函數(shù)

此外，為防止神經(jīng)網(wǎng)絡(luò)出現(xiàn)過度擬合現(xiàn)象，可以對QRNN模型的誤差項增加一個二次懲罰項，因此可有

估計得到。其中，λ為懲罰參數(shù)。

5　基于大數(shù)據(jù)分析的機械設(shè)備異常狀態(tài)智能報警方法

1）基本觀點與思想

振動信號是設(shè)備運行狀態(tài)的體現(xiàn)，正常的設(shè)備其振動信號應(yīng)該服從某一特定的正態(tài)分布。當(dāng)設(shè)備產(chǎn)生異常，其振信號必將產(chǎn)生偏移，可以劃分為三種情況：第一，位置偏移，仍然服從正態(tài)分布；第二，位置不變，方差變大并且不服從正態(tài)分布；第三，位置偏移且不服從正態(tài)分布。為此，可以使用統(tǒng)計過程控制的基本方法與原理，對振動信號進行系統(tǒng)分析，判定其變動模式，進而推斷設(shè)備異常情況，給出智能報警機制。

2）EVMA控制圖

EWMA控制圖采用指數(shù)加權(quán)移動均值設(shè)置控制線，因而可以不受正態(tài)假定的限定、加之圖上的每個點包含著前面所有子組的信息，具有檢驗出過程均值小漂移的敏感性。

當(dāng)t無窮大時，為

接下來考慮EWMA統(tǒng)計量的平均運行長度ARL

其中，p為第一個點落在控制限外的概率。根據(jù)3□原則，p=0.0027，則ARL=370。然后根君3□原則，使受控ARL=370，選擇參數(shù)。

3）自適應(yīng)門限法

自適應(yīng)門限算法是當(dāng)連續(xù)超過門限值的時間區(qū)間的個數(shù)超過一定的設(shè)定時就報警的檢測算法。為了應(yīng)對觀測值周期性變動和長期趨勢，門限值以觀測值的均值為基礎(chǔ)進行自動調(diào)整。假設(shè)是相互獨立的觀測值序列，。xt是第t個時間區(qū)間（設(shè)備采樣區(qū)間）上的觀測值。將□t□1設(shè)定為門限值，考慮一個向上的幅度，設(shè)置報警條件為

式（10）

其中，□t□1是前t□1個時間區(qū)間上序列均值的估計，可以通過式（51）計算得到，門限值□t□1能夠隨著t的變化進行自動的調(diào)整。

直接運用上述算法會產(chǎn)生較高的誤報率，簡單的改進會改善上述算法的性能。設(shè)定一個值k，當(dāng)連續(xù)超過門限值的時間區(qū)間的個數(shù)大于或等于k時就報警，即

式（11）

其中，1k＞。

上述算法的調(diào)整參數(shù)包括幅度參數(shù)□、EWMA的參數(shù)□、連續(xù)超過門限值的時間區(qū)間的個數(shù)k。

4）CUSUM方法

CUSUM算法是依賴于假設(shè)檢驗的異常點檢測算法，目的是當(dāng)異常點出現(xiàn)后盡快將它檢測出來。對該問題的精確統(tǒng)計描述如下：對某個正整數(shù)v，觀測值yyLy為獨立同分布變量，其共同分布為，而觀測值則是來自F1（y）的獨立同分布變量，。顯然，若v=n，則說明沒有異常點，所有觀測值均為獨立同分布變量。另一方面，若有異常點v＜n，那檢測方法應(yīng)盡快發(fā)現(xiàn)異常點，并報警。

［1］賀興書.機械振動學(xué)［M］.上海:上海交通大學(xué)出版社.1985.［2］鄭水英.設(shè)備故障診斷［M］.北京:化學(xué)工業(yè)出版社.2006.

［3］ 沈慶根.化工機械故障診斷技術(shù)［M］.杭州:浙江大學(xué)出版社.2006.

［4］劉文藝.風(fēng)力發(fā)電機振動檢測與故障診斷研究［D］.重慶:重慶大學(xué).2010.

［8］陳安華.旋轉(zhuǎn)機械若干非線性故障現(xiàn)象的分析與研究［D］.長沙：中南工業(yè)大學(xué).1997.

［9］米勒P C.席倫W O，著.線性振動［M］.曾子平.向豪英，等譯.天津：天津大學(xué)出版社.1989.

［10］黃文振.多跨轉(zhuǎn)子-軸承系統(tǒng)振動穩(wěn)定性試驗研究.機械工程學(xué)報.1995.31（5）:34-38.

［11］鐘掘.機械非線性故障現(xiàn)象的描述.診斷與預(yù)測［J］.世界科技研究與發(fā)展.1996.18（6）：15-19.