基于工业互联网平台的重型锻造装备远程运维系统架构
技术领域
本发明属于重型锻造技术领域,特别是涉及一种基于工业互联网平台的重型锻造装备远程运维系统架构。
背景技术
“高档数控机床和机器人”,是航空航天、核电、超临界和联合循环发电、海洋工程等领域装备技术发展的助推器,在国民经济和国防安全中起着重要的保障作用。重型锻造装备是涉及机械、液压、控制、传感和信息技术的复杂系统,对运行维护的技术要求高。同时,随着装备出口量日益增长,亟需应用新一代信息技术对境内外产品进行远程运维服务。因此,建设提出适合中国重型锻造装备产业与市场需求的远程运维平台显得尤为重要。
发明内容
本发明要解决的技术问题是:提供一种基于工业互联网平台的重型锻造装备远程运维系统架构,能够实现对重型锻造装备远程实时运维操作,提高运维的效率,降低运维的成本。
本发明为解决公知技术中存在的技术问题所采取的技术方案是:
一种基于工业互联网平台的重型锻造装备远程运维系统架构,至少包括:
定义重型锻造装备数据源、部署感知设备,对生产现场设备数据进行采集的设备层;所述设备层包括功能部件和数据采集模块;
对采集数据进行传输的传输层;所述传输层包括现场总线网和传输网;
用于存储管理平台基础数据、设备运行数据、现场流媒体数据的数据层;
搭建远程服务平台,并在服务平台上建设状态监测、故障诊断、故障报警、故障预警、预测性维护系统的服务层;
显示装备所在的地理信息、运行状态和历史曲线信息的展示层。
进一步,所述数据采集模块包括:采集重型锻造装备滑块部件、工作台部件、油箱系统部件数据源信息的位置传感器、压力传感器和摄像头;所述功能部件包括滑块和油箱系统。
进一步,所述现场总线网包括设备主站和若干设备从站;采用PROFINEIT或PROFIBUS-DP总线协议,每一个从站节点由数据采集模块、数据处理和控制模块、通信模块和供电模块组成;所述现场总线网与本地工业控制计算机采用工业以太网连接;数据传输设备与现场总线采用串行总线或工业以太网连接。
进一步,所述数据层定义数据来源和类型、数据结构;并进行规划和定义,对数据的存储、备份与安全使用进行管理。
进一步,所述服务层包括开发接口、服务整合和设备通信接口三个部分;其中:
所述开发接口包括:组态开发和服务接口;
所述服务整合包括:设备基础信息管理、设备文档信息管理、数据处理、平台服务、系统管理、用户管理、系统工具、和系统日志;
所述设备通信接口包括:数据访问和协议适配。
进一步,所述服务层包括故障诊断模块,所述故障诊断模块包括:
存储设备状态信息的数据库;
存储历史故障分析结果的知识库;
接收所述数据库、知识库和设备故障特征信息,并将三者进行逻辑分析判定的规则推理部;
以及存储故障案例的案例库;
当规则推理部能够获取到故障结论时,则输出故障结论;
否则,通过案例库查找相似案例进行分析判定;当相似度大于设定阈值时,则输出故障结论,否则,人工诊断分析得出故障结论,并将该案例存储进入案例库。
进一步,所述故障诊断模块采用动态故障树分析法进行故障分析。
进一步,所述服务层包括故障预警模块,该故障预警模块基于FMECA设备健康状态评估方法实现。
进一步,所述故障预警模块的评估方法具体为:
首先,从FMECA报告的分析结果中提取健康状态的影响因素,并进行归一化处理;
然后,根据影响因素的类型,由健康状态隶属函数得到健康状态隶属度向量,对单因素影响下的健康状态等级作出判断;
随后以健康状态隶属度向量作为输入,采用灰色关联分析法求得各因素权重;
最后,通过模糊综合评估模型得到在各因素综合影响下的设备健康等级。
进一步,所述服务层包括状态监测模块,该状态监测模块包括设备的三维图形库、设备的静态参数库、接收设备层的实时动态参数并存储显示的动态数据库,在三维图形上标注有监测点位。
本发明具有的优点和积极效果是:
通过采用上述技术方案,本发明通过设备层实时获取生产现场设备数据,并通过传输层发送给数据层,服务层将设备层的数据进行整理处理,最终通过展示层进行显示。
附图说明:
图1是本发明优选实施例中服务层的结构图;
图2是本发明优选实施例的故障诊断流程示意图;
图3是本发明优选实施例中故障树的第一示意图;
图4是本发明优选实施例中故障树的第二示意图;
图5是本发明优选实施例中故障树的第三示意图;
图6是本发明优选实施例中故障特征提取逻辑图;
图7是本发明优选实施例中故障预测模块的逻辑图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举实施例,并配合附图详细说明如下:
请参阅图1,一种基于工业互联网平台的重型锻造装备远程运维系统架构,远程运维中心部署在企业数据平台,配置远程运维PC客户端、LED电视墙、视频监控设备,通过 VPN网络或4G网络或5G等方式连接客户端,实现运维客户端部署的全部功能。
远程运维中心遵循设备层、传输层、数据层、服务层和展示层,五层架构设计。设备层定义重型锻造装备数据源、部署感知设备,对生产现场设备的数据进行采集;传输层部署有线或无线通信网络,对采集数据进行传输;数据层负责存储管理平台基础数据、设备运行数据、现场流媒体数据等;服务层搭建远程服务平台,并在之上建设状态监测、故障诊断、故障报警、故障预警、预测性维护等系统模块。展示层呈现装备所在的地理信息、运行状态和历史曲线等信息。
1.设备层
设备层包括:功能部件和传感与监测装置。通过位置传感器、压力传感器、摄像头等采集重型锻造装备滑块部件、工作台部件、油箱系统部件等数据源信息,设备层是运维中心数据的基础来源。
(1)功能部件
功能部件是重型锻造装备远程运维中心的基本监测单元,如,滑块、油箱系统等:
a)支持远程运维的功能部件应具备信息采集能力;
b)应对功能运行状态进行实时感知;
c)应对故障的自诊断和自修复能力;
d)设备应具备网络集成功能。
(2)监控装置
采用监控装置对重型锻造装备进行实时监控:
a)部署相应数量的监控设备,对重型锻造装备全覆盖监控;
b)监控设备可包括视频采集装置,图像存储设备,图像处理软件和手持移动终端设备等;
c)满足重型锻造装备远程运维平台对分辨率的要求;
d)支持远程运维中心的多媒体数据接入。
2.传输层
传输层完成数据源对象信息的数字化传输,传输的介质包括传感网和传输网两个部分。
(1)现场总线网
现场总线网包含以下三个层次:
a)设备主站和若干设备从站,采用PROFINEIT、PROFIBUS-DP等总线协议,每一个从站节点由数据采集模块、数据处理和控制模块、通信模块和供电模块等组成。
b)现场总线与本地工业控制计算机(IPC)应采用工业以太网连接;
c)数据传输设备与现场总线应采用串行总线/工业以太网连接;
(2)传输网
数据由现场总线网络等传输网传送到重型锻造装备远程运维中心:
a)传输网络建设应优先采用有线网络,以无线网络作为传输网络的补充;
b)传输网络在支持IPv4协议的基础上,宜支持IPv6协议;
c)传输网络的IP地址应由锻压设备公司统一进行规划及分配;
3.数据层
数据层承接来自传输层的所有信息,并为服务层的最终业务实现提供数据支撑。数据层定义所有数据来源和类型、数据结构等进行规划和定义,对数据的存储、备份与安全使用进行管理。
重型锻压装备的数据源既有实时数据、历史数据、空间矢量数据等结构化数据,又有视频流媒体数据非结构化数据,因此应充分考虑结构化数据、半结构化数据以及非结构化数据的存储。
数据类型与数据存储方式对应表:
表1数据类型与数据存储
数据类型 |
存储方式 |
实时数据 |
结构化关系数据库 |
历史数据 |
结构化关系数据库 |
空间矢量数据 |
结构化关系数据库 |
配置数据 |
半结构化数据库 |
流媒体数据 |
非结构化数据库 |
数据存储与分布的逻辑方案说明如下:
a)结构化关系数据库
结构化关系数据库存储业务静态数据、运行状态数据、业务活动数据、业务分析数据、空间矢量数据,为重型锻造装备远程运维平台提供基础分析模型数据。
b)半结构化数据库
半结构化数据库存储和远程运维业务相关配置文件。
c)非结构化数据库
非结构化数据区主要存储多设备图纸、资料、流媒体等非结构化数据,为重型锻造装备远程运维平台提供非结构化数据。
4.服务层
服务层上的应用系统基于Windows操作系统开发,支持SQL Server、Oracle等主流关系数据库,支持基于PC服务器的硬件平台,持物理环境部署和虚化环境部署两种方式。实时数据库应用支持OPC协议连接。
服务层为各业务模块提供支撑,提供数据信息的高可扩展性接入,整合重型锻造装备远程运维中心相关核心服务,对各业务模块提供高灵活性业务服务组合能力。
服务层包括开发接口、服务整合和设备通信接口三个部分:
a)开发接口包括:组态开发和服务接口;
b)服务整合包括:设备基础信息管理、设备文档信息管理、数据处理、平台服务、系统管理、用户管理、系统工具、和系统日志等;
c)设备通信接口包括:数据访问和协议适配。
5.展现层
展现层的应用系统应基于Windows或Linux操作系统运行,支持基于PC服务器的硬件平台,支持物理环境部署和虚化环境部署两种方式。功能性如下:
a)结合地理信息系统呈现远程运维装备所在的地理信息位置;
b)详细展示运维装备的实时运行状态、运行参数信息;
c)故障诊断信息应以可视化方式呈现并准确定位到具体部位;
d)具备完善的实时数据曲线、历史数据曲线展示功能;
e)应具备完善的人员及权限的管理。
本发明提出了适合我国重型锻造装备特点和市场发展方向的远程运维中心系统构架解决方案,并可向相关行业领域推广;本发明搭建基于IT系统架构的信息化中心,打破了使用传统组态软件的局限,为故障诊断和预测性维护方法提供了平台基础。
本发明针对锻压力机使用过程中发生的故障,运用智能方法模拟专家经验找出故障源及解决方案。锻压机故障诊断系统采用了将规则推理与案例推理相结合的故障诊断方法。对故障现象明显、容易判断故障源的事件建立直接、明了的故障树;故障现象不明显、故障源不好判断的事件,利用所掌握的状态信息构成案例。本发明可以帮助操作人员进行操作指导,分析、得到故障现象的引发原因。
锻压机故障诊断系统总体设计图如图2所示,其中知识库用来存储领域专家对锻压机生产过程故障诊断的经验知识,包括故障树转化的规则;数据库用来存储锻压机生产过程中的状态信息、分析出的中间数据与统计数据,以及锻压机本身的基本参数;案例库用来存储锻压机生产过程故障诊断的典型案例。
基于上述故障诊断系统,如果故障征兆与故障关系明确,则根据故障现象利用故障树转换的规则来进行诊断。在知识库中搜索相匹配的规则直到推理到达底层事件(故障源),从而得到故障源信息及解决方案指导。推理过程中没有相应规则与之匹配时,根据已获取的状态信息进行案例推理。在案例库中检索与当前工况相似度较高的典型案例进行重用,得到结果。相似度较低则对案例进行修改,更新案例号,存入案例库中。
锻压机故障诊断系统结果显示在运维平台大屏(展示层)的报警区域内,显示内容为故障内容、故障源、处理方式等。
对于锻压机故障树的建模,本故障诊断系统的主要故障采用动态故障树分析法,动态故障树分析法特别适用于具有动态随机性故障的容错系统、公用资源库系统、冗余(或冷、热备份)系统以及顺序相关性或状态依赖性系统的可靠性建模和分析,建模平台基于通用机器学习平台,采用面向对象的线框图建模方法。
以全自动液压机的几个主要简单故障为例,结合全自动液压机设计原理和大量历史故障数据,在不失一般性且简化分析的基础上,利用动态故障树分析法建立其故障模型如图3所示。
其中T表示全自动液压机停机故障,G1表示机械故障,G2表示脱模故障,G3表示压制故障,G4表示油路系统故障,G5表示控制系统失效,G6表示主控制系统故障, E1表示中框模块故障,E2表示比例阀失效,E3表示模具故障,E4表示气压不足,E5表示横梁进给异常,E6表示油温异常,E7表示漏油,E8表示变换器故障,E9表示辅助逆变器故障,E10表示电机故障,E11表示传感器故障。
类似的,还可以建立故障现象滑块停在上死点外、轴瓦温升过高为例建立故障树,如下图4和图5所示。
然后可以将以上动态故障树模块化,分解成独立的静态子树和动态子树。利用二元决策图法和马尔可夫理论相关方法对模块化后独立的静态子树和动态子树分别进行定性和定量分析。综合以上几步对各独立子树的分析结果,形成对整体系统故障分析。将子模块看成一个节点,以对子树的分析结果为输出,用这个节点取代它所对应的整个子树,然后循环以上几步就可以得到对整个系统的分析结果。
在以上故障树建模的基础上,进一步分别采用规则推理和案例推理的方法进行故障分析。采用正反混合推理的方法,首先根据故障现象进行反向推理,在故障树中搜索匹配规则,推理达到底层事件(故障源)时采用正向推理验证故障源的准确性。以与门、或门、非门等逻辑门表示事件间的相互关系。其中故障树为规则推理的可靠性、安全性提供了有力保障,是故障诊断的一个有力工具。在实际生产过程中,故障总是与设备及其功能相关联的,以故障现象作为顶事件,锻压机的执行机构作为次级事件,将造成锻压机故障的原因按照其结构逐级分解为中间事件,直到得到作为底事件的故障源。体现了故障传播的层次性,故障源与故障现象间的因果关系。通过对故障树的定性分析,以指明故障原因为目标,有效找出导致故障现象发生的所有可能的故障规则,即寻找故障树的全部最小割集。而案例推理的主导思想是利用过去故障诊断经验中的特定知识,即具体案例来解决新问题。检索针对锻压机生产故障建立的案例库,计算案例库中旧案例与新案例的匹配程度,获得一个或多个类似的故障案例(集)。选取匹配较好的案例直接应用其解决方案。若没有与新案例匹配度较好的案例,则对已有的案例进行修正,经过验证,确定可行性后作为新案例存入库中。
除故障树分析以外,还可以通过故障特征是表征装备的故障,而特征提取技术是本项目故障预测与健康管理系统中数据处理过程的关键技术,其目的是为了进行故障识别和故障隔离,特征提取过程的技术路线如下图所示。其数据处理过程是:对初始模式向量进行维数压缩,去掉初始模式中的噪声和冗余信息,融合来自各个信道的故障信息,强化和提出故障特征形成待检模式等。常用的特征提取技术主要有离散傅里叶变换(DFT)、离散小波变换(DWT)、卡洛南-洛伊变换(K-L)、主分量分析法、Hadamard变换法和BP神经网络法等。
在设备PHM系统中,数据特征提取还需要一步准备工作,即数据特征分析。数据分析技术目的为找出数据的变换规律和发展趋势,为状态健康评估、故障预测和剩余寿命预测模型的建立奠定基础。数据分析技术主要包括数据描述性分析技术、动态分析技术、相关分析技术、回归分析技术、聚类分析技术和数据平滑技术等,请参阅图6。
而对于隐含的未知的数据特征,常规的特征提取技术往往不能得到很好的效果,需要用到基于数据挖掘的特征提取技术。数据挖据就是从数据库中抽取隐含的、以前未知的、具有潜在应用价值信息的过程。用于PHM系统数据挖掘的信息源主要是各种传感器采集的数据,在对数据进行预处理的基础上利用各种算法挖掘其隐藏的信息,并利用可视化和知识表达技术,向PHM系统用户展示所挖掘出的相关知识。常用的数据挖掘方法包括粗糙集理论、遗传算法和支持向量机等。
为了明确锻压机故障类型,以其液压系统为例,主要分为液压元件故障和液压系统故障两种。液压元件故障主要有油缸元件、液压泵、油压马达、液压阀、油箱等元件。
油缸的故障主要有四种:油缸动作不灵,油缸油液外部泄漏,油缸损坏,油缸内混入异物。
液压泵马达中,液压马达主要故障为转速低、转矩小、噪声大、外部泄漏、内部泄漏等。柱塞泵的故障主要为无油液排除或者流量不足、压力不能建立或者压力不足、噪声过大、异常发热、泵轴油封漏油、伺服变量机构或压力补偿机构失灵、配流盘离开泵体而浮起等。齿轮泵的故障为产生剧烈振动和噪声、流量不足压力上不去、旋转不畅或者咬死、泵压盖和骨架油封被冲出、温升过高等。叶片泵的故障有噪声严重伴有振动、泵不吸油或者没有压力、排油量及压力不足(表现为液压缸动作迟缓)、主轴密封冲出、泵盖螺钉断裂、异常发热等。
液压阀中换向阀液压常见的故障有:①不换向。②控制执行机构换向运动时,使执行机构运动速度比要求的速度更慢。③干式电磁换向阀的推杆处漏油。④湿式电磁铁吸合释放过于迟缓。⑤板式换向阀结合面渗漏油。⑥电磁铁过热或烧坏。⑦换问不灵。⑧换向有冲击和噪声等。多路换向阀液压常见故障有:①压力波动及噪声。②阀杆动作不灵活。③手动操作费力。④泄漏。⑤阀杆脱离中立位置。单向阀及液控单向阀液压常见的故障有:①单向阀控制失灵。②液控单向阀的液控不灵。③泄漏和噪声等。溢流阀液压常见故障有:①振动与噪声。②调节压力升不起来或无压力。③调节无效,调节压力降不下来,调整无效。④压力波动相泄漏等。减压阀液压故障诊断减压阀常见的故障有:①不起减压作用,压力波动,减出压力较低,升不高。②振动与噪声等。顺序阀液压常见故障有:①根本建立不起压力来。②压力波动大,达不到要求或与调定压力不符③振动与噪声等。压力继电器液压常见故障有:①灵敏度差。②不发信号节流阀故障:①节流失调或者调节范围不大。②执行机构速度不稳定调速阀故障:①压力补偿装置失灵。②流量控制手轮转动不灵活。③执行机构速度不稳定。减速阀故障:①达不到规定的最大速度。②移动速度不稳定。
而对于液压系统,其故障多种多样。不同的液压设备,由于组成液压系统的液压基本回路不同,组成各基本回路的元件不同,出现的故障也就不同。系统中产生的故障,有的是由某一液压元件失灵而引起的,有的是由机械、电器以及外界因素引起的。液压系统中有些故障用调整的方法即可解决,有些故障则使用年久、精度超差,须经修复才能恢复其性能,也有些故障是因原始设计结构不良,必须改进设计才能排除。液压系统大部分故障并不是突然发生的,一般总有一些预兆,如噪声、振动、冲击、爬行、污染、气穴和泄漏等。如果这些现象能及时发现,并加以适当控制与排除,系统故障就可以消除或相对减少。现在具体说明液压系统通常的故障。
故障预警模块,首先需要分析对设备健康状态有影响的各种因素,设备健康状态的影响因素大致可划分为不可控因素和可控因素两大类。其中,不可控因素主要包括设备自身因素和地理环境与气候因素,设备自身因素主要有设备部件质量、设备性能缺陷、设备结构问题和设备服役时间等,地理环境与气候因素有严寒地区、沙漠地区、热带丛林地区、沿海岛屿地区等影响因素;可控因素,主要是人为因素,主要包括管理人员落后的管理方式、操作人员不正确的使用方式、维修人员不合适的维修方式等。然后需要确认健康状态分级,健康状态分级是设备健康状态评估的一个重要环节,但目前对于设备健康状态分级比较混乱,分级数量不同,分类称呼也不相同,对各个研究对象尚未形成较为统一的分级理论,而且过于杜依赖专家知识和经验,主观性过强。最后才进行健康状态评估,健康评估方法多种多样,既包括简单的“阔值”判断方法,也包括基于规则、案例和模刑等的推理算法等,常用的健康状态评估方法有模糊综合评判法、人工神经网络法、贝叶斯网络法、D-S证据理论等。
本项目三种健康状态评估技术分别为基于FMECA的设备健康状态评估、基于测试数据的设备健康状态评估和基于劣化度的设备健康状态评估。
从图6可以看出基于FMECA的设备健康状态评估的技术实施路线。首先,从FMECA报告的分析结果中提取健康状态的影响因素,并进行归一化处理;然后,根据影响因素的类型,由健康状态隶属函数得到健康状态隶属度向量,则可对单因素影响下的健康状态等级作出判断;再以健康状态隶属度向量作为输入,采用灰色关联分析法求得各因素权重;最后,通过模糊综合评估模型得到在各因素综合影响下的设备健康等级。
基于测试数据的设备健康状态评估的主要技术路线如下:
(1)确定测试数据评估辨识框架,如将设备的健康状态分为健康、良好、注意、恶化和疾病5个等级。
(2)选择反映设备健康状态的关键参数。
(3)对关键参数的测试数据进行归一化处理,得到设备健康状态指数。
(4)确定各关键参数的权重,并将各权重系数进行正规化。
(5)对设备健康状态指数和权重系数利用时间修正函数进行修正。
(6)确定设备健康状态等级隶属度分布函数,并计算设备健康状态指数的隶属度。
(7)确定置信水平,计算基本可信度分配函数。
(8)进行证据合成,按最大隶属度原则确定设备的健康状态等级。
本发明用到的故障预测技术主要可以分为统计预测技术、数学预测技术、智能预测技术和信息融合预测技术等,如图7所示。统计预测技术是指从过去故障历史数据的统计特性角度进行故障预测,主要包括回归预测法、时间序列预测法和主成分分析法等。数学预测技术是指利用预测对象的精确的数学模型进行故障预测,主要包括模糊预测法、灰色预测法和卡尔曼滤波法等。智能预测技术是指基于预测对象的历史数据和知识利用人工智能方法进行故障预测,主要包括神经网络预测法、专家系统预测法、遗传算法预测法和多Agent预测法等。信息融合预测技术是指基于装备的状态信息、异常信息、环境信息和先验知识等,通过信息融合进行故障预测,主要包括优化组合预测法、D-S证据理论法、多传感器数据融合法等。
以上对本发明的实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。