云晓飞
包钢钢联股份公司巴润矿业分公司 内蒙古包头市014000
摘要：本文首先阐述了大数据分析的相关概述，详细论述了矿山设备预测性维修大数据系统的建设方案。
关键词：矿山设备；预测性维修；大数据分析
矿山设备预测性大数据分析系统的建设是以“降本增效”为目标，以实现传感器、设备和生产系统的自动化和智能化为手段，在数据监测、可视化、基本统计计算、超限报警基础上，更好地利用收集的数据，基于相似性算法，针对每台设备进行模型数据训练，建立每一台设备专有的数据模型，利用大数据分析结果预测性诊断设备潜在故障，达到提升安全保障、减少设备非计划停机、提高维修效率、降低维修成本、提高设备运用效率的结果。
一、大数据分析概述
大数据分析是指对规模巨大的数据进行分析。大数据可概括为5个V，数据量大(Volume)、速度快(Velocity)、类型多(Variety)、价值(Value)、真实性(Veracity)。大数据分析的理论核心是数据挖掘。数据挖掘即从数据获取到深度学习，通过机器深入数据内部去挖掘价值。
大数据作为时下最火热IT行业的词汇，随之而来的数据仓库、数据安全、数据分析、数据挖掘等围绕大数据的商业价值的利用逐渐成为行业人士争相追捧的利润焦点。随着大数据时代的来临，大数据分析也应运而生。
二、矿山设备预测性维修大数据系统的建设方案
本系统采用“相似学模型”的大数据预测诊断分析技术，对所有采集数据进行实时分析。以MT4400矿用卡车为例：预测性诊断将通过柴油机、称重系统、液压监测系统、胎压监测系统、燃油监测系统等多个传感器提供的数据，集中由数采模块汇集，获取每台设备的历史数据，进行模型匹配、数据清洗，按现行工况获取正常运行数据训练模型，结合当前状态及模型训练结果，并形成动态的报警限值。这样即使设备未满功率/满负荷运转，仍可预判设备异常，在故障早期报警，及时获得维修维护，避免设备发生不可逆损伤或意外停机。
1、数据采集
1)柴油机的CAN接口数据。通过从柴油机到数据采集模块的线束改造，以读取发动机数据，通过数据采集模块发送到工控机。采集以下数据点：坐排前部进气温度、机油压力、柴油机转速、柴油机力矩、燃油温度、冷却液压力、冷却液温度。预期可实现柴油机以下方面的预测性诊断：①涡轮增压器：增压不足或机械磨损；②冷却系统：冷却损失；③燃油系统：温度/压力异常、燃油稀释问题。
2)称重系统的CAN接口数据。新增称重系统，读取装载重量和悬挂压力。采集以下数据点：载重、倾角、左前悬挂压力、右前悬挂压力、左后悬挂压力、右后悬挂压力。预期可实现以下故障的预测性诊断：①悬挂的压力异常、泄漏方面的预测性诊断；②结合其他信息可判断称重系统的传感器故障。此外，称重系统的数据也作为模型输入，帮助进行电动轮电气、制动、轮胎方面的预测性诊断。
3)轮胎监测系统的网口数据。安装轮胎监测系统，实现将轮胎检测系统数据传输至卡车工控机。采集以下数据点：左前轮胎压力、右前轮胎压力、左后轮胎1压力、左后轮胎2压力、右后轮胎1压力、右后轮胎2压力、左前轮胎温度、右前轮胎温度、左后轮胎1温度、左后轮胎2温度、右后轮胎1温度、右后轮胎2温度。可结合称重系统数据，对轮胎的渐进性故障进行预测性诊断：①轮胎压力异常；②轮胎温度异常。
4)电传系统的RS232串口数据。基于串口提供数据进行线束改造，通过数据采模块读取数据并传到工控机。采集以下数据点：加速踏板位置、电制动状态、左后轮马达速度、左后轮马达力矩、右后轮马达速度、右后轮马达力矩、母线电压、母线电流、启动电池电压、风冷温度。
结合称重系统、采油机数据，可进行如下诊断：①电动轮的基本监控状况；②控制柜冷却。启动电池电压可用于柴油机不能正常启动相关故障的诊断，包括充电机、皮带的异常。
5)液压压力的模拟信号。改造卡车上的液压管路并安装油压、油温传感器将数据通过AI接口发送到数据采集模块。采集如下数据点：举升压力、转向压力、前制动压力、制动蓄能器压力、后制动压力、驻车制动压力、液压油温。可进行压力相关的预测性诊断：①漏油、压力损失、转向异常；②结合卡车工作状态(柴油机、称重系统、电气数据)，诊断压力传感器本身的故障。
2、数据传输与存储。通过矿区现有无线网络将移动设备的数据从卡车工控机上传送到本地HISTORIAN服务器。通过车载数据采集终端将数据经CAN2.0B总线实时传送给车载工控机。在工控机上安装数据采集器程序，数据采集器程序支持断点续传，工控机上的数据采集器通过4G网络，将工控机上的设备数据，传送到HISTORIAN服务器上。HISTORIAN实时数据服务器将作为存储采集的所有实时数据源的核心数据库，用于检测分析设备应用状态。为实现信息传输和网络运行的安全保障，同时部署单向物理隔离网闸，将卡车生产侧的网络与预测性分析系统进行网络隔离，有效防范可能发生的内外部非法攻击。
HISTORIAN对数据的存储以文件形式存储，通过采集、存储及分发的存储机制，使历史数据具有高效、可用及开放特性，实现数据层级结构化、高压缩、安全、强健的冗余机制。
3、数据分析。预测性维修的关键技术在于预测分析技术。本系统采用相似性建模算法，该算法是一种多参数预测方法，其它建模技术如主成分分析和神经网络等，在面对品质不高的数据时会很困难。很多建模技术要做大量计算，相似学模型技术在现成的商业化Intel硬件及普通的微软软件运行环境下，即可根据每隔5～10min的采集数据实现数千个数据点的高级建模。设备的建模被划分成多个逻辑模块，每个模块包含互相关联的参数及预测所需参数。根据每个模块，可预测性地判断设备性能降低的主要因素，并根据相应的设备组件定位故障。同时系统针对一台设备、利用其正常工作状态的多个测点的历史数据，为每台设备建立独立的数据模型。由于使用来自于多个传感器的多种数据，能有效抑制干扰和容错。
此外，常规报警方式设置固定的报警条件或报警触发限值，只有监测到的状态值超过报警限值时，才会触发报警。此报警触发限值的设置不可过低，以免造成过多的误判断，报警频发，引起不必要的停工及人工检查；另外，限值的设置也不可过高，否则将导致设备已发生不可逆转或巨大的损伤。当设备无满功率/满负荷运转时，即使设备有损伤，也因未达到触发条件，无法触发报警。
针对MT4400矿用卡车的不同子系统有效收集所有数据进行大数据分析进而预测性诊断，现有模型可涵盖如下子系统的诊断：①柴油机子系统：涡轮增压器、空气过滤器、后冷却缸、油缸、冷却系统、润滑油系统；②悬挂子系统：悬挂、轮胎；③液压子系统：制动器冷却、制动器液压、转向；④传动子系统：机械变速器；⑤电传驱动系统：电机、传动装置、发电机。
4、系统优化。系统优化是基于“数字双胞胎”理论上对设备预测性维修的完善。
“数字双胞胎”即数字孪生，能在虚拟数字模型和现实物理对象间建立映像。包括产品数字双胞胎、生产工艺流程数字双胞胎、设备性能数字双胞胎，以上三项前后形成不断循环，服务于产品全生命周期。其中设备数字双胞胎用于故障预测、健康管理及预测性维护，并回馈运行信息用以优化设计、改善产品性能。
在设备使用中，各参数都可能发生相应的变化：①系统会根据变化情况，使用新的历史数据，对模型进行再训练：②工作环境条件超出预定范围，设备负载不再满足原始设定；③设备出现新的工作状态，不确定能否在正常工作下健康运行。
根据“数字双胞胎”概念，通常在初始模型训练完成后，在后续使用中继续模型的维护性训练，使用新的数据对模型进行再训练和优化。
参考文献：
[1]梁栋.大数据、数据挖掘与智慧运营[M].北京：清华大学出版社,2018.
[2]王晓云.矿山设备预测性维修大数据分析系统的建设[J].科技创新导报，2020(17).