从大数据到智能制造：轨旁设备和信号系统案例分享

本文部分理论图示和案例借鉴知乎文章

在本文开头，我们需要搞清楚一个概念：我们经常会说到PHM，那么什么是PHM？

故障预测与健康管理PHM（Prognostics and Health Management）技术，是指利用先进的传感器技术，获取系统运行状态信息和故障信息，借住神经网络、模糊推理等算法，根据系统历史数据和环境因素，对系统进行状态监测、故障预测，同时对系统的健康状态进行评估，结合地面维修资源情况，给出维修决策，以实现关键部件的实情维修。

PHM包含两方面的内容，即故障预测和健康管理，健康是指与期望的正常性能状态相比较的性能下降或偏差程度。其中故障预测是指根据系统现在或历史性能状态预测性地诊断部件或系统完成其功能的状态（未来的健康状态），包括确定部件或者系统的剩余寿命或正常工作的时间长度；健康管理是根据诊断/预测信息、可用维修资源和使用要求对维修活动做出适当决策的能力。

关于PHM的详细介绍，请参考这里>>

背景介绍

UK RSSB的报告指出，近年来大部分轨道交通故障源于信号系统及轨旁系统。

轨道交通由于其安全、快速、准时的特性，成为了现代社会不可或缺的出行及货运方式。随着相关技术的进步，轨道交通重大故障（例如脱轨等）鲜少发生，但是由轨旁设备、信号系统故障造成的列车延误却经常出现。在当今这个效率至上、高速运转的时代，一时一刻的延迟都可能造成难以预计的损失。

2002年Potters Bar和2007年Grarigg脱轨事故，让人们认识到提高系统安全性的重要性，而对轨旁设备的在线监控和故障诊断被认为是提高安全性的重要手段。

为保障轨道交通的安全准确运行，将PHM技术应用于轨道交通的各个子系统，全面保障设备正常运行势在必行。

转辙器，用于帮助列车换轨，一直以来都拥有很高的设计可靠性。但是由于工作环境恶劣、冲击大或其他原因造成故障，一旦发生就会直接导致重大事故，例如列车脱轨、追尾等。

转辙器由几大核心部件组成，包括电机、定位杆、固定轨、移动轨、驱动杆等，精确的故障诊断和定位有助于维修维护团队准确及时的解决问题。常见的故障模式包括不对准、摩擦力上升、有异物等。

对转辙器进行远程监控，可以通过监控数据，准确诊断早期故障并完成故障定位，为轨旁设备整体维修维护提供决策支持，最终达到降低系统风险、降低系统维修维护费用的目的，从而达到安全性和经济性的平衡点。

案例分享

1、汽车制造业能耗分析及故障预测成功案例

XX汽车制造公司在整车生产过程中将会产生巨量数据，包括能耗数据、生产数据、环境数据等，这些数据中蕴藏了巨大的价值，包括产品故障、生产优化的目标都可以从数据中进行挖掘。客户需要我们对能耗和生产数据进行挖掘，找出异常点，希望分析出节约能耗的方向，并且对生产过程中的故障进行预测。

慧都能耗异常值分析，为XX汽车制造公司提供咨询、调研、研发、实施、维护一整个环节的完善服务。

数据探索：耗电分析、耗水分析、耗时分析等

数据处理：基于耗电、耗水、耗时数据进行处理，找到数据的异常点，对异常点进行分析。

图1 识别时序数据中的异常点

图2 识别能耗时序数据的拐点

经分析发现，很多设备在非工作时间依然开机，如果关机，电泳和前处理阶段的节能情况如下

如果能够将某些车的前处理和电泳时间分别减少到37分钟和23分钟，在处理功率恒定的情况下，分别将会节约能耗3.23%和6.30%。

用Qlik进行数据探索分析——耗能分析

成功交付

慧都能耗异常值分析解决方案从2018年11月开始导入实施，项目团队结合客户现场生产情况通过和客户详细沟通斟酌，实施团队驻场开发经过接近半年的共同努力，最终于2019年3月项目经培训后成功交付。

客户表示，应用后效果显著：

• 人工判断异常准确率为50%，方案优化之后，可以提高到83%。
• 人工判断异常平均时间为10分钟，方案实施之后，只需要100ms。
• 方案实施后，前处理节能3.23%。
• 方案实施后，电泳节能6.30%。

注：此案例来源于慧都大数据团队的真实客户能耗分析及故障预测项目实施。2、XX轨道交通设备厂商案例

在与欧洲某知名轨道交通设备厂商的合作当中，我们开发了针对转辙器不同工况下的在线监测与故障诊断系统，并且与市面上已有的商业软件以及科研成果做了大量比对认证，所开发系统具有技术领先性，可以准确的识别17种不同的失效模式（包括不同的失效级别），系统输出结果有较高的准确性和稳定性。

所使用方法完全依靠电机的监测参数诊断设备故障，为远程监控提供可行的解决方案。所使用方法包括：基于特征的方法和基于自相关模型的方法。

图4 测试台实物

转辙器实物试验台安放于一个综合试验箱当中，在实际测试时还引入了温度和湿度变化模拟设备在不同自然环境的实际使用情况。

在分析中发现，温度对设备运行状态影响较大，在最终的模型中引入归一化机制，降低温度对最终结果的影响。

所采集原始信号均来自于驱动电机，这样的非侵入式检测有助于未来实施远程监测，同时可以有效地降低实施成本。

图6 自相关神经元网络结构示例

自相关神经元网络的方法多被用来基于多变量检测单变量的异常，最早被用于核电站核岛中传感器的衰退检测。在本案例中被用来评价往复信号的异常状态及区域并与不同的故障模式对应。

注：此案例来源于知乎文章

核心技术

对关键设备的早期故障诊断及故障定位，核心在于发现或者创造相应的故障特征。故障特征可以是原始信号，也可以是由原始信号加工得到。主要运用技术包括数字信号处理、特征选择、降维、时间序列分析、以及多变量状态估计等。在实际系统构架当中，各种技术需要搭配使用，相辅相成，最终实现目的。

如下图所示，从原始信号中，例如电机电压、电流、扭矩等，得到的特征应该在设备性能发生衰退时呈现出逐渐偏移的趋势，并且偏移的速率与衰退的速率成正比。

当然，这是理想状态下的完美特征，也是无数数据工业数据分析工作者的完美伴侣。

---

关于慧都大数据分析平台

慧都大数据分析平台「GetInsight®」升级发布，将基于企业管理驾驶舱、产品质量分析及预测、设备分析及预测等大数据模型的构建，助力企业由传统运营模式向数字化、智能化的新模式转型升级，抓住数据经济的发展势头，提供管理效能，精准布局未来。了解更多，请联系在线客服。

如果您的企业正在进行智能制造或数字化工厂的转型升级，欢迎访问慧都官网或拨打客服热线：023-68661681，我们将根据您企业的实际情况免费定制解决方案，并发送相关行业案例给您！

扫描获取更多智能制造资讯！