打开文本图片集

摘 要： 利用物联网能够将信息感知技术、网络技术、智能运算技术融为一体，完成设备健康状态信息的实时协同采集、智能处理、及时反馈等功能。工业设备大部分都是电器设备，通过建立电气设备运行过程中感应磁场波形与设备运行状态之间的对应关系，实现一种通用的非侵入式设备在线监控与预警系统。该系统已在中国商飞部署，帮助中国商飞实现透明工厂。

关键词： 电磁场; 非侵入式设备; 设备监控

中图分类号： TP311.5

文献标志码： A

文章编号：1007-757X（2019）06-0141-03

Abstract： By using the Internet of Things， it is possible to integrate information perception technology， network technology and intelligent computing technology to achieve the functions of real-time collaborative acquisition， intelligent processing and timely feedback of equipment health status information. Industrial equipment is mostly electric equipment. By establishing the corresponding relationship between the waveform of induction magnetic field and the operation status of the equipment， a general non-intrusive equipment online monitoring and early warning system is realized. The system has been deployed in China Merchant Airlines to help it achieve transparent factories.

Key words： Electromagnetic field; Non-invasive equipment; Equipment monitoring

0 引言

随着信息化与工业化的深度融合，信息技术渗透到了工业生产的各个环节。工业设备运行过程中产生的数据日益丰富，物联网、移动互联网、大数据带来的设备健康状态感知、高速数据传输、分布式计算和分析等先进技术，给工业带来深刻的变革，使工业进入了新的发展阶段。采用先进的物联网和大数据分析技术，对设备健康状态进行监测诊断，己成为企业降低生产成本、提高生产效率和市场竞争力的重要手段之一[1]。

通过物联网获得设备的实时状态信息，利用先进的大数据分析技术对检测设备的工作状态及运行环境信息进行分析，从而获得设备的健康状态[2]。本文提出了一种基于电磁场的设备在线监控与预警系统，该系统已在中国商飞得到应用，探讨非侵入式设备预测性维护的有效路径。

1 基于物联网技术的设备状态监测诊断

物联网的出现给工业设备的健康状态监测诊断提供了新的模式和思路[3]。利用物联网，将信息感知技术、网络技术、智能运算技术融为一体，完成设备健康状态信息的实时协同采集、智能处理、及时反馈等功能;构建传感层、网络层、平台层和应用层的四层系统框架，可实现在线监控、故障预警和在线诊断为一体的智能监测诊断模式。基于物联网架构的监测诊断系统如图1所示。

1） 传感层，传感数据收集的目标在于通过状态监测来检测设备状态变化的特征，再通过传感器数据预处理模塊来优化数据传输量。数据采集可分为两类，一类是基于传感器，通常采用非侵入式安装;另一类是基于PLC，利用设备的数据接口。基于传感器的数据采集，由于对设备没有特殊要求，应用更广。比如，通过采集设备的角/线加速度，可以捕捉设备的机械状态和稳定性;通过采集设备的电流电压，可以捕捉设备的电器状态和负载变化。

2） 网络层，网关可采用智能网关或简单的透传路由，负责汇集数据并向服务器传输。透传路由无本地存储和处理，仅支持数据透传，因此一般建议采用智能网关。智能网关负责本地存储数据并处理协议转换等工作，减少服务器端压力，能够在网络故障时恢复数据，从而增加系统的稳定性和可扩展性。

3） 平台层，平台层是数据处理的核心，负责数据存储、算法实现和提供终端展示。①数据导入：对终端接入的数据进行验证、清洗和整理，以标准格式存储;②事件标注：接入用户对于设备故障的标注信息，提供给算法引擎作优化;③算法引擎：运行可预测维保算法，运算结果和阈值比对后根据预设的规则发出警报;④数据接口：根据终端需求提供实时数据，以及按日、周或指定时间间隔的汇总图表。

4） 应用层，主要是信息展示和用户交互。

2 基于电磁场的设备在线检测与预警

通电导线的周围存在磁场，变化的电流产生变化的磁场[4]。不同电器设备在工作时产生的感应磁场波形不一样，同一电器设备在不同工作状态下的感应磁场波形也不一样。硬件设计为贴片形态，将其贴附在电器设备上，实时采集电器设备工作过程中的感应磁场波形，并通过WiFi[5]发送到后端数据处理平台。

将大数据分析与机器学习技术应用于设备运行过程的故障预测诊断[6]，通过从复杂装备运行特征大数据中挖掘出故障信息，以实现运行故障的快速诊断，是近年大数据在智能制造领域的重用应用之一[7]。本文通过建立电器设备运行过程中的感应磁场波形与设备运行状态之间的对应关系，实现一种通用的非侵入式设备在线监控和预警系统，如图2所示。

在收集大量电器设备运行时的感应磁场波形特征数据的基础上，采用数据挖掘算法對设备运行数据进行重组、挖掘，建立故障诊断专家知识库[8]，获得与故障有关的诊断规则。基于专家知识库以及诊断规则，对实时监测数据进行诊断，并逐步更新专家知识库，可以得到更为准确的诊断结论和建议对策。

中国商飞为了实现智能制造，需对加工中心的CNC工作状态进行在线监控。虽然物联网和云计算基础环境已具备，但商飞缺乏实时数据的有效获取手段。而且不同厂商设备实时状态监管接口不开放，接口标准也不统一。中国商飞的CNC是大部分是西门子840 dsl数控机床，部署电磁感应贴片，使用20 kHz的采样频率，得到的测试结果为：①设备工作和断电两种状态之间分类准确率为100%;②电机在不同转速下的在线分类结果准确度高达96%，如图3所示。

国内外主要的设备健康评估建模预测方法有：统计学方法、时间序列分析、贝叶斯方法、灰色系统、支持向量机、神经网络等。目前国际最前沿的方法是深度学习。人工神经网络使用计算机模拟人脑神经细胞进行复制运算。深度学习指包含多层、复杂网络结构的人工神经网络。通过海量神经元的复杂连接，深度神经网络具有无可比拟的运算能力，能够处理分析极其复杂的问题。利用深度学习的大数据分析技术，根据状态检测、故障诊断分析结果，在故障将要发生时对设备进行维护[10]，是一种主动、积极的维护方式。中国商飞将大数据驱动判断和专家知识库判别相结合，辅以失效模式、失效机理分析，综合形成故障诊断记录，作为故障解决方案的基础[11]。

3 总结

在工业设备维护过程中，高准确性和可靠性的设备健康预测结果是保证设备维护效果的重要因素。采用最新的设备健康状态监测诊断技术，转变现有设备的维修思路和方法，将普遍采用的计划性检修向基于设备健康状态的监测和预警诊断进行转变，可降低企业成本，提高设备利用率和竞争力。本文提出一种基于电磁感应的非侵入式设备在线监控和预警系统，利用电磁贴片的物联网技术，结合深度学习的大数据分析技术，及时发现设备异常运行状态，并进行自动预警。该系统已在中国商飞得到应用，帮助中国商飞中、高层技术和管理人员及时掌握设备运行健康状态，提高设备可靠性和可用系数，减少运行检修费用。

参考文献

[1] 王晓， 陈杰， 李济顺. 大型设备远程状态检测及信息采集技术研究[J]. 自动化仪表， 2018， 39（1）：66-69.

[2] 李红卫， 杨东升， 孙一兰. 智能故障诊断技术研究综述与展望[J]. 计算机工程与设计， 2013， 34（2）：632-637.

[3] 孙小江， 李键， 朱勇. 物联网技术在小水电站在线监测及故障诊断的应用[J].电气设计， 2017， 10（A）：61-62.

[4] Wichakool W， Remscrim Z， Orji U A， at al. Smart Metering of Variable Power Loads[J]. IEEE Transactions on Smart Grid， 2015， 6（1）： 189-198.

[5] Changhe S， Yumei W， Ping L， et al. Self-Contained Wireless Hall Current Sensor Applied for Two-Wire Zip-Cords[J]. IEEE Transactions On Magnetics， 201652（7）： 1-4.

[6] 彭宇， 刘大同， 彭喜元. 故障预测与健康管理技术综述[J]. 电子测量与仪器学报， 2010（1）：1-9.

[7] 孙冬. 基于混合模型的故障检测与诊断方法的研究与应用[D]. 南京：南京航空航天大学， 2013.

[8] 刘强， 柴天佑， 秦泗钊. 基于数据和知识的工业过程监视及故障诊断综述[J].控制与决策， 2010， 25（6）：801-807.

[9] Alag S， Agogino A M， Morjaria M. A methodology for intelligent sensor measurement， validation， fusion， and fault detection for equipment monitoring and diagnostics[J]. Artificial Intelligence for Engineering Design， Analysis and Manufacturing， 2001， 15（415）： 307-320.

[10] 刘达新. 基于运行大数据学习的复杂装备故障诊断技术及其典型应用[J]. 中兴通讯技术， 2017， 23（4）：56-59.

[11] 黄宜华. 大数据机器学习系统研究进展[J]. 大数据， 2015， 1（1）：28-47.

（收稿日期： 2019.05.01）