设备健康状态评价

2024-06-30

设备健康状态评价（共7篇）

设备健康状态评价篇1

一、前言

设备状态评价体系在烟草行业起步较晚, 属于较为前沿的研究内容。作为典型的流程型工业, 生产设备的状态对于烟草行业的产品质量与消耗至关重要。设备管理作为卷烟生产质量和工艺的基础保障体系, 必须从经验管理走向科学管理, 逐步实现基于设备健康状态的精益化维护和检修。

本文结合河南中烟黄金叶生产制造中心 (以下简称制造中心) 的探索实践, 针对烟草行业设备健康评价体系的设计和应用进行研究, 包括评价指标体系的构建、原理、方法和过程等方面, 针对试点机型开展试评价, 验证评价思路、评价指标的适用性, 进而对设备健康状态进行评价, 通过评价结果分析, 指导制定设备维修计划, 为维修决策提供量化依据。逐步建立起一套符合卷烟制造企业特点的设备健康评价标准、体系和机制。

二、设备健康状态评价体系设计思路

卷烟工业主要生产设备发生突发性或过负载的故障可能性极低, 90% 以上的故障都和产品质量缺陷密切相关, 因此, 产品质量因素是进行设备健康状态的核心指标。制造中心结合自身生产实践, 提出基于设备性能、产品质量、运行状态和安全状态4 个维度的较为科学实用的卷烟设备健康评价体系, 4 个评价维度设计如下。

1. 设备性能类:是指设备本体的、静态的性能指标, 如设备关键系统或部件的性能指标和参数等, 指标选取和评分标准可参照设备说明书等基础资料, 同时结合实际生产和工艺需求而定, 可有单项否决项。

2. 产品质量类:包括设备本身所带在线产品质量检测装置 (仪器) 的完好性可靠性、设备所输出产品的过程质量两方面指标, 可有单项否决项。

3. 运行状态类:包括运行效率、有效作业率、故障停机率、故障停机次数、辅料消耗等评价设备运行状态的指标, 行业设备管理绩效评价指标体系结合企业实际使用的指标选取, 评分标准可参照行业先进值、企业历史数据等。

4. 安全状况类:包括设备联锁有效性、危险源可靠性、设备操作危险度等, 评分标准应有单项否决项。

根据烟草设备的运行维护特点, 设备健康状态评价结果分成优良、健康、亚健康、劣化、恶化5个级别。设备健康评价的目标用途主要用于4 个方面:第一, 按照设备健康状态级别, 为设备维修计划制定和维修决策 (轮修、项修、大修和技术改进) 等提供量化的决策依据;第二、依据状态评价报告对维修策略进行优化, 对设备技术标准、作业标准体系进行系统分析、完善和优化, 促进设备维修精益化;第三, 利用评价过程, 开展设备对标活动, 引导现场改善和员工成长;第四, 以机台 (主机) 健康评价为基础, 优化重点工艺参数、功能单元技术标准等, 打造标杆机台。

三、评价对象选择

设备健康评价体系的设计需要在对设备进行系统梳理、分级分类的基础上, 确定关键生产设备作为评价对象。根据工艺流程, 分别选择对生产组织, 产品质量, 原辅料、能源消耗和安全影响较大的设备作为评价对象。如分别从制丝、卷包和动力车间, 选择重点管理设备 (A、B类) 进行评价。

制造中心在试点阶段, 选择3 个核心工艺的10 类试点设备 (机型) 作为评价对象和实践验证。

1. 卷包车间:卷接机、包装机、装封箱机。

2. 制丝车间:松散回潮机、切丝机、薄板烘丝机。

3. 动能车间:锅炉、真空泵、空压机、制冷机。

四、设备健康状态评价标准的设计过程

建立设备健康评价标准的设计, 需要运用科学的方法进行指标选择和权重设计。主要采用DELPHI法进行指标选择, 采用AHP法为每个评价指标确定权重。

评价标准的设计具体操作过程如下。

首先组成卷包、制丝、动力3 个专家小组。按照课题所需要的知识范围, 每组选择20 人, 由设备管理、质量工艺、车间管理层、维修班组、生产班组等人组成。

然后针对卷接机组进行功能单元分解和FMEA失效模式分析, 获得其关键性能指标和状态参数, 初步结果选取了32 个重点部位的精度参数、运行状态参数和20 余个质量指标和安全指标, 7 个代表性的效能指标。为避免评价的复杂性, 提高可操作性, 必须采用DELPHI法进行指标精化和AHP法权重排序。

以卷包设备评价标准设计过程为例, 采用4 个主要步骤进行评价标准的指标选择和评价权重设计。

第一步:德尔菲法的步骤为, 向卷包专业小组专家下发调查表, 收集专家选择排序, 将返回的意见进行归纳综合、定量统计分析后再反馈专家;反复经过3轮, 意见比较集中后进行数据处理与综合得出结果。通过DELPHI法, 将卷接机组评价指标精简为27 个。

第二步:AHP算法模型, 采用Expertchoice软件首先对4 个维度两两比较排序进行权重分配, 获得权重比例为设备性能40%、产品质量30%、运行状态20% 和安全状态10%。

第三步:采用Expertchoice软件AHP算法模型, 分别对4 个维度的指标再次进行两两比较排序、权重分配, 获得维度内的各个指标权重排序和比例 (图1) 。

第四步:制定评分方法和评分规则。

综合评价分的打分方法为评价会议和现场检测两个步骤。组织召开设备健康评价会议, 以设备现状数据为主, 现状数据和历史数据相结合, 现状数据的采集周期合理设定, 保证指标评价的准确性和可操作性。现场检测包括现场查看、询问交流、抽查验证等, 既收集更多的数据信息, 又对初步评价进行现场验证纠偏, 最终进行综合判断, 确定设备的健康状态类别。

完成以上4 个步骤后, 可以得到卷接机组健康评价表中不同评价指标的权重。根据计算结果, 分别给设备性能、产品质量、运行状态和安全状态4 个一级指标赋予40%、30%、20% 和10% 的权重, 最终得到设备健康评价标准表, 如表1、2 所示。

区分不同的设备役龄建立评价得分综合评价坐标模型。将设备役龄作为横坐标, 分为3 个阶段:Ⅰ (磨合期0 ~ 2 年) 、Ⅱ (平稳期2 ~ 8 年) 、Ⅲ (耗损期8 年~∞) , 设备初步评价得分作为纵坐标, 建立设备综合评价坐标系, 如图2 所示。

同一机型设备使用同一表格和标准进行初步评价, 在初步评价得分的基础之上, 依据评价模型分役龄阶段进行综合评价计分。3 个役龄阶段的设备健康状态均分为5 类:优良、健康、亚健康、劣化、恶化, 相同的健康类别、不同役龄阶段的应用和对策不同。

五、设备健康状态评价的分级规则与结果应用

基于如表1、2 所示的设备健康评价表, 可以对设备的状况进行评价, 总得分≥ 90 分, 且单项指标得分所占该维度比例≥ 80%, 优良;总得分为80 ~ 90 分, 且单项指标得分所占该维度比例≥ 75%, 健康;总得分为70 ~ 80 分, 且单项指标得分所占该维度比例≥ 65%, 亚健康;总得分为60 ~ 70 分, 劣化;总得分≤ 60 分时, 判定为状态恶化。

在设备健康状态分级的基础上, 进一步从以下3 个方面进行管理分析, 进而为计划维修和技术改造提供决策支持。

1. 设备健康状态评价结果主要应用于设备检维修策略和投资策略, 包括科学优化设备的保养、点检和维修等日常工作。

(1) “优良”和“健康”状态设备, 继续进行正常的设备日常保养、润滑、轮保及日常维修, 努力保持其理想状态。

(2) “亚健康”状态设备, 可进行局部项修或深度保养, 内容以导致设备健康等级下降的因素作为侧重点。项修验收1 个月后进行健康等级再评价, 直至达到“健康”以上状态。

(3) “劣化”状态设备, 可结合实际情况进行深度项修或局部大修, 项修、大修2 个月后进行健康等级再评价, 直至达到“健康”以上状态。

(4) “恶化”状态设备, 可结合实际情况进行大修、改造或下线, 设备验收2 个月后进行健康等级再评价, 直至达到“健康”以上状态。

2. 除按照评价得分进行维修策略选择外, 按照设备运行周期规律, 应重点关注处于Ⅰ和Ⅲ的设备;同时, 原则上不应该出现劣化Ⅰ、恶化Ⅰ和亚健康Ⅱ、劣化Ⅱ、恶化Ⅱ的情况, 否则应从管理方面分析原因, 并采取相应措施如下。

当出现劣化Ⅰ、恶化Ⅰ时, 应重点分析和反思在设备选型、采购、验收环节的工作标准、流程适宜性和执行情况, 以及在磨合期操作、维修包机人员的责任心和能力, 是否存在设备事故瞒报和处理不当等方面的问题, 对应则采取修订标准、联系厂家重点治理以及责任界定、强化考核等措施, 避免类似问题重复出现。

当出现亚健康Ⅱ、劣化Ⅱ尤其是恶化Ⅱ的情况时, 应重点分析在设备管理制度、模式、维修策略选择, 日常工作执行力和检查考核力度、细度, 是否存在设备事故瞒报和处理不当等方面的问题, 持续改进管理效果。

3. 投资策略 (深度项修、大修、改造、技术改造、购置、报废) 选择时, 通过设备使用成本数据的统计, 根据费用役龄关系变化分析, 考虑企业眼前及长远的权益和规划, 结合行业发展方向和特点、公司战略部署, 寻找设备最佳投资方案, 实现经济性和技术性有机结合。

六、应用实践和展望

本文围绕卷烟行业设备健康评价体系构建的问题, 针对试点机型开展试评价, 验证评价思路、评价指标的适用性。通过评价过程实施, 为维修决策提供量化依据, 制造中心依据评价结果制定了10 类重点生产设备的年度维修计划, 促进了设备管理从经验管理走向科学管理、精益管理的进程。目前, 制造中心正利用信息化手段建立自动化的评价模型, 实现设备健康在线评价以及维修策略优化、检修计划生成的自动化系统。通过与点检系统、设备管理信息系统、生产制造系统 (MES) 对接, 有效利用数据自动化采集建设设备运行数据中心, 将设备健康评价常态化, 逐步实现设备健康管理的智能化。

参考文献

[1]赵兵, 夏良华, 满强, 吴波.设备健康管理系统的设计与实现[J].计算机测量与控制, 2010, 05:1024-1026.

[2]满强, 夏良华, 马飒飒.基于CBM需求的设备健康管理系统设计[J].计算机工程与设计, 2009, 06:1505-1508.

[3]常建宏, 郭涛, 马杰昱.卷烟工厂设备健康管理理论探索与实践[J].中国设备工程, 2015, 01:44-48.

[4]穆彤娜, 于洪敏, 张雪胭.设备健康管理研究综述[A].Intelligent Information Technology Application Association.Economic, Education and Management (ICEEM 2011V2) [C].Intelligent Information Technology Application Association:, 2011:4.

设备健康状态评价篇2

该标准1996年在国际上公布，2001年以中国国家标准GB/T6075发布。但自公布以来，推广和应用的情况并不好。除了宣传不够和人们已习惯旧标准的原因外，缺乏方便的手段也是一个重要原因。

北京森德格公司新设计的909Z-6是一种多参数检测仪，能够测温、测振、测轴承。测量了振动的速度和位移值后可直接与10816国际标准进行比较，然后用红黄绿灯显示4种评价结果。

它除了能测量整体振动情况(由轴系旋转和结构问题引起的，如不平衡、轴不对中、松动等)，还能测量由轴承缺陷或齿轮啮合问题引起的高频加速度包络值。它还能测量轴承表面温度。非常适合于发现机器、轴承和齿轮的早期故障。

909Z-6的主要技术指标如下。

测量量程和频率范围：温度-33～220℃;加速度：0.1～100 m/s210～1 000Hz;速度：0.1～250 mm/s10～1 000Hz;位移：1～3 000μm 10～500Hz;包络Env:0.1～25 unit从3～10kHz中解调5Hz～2kHz;精度：±5%±2个字;电源：1节电池(1/2AA, 3.6V), 工作电流20～29mA，连续工作时间20h，间歇使用约600次;工作温度：0～50℃;相对湿度：<85%;体积：110mm×35mm×17 mm;重量：100g(包括电池)。

909Z-6的红黄绿灯报警方式。

设备健康状态评价篇3

常见的健康状态评估方法有:模型法、层次分析法、模糊综合评价法[1]、人工神经网络等。设备健康状态评估领域的研究成果颇多[2,3],且大多评价方法都是基于建立在相关专家经验基础上的评价指标体系展开研究的,但是很多时候评价指标之间的独立性是难以保证的,且大部分情况下评价指标对评价对象的影响具有模糊性,因此本文应用模糊理论和网络层次分析法来解决这两个问题。

1 基于ANP的模糊综合评价过程

模糊综合评价法,是一种以模糊推理为主的定性与定量相结合、精确与非精确相统一的分析评价方法[4]。本文利用ANP模型得出各评价指标的权重,旨在有效解决非严格独立性评价指标权重的确定问题;利用FCM算法得到各评价指标的隶属度,避免了模糊隶属函数构建时受主观因素影响而无法准确划分模糊区间值的问题。

1.1 ANP网络层次结构模型

ANP网络结构[5]分为两部分,第一部分是控制层,其中包括问题目标和决策准则;第二部分是网络层,由所有受控制层支配的元素组成,其内部是相互影响的网络结构。根据所建立的评估指标体系,构建的ANP网络结构如图1所示:

设P1,P2,…Pm为ANP控制层元素,c1,c2,…,cn为ANP网络层元素组,ei1,ei2,…eim,i=1,2,…n为元素组ci中的元素。以控制层元素Pj(j=1,2,…,m)为准则,以元素组中的元素eji(l=1,2,…,nj)为次准则,元素组ci中其他元素对ejl的优势度的大小进行比较,可得判断矩阵。由优势度比较可得出归一化特征向量wm。若wm通过一致性检验,则为网络元素排序向量,则其他元素的排序向量可同理得出,从而形成矩阵Wij,即

其中,Wij的列向量为ci中元素ei1,ei2,…,eim对cj中ej1,ej2,…,ejm的重要程度排序向量;若ci与cj之间无影响,则Wij=0。然后把所有的网络元素的相互影响的权重向量组合起来,可得在准则下各组元素对元素组cj的重要性进行比较,将各成对比较矩阵的权重向量汇总于一个矩阵中,形成一个完整的综合矩阵,即为超矩阵,则其矩阵形式如下:

矩阵的子块Wij是列归一化的,但W不是列归一化的,因此以Ps为准则,对Ps下各组元素对准则cj的重要性比较,归一化特征向量为(a1j,a2j,…,anj)T,若比较后无相互影响关系,则aij=0,综合所有特征向量构成权重矩阵A,即

对超矩阵W的元素加权,即得加权超矩阵为:

其中i,j=1,2,…,n,W为列归一化的。

设加权超矩阵元素为,则其大小反映了元素i和元素j之间的相互影响度,为了充分综合各元素之间的影响关系,还需计算的极限值,使得超矩阵趋于稳定,如果最终收敛,则第j列就是网络层各元素对第j个元素的极限排序向量,即为网络层指标的权重。

1.2 FCM模糊综合评价模型

FCM(Fuzzy C-means,模糊C均值聚类)[6]是一种基于划分的聚类算法,使得被划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小。FCM使用模糊划分,把n个向量xi(i=1,2,…,n)分为c个模糊组,并求每组的聚类中心,使得每个给定数据点的值用[0,1]间的隶属度来确定其属于各个组的程度,即其隶属矩阵也取值在[0,1]之间的元素,同时一个数据集的隶属度的和总等于1。FCM算法的具体实现过程参见文献[7]。

由FCM算法分别求得的各评价对象的各评价指标的隶属度值,从而得到第个评价对象的个评价指标的评判矩阵为:

其中1≤j≤N。

则N个评价对象的评判矩阵为:

然后应用模糊变换的合成运算,可得到聚类中心集V上的一个模糊子集,即综合评判结果为:

2 卷包设备健康状态评价实例分析

2.1 卷包设备健康状态评价指标体系的建立

本文就红河卷烟厂中包装机设备的运行情况,建立了科学、合理并直接关系到状态评价的真实性和全面性的卷包设备健康状态评价指标体系。表1为包装机健康状态评价层次指标体系结构。

2.2 ANP对层次评价指标权重的确定

包装机设备健康状态评价的评价因素并不是相互独立的,它们之间具有相互关联关系,因此,我们采用ANP法计算各指标的权重。

影响“包装机设备健康状态评估”的各因素的重要性各不相同,由于ANP考虑了指标之间的反馈与依赖关系,计算复杂,涉及超矩阵运算,本文借助Super Decision软件进行超矩阵、加权矩阵及最终指标权重运算。则用Super Decisions软件输出的各指标的权重和对应的极限。

2.3 基于FCM的包装机健康状态模糊综合评价

FCM依据隶属度的大小来对数据进行归类划分,对于被划分到同一类的对象之间的相似性大,而不同类之间的相似性较小,本文选取“红河卷烟厂”包装机运行状态数据进行实例分析,样本个数N=765;选取的评价指标n=13;分类的个数即论域的个数c=5,依次分别表示严重病态、病态、一般、健康、非常健康,同时它们对应的分值分别为30,50,60,80,100,;迭代个数iter=100,应用FCM得到各评价对象的各评价指标的隶属度,即它们的总得分为S=30×v1+50×v2+60×v3+80×v4+100×v5,v1、v2、v3、v4、v5分别表示严重病态、病态、一般、健康、非常健康。

2.4 包装机健康状态评价结果分析

实验过程中发现:ANP获得的指标权重与它们的极限值有关,极限值越大,其权重越大。同时在应用FCM聚类算法对指标进行评价时,默认情形为评价指标值越大,得到隶属于高模糊等级的可能性越大,而事实上,除“台时产量”、“在线检验得分”、“入库前检验得分”三个指标为正向指标外(指标值越大,总得分越大);其他指标都为负向指标(指标值越大,总得分越小),因此,我们对负向指标进行了特殊处理,将其映射为正向空间的指标值。

由实验结果可知:评价对象的总得分受所有评价指标的影响,且所受影响程度各不同,其中“台时产量”影响程度最大。在一个评价对象中除“总停机时间”外所有的负向指标的值都比另一个评价对象的值大,然而“台时产量”值较小,且总得分相对,表明评价指标“台时产量”比“总停机时间”的影响程度更大;从定性角度来说,实验结果分析结论与实际情况是一致的,也就是说本文的评价方法是基本有效的;而要进一步从定量的角度来看评价结果的有效,则需要应用于实际,并进行较长时间的验证与评价模型修正后再验证的不断循环过程方能得到更符合实际评价需求的模型。

3 卷包机设备健康状态评估工程应用

理论与实践相结合,我们将上述评价模型算法工程化,应用到红河卷烟厂卷包机设备健康状态评估项目中,红河烟厂卷包机健康状态评估平台的评价功能模块界面如图2所示,可查看按机组健康状态总评分升序方式排序的多个机组的评价结果,排在第一行的机组是最需要进行检修的。

同时用户还可以查看机组健康状态评价指标体系各指工程应用自上线来,卷包机的健康状态评价结果得到了厂方相关专家的基本认可,并根据专家判定来修改评价模型,本文实例部分的评价指标体系为较新的评价版本。

4 结束语

通过对红河卷烟厂的卷包机组的实际运行状态进行理论方法应用评价,评价结果在一定程度上验证了评价方法的有效性,进而能为烟草企业的设备维修提供更科学、合理的决策支持。然评价方法的理论论证有待不断探索,下一步可考虑结合灰色理论进行卷包设备健康状态评估。

参考文献

[1]宾光富,周元,Balbir S.Dhillon.基于Fuzzy-AHP的机械设备多特征参数健康状态综合评价研究[J].中国机械工程,2009,20(20):2487-2492.

[2]常建宏,郭涛,马杰昱.卷烟工厂设备健康管理理论探索与实践[J].中国设备工程,2015(1):44-48.

[3]李智文,刘立宏.灰色层次分析法在卷烟市场状态评估中的应用[J].现代商贸工业,2015(1):122-123.

[4]胡永宏,贺恩辉.综合评价方法[M].北京:科学出版社,2000.

[5]孙铭忆.层次分析法(AHP)与网络层次分析法(ANP)的比较[J].中外企业家,2014(04):67-68.

[6]陈松生,王蔚.改进的快速模糊C-均值聚类算法[J].计算机工程与应用,2007,43(10):167-169.

电气设备维护与健康状态预测篇4

在企业的生产管理中, 设备管理是其重要的一个组成部分, 设备管理的水平及可靠性会影响企业的持续发展、生产水平及生产效率等[1]。目前, 国内大型企业由于设备种类繁杂, 管理流程繁琐, 涉及的管理和技术问题非常复杂, 经常因设备日常维护不到位、点检制度不合理、备品备件供应控制缺失等导致企业生产需求与设备资产生产能力之间产生的矛盾越来越突出, 甚至严重影响了企业的正常生产经营。为此, 企业需投入更多的设备资产来满足正常生产和市场需求, 但更新设备需要投入巨大的资金和人力, 对设备进行合理有效的维护来降低故障发生率, 已经成为企业降低生产成本、提高生产效率和市场竞争力的重要手段之一。对设备的健康状态进行有效预测, 还可以避免由于可能的突发故障造成的人员伤亡和企业经济损失。因此, 及时对设备的健康状态进行评估、预测设备剩余寿命, 以确定设备正常、稳定的工作是当今各行各业最为关注的问题。

传统的设备状态检测一般跟踪合同订单, 及时巡检设备, 以发现有可能发生故障的设备。文献中多采用构建设备状态评价模型, 分析整个设备系统的实际运行状态, 采用过程产品物理和几何变化信息检测设备状态和潜在故障的方法, 构建面向设备及其产品的一体化健康状态评价模型[2~3]。很多学者利用仪表数据进行分析, 判断干扰和异常信号, 从而对设备健康状态进行评价, 并进行设备寿命预测, 例如文献[4~5]分析振动信号、文献[6]分析油液光谱分析数据。文献[7]从残差信号中分析断层影响参数, 从而进行变速箱振动数据失效分析, 达到变速箱状态评价的目的。如果可以采用数学模型描述设备故障问题, 则可以采用基于模型的方法对被测信息进行诊断处理。

由于人工神经网络技术具有不依赖精确数学模型, 只要有足够中间隐层节点, 就能够以任意小的误差逼近任何函数、训练简洁、学习效率高等优点, 因此, 本文采用基于径向基函数 ( RBF) 的神经网络技术, 对设备进行分类管理, 进行设备状态预测, 实现设备有效维护。实验结果证明, 本文设计的方法能够提高设备健康状态的有效检测, 为设备维护决策提供有效依据。

二、基于RBF的电气设备维护与健康状态预测

( 一) 电气设备维护与健康状态预测策略。电气设备按照其使用寿命一般可以分为“大修、小修、报废、正常”四种健康状态。由于各仪表数据与设备健康状态结果之间的关系是未知的非线性关系, 可以用公式表示如下:

其中f代表未知的非线性关系, Y代表健康状态。按照输出值Y值大小区域划分如表1 所示的“大修、小修、报废、正常”四种状态。

为了充分利用仪表数据, 且由于大部分的设备故障模型很难采用精确的数学模型描述, 因此采用神经网络技术进行仪表数据与设备健康状态之间的建模。首先利用仪表采集系统进行数据采集与处理, 输送给RBF神经网络系统进行建模, 输入为各种仪表信号, 网络输出为0 ~ 1 之间的数值, 再根据表1 进行语义解释, 最后得到“大修、小修、报废、正常”四种健康状态结论, 最后根据该结论进行设备的维护方案设计。

首先建立如图1 所示的神经网络模型。针对不同的设备建立不同的神经网络模型, 每个神经网络模型依据可得的设备仪表数据量, 确定模型输入节点。

以空调设备为例, 建立空调健康状态预测和维护模型。一般可以利用传感器获得环境温度、湿度、二氧化碳浓度、空调设备的电压、电流、连续运行时间、购买时间及相应的操作信息 ( 开、关) , 设计RBF网络的输入节点为8 个, 分别输入上述仪表信息, 输出为1 个节点, 分别代表“大修、小修、报废、正常”四种健康状态, 依次量化为如表1 所示的四个区域。

( 二) 基于RBF的电气设备维护与健康状态预测算法。由于高斯函数形式简单、径向对称、光滑性好、易解析, 因此采用高斯函数作为激活函数, 采用8 - h - 1 的网络结构, h为隐层节点数; 输入节点数为8, 则可以表示为:

其中W为估计权值矩阵, φ 为激活函数, c分别为隐节点中心估计值和标准化参数, 其中h为隐层节点数。

输入X1, X2, X3, …, X8分别代表环境温度、湿度、二氧化碳浓度、空调设备的电压、电流、连续运行时间、购买时间及相应的操作信息 ( 开、关) 。隐层节点中心ci和数目h的选取是关键问题。不恰当的选择会使网络隐层节点空间无法实现从非线性的输入空间到线性输出空间的转换。具体学习方法采用减法聚类算法[8], 对样本进行归一化之后, 进行如下步骤的减法聚类过程:

其中:

其中X =[X1, X2, X3, …, X8]T∈R8 × 1; n代表样本数; h代表隐层节点数; ci为初始聚类中心; wq代表联接权系数; φm为隶属于第m个聚类的数据对; nm为隶属于第m个聚类的样本个数; η1和 η2为给定接受比拒绝比; ra、rb、rth、Pth为给定合理值。

三、实验研究

采集某个大型建筑物内空调供暖设备进行实验研究。针对103 个空调进行健康状态预测分析。采集历史数据进行建模后, 得到模型参数设置如下:

( 一) 参数设置。高斯半径= 0. 5。采用减法聚类离线确定网络初始值时, σ = 0. 58, rth= 0. 34, ra= 0. 2, rb= 0. 3。接受比和拒绝比分别为 η1= 0. 5, η2= 0. 15, 减法聚类后得到6 个中心点。

( 二) 验证。利用上述建立的建筑设备健康状态预测模型对2011. 12. 12 的空调设备健康状态进行预测, 并利用后来的1年内空调设备维护历史记录进行验证。验证如表2 所示。由本文提出的基于RBF算法的设备健康状态预测方法得到的大修、小修、报废和正常的空调数分别为12, 26, 6, 59 个, 而在后来一年内的历史记录中可以获得实际需要维护的设备数分别为12, 24, 5, 62 个, 对应的“大修、小修、报废和正常”命中率分别为100% , 92. 3% , 83. 3% 和95. 2% 。实验结果说明本文提出的RBF算法的空调设备健康状态预测方法的预测命中率较高, 作为后续的设备维护策略设计具有一定的指导意义。

四、结语

由于设备管理是企业生产管理中一个重要的组成部分, 及时对设备的健康状态进行评估、预测设备剩余寿命, 以确定设备正常、稳定的工作是当今各行各业最为关注的问题。本文采用神经网络技术, 提出基于RBF网络的设备健康状态预测方法, 能够对设备健康状态进行有效预测, 可以为后续的设备维护策略提供一定的指导意义。

参考文献

[1]潘家轺.现代生产管理学[M].北京:清华大学出版社, 2004

[2]宾光富, 李学军, 楚万文.基于模糊层次分析法的设备状态系统量化评价新方法[J].系统工程理论与实践, 2010, 4:744~750

[3]周津慧.重大设备状态检测与寿命预测方法研究[D].西安电子科技大学, 2006

[4]周月琴.机械设备状态检测系统设计及其信号处理算法研究[D].南京信息工程大学, 2008

[5]杨永生.基于状态监测的机械设备可靠性评估模型[J].四川兵工学报, 2010, 31 (7) :49~51

[6]张英锋, 马彪, 郑长松, 等.基于油液光谱分析的PCA-AHP综合传动健康状态评价研究[J].光谱学与光谱分析, 2010, 30 (4) :1008~1012

[7]Lin D, Wiseman M, Banjevic D, et al.An approach to signal processing and condition-based maintenance for gearboxes subject to tooth failure[J].Mechanical Systems and Signal Processing, 2004, 18 (5) :993~1007

设备健康状态评价篇5

计算机和电子技术的飞跃发展促进了工业生产现代化和机器设备的大型化、连续化、高速化和自动化, 因此而迅!速发展起来一门以高等数学、物理、化学、电子技术、机电设备失效学为基础的新兴学科——设备状态监测与故障诊!断学。它是现代化设备维修技术的重要组成部分, 并日益成为设备维修管理工作现代化的一个重要标志。

设备状态监测和故障诊断学对确保机械设备的安全运行、提高产品质量、节约维修费用以及防止环境污染均起到!了重要作用。因此, 在生产中运用设备状态监测与故障诊断技术, 可降低设备突发故障的发生率和维修费用的减少, !给企业带来巨大的经济效益。

数据中心设备状态评价模型研究篇6

关键词：设备状态评价,模糊理论,CRITIC算法,AHP算法,主客观组合赋权法

0前言

随着信息化的深入发展,以及大数据和云计算技术的成熟与应用,国家和企业纷纷加大了数据中心的建设[3]。由于服务器设备数量巨大,设备管理与维护越来越重要,设备运维水平直接关系到数据中心能否安全稳定运营,而做好设备运维的前提是及时、全面获知设备的运行状态。因此,本文以数据中心服务器设备为研究对象,对设备状态评价模型进行了系统研究,结合了多套算法从不同的层面对数据中心设备进行评价。

1 模型概述

1.1 评价对象

服务器是数据中心最为核心的设备,就服务器种类来说,目前X86以其成本低廉、性能强大等优势逐渐成为数据中心的主流服务器,在服务器组成结构上,典型的X86架构服务器一般都包含CPU、内存、主板、网卡、磁盘、电源、风扇这几大核心部件。本文以基于X86体系架构的服务器作为基本评价对象。

1.2 评价思路

数据中心由数以万计的服务器组成,服务器又由若干部件组成,每类部件具有若干指标属性,基于数据中心的物理及逻辑构成特点,将数据中心分为硬件层、设备层、部件层、指标层四个层面,对数据中心设备状态进行系统评价。具体来说,首先通过部件运行指标值对设备部件状态进行评价[5],然后通过部件状态对设备状态进行评价,最后统计分析众多设备的状态得出整个硬件层的状态,完成对数据中心整体设备状态的评价,整个评价思路是一个自下而上的过程。

1.3 评价框架

本文中设备状态是指设备当前的运行状态,为了统一对设备状态的认识,将设备状态分为以下四个等级:正常状态:所有运行指标处于理想运行范围内,设备处于健康状态;注意状态:部分指标运行超出理想运行范围,设备服务能力下降;异常状态:运行指标变化量较大,设备部分部件发生故障,但设备仍可对外提供服务;严重状态:运行指标严重超出理想运行范围,设备几乎或已经不能对外提供服务。

1)指标体系:构建一套科学的指标体系是设备状态评估的基础,所选择的指标需要客观反映评价对象的运行特征,具有客观性、完备性,并且要可测量、可采集,具有实际操作意义[1]。本文选取的指标主要有CPU、内存使用率、温度、电压以及部件负载信息等。

2)权重因素:主要包含两个层面的权重,一是指标权重,二是部件权重。通常设备部件的状态可通过多个指标来衡量。

目前权重的确定方法可分为两类,一类是主观赋权法,另一类是客观赋权法。主观赋权法是由决策分析者根据对指标的重视程度而赋权的一类方法,由于引进了人为干预,这类方法难以摆脱人为因素的影响;客观赋权法一般是根据所选择指标的实际信息形成决策矩阵,在此矩阵基础上通过运算形成权重,该类方法忽略了对指标重要性的先验认识。由于部分指标值在设备实际运行中存在一定的主观可调整性,如CPU、内存使用率,仅使用客观赋权法会存在一定的局限性。因此,本模型拟组合客观赋权法(CRITIC算法)和主观赋权法(AHP算法)构建指标权重函数计算指标权重。

3)评价理论:设备状态是一个模糊的概念,具有很强的主观性,难以对其进行精确区分与衡量,在设备管理与维护过程中,也无需对设备状态进行精确度量,采用模糊理论可很好地满足设备状态评价需求[8]。

基于以上分析,给出设备状态评价模型框架图:

2 模型实现

2.1 模型权重计算

2.1.1 基于CRITIC算法的指标权重计算

1)样本数据选择:记部件类别数为m,样本数据为当前时刻全部设备某类部件的指标值,样本容量为n,即样本包含n个该类部件的指标值,每个部件上的指标数量为pi(i=1,2,..,m)。将原始指标值与指标标准值进行对比计算偏差率,得到模型的最终输入值如下:

其中Xi为指标i的样本值,xij为第i个部件第j个指标的取值。

2)数据的标准化处理:不同指标的数量级和量纲可能会有所不同,需要进行标准化处理以消除数量级和量纲的影响。对于正向指标,即越大越好的指标,作如下转换[1]:

对于负向指标,即越小越好的指标,作如下转换:

为了便于理解起见,仍记标准化处理后的指标值为xij。

3)指标权重计算:第j个指标与其他指标的冲突性量化指标为:(1-rij),其中rij为评价指标i和j之间的相关系数,记指标Xi与Xj的相关系数为rij,则rij为:

其中i为指标i的平均值,r的计算结果在区间[-1,1]内,r<0认为Xi与Xj是负相关的,r>0认为Xi与Xj是正相关的,r=0则认为Xi与Xj不相关。

各个指标的客观权重就是以对比强度和冲突性来综合衡量的。设Cj表示第j个评价指标所包含的信息量,则Cj可表示为:

Cj越大,第j个评价指标所包含的信息量越大,该指标的相对重要性也就越大,计算第j个指标的客观权重:

采用CRITIC方法建模得到某类部件的指标权重向量记为Wc。

2.1.2 基于AHP算法的指标权重计算

1)判断矩阵构造:AHP算法的关键在于利用1~9间的整数及其倒数作为标度来构造两两比较判断矩阵[7]。在同一层评价因素中,将部件的指标进行两两对比,计共有m类部件,第i类部件的指标数为pi,根据相对重要性的判断引入合适的标度数值,从而形成判断矩阵,记为Ei:

其中eij表示指标i对指标j的相对重要性度量,指标j对指标i的相对重要性度量为eji=1/eij。

2)指标权重计算:计算矩阵Ei的最大特征根λmax,得到最大特征根对应的特征向量为,Wf为权重向量,此特征向量即为所求权数。由于评估人不可能判断出权数的精确值,这就需要使用一致性检验公式对判断矩阵进行一致性检验:

其中CR为判断矩阵的随机一致性比率,CI为判断矩阵的一般一致性指标,RI为判断矩阵的一般一致性指标。当CR<0.1时,即认为判断矩阵具有满意的一致性,说明权数分配是合理的,否则需要调整判断矩阵,直到取得具有满意的一致性为止。

最后对权重向量进行归一化处理:

为了便于理解,归一化处理后的权重向量仍记为,权重是介于0和1之间的小数,并且指标权重和等于1。

2.1.3 主客观组合赋权法计算最终权重

引入系数α,α是介于0和1之间的小数,综合考虑主客观赋权法获取的权重,得到最终的指标权重向量为[2]:

其中α可人为调节,如果要突出主观权重法,则将α调小,反之,要突出客观权重法,则将α调大,当α=0.5时,主观赋权法和客观赋权法相当。

亦可根据AHP算法思想得到部件的权重:

其中qi为第i类部件的权重。

2.2 部件层状态评价

1)构建模糊评语集:设模糊评语集V={v1,v2,…,vk},根据设备状态等级划分得出V={正常状态,注意状态,异常状态,严重状态},V对每个层面的状态评价都适用。

2)构建模糊判断矩阵:按照部件对指标分组。记指标集为U,部件类别数为m,则:

其中Ui为第i类部件的指标集合,记i类部件的指标数为pi则:

建立第i类部件的模糊评判阵Ri:

rij表示对指标uij的评价中,等级vj所占的份额。rij的取值一方面可由专家根据指标分布给出;另一方面可通过海量历史数据进行统计分析,先将指标数据根据评语集进行离散化,之后分类统计各个指标占各评语等级的频率,以该频率作为rij。

3)评价部件状态:利用Ri和指标权重=Wi{a1,a2,…,api}的复合运算即可求得部件k的综合评估结果:

其中“o”为模糊合成算子。模糊合成算子有多重计算方法,且适用情形各不同,本文拟选择算子,这是因为指标作为部件的衡量因素,指标的状态直接影响设备的状态,所以应该突出主因素和指标权重影响。

对于部件评价结果向量的分析,可采用最大隶属度原则。部件在哪个等级的得分最多,则认为部件状态属于哪个等级。

2.3 设备层状态评价

高层次的评估矩阵可由较低层次的综合输出构成,即设备的评估矩阵R可由部件的综合输出构成。

设备综合评估结果为

这里的模糊算子仍选择算子,这是因为部件作为设备的组成因素,部件的状态直接影响设备的状态,所以应该突出主因素和权重影响。

对于设备评价结果向量的分析,本文选择最大隶属度原则评价设备所属的状态等级。

2.4 硬件层状态评价

在设备状态评价结果的基础上进行整个硬件层状态评价。使用探索性数据分析的方法,可形象直观地评价硬件层运行现状。

探索性数据分析是对调查、观察和计算所得到的数据,在尽量少的假定下进行处理,通过作图、制表等形式和方程拟合、计算某些特征量等手段,探索数据的结构和规律的一种数据分析方法。

3 模型评估

从模型准确率和模型稳定性两个角度对模型进行评估,模型准确率评估采用准确率的平均值来衡量,稳定性评估采用准确率的均方误差来衡量。在已发生的时间轴上采集指标值和设备状态作为测试样本,运用已建立的模型评价测试样本的状态,并与真实的样本状态进行对比,结果越符合真实状态则说明模型准确率越高。

假定采取了N个时刻的数据,Ni表示第i个时刻评价的设备数量,准确率为Ri:

其中xj表示对设备j的状态评价正确与否:

则N个时刻平均准确率为:

越接近于100%,则说明模型预测准确率越高。

准确率均方误差为:

MSE越接近于0,则说明模型越稳定。

4 模型优化

数据中心设备数量巨大,保留的历史运行数据达到海量级别,属于大数据的范畴[6]。利用大数据技术与理念,对这些数据进行挖掘分析[4],可很好地对设备状态评价模型进行优化。本文模型中所使用到的指标标准值,部分是依据专家经验得出的,考虑到设备的利用效益、成本节约等因素,诸如CPU、内存使用率的标准值是可结合历史运行状况适当进行调整的,通过对历史指标值的统计分析并结合设备实际状态,可以为指标标准值的制定与优化提供有力支撑;另外计算判断矩阵过程中对两两部件之间的重要性判断也存在一定的主观性,通过对历史运行数据及设备实际状态的分析,可以挖掘出部件之间的关联性,进而为调整和优化部件之间的重要性提供依据。

5 结束语

本文以数据中心服务器设备为研究对象,系统地进行了设备状态评价模型的研究。在评价思路上,本文将数据中心所有设备分为硬件层、设备层、部件层、指标层四个层面,从下到上逐层对设备状态进行评价。在具体算法方面,采用了模糊理论并结合CRITIC算法和AHP算法分别评价部件层、设备层和硬件层的状态。在权重方面,本文创新性地构建了主客观组合赋权法对指标权重进行赋权,有效消除了单独使用主观或客观赋权法所产生的不良影响。同时,本文对模型评估也进行了详细论述。最后,本文还通过对海量历史指标数据的分析,对模型优化进行了探索。该理论模型的应用可有效提升数据中心的设备运维水平,支撑数据中心高效运营。受限于实际指标数据的采集等因素,本文在模型检验方面存在一定的不足之处。

参考文献

[1]陈正伟,2013:《综合评价技术及应用》,成都,西南财经大学出版社。

[2]何晓群,2012:《多元统计分析》,北京,中国人民大学出版社。

[3]和讯网:http://www.hexun.com

[4]李爱国、厍向阳,2 0 1 2:《数据挖掘原理、算法及应用》,西安,西安电子科技大学出版社。

[5]孙亚辉、林韩、陈金祥,2013:《变电设备状态综合评估方法的研究》,《中国化工贸易》第4期。

[6]维克托·迈尔-舍恩伯格、肯尼思·库克耶,2013:《大数据时代》,杭州,浙江人民出版社。

[7]张炳江,2014:《层次分析法及其应用案例》,北京,电子工业出版社。