楊曉華 陳創(chuàng)業(yè) 虞 華 魏新乾 朱國和 王傳存

上海振華港機(jī)重工有限公司

1 引言

目前港口起重機(jī)械主要沿用傳統(tǒng)的“定期保養(yǎng)，事后維修”的運(yùn)維模式[1]。這種模式存在以下不足：數(shù)據(jù)管理系統(tǒng)不完善，簡(jiǎn)單的統(tǒng)計(jì)分析無法充分利用歷史數(shù)據(jù)；人工巡檢缺乏專業(yè)工具，效果差；設(shè)備出現(xiàn)異常時(shí)，無法輔助判斷故障原因及位置，待機(jī)排查時(shí)間長。

在線監(jiān)測(cè)系統(tǒng)融合了物聯(lián)網(wǎng)、人工智能領(lǐng)域的發(fā)展成果，已經(jīng)初步具備解決上述問題的能力[2-3]，并朝著監(jiān)測(cè)網(wǎng)絡(luò)化、系統(tǒng)集成化方向不斷取得新的突破。通過對(duì)機(jī)組傳感器信號(hào)數(shù)據(jù)分析，經(jīng)人工智能算法賦能的監(jiān)測(cè)平臺(tái)可以對(duì)港機(jī)裝備的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)評(píng)估，為港機(jī)柔性檢修計(jì)劃的制定提供決策依據(jù)。在線監(jiān)測(cè)系統(tǒng)已經(jīng)在軍工、電力、軌道交通、環(huán)保等領(lǐng)域相繼落地[4-5]，雖然仍面臨一定挑戰(zhàn)，但其在港口起重機(jī)械運(yùn)行維護(hù)領(lǐng)域的推廣已經(jīng)成為必然的發(fā)展趨勢(shì)。

2 在線監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)要求

著眼行業(yè)發(fā)展的迫切需求，對(duì)港機(jī)設(shè)備在線監(jiān)測(cè)系統(tǒng)的可行性進(jìn)行了系統(tǒng)性研究。調(diào)研結(jié)果顯示，在線監(jiān)測(cè)系統(tǒng)主要需要滿足以下設(shè)計(jì)要求。

(1)數(shù)據(jù)采集及傳輸要求。在線監(jiān)測(cè)系統(tǒng)運(yùn)行過程中，遠(yuǎn)程監(jiān)控點(diǎn)采集港機(jī)設(shè)備運(yùn)行數(shù)據(jù)并與邊緣計(jì)算設(shè)備及監(jiān)控中心進(jìn)行實(shí)時(shí)不中斷通信，代替人工巡檢監(jiān)測(cè)設(shè)備運(yùn)行效能。設(shè)備歷史運(yùn)行數(shù)據(jù)要能夠留存，以建立裝備運(yùn)行日志及狀態(tài)判別式模型的訓(xùn)練、部署及持續(xù)優(yōu)化。數(shù)據(jù)采集傳感器的選擇和安裝，需要充分考慮港機(jī)機(jī)組設(shè)備工作特點(diǎn)、部件協(xié)同傳動(dòng)原理及傳感器組件物理特性的差異，才能穩(wěn)定、有效地監(jiān)測(cè)設(shè)備運(yùn)行狀態(tài)，還要兼顧不同類型傳感器對(duì)設(shè)備服役工況耐受能力以及工作原理差異性對(duì)整個(gè)系統(tǒng)負(fù)載均衡的影響。

(2)系統(tǒng)化的數(shù)據(jù)訪問權(quán)限管理。對(duì)于監(jiān)測(cè)網(wǎng)絡(luò)留存或服務(wù)器備份的系統(tǒng)運(yùn)行日志數(shù)據(jù)及異常警告信息，普通用戶只有在系統(tǒng)的人機(jī)交互界面瀏覽機(jī)組的實(shí)時(shí)運(yùn)行數(shù)據(jù)或特定時(shí)長內(nèi)的機(jī)組狀態(tài)運(yùn)行日志的權(quán)限，具有規(guī)定等級(jí)權(quán)限的用戶才能對(duì)留存數(shù)據(jù)進(jìn)行數(shù)據(jù)讀寫及維護(hù)。

(3)起重機(jī)械運(yùn)行狀況智能監(jiān)測(cè)要求。除了實(shí)時(shí)收集設(shè)備狀態(tài)的運(yùn)行狀態(tài)數(shù)據(jù)，還要求在線監(jiān)測(cè)系統(tǒng)能夠?qū)崟r(shí)對(duì)設(shè)備運(yùn)行健康狀態(tài)進(jìn)行模式識(shí)別，為柔性檢修維護(hù)及預(yù)測(cè)性維護(hù)的制定提供決策依據(jù)。

3 港機(jī)在線監(jiān)測(cè)系統(tǒng)的實(shí)現(xiàn)

在線監(jiān)測(cè)系統(tǒng)的整體框架分為邊緣層、平臺(tái)層和應(yīng)用層(見圖1)。邊緣層采集港口設(shè)備運(yùn)行數(shù)據(jù)，經(jīng)邊緣計(jì)算設(shè)備處理后傳回控制中心。作為監(jiān)控系統(tǒng)的神經(jīng)中樞，平臺(tái)層結(jié)合不同監(jiān)測(cè)工況具體的數(shù)據(jù)處理要求，對(duì)應(yīng)用場(chǎng)景進(jìn)行數(shù)字化建模，基于異構(gòu)數(shù)據(jù)層級(jí)之間內(nèi)在的邏輯關(guān)聯(lián)性，借助機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等智能技術(shù)探索內(nèi)在函數(shù)映射關(guān)系，從而對(duì)網(wǎng)絡(luò)產(chǎn)生的各類數(shù)據(jù)進(jìn)行一體化的分析[6]，進(jìn)而實(shí)現(xiàn)對(duì)數(shù)據(jù)資源深度整合、信息挖掘，為實(shí)現(xiàn)對(duì)監(jiān)測(cè)系統(tǒng)整體網(wǎng)絡(luò)高效、準(zhǔn)確的分析與管控奠定基礎(chǔ)。借助提前建立的關(guān)于檢修維護(hù)的知識(shí)圖譜，應(yīng)用層可結(jié)合具體的現(xiàn)有作業(yè)、管理?xiàng)l件對(duì)設(shè)備保養(yǎng)管理給出合理的指導(dǎo)建議。

圖1 監(jiān)測(cè)系統(tǒng)總體架構(gòu)圖

在線監(jiān)測(cè)系統(tǒng)通過安裝在起重電機(jī)驅(qū)動(dòng)軸附近的震動(dòng)、溫度等傳感器，采集港機(jī)設(shè)備的車輪和滑輪運(yùn)行數(shù)據(jù)后，上傳至安裝在控制室內(nèi)的邊緣計(jì)算設(shè)備，以進(jìn)行預(yù)處理、分析、存儲(chǔ)，并將這些數(shù)據(jù)通過無線傳輸方式上傳至企業(yè)監(jiān)測(cè)云平臺(tái)。利用人工智能技術(shù)賦能平臺(tái)對(duì)起重設(shè)備及車輪滑輪的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，及時(shí)或提前發(fā)現(xiàn)運(yùn)行異常，并提前安排檢修或更換計(jì)劃，可有效減少車輪和滑輪事故造成的計(jì)劃外停機(jī)時(shí)間，提高設(shè)備利用率，降低運(yùn)行維護(hù)成本。

3.1 數(shù)據(jù)采集及傳輸

該在線監(jiān)測(cè)系統(tǒng)主要通過轉(zhuǎn)動(dòng)軸的振動(dòng)信息判斷起重電機(jī)及車輪、滑輪等部件運(yùn)行過程中的健康狀況，傳感器安裝在起重電機(jī)的主、從動(dòng)軸附近位置(見圖2)。

圖2 傳感器安裝位置示意圖

遠(yuǎn)程在線監(jiān)測(cè)系統(tǒng)的數(shù)據(jù)傳輸模塊一般包括兩個(gè)部分，一是由單位監(jiān)測(cè)區(qū)域內(nèi)的傳感器節(jié)點(diǎn)匯聚組成的子網(wǎng)；二是傳感器將數(shù)字信號(hào)傳輸?shù)奖O(jiān)測(cè)子站后，按照既定協(xié)議傳回監(jiān)控中心的信號(hào)線路稱為骨干網(wǎng)[7]。子網(wǎng)的數(shù)據(jù)傳輸采用有線無線傳輸方案均可。對(duì)于骨干網(wǎng)而言，有線傳輸方案不僅線路架設(shè)成本高，通信線纜及信號(hào)傳輸設(shè)備還容易受到自然災(zāi)害破壞；而無線網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)傳輸只需要架設(shè)天線，不僅提高了系統(tǒng)安全系數(shù)，還提高了系統(tǒng)的可擴(kuò)展性，降低了系統(tǒng)維護(hù)難度。以在電力系統(tǒng)中已取得較為成熟應(yīng)用的監(jiān)測(cè)系統(tǒng)為例，其集成了Linux內(nèi)核低功耗芯片的監(jiān)測(cè)子站，支持子網(wǎng)ZigBee、骨干網(wǎng)IEEE802.1的通信協(xié)議，將收集到的數(shù)據(jù)傳送至匯聚節(jié)點(diǎn)后接入互聯(lián)網(wǎng)，或者通過高增益天線遠(yuǎn)距離傳輸接入內(nèi)部網(wǎng)絡(luò)，在監(jiān)控中心對(duì)數(shù)據(jù)進(jìn)行分析處理實(shí)現(xiàn)故障診斷。

隨著無線通信技術(shù)的不斷發(fā)展，利用GPRS、4G網(wǎng)絡(luò)所提供的公共平臺(tái)實(shí)現(xiàn)數(shù)據(jù)傳輸?shù)慕鉀Q方案也越來也越顯現(xiàn)出競(jìng)爭(zhēng)力[8-9]。早期監(jiān)測(cè)系統(tǒng)的數(shù)據(jù)傳輸方式也多是利用以太網(wǎng)專線或者專用網(wǎng)絡(luò)，將傳感器采集到的設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)按約定協(xié)議傳回監(jiān)控子站，再通過支持FD-LTE、GPRS等無線終端遠(yuǎn)程傳回監(jiān)測(cè)中心。本項(xiàng)目監(jiān)測(cè)系統(tǒng)的傳感器采集運(yùn)行狀態(tài)數(shù)據(jù)，按照約定格式通過支持Modbus協(xié)議的RS-485總線接口傳輸?shù)奖O(jiān)測(cè)子站，再通過4G無線通信終端傳回?cái)?shù)據(jù)處理中心的云計(jì)算平臺(tái)。

3.2 在線監(jiān)測(cè)系統(tǒng)的遠(yuǎn)程故障檢測(cè)

在線監(jiān)測(cè)系統(tǒng)能極大縮短故障檢測(cè)與維修時(shí)間，增加設(shè)備正常運(yùn)轉(zhuǎn)時(shí)長，從而提高設(shè)備整體運(yùn)行效率。起重機(jī)械軸類傳動(dòng)部件故障會(huì)實(shí)時(shí)體現(xiàn)在其振動(dòng)信號(hào)時(shí)域和頻域譜峰的分布特征，保障了設(shè)備預(yù)測(cè)性維護(hù)的可行性。故障檢測(cè)在機(jī)床、大型電站等機(jī)械設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)領(lǐng)域已經(jīng)有了較為廣泛的應(yīng)用[10-11]，從傳感器硬件到故障檢測(cè)分析算法都積累了一定的經(jīng)驗(yàn)。

監(jiān)測(cè)系統(tǒng)傳感器將采集到的設(shè)備運(yùn)行狀況數(shù)據(jù)在邊緣計(jì)算設(shè)備濾波、解調(diào)后，傳輸?shù)奖O(jiān)控中心進(jìn)行存儲(chǔ)、分析，監(jiān)測(cè)系統(tǒng)的服務(wù)器從震動(dòng)信號(hào)時(shí)域和頻域譜線中提取能夠表征設(shè)備運(yùn)行狀態(tài)的特征集，用于機(jī)組設(shè)備運(yùn)行狀況的模式識(shí)別算法診斷，進(jìn)一步在線或離線訓(xùn)練，并提供規(guī)定權(quán)限內(nèi)的運(yùn)行日志數(shù)據(jù)查詢、異常報(bào)警及故障診斷等功能在應(yīng)用層反饋檢修指導(dǎo)建議。

圖3為起重電機(jī)振動(dòng)傳感器監(jiān)測(cè)到的一組故障樣本，分別為驅(qū)動(dòng)側(cè)(MIH)監(jiān)測(cè)波形和從動(dòng)側(cè)(MOH)波形。電機(jī)從動(dòng)端測(cè)點(diǎn)震動(dòng)趨勢(shì)波動(dòng)較大，但整體震動(dòng)幅值較小，時(shí)域波形有沖擊峰，震動(dòng)幅值正常，包絡(luò)譜中可見7.2 Hz頻率，接近仿真試驗(yàn)臺(tái)預(yù)先測(cè)試標(biāo)定的軸承保持架損壞特征頻率；電機(jī)驅(qū)動(dòng)端振動(dòng)幅值正常，趨勢(shì)有間隙躍升，時(shí)域波形較平穩(wěn)，但包絡(luò)譜中發(fā)現(xiàn)33.6 Hz頻率峰，幾乎達(dá)到轉(zhuǎn)子自有轉(zhuǎn)動(dòng)頻率的2倍，由此判斷軸承保持架有磨損。最近的設(shè)備保養(yǎng)周期檢修結(jié)果也驗(yàn)證了分析的準(zhǔn)確性。

圖3 機(jī)組故障監(jiān)測(cè)信號(hào)波形

該系統(tǒng)雖然能夠及時(shí)發(fā)現(xiàn)機(jī)組運(yùn)行異常隱患，但對(duì)于少部分非典型故障的確定，仍需現(xiàn)場(chǎng)人工檢修或者具備相關(guān)知識(shí)背景的專家對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步量化分析。由于滾動(dòng)軸承故障振動(dòng)信號(hào)不穩(wěn)定、故障特征提取效果不理想等原因，仍需要進(jìn)一步提高現(xiàn)有故障診斷的模式識(shí)別算法準(zhǔn)確率。

4 在線監(jiān)測(cè)系統(tǒng)的發(fā)展趨勢(shì)及面臨的挑戰(zhàn)

4.1 智能化發(fā)展趨勢(shì)

在線監(jiān)測(cè)系統(tǒng)基于無線通信網(wǎng)絡(luò)的數(shù)據(jù)采集傳輸?shù)哪K已經(jīng)有相對(duì)成熟的解決方案，隨著基于微內(nèi)核全場(chǎng)景分布式操作系統(tǒng)的推廣，基于高性能AI推理芯片云服務(wù)器的上線及剪枝、量化、蒸餾學(xué)習(xí)等模型壓縮技術(shù)的長足發(fā)展，均為系統(tǒng)利用更多維度數(shù)據(jù)分析，為實(shí)現(xiàn)監(jiān)測(cè)系統(tǒng)的智能化發(fā)展奠定了基礎(chǔ)。

除了進(jìn)一步提高故障診斷模型的準(zhǔn)確率以減少人工參與診斷工作量，在線監(jiān)測(cè)系統(tǒng)還要能夠利用更多維度傳感數(shù)據(jù)，實(shí)現(xiàn)對(duì)港機(jī)設(shè)備運(yùn)行狀況更多維度的監(jiān)控。借助預(yù)先建立的設(shè)備檢修維護(hù)的知識(shí)圖譜模型，并結(jié)合具體機(jī)組的知識(shí)庫以及既定生產(chǎn)轉(zhuǎn)運(yùn)計(jì)劃，對(duì)不同故障給出具體的預(yù)測(cè)性檢修維護(hù)建議。

以往監(jiān)測(cè)系統(tǒng)信息處理的“專家系統(tǒng)”，基于系統(tǒng)動(dòng)力學(xué)原理對(duì)應(yīng)工況場(chǎng)景進(jìn)行建模，并依托最佳平方逼近等數(shù)學(xué)方法實(shí)現(xiàn)函數(shù)逼近。而機(jī)器學(xué)習(xí)負(fù)梯度下降的迭代型搜索算法沒有沿用這種解析解的思路，將“實(shí)踐論”引入了建模領(lǐng)域，數(shù)據(jù)驅(qū)動(dòng)的基于誤差反向傳播算法和鏈?zhǔn)椒▌t的深度學(xué)習(xí)，在處理非線性可分分類問題時(shí)，相較于傳統(tǒng)SVM等機(jī)器學(xué)習(xí)的核函數(shù)方法又進(jìn)一步提高了處理準(zhǔn)確率，并進(jìn)一步降低了對(duì)模型特征集選取的敏感性及實(shí)況應(yīng)用場(chǎng)景對(duì)于建模能力的要求。這種端到端的建模理念已經(jīng)極大提高了模型準(zhǔn)確率，且相較于傳統(tǒng)建模方法，對(duì)復(fù)雜應(yīng)用場(chǎng)景也展現(xiàn)出更強(qiáng)的泛化能力。震動(dòng)信號(hào)也具備明顯的自然語言時(shí)間序列特征，可以根據(jù)業(yè)務(wù)的實(shí)際需要選擇合適的框架接入相應(yīng)的API進(jìn)行模型訓(xùn)練及上線部署。

為了保障港機(jī)設(shè)備運(yùn)行故障診斷模型的準(zhǔn)確率和召回率，充足的訓(xùn)練和驗(yàn)證數(shù)據(jù)集需要提前采集，并根據(jù)選用模型對(duì)設(shè)備正常運(yùn)行的歷史日志數(shù)據(jù)及篩選的故障樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)注，選用網(wǎng)絡(luò)模型訓(xùn)練以實(shí)現(xiàn)對(duì)故障的診斷。半監(jiān)督訓(xùn)練算法可以極大降低數(shù)據(jù)標(biāo)注工作量并達(dá)到與監(jiān)督訓(xùn)練相近的準(zhǔn)確率，對(duì)類工業(yè)高噪聲環(huán)境也展現(xiàn)出更高的耐受性。但截止目前，在監(jiān)測(cè)系統(tǒng)及其他物聯(lián)網(wǎng)相關(guān)領(lǐng)域還未見公開的成熟應(yīng)用，除了圖像數(shù)據(jù)標(biāo)簽“增廣”技術(shù)仍需結(jié)合時(shí)間序列型數(shù)據(jù)結(jié)構(gòu)特征作進(jìn)一步改進(jìn)之外，另一重要原因在于原始故障樣本數(shù)據(jù)積累不充分，從單一仿真試驗(yàn)臺(tái)上采集的故障樣本的概率分布，不利于故障判別模型超分割平面的確定。

4.2 系統(tǒng)面臨的挑戰(zhàn)

除了操作系統(tǒng)、數(shù)據(jù)傳輸，數(shù)據(jù)實(shí)時(shí)處理及預(yù)警觸發(fā)均會(huì)產(chǎn)生延遲，保障在線監(jiān)測(cè)系統(tǒng)的實(shí)時(shí)響應(yīng)是一個(gè)系統(tǒng)性工程。

當(dāng)前階段監(jiān)測(cè)系統(tǒng)處理的數(shù)據(jù)多為時(shí)序特征較為明顯的震動(dòng)信號(hào)，已有神經(jīng)網(wǎng)絡(luò)模型用于故障檢測(cè)但未取得較大幅度準(zhǔn)確率提升，對(duì)于診斷模型仍可嘗試完善特征集適配DNN網(wǎng)絡(luò)，后期系統(tǒng)優(yōu)化磨合后，使用數(shù)據(jù)新標(biāo)注方式再嘗試訓(xùn)練RNN、LSTM等網(wǎng)絡(luò)模型，且驗(yàn)證后的模型需經(jīng)剪枝壓縮后再移植到系統(tǒng)平臺(tái)，并持續(xù)優(yōu)化以縮減系統(tǒng)算術(shù)運(yùn)算響應(yīng)時(shí)間。

作為云計(jì)算的必要補(bǔ)充，邊緣計(jì)算可以在港機(jī)設(shè)備端對(duì)運(yùn)行數(shù)據(jù)進(jìn)行存儲(chǔ)和預(yù)處理，既可以減輕傳輸網(wǎng)絡(luò)的帶寬壓力并降低數(shù)據(jù)傳輸能耗，又可以減輕云計(jì)算中心的數(shù)據(jù)處理壓力，從而提高系統(tǒng)實(shí)時(shí)響應(yīng)能力。值得注意的是，雖然全場(chǎng)景分布式操作系統(tǒng)可以兼容邊緣計(jì)算，但既有的MapReduce等計(jì)算框架在處理高并發(fā)嵌入式分布式集群異構(gòu)數(shù)據(jù)時(shí)仍存在一定的不足[12]，因此適宜將濾波、解調(diào)、FFT變換及簡(jiǎn)單規(guī)則預(yù)警等簡(jiǎn)單任務(wù)部署到邊緣計(jì)算設(shè)備，對(duì)于機(jī)組部件剩余壽命預(yù)測(cè)等遠(yuǎn)景規(guī)劃任務(wù)，仍部署在服務(wù)器或者云計(jì)算平臺(tái)均衡監(jiān)測(cè)系統(tǒng)負(fù)載，以降低響應(yīng)延遲。

現(xiàn)在的監(jiān)測(cè)系統(tǒng)需要連續(xù)若干次觸發(fā)下跌或上升判斷規(guī)則之后才會(huì)發(fā)出警告，即系統(tǒng)故障后以震動(dòng)信號(hào)頻譜特征作為主要診斷依據(jù)的模型，需要若干采樣時(shí)長才能觸發(fā)警告。RNN等深度學(xué)習(xí)模型則可以實(shí)時(shí)對(duì)設(shè)備運(yùn)行狀況進(jìn)行判斷，只需要適配流數(shù)據(jù)處理的實(shí)時(shí)計(jì)算引擎。目前相對(duì)成熟的實(shí)時(shí)計(jì)算引擎有Storm、Spark Streaming及Flink等，具體篩選過程中，需要綜合考慮具體應(yīng)用及系統(tǒng)維護(hù)場(chǎng)景的實(shí)際需求。

5 結(jié)語

利用機(jī)器學(xué)習(xí)、物聯(lián)網(wǎng)等技術(shù)發(fā)展成果，在線監(jiān)測(cè)系統(tǒng)可以實(shí)現(xiàn)對(duì)機(jī)組設(shè)備運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)測(cè)，有效降低巡檢等運(yùn)維成本，對(duì)于提升港口科學(xué)管理水平具有重要意義，在港口起重機(jī)械運(yùn)行維護(hù)領(lǐng)域具有廣闊的應(yīng)用前景。