隨著人工智能技術(shù)和邊緣計(jì)算技術(shù)在工業(yè)領(lǐng)域中的快速發(fā)展，預(yù)見性維護(hù)在工業(yè)互聯(lián)網(wǎng)方面有著極為重要的作用。預(yù)見性維護(hù)是通過采集數(shù)據(jù)分析設(shè)備的狀態(tài)，預(yù)測可能的失效時(shí)間，提前進(jìn)行維護(hù)，以防止故障的發(fā)生。傳統(tǒng)的風(fēng)機(jī)維護(hù)模式多以“被動式運(yùn)維”為主，主要依靠現(xiàn)場工作人員進(jìn)行定期維護(hù)和故障檢修，其運(yùn)維成本極高，也容易出現(xiàn)由于人員水平不一導(dǎo)致過度維護(hù)或欠維護(hù)，引起發(fā)電量的損失。而對風(fēng)電機(jī)組有效的狀態(tài)監(jiān)測和提前的故障信號的捕捉，及時(shí)進(jìn)行預(yù)見性維護(hù)，不僅能夠大量減少計(jì)劃外停機(jī)時(shí)間和維護(hù)時(shí)間，還能大幅降低故障維修成本，進(jìn)而提高風(fēng)電場的運(yùn)行水平。

通過分析風(fēng)機(jī)各部件歷史故障規(guī)律，抓取風(fēng)機(jī)故障前兆，在風(fēng)機(jī)某故障真正發(fā)生之前，判斷風(fēng)機(jī)故障率是否達(dá)到警戒紅線，進(jìn)而及時(shí)預(yù)報(bào)風(fēng)機(jī)的異常狀況，采取相應(yīng)的措施，從而最大程度的降低因風(fēng)機(jī)發(fā)生故障所造成的損失。本文以公司的半直驅(qū)機(jī)組為例，收集與分析該機(jī)型某故障的所有信息，通過數(shù)據(jù)處理計(jì)算出平均無故障運(yùn)行時(shí)間，確定數(shù)據(jù)的刪失類型為右刪失數(shù)據(jù)，選擇合適的非參數(shù)估計(jì)方法Kaplan-Meier方法估計(jì)可靠度，進(jìn)而計(jì)算出累積故障率，以預(yù)測可能故障時(shí)間，為預(yù)見性維護(hù)提供一定的參考依據(jù)。

2.1基本概念簡介

Kaplan-Meier（K-M）估計(jì)也稱乘積限估計(jì)（productlimit estimator），簡稱PL估計(jì)。由Kaplanand Meier于1958年首次提出，主要用于對非參數(shù)數(shù)據(jù)進(jìn)行累積故障率和危險(xiǎn)率的估計(jì)。

其定義為：產(chǎn)品在規(guī)定的條件下和時(shí)間內(nèi)，喪失規(guī)定功能的概率稱為累積故障率，其是時(shí)間的函數(shù)，一般用表示。如果用表示產(chǎn)品壽命，那么對于規(guī)定的時(shí)間，有

而可靠度的定義是產(chǎn)品在規(guī)定的條件下、規(guī)定的時(shí)間內(nèi)能完成規(guī)定功能的概率。同樣，可靠度也是時(shí)間的函數(shù)，對于某個(gè)指定的時(shí)間而言，如果產(chǎn)品的壽命大于規(guī)定的時(shí)間，即，則產(chǎn)品一定能完成規(guī)定的功能；否則，若，則產(chǎn)品不能完成規(guī)定的功能。一般用表示可靠度函數(shù)，它可以看作事件“”發(fā)生的概率，即

由式（1）和式（2）可得，可靠度函數(shù)和累積故障率分布函數(shù)之和恒定為1，如果將兩條曲線繪制在同一張圖中，兩者的升降趨勢剛好相反，如圖1所示。

圖1 可靠度函數(shù)和累積故障率分布函數(shù)

2.2 算法原理

對總體的個(gè)個(gè)體的運(yùn)行時(shí)間進(jìn)行觀測，得到（其中可能有右刪失數(shù)據(jù)，但沒有左刪失數(shù)據(jù)）。當(dāng)是精確數(shù)據(jù)時(shí)，令；當(dāng)是右刪失數(shù)據(jù)時(shí)，令。那么數(shù)據(jù)就可以記為（）()。將這些從小到大重排（當(dāng)一個(gè)刪失數(shù)據(jù)和一個(gè)精確數(shù)據(jù)相等時(shí)，則將精確數(shù)據(jù)排在刪失數(shù)據(jù)之前），得到當(dāng)是精確數(shù)據(jù)時(shí)，令；當(dāng)是右刪失數(shù)據(jù)時(shí)，令。

通過統(tǒng)計(jì)理論的結(jié)果知，對于上述數(shù)據(jù)，其可靠度函數(shù)R(t)的乘積限估計(jì)為：

根據(jù)可靠度與累積故障率的關(guān)系，可知累積故障率。

3.1故障樹建立

故障樹專家?guī)旖⒅饕譃閮煞N，第一種是基于專家經(jīng)驗(yàn)建立的故障樹，第二種則是利用NLP方法，提取故障工單關(guān)鍵詞，將其核心關(guān)鍵詞與部件進(jìn)行相關(guān)聯(lián)建立故障樹。

3.1.1 故障樹節(jié)點(diǎn)概率計(jì)算

在計(jì)算相應(yīng)節(jié)點(diǎn)概率過程中，一部分采用專家經(jīng)驗(yàn)值作為節(jié)點(diǎn)概率，另一方面則是將故障工單中的關(guān)鍵信息進(jìn)行提取，采用TF-IDF方法和TextRank方法對詞頻進(jìn)行分析，對相關(guān)詞進(jìn)行重組之后與相應(yīng)的節(jié)點(diǎn)進(jìn)行對應(yīng)，從而計(jì)算出相應(yīng)節(jié)點(diǎn)的概率。本文以齒輪箱油位低為基礎(chǔ)，進(jìn)行節(jié)點(diǎn)概率計(jì)算，其故障樹以及節(jié)點(diǎn)概率見表1。其中，node_id為故障節(jié)點(diǎn)編號，node_parentid為故障父節(jié)點(diǎn)編號，node_type為節(jié)點(diǎn)類型（1根節(jié)點(diǎn)，2中間節(jié)點(diǎn)，3葉節(jié)點(diǎn)），node_type_desc為節(jié)點(diǎn)描述，node_name為故障節(jié)點(diǎn)名稱，pr為故障原因概率（各葉子節(jié)點(diǎn)概率為在同一中間節(jié)點(diǎn)下的概率占比）。

表1齒輪箱油位低故障樹以及節(jié)點(diǎn)概率

3.2 數(shù)據(jù)預(yù)處理

采用2016年以來所有故障數(shù)據(jù)作為原始數(shù)據(jù)集。原始數(shù)據(jù)主要存儲內(nèi)容為故障開始時(shí)間、故障結(jié)束時(shí)間、故障持續(xù)時(shí)間、故障碼、機(jī)型等信息。通過數(shù)據(jù)清洗將缺失數(shù)據(jù)進(jìn)行剔除后進(jìn)行無故障時(shí)間計(jì)算、故障次數(shù)、刪失數(shù)據(jù)標(biāo)記、平均無故障時(shí)間計(jì)算等。

3.2.1 平均無故障時(shí)間計(jì)算

1）平均無故障時(shí)間的計(jì)算采取兩種方式：方式一是針對歷史發(fā)生過該故障的機(jī)組，計(jì)算其平均無故障運(yùn)行時(shí)間；方式二是針對全部機(jī)組，計(jì)算其無故障運(yùn)行時(shí)間。以相鄰故障時(shí)間差作為無故障時(shí)間，部分計(jì)算結(jié)果見表2。其中，wtgs_code為風(fēng)機(jī)編號，Nofault_time為無故障運(yùn)行時(shí)間，F(xiàn)re為故障頻次，E為數(shù)據(jù)缺失類型（1為精確數(shù)據(jù)，0為右刪失），ave_nofault為平均無故障運(yùn)行時(shí)間。

表2數(shù)據(jù)清洗以及部分計(jì)算結(jié)果

3.2.2  K-M非參數(shù)估計(jì)計(jì)算

根據(jù)平均無故障時(shí)間和刪失數(shù)據(jù)標(biāo)記進(jìn)行K-M分析計(jì)算，再依據(jù)可靠度與累積故障率的關(guān)系計(jì)算出故障樹根節(jié)點(diǎn)各時(shí)間段對應(yīng)的故障率，計(jì)算的部分結(jié)果如圖2、圖3所示。其中，橫軸為機(jī)組無故障運(yùn)行時(shí)間，縱軸為根節(jié)點(diǎn)的累積故障率。故障機(jī)組指歷史上有觸發(fā)過該故障的機(jī)組，全部機(jī)組指歷史上未觸發(fā)過該故障的機(jī)組。

圖2故障機(jī)組累計(jì)故障率結(jié)果    

圖3全部機(jī)組累計(jì)故障率結(jié)果

3.2.3結(jié)果與分析

圖4齒輪箱油位低故障樹

通過上述的分析過程，建立起一個(gè)完整的故障樹，里面包含根節(jié)點(diǎn)、葉子節(jié)點(diǎn)、中間節(jié)點(diǎn)、相應(yīng)節(jié)點(diǎn)發(fā)生的故障概率，以及在相應(yīng)的無故障運(yùn)行時(shí)間下，估計(jì)發(fā)生故障的概率，圖4為故障機(jī)組齒輪箱油位低無故障運(yùn)行一周后，故障樹及其故障概率展示。（紅色：，橙色：，藍(lán)色：，灰色）

本文對2016年以來所有機(jī)組故障進(jìn)行建模分析，采用專家經(jīng)驗(yàn)和文本挖掘思路建立相應(yīng)故障樹。利用非參數(shù)估計(jì)K-M估計(jì)建立平均無故障運(yùn)行時(shí)間和累計(jì)故障率之間的關(guān)系，對各個(gè)節(jié)點(diǎn)概率分別進(jìn)行計(jì)算，以2021年故障數(shù)據(jù)進(jìn)行驗(yàn)證，該模型準(zhǔn)確率達(dá)到80%左右。案例結(jié)果表明，所提方法不僅可以快速定位已有故障的具體根因，而且可以通過預(yù)測某臺機(jī)組在相應(yīng)的無故障運(yùn)行時(shí)間下的故障發(fā)生率，為現(xiàn)場預(yù)見性運(yùn)維提供一定的參考價(jià)值。

參考文獻(xiàn)：

[1]李晨光.五軸聯(lián)動數(shù)控機(jī)床可靠性評價(jià)及其系統(tǒng)實(shí)現(xiàn)[D].北京信息科技大學(xué),2020.

[2] 馬逢時(shí)，吳誠鷗，蔡霞.基于Minitab的現(xiàn)代實(shí)用統(tǒng)計(jì)[M].中國人民大學(xué)出版社，2017.

[3] 芮曉明，張穆勇，霍娟.試運(yùn)行期間風(fēng)電機(jī)組平均故障間隔時(shí)間的估計(jì)[J].中國電機(jī)工程學(xué)報(bào),2014.

作者：明陽智慧能源集團(tuán)股份公司 李高娟、張輝 魯納納 孫啟濤