工业大数据的智能化能耗管理与故障预诊系统探究

崔伟钢 对外经济贸易大学统计学院在职人员高级课程研修班学员

引言：工业4.0为德国政府与工业领域共同设想的制造行业未来发展蓝图。当下，人类正进入“工业4.0”时代，实质上就是实体物理世界与虚拟网络世界相互融合的时代，对工业4.0的核心要素予以分析，等同于传统制造行业以物联网与大数据分析为支撑进行智能化转型。既往诸多研究资料指出，制造行业发展运营对信息技术表现出高度的依赖性，本行业整个价值链条与产品的全生命周期均会涉及到大量数据，这在很大程度上促进制造行业产生的工业大数据呈现出“爆炸式”增长的态势。

一、工业大数据的概述

工业大数据，实质上就是工业领域数据以及有关技术与应用的整合体，其内容核心为生产业务、设备物联与外部跨界数据，与此同时还会对外延展到有关技术与应用。对工业大数据自身而言，从横向层面上进行分析，发现其跨越产品需求、设计、开发、工艺流程、生产、供应、管理、运行维护、回收再生产等全生命周期囊括的各个流程；纵向和企业，供应链、生态链，行业管理三个层面的内容建立较明显的关联性。工业大数据技术在现实中的使用，实质上等同于依照制定工业场景，利益收集、整合、存管、挖掘等多种技术手段，深度挖掘大数据内涵盖的价值信息并充分释放，其宗旨是提高生产运转水平及经营管理高度，为产品及产业模式创新发展过程提供强大的技术支撑。

工业大数据不仅具备传统大数据信息量庞大、类型多样化、价值密度偏低、传播速度快等基本特征，还囊括如下属性：

（1）关联性、时序性：生产制造各流程之间的数据存在着正向或逆向的传导关系，相同流程不同学科与专业形成的数据不仅存在一定相关性，还相互约束。与此同时，工业大数据还会依照一定的时间序列产出与收集。

（2）高流通性、动态性：工业采集设备能在较短时间内完成大规模数据的写入任务，数据吞吐数量庞大并且处于实时更新的状态中。

（3）高纬度性、多尺度性：即站在不同纬度其阐述同一个数据。并且各种工业数据在取值频次上存在差异性，故而对外呈现出多时间尺度的属性。

（4）易干扰性、高噪声性：很多工业生产作业是在强干扰、恶劣的环境下进行的，以致工业大数据经常带有一定噪音，但是关于是否掺杂噪音的问题存在着一定不确定性。

二、智能化能耗管理与故障预诊系统

（一）能耗管理

为实现对能源耗用情况的智能化管理，就需要有远程监控系统的支撑，并和生产线路的管理工作之间建设一定关联性，通常就能够在短时间内获取生产线上个工业机械设备能源损耗情况对应的数据，以此为基础实现对机械设备性能的有效监控。工业企业通过合理分析、使用所获取的能源监控数据，针对性的采取相关完善措施，在很大程度上能降低企业生产期间的能源耗损量，提升生产效益。

该系统的功能不仅为分析、管理及优化能源消耗情况，还能通过深度挖掘能耗数据中蕴含的信息资源，进而科学预见机械设备的运行风险与产品质量存在的不足。

在生产系统内，存留者多种不能被检测的风险类型，这些风险在诱发设备故障与制作劣质产品之前通常是不被感知与规避的，此时就需要通过收集一些具有预见性的信号进行估测。但是生产线内设置的设备类型繁杂、数目众多，并且运作环境体现出复杂化特征，将传感器安装在各个设备内的操作实现概率偏低。面对以上工况，迫切需要一种非侵入式监控方法的辅助，监测机械设备具备的原始信号。对于各类设备来说，其具备的原始信号实质上就是能耗信息，在某种程度上分析，原始信号能呈现出设备功能衰减、产品质量偏差等无法检测风险的先兆。

（二）采集能耗数据

在管理与估测能源耗损程度方面上，基础工作是强化工业企业能耗数值的透明度。这就预示着本系统采集能耗数据，并不是单纯统计各台设备在某一时段内的能源耗损情况，而是需依照企业设备的现实运用状况，对设备能耗组成进行逐一分解[1]。

1.统计各台设备在不同模式下的能耗信息。从宏观层面上分析，机械设备的运转模式有停机、待机、空载运行、待料及自检等。在企业生产线内，各机械设备是依照生产节奏于各个模式下有规划的转换，生产节奏设计的规范性与否，将会对能耗程度形成较明显的影响。

2.统计不同生产流程内各产品的能耗情况。在生产活动中各产品的能量损耗情况在很大程度上能提升产品运营成本的透明度，同时会以合理方式把相关数据信息反馈至设计阶段，其能为生产工艺及程序的完善提供数据支持。

3.对比不同设备完成同一任务时能耗差异性。为提升产品的生产效率，现阶段很多工业企业为设置数条生产线去制造同一种产品，比较同种生产线等同负载循环的设备能耗情况，便能够知晓机械设备的节能效果。

（三）系统分析

欧姆龙公司以能耗信号为基础，自主研发了故障预测与健康管理的技术（PPA），并且用于机械、工程机械设备等诸多智能化控制领域中取得较好成效。针对工业机械设备的能耗信息予以深层次挖掘并有效建设模型，其对设备运行初期故障问题及产品质量风险均能实现预见性管理。

PPA能采集产品各生产流程中不同机械设备加工制造时形成的能耗信息，并且能于嵌入式处理器内智能化分步骤辨识与提取产品特点等多项功能，解读并判断各步骤对产品质量风险发生情况的贡献率。

以PPA为基础的能耗管理与故障预测系统由硬件、软件系统两大部分构成。

硬件系统为一种由能耗低、体积微小的电量监控器组成的控制系统，通过将电流、电压传感器等安设于硬件系统内，以实现对设备能耗情况的有效监控，同时还能对外呈现出生产线内不同工位各类设备持有的原始电压、电流及功率因素等多项参数。该系统还和机械设备共同衔接到工业控制网络体系内，控制器和机械设备两者互通信息，收集与机械设备运转相关的状态信息，随后将其传导到企业网络，存储数据后为分析工作的开展创造便利条件。

软件系统是以PPA为基础开发的，系统的核心是能耗诊断分析模块（EMPA）。把能耗信号传导到EMPA以后，历经智能化分析流程，针对固有时间固定动作、动态时间动态动作等不同机械设备研发了与之相匹配的分析模块。

可以把分析步骤细化为如下几个部分：

步骤I：分析模块负责捕获传感器读入的初始数据，并且依照负载循环对初始数据予以智能化辨识与分割处理，针对数据分割工作，可以依照信号周期性呈现出的特征进行。工业生产系统内的机械设备因为周而复始的制造同一产品，以致不同负载循环的功率和能耗曲线之间存在较大相似度，故而可以依照这些曲线内的相似位点对数据进行分割。

步骤II：提取步骤I内经分割处理后产出的信号特征，把初始数据映射至特征空间内。“特征提取”被定义为将传感器信号内能反映信号属性的一些量值提取出来，该方法内主要涵盖时域特征。信号的时域特征以均值、各分步骤能耗总量、总能耗和预设值两者偏差、能量最高值等为主。

步骤III：针对提获的特征矩阵予以降维处理，其宗旨是剔除特征矩阵内的冗余部分，在确保方差最大状况下，最大限度的剔除特征间的关联性[2]。K-L变换、主元分析等均是较频繁使用的数据降维方法。

步骤IV：以最新获得信号特征矩阵为基础，就可以在步骤V内预估机械设备的衰退状态。预估机械设备衰退状态的思路以测算当下设备特征量和健康基线两者的重合度为主，进而对设备衰退情况予以数量化处理。

步骤V：利用强化学习的机制，于获取设备衰退信息后选择与之相对应的预测模型，进而更科学的预见设备特征空间的后续几年发展趋向。针对预测取得的特征量，能够通过在预测置信区间中采取样本取得。若机械设备的健康值超出控制范畴，或者所预估的未来健康值能在后续几年中设定的实践中超出控制范畴，系统化的形成相对应的预警提示信息。

三、能耗管理与故障预诊的关键技术

（一）数据感知与采集

感知与采集数据，是深度挖掘工业大数据价值的关键技术类型，其主要涵盖数据获取与接入治理两个方面，数据获取实质上就是由数据始源获得数据，具体有：（1）亿传感器网络为基础的数据采集技术：比如在数控机床、PCL等设备上加装传感器，安置接口或智能采集零部件，与工厂内构建传感器网络，以OPC配置为载体采集与机械设备及产品相关的运行数据；（2）基于智能辨识感知的数据采集技术：利用光、电、磁及温度等能量传导原理，在条码技术、光信号以及嵌入式技术等支撑下，自动辨识感知信息载体，进而获取相关信息[3]。

接入治理，等同于对经不同途径所获取数据进行统一控制、整合以及预处理，主要涵盖：（1）多源数据采集的配置和调控：针对多源数据实时统一接入，打造数据摄取模型，规划数据同步、分片、分割及索引等多个模块及策略，并规划差异性算法；协调多线程数据，遵照先到先服务的原则应对优先级与时效性问题，在保证数据传送效率的基础上，维护其过程的稳定性；（2）实时融合技术：即使用卡尔曼滤波、人工智能等方法实现数据融合。

（二）数据的统一存储和建模

实质上就是以一定的组织形式对收集到的多源异构数据进行统一存储，基本是集中在庞大数据的小成本存管、多模态数据的一致化管理、无秩序数据片段的整体建模三个方面上。本文只对面向全局的制造数据自体建模技术进行分析，通过自体建模过程，能使全局的制造数据以规范化的形式被存管与存储系统内。捕获生产数据自身的概念、内涵、结构等内容，相互关联的数据片段体现出零散化、无序性特征，通常需要紧扣制造自体规划属性特征，构建数据集与概念集两者的映射关系，最后打造出面向全局的规范性、共享性的语义阐述。

（三）数据分析和决策支持

即紧扣工业企业运行期间形成的某一业务问题，建设行业数据分析模型，在云计算、可视化等技术的支撑下，探寻大数据背后隐藏的规律和机制，形成“工业大脑皮层”，对工业生产决策形成强大的智能化支撑作用。

（1）大数据采集技术：结合采集方式的差异性，可以把大数据采集分为集中式采集和分布式采集两种，前者能采集到所有数据，而后者使用过程中更具灵活性。在大数据采集过程中，不仅要收集企业内部的数据，还要收集企业之间的信息数据，以分布式计算方法为支撑，联合使用不同的采集方法，全面提升数据采集的效率。可以在企业内部安置数个服务器，存储企业共享的数据信息，针对中心服务器间组织采用分布式数据采集法。

（2）数据挖掘下的智能分析技术：对工业数据进行挖掘是指上就是在冗杂、庞大的工业数据内提获规律、信息，进而对企业业务管理及决策提供一定支撑[4]。主要包括：①挖掘数据关联关系：不同生产要素之间通常是相互影响的，形成了繁杂的关系网，采用Aprior、FP-growth分析算法能挖掘、探索出制造或机械设备之间存在的关联性；②预测演化规律：挖掘制造数据对目标结果形成的耦合作用机制，将回归方程设作为预测模式，解读与目标变量相对应的演化规律。

（3）可视化技术：即以图形化形式直观的呈现于解读数据分析结果，协助用户能更深刻的理解大量、多样化工业数据背后隐匿的规律与知识。多维数据可视化能探究多维数据项的分布规律与模式，并揭露不同维度属性之间存在的关联性，常见的有平行坐标、散点图等。

结束语：加强工业企业生产机械设备运行状态的监测、预警及控制等，是实现对能源资源有效管理的基础条件，对全部生产设备进行整体化感知，已经演变成未来智能化工厂能源规范化管理的重要基础。