肖徐兵 徐玮 杨宇峰 曹敬 张凌翔

摘要：本文对智能运维中设备故障诊断技术进行研究，并作出相关的实验设计。首先研究设备故障诊断技术在计算机中的实现方式，根据傅立叶变换提取特征数据，再以主成分分析法对数据的特征向量进行排序。然后将智能运维技术应用在设备故障诊断技术中，研究常见数据信号的提取方法，构建基于智能运维的设备故障诊断模型并对其进行训练，然后搭建算法并实现。最后设计实验，将本文研究的智能运维中设备故障诊断技术与传统的人工设备故障诊断技术进行对比分析，验证了本文技术更具实用价值。

关键词：智能运维技术;设备故障诊断技术;信号

通常情况下的设备故障诊断技术是依据技术工人或研究人员的感官或经验去判断分析所诊断设备的转速、压力、温度、噪音等一切有用信息，再将这些有用信息结合在一起分析建模，得到设备运行状况报告的一项技术。但是自20世纪50年代以来，我国的设备故障诊断技术已经多年没有跨越式的发展[1]。在这个大背景下，由于互联网技术的飞速发展，当今社会进入了大数据时代。数据信息爆炸式增长使得企业的运维部门承担着巨大的压力，由此诞生智能运维系统。所谓智能运维是指一种利用大数据系统或人工智能技术完成数据分析、决策、诊断的技术体系[2-3]。在实际应用场景之中，经过大量数据的检测和运维人员自身的标注，智能运维系统的算法逐渐得到了发展。本文为了推进设备故障诊断技术的发展，将智能运维技术应用在设备故障诊断技术中，对其进行研究。

1 设备故障诊断技术研究

1.1 基于傅立叶变换的特征提取

特征提取是所有设备故障诊断技术中最重要的一步，它直接将物理信号与机器语言联系在一起，使数据真正转换为计算机能够读懂的内容。在使用傅立叶变换进行特征提取时，可以将原始的物理信号在时域与频域之间相互转换。在现代计算机领域，通常将FFT，即快速傅立叶变换作为视频域的变换方法，这是一种快速计算离散傅立叶变换的方法，也被称为DFT[4]。常用的FFT按照时间和频率抽取其实现方法，其下又分为基2法、基4法、混合基法、分裂基法等。

信号的蝶形运算从左至右进行信号经过直线后做乘法运算，两条直线相交处做加法运算。WkN与-WkN分别乘以x2（k）可以将算法省略，相当于减少一半的运算。

1.2 数据主成分分析

原始数据经过特征提取之后，就能够使用计算机对其进行分类处理，但是此时的数据维度过高，还需要使用主成分分析法对其进行降维处理。主成分分析法是一种非常常用的数据降维方法，还能将经过分析处理后的数据信息通过特定的方式进行排序。首先需要将样本数据D-{x1，x2，…，Xn）中心化处理，定义一个正交变换后的坐

2 基于智能运维的设备故障诊断技术

上文中详细介绍了设备故障诊断技术的实现过程，而本文主要是将智能运维技术应用在设备故障诊断技术中，因此以下内容对基于智能运维的设备故障诊断技术进行研究。首先在终端中进行上文所述的设备故障诊断，然后在计算机的云端上开始真正的基于智能运维的设备故障诊断处理。

2.1 原始数据的提取

目前设备故障诊断技术常用的信号中，最常见的是噪音、电流、电压和振动信号[6]。这四种信号都能在一定程度上反映出目标设备的故障状态，其性能对比如表1所示。

如表1所示，通过对表中四种数据信号的性能对比，在考虑实际成本的基础上，就能够得到机械设备故障时的诊断数据及其預测类型。

2.2 基于智能运维的设备故障诊断模型训练

将以上四种信号灯诊断数据与预测类型导入计算机中。采用在线训练的方式进行模型训练和分类，图中所示的模型库需要大量的数据进行训练，可以将诊断结果保存在云端模型库中，当诊断结果严重偏离预测值时，可以将诊断模型库中的数据调取出来进行二次训练，这样能够极大地避免资源的浪费[7]。为了能够减少终端的运算压力，将故障特征提取和数据的主成分分析都放在云端进行处理，终端中只进行数据信号的提取。使终端、云端和网络共同构建一个数据处理的流水线，进而提升基于智能运维系统的设备故障诊断技术的实时性能。

3 实验探究

3.1 实验准备工作

四台计算机中其中一台作为主服务器，另外三台作为节点服务器。在每台计算机之间配置OPENSSH服务器，作为四台计算机之间的访问连接工具。实验数据采集自CUT-2转子振动实验台，主服务器作为终端处理器，测量故障诊断过程中的模组数据。

分别在轴承内圈、轴承外圈、轴承滚珠部位进行故障检测，将三台节点服务器连接在三个可能会发生故障的部位，再将三台节点服务器中的数据汇总到主服务器中，计算数据并进行分析。结果的可能性为28种，将诊断的最终结果设置为ABC的形式，当A=1时，轴承内圈故障设，当A-O时，轴承内圈完好;同理，当B=1时，轴承外圈故障，当B-O时，轴承外圈良好;当C=1时，轴承滚珠故障，当C=0时，轴承滚珠良好。当诊断结果为000时，代表整个设备无故障。

3.2 实验过程

首先在同样的故障设备中令具备丰富经验的设备故障检测人员进行人工诊断，通过对噪音、电流、电压和振动信号的观测，得到诊断结果。设置不同的故障情况，将以上28种不同的故障类型全部设置在实验中，以验证在不同的故障诊断技术中.每个故障部位的故障诊断准确率。将以上实验重复15次，以验证实验结果的准确性。然后使用本文方法进行基于智能运维的设备故障诊断，同样设置28种不同的故障类型使机器诊断故障部位，并将实验反复进行15次，以确保实验结果的准确性。

3.3 实验结果分析

通过以上实验过程，将使用本文方法进行的故障诊断方法设置为A组，将使用传统人工方法进行的故障诊断技术设置为B组，得到的实验结果输送到主服务器中分析整理得到如表2所示的数据。

通过表2中的数据可以得知，使用两种方法进行设备故障的诊断时，无故障诊断是正确率最高的，其中本文使用的方法进行无故障诊断几乎不会出现错误，而人工方法的诊断结果准确率也很高。剩余的三种故障类型中，内圈故障、外圈故障和滚珠故障都没有100%的准确率，但是完全可以看出，本文基于智能运维的设备故障诊断方法的准确率高于传统人工方法。因此可以得到判断，本文基于智能运维的设备故障诊断技术相比于传统方法更具备实用性和优越性。

4 结束语

目前大数据已经进入了社会的方方面面，而与之相匹配的智能运维技术却大多停留在IT行业，只有初步的应用。本文基于智能运维技术对设备故障诊断技术进行了改进，实现了设备故障诊断技术智能化设计，并作出实验验证了本文设计的可行性和相比起传统设备故障诊断技术的优越性，为设备故障诊断技术的发展作出了贡献，并为运维技术的应用提供了新的思路。

参考文献

[1]张曦曦，矿山机电设备故障检测诊断技术应用探究[J].石化技术，2020，27 （08）：214+256.

[2]高云.冶金机电设备中振动监测和故障诊断技术应用[J].中国设备工程，2020 （12）：147-148.

[3]刘汉波.机电一体化设备的安装调试及其故障诊断技术的应用分析[J].现代商贸工业，2020，41（18）：213.

[4]沈海燕，杨玲玲，程清波，铁路客运站设备故障诊断评价体系及多属性分析模型研究[J].中国设备工程，2020 （07）：139-142.

[5]刘娜，刘渊康.基于智能感知的监控运维故障诊断技术探讨[J].中国交通信息化，2020 （03）：118-120.

[6]羅曼曼.设备智能运维在流程型工业中的应用[J].互联网经济，2019 （22）：62-67.

[7]杨剑友，赵张磊，奚洪磊，周震宇，陈刚，就地化保护智能运维检修模式研究[J].浙江电力，2018，37 （12）：57-61.

作者简介

肖徐兵（1986-），男，江苏省泰州市人。大学本科学历，工程师。研究方向为电力调度自动化，电力信息化，智慧能源服务，智能运维服务。

徐玮（1989-），男，江苏省盐城市人。大学本科学历，高级工程师。研究方向为电力调度自动化，电力信息化，综合能源服务，智慧能源服务。

杨宇峰（1983一），男，江苏省建湖县人。硕士研究生，高级工程师。研究方向为调度自动化，配网自动化，新能源监控，综合能源管控与服务。

曹敬（1983-），男，江苏省淮安市人。硕士研究生，高级工程师。研究方向为电力调度自动化，新能源调度，综合能源管控服务。

张凌翔（1993一），男，江苏省淮安市人。硕士研究生，工程师。研究方向为电力调度自动化，电力信息化，智慧能源服务，智能运维服务。