基于多模型融合的线缆设备故障诊断与预测算法研究

关键词： 故障诊断、预测算法、多模型融合、AI 模型、机理模型、动态阈值、趋势预测

一、 引言

背景 ： 工业设备的故障诊断与预测是保障生产安全和设备正常运行的关键。随着工业 4.0 和智能制造的推进，传统的故障诊断方法已无法满足复杂工业环境的需求。

问题 ： 现有的故障诊断模型往往依赖于单一的数据源或模型，难以应对复杂的多传感器数据和多样化的故障类型。

解决方案 ： 提出了一种基于多模型融合的故障诊断与预测算法，结合了多种模型的优势，能够更全面地处理工业设备中的故障问题。

二、 模型分析

1）固定阈值模型

基于预设阈值的故障诊断方法。是一种预设阈值监控告警机制，适用于特定指标异常监测。依据行业规范、历史数据或实践经验设定阈值，区分正常与异常状态。

阈值设定：

人工配置：按照国家标准或行业准则直接设定；

自动识别：系统利用历史数据分析，采用递归标准差法去除异常数据，基于正常范围上限确定初始阈值，确保数据清洗的准确性；

动态调整：面对数据异常或频繁误报，需人工复核并调整阈值

告警逻辑：

1. 数据处理：进行异常值剔除，采用滤波手段提取纯净特征值；应用加权中位数算法进一步净化最新数据，确定检测基准。

2. 阈值比对：根据预设告警等级比例，计算各级阈值与检测值比较，判定告警等级；. 告警延时控制：确保新告警与前次告警间达到设定的静默时间，避免频繁触发。达标后更新告警计数及状态记录，控制告警频次。行业内主要用于辅助工序的异常报警，如：加热的超温预警，轴承温度的异常等检测，代替人工点检，利于重点部位的过程监控。

2）动态阈值模型

根据实时数据动态调整阈值，能够更好地适应设备状态的变化。本算法实现动态阈值监控，根据数据实时特性自适应设定告警界限，精准区分正常波动与异常，减少误漏报警，提升监控效能。

阈值设定与调整：自动阈值初始化，系统自动分析历史数据，采用递归标准差法过滤异常值，基于正常数据上限设定初始阈值，确保分析精确。

动态调整：面对数据不规律或频繁误报，人工介入调整阈值，确保其合理。误报发生时，依据经验再次调优阈值。

告警逻辑

①数据净化与选取：提取指定长度的新数据序列，运用异常值剔除技术清理数据，提炼特征值。

②动态阈值计算：通过加权中位数法进一步滤波，确定检测基准值。采用自适应正态分布方法，结合特定参数，智能界定数据正常范围。

③告警阈值应用

固定阈值比对：依据预设基础阈值与检测值进行直接比较。

动态级别判定：根据预设比例计算多级告警阈值，与检测值比较确定告警严重度。

④告警延时控制：确保两次告警间隔不低于设定的最小时间，避免频繁告警，同时更新告警计数与状态记录。

目前主要用于驱动轴、齿轮箱等，基于振动检测位移、加速度等数据，实现同设备多规格，生产状态下不同负载情况下的异常报警。

3）趋势预测模型

通过分析设备指标的变化趋势，提前预警可能的故障。本算法专注于时间序列数据分析，预测特定指标趋势，及时告警潜在异常。涵盖数据预处理、趋势分析、告警逻辑三大环节，确保数据波动的敏锐监控与精确预警。

阈值初始化与调整

自动阈值设定：基于历史数据，利用递归标准差法去除异常值，确定正常范围上限作为起始阈值，确保分析的精确性。

动态调整：面对非典型数据或频繁误报，需人工校正阈值，确保合理性。误报发生，依据实践经验重新校准。

告警逻辑

①数据预处理与提取：获取指定时长的新数据，通过异常值过滤与加权中位数滤波，提炼出纯净特征值。

② 趋势解析：对数据集执行领域特定筛选与标准化，应用动态窗口平滑滤波增强趋势平滑度与敏感性。执行分段线性回归分析，计算数据斜率，并按数据点总量调整斜率值，便于跨数据集趋势对比。

③ 告警阈值应用：

基础阈值比对：检测值与预设基础阈值直接对比。

趋势阈值判定：依据斜率告警参数，分级设定阈值并与计算斜率比较，确定告警等级。

④告警延时策略：确保新告警发生在前次告警后的静默期内，避免频繁触发。系统记录告警次数，更新告警状态信息。

主要用于关键设备 / 连续运行设备的状态管理，基于一定基数的数据积累，筛选数据的变化趋势预警，减少非计划行停机造成的额外损失。

4）机理模型 ： 基于设备物理特性的故障诊断方法，具有较强的解释性。  主要应用于复杂结构的故障快速诊断，有利于压缩怠机时间。

5）AI 模型 ： 通过深度学习和大数据分析，能够从大量历史数据中学习复杂的故障模式。简化维修人员培养，减少过程分析时间；实现隐形知识的收割。

三、执行方案和运行结果

3.1 数据采集

1）数据采集预处理

采集的数据，一般包含在线监测传感数据、设备运行实时数据。正常使用的传感器：包含温度传感器、振动传感器、润滑颗粒在线监测、红外温度监测传感器、压力传感器等。通过有线 / 无线传输到中央处理系统。

为保证数据质量，需要对数据进行预处理，主要包括以下几个方面：

1. 数据清洗 ： 主要指处理收集数据中的缺失值、异常值和重复值。一般缺失值可以通过插值法 / 均值填进行处理；异常值可以通过数据统计的方法进行剔除；重复值可以直接删除。

2. 特征提取 ： 从采集的原始数据中提取出与故障特种相关的数据。如振动频率、振幅等特征、温度变化等特征。

2） 模型训练

在模型训练阶段，我们使用了历史数据进行训练。具体步骤如下：数据分割 ： 将数据集分为训练集和测试集，通常采用 70% 的数据作为训练集， 30% 的数据作为测试集。

模型选择 ： 根据不同的故障类型选择合适的模型。例如，对于简单的异常检测，可以使用固定阈值模型；对于复杂的故障模式，可以使用AI 模型。

参数调优 ： 通过交叉验证和网格搜索等方法对模型参数进行调优，以提高模型的性能。

3）模型融合策略

在模型融合阶段，我们采用了加权平均和投票机制两种方法：加权平均 ： 根据各模型特征的关联等级，赋予不同的比重，然后将各个模型的测试结果进行加权平均，输出诊断结果。

投票机制 ： 结合故障特性，各个模型对故障特征进行投票，得票最多的故障类型（根因）即为最终的诊断结果。

3.2 实验设置

模型训练 ： 使用历史数据进行模型训练。

测试样本 ： 从数据库中抽取测试样本，评估模型的性能。

3.3 评价指标

准确率 ： 数据诊断结果与设备实际状态的一致性。3.4 运行结果

预警准确率 ： 在实际运行测中，预警准确率≥ 80% 。

诊断准确率 ： 在实际运行测中，诊断准确率 ⩾62% 。

四、讨论

模型优势： 多模型融合能够有效提高故障诊断的准确性和鲁棒性。局限性 ： 模型的训练依赖于大量的历史数据，数据不足时可能影响模型的性能。

未来工作 ：

模型融合策略 ： 探索更多的模型融合方法，如集成学习、AI 深度学习等，以提高模型的性能。

传感器数据融合： 结合更多的传感器数据，如润滑油杂质在线监测、噪音检测传感器、红外传感器等，以更全面地反映设备的运行状态。

数据增强 ： 通过数据增强技术生成更多的训练数据，以提高模型的适应能力。

五、结论

本文提出了一种基于多模型融合的工业设备故障诊断与预测算法，结合了固定阈值、动态阈值、趋势预测、机理模型、AI 模型以及多传感器融合等多种模型的优势。实验结果表明，该算法在实际工业应用中具有较高的预警和诊断准确率，能够有效提升工业设备的故障诊断能力。未来的工作将进一步优化模型融合策略，探索更多的传感器数据融合方法，以提高算法的性能和应用范围。

参考文献：

1）沈庆根、郑水英 ，设备故障诊断，化学工业出版社版，2009-05-172）夏虹、刘永阔、谢春丽，设备故障诊断技术（第 2 版），哈尔滨工业大学出版社，2023-03-013）徐增丙、轩建平、王志刚、熊雯、严育才，机械设备混合智能故障诊断与预测，华中科技大学出版社，2024-02-01