Прогнозное техобслуживание мостового крана на основе ML
PHM — управление здоровьем оборудования: прогнозируемое техобслуживание мостовых кранов на основе больших данных и машинного обучения. В условиях непрерывного производства на умном заводе внеплановая остановка системы мостового крана наносит критический удар по производственной мощности: отказ одного ключевого крана может остановить всю линию на несколько часов и привести к потерям в сотни тысяч или даже миллионы рублей.
В условиях непрерывного производства на умном заводе внеплановая остановка системы мостового крана наносит критический удар по производственной мощности: отказ одного ключевого крана может остановить всю линию на несколько часов и привести к потерям в сотни тысяч или даже миллионы рублей. Традиционная модель «планового ремонта + ремонта по факту отказа» уже не отвечает требованиям современной промышленности к доступности оборудования на уровне ≥99,5%. Компания Келуде Тяжёлая Промышленность на основе анализа вибрационных сигналов, машинного обучения и технологий промышленных больших данных построила комплексную систему управления здоровьем оборудования PHM, обеспечив переход от «пассивного ремонта» к «прогнозируемому техобслуживанию». В данной статье системно рассматривается техническая практика Келуде в области PHM для мостовых кранов по пяти направлениям: выбор и развертывание датчиков, извлечение сигнальных признаков, построение моделей глубокого обучения, развертывание инференса на периферии и полномасштабная инженерная реализация.
Выбор датчиков и схема размещения точек контроля на мостовом кране
Качество данных системы PHM определяется научным подходом к выбору датчиков и схеме размещения точек контроля. Компания Келуде разработала систематическую методологию планирования точек контроля на основе механизмов отказов и вибрационных характеристик ключевых механических компонентов мостового крана.
Датчик вибрации — важнейший источник данных для системы PHM. Компания Келуде рекомендует применять датчики ускорения типа IEPE (чувствительность 100 мВ/g, диапазон частот 2 Гц–10 кГц). Точки установки охватывают входной и выходной корпус подшипника редуктора подъёма, корпус подшипника ходового колеса тележки, приводную сторону редуктора хода моста крана, опорный подшипник барабана и опорно-поворотное устройство подъёма. На каждой ключевой точке контроля устанавливается датчик трехосного ускорения (направления X/Y/Z), частота дискретизации — 5120 Гц (удовлетворяет требованию Найквиста для частоты зацепления редуктора 200–2000 Гц), длительность непрерывной записи — не менее 30 секунд за сеанс. Интервал сбора данных задается в зависимости от класса важности оборудования: 1 час для оборудования класса A (критическое) или 4 часа для класса B (стандартное).
Датчик температуры — применяются платиновые термометры сопротивления PT100 или термопары. Устанавливаются на обмотке двигателя (контроль скорости нагрева), в масляной ванне редуктора (контроль аномалий смазки) и на поверхности трения тормоза (контроль перегрева тормозных колодок). Диапазон измерения: от −40 до 200 °C, точность ±0,5 °C, период опроса — 10 секунд. Датчик нагрузки — используются тензодатчики или датчики натяжения каната стального, обеспечивающие регистрацию изменения нагрузки в каждом цикле подъёма в реальном времени, а также накопление данных о количестве и величине перегрузок.
Сбор технологических параметров — через протоколы PLC считываются ток двигателя, выходная частота преобразователя частоты, скорость передвижения, суммарное время работы, количество срабатываний тормоза и другие эксплуатационные параметры. Все данные с датчиков собираются через промышленную шину на периферийном шлюзе сбора данных и передаются на платформу PHM через протокол OPC UA.
| ДатчикТип | МодельТехнические характеристики | Место установки | Диапазон измерения |
|---|---|---|---|
| IEPEДатчик ускорения | 100mV/g, 2Hz~10kHz | ПодъёмредукторКорпус Подшипника,Тележкаходовое колесо,Мост кранаПриводная сторона | 0~50g |
| PT100ПлатинаСопротивлениеТермометр | -50~200°C, ±0.1°C | ДвигательОбмотка,редукторМасляная ванна,ТормозПоверхность трения | -50~200°C |
| лазерный датчик расстояния | ±1mm, 0~100m | подкрановый рельсПриводная сторона,подтележечный рельсПриводная сторона | 0~100m |
| Взвешивание/Датчик нагрузки | 0~50t, ±0.5%FS | ПодъёмСтаторПолиспаст,КрюкМесто соединения | 0~50t |
Методы извлечения признаков вибрационного сигнала
Для преобразования исходного вибрационного сигнала во входные признаки, пригодные для моделей машинного обучения, необходима систематическая процедура извлечения. Процесс обработки сигналов в Келуде Тяжёлая Промышленность охватывает три измерения: временную область, частотную область и время-частотную область.
Признаки временной области включают: среднеквадратичное значение RMS (отражает общий уровень вибрационной энергии; в нормальном состоянии RMS < 2,8 мм/с, в состоянии, требующем внимания, — < 7,1 мм/с, при превышении — аварийный сигнал), пиковое значение Peak (отражает интенсивность ударных воздействий), размах Peak-to-Peak, эксцесс Kurtosis (показатель остроты сигнала; норма ≈ 3, при износе шестерни > 5), пик-фактор Crest Factor, коэффициент асимметрии Skewness и импульсный фактор Impulse Factor. Эти признаки рассчитываются в реальном времени по скользящему окну длиной 1024 точки (перекрытие окон 50%), при этом каждое окно формирует один вектор признаков.
Признаки частотной области получаются путём применения окна Ханнинга к оконному сигналу с последующим преобразованием Фурье (FFT). Ключевые частотные диапазоны включают: полосу частоты вращения (20–30 Гц, отражает состояние балансировки ротора), полосу частоты зацепления редуктора (500–700 Гц, отражает состояние зацепления шестерен), гармонические боковые полосы (±50 Гц вокруг частоты зацепления, отражают степень износа шестерен), а также высокочастотный диапазон (2–5 кГц, отражает резонансные частоты, возникающие при ранних повреждениях подшипника). При извлечении частотных признаков рассчитываются энергетическая доля каждого диапазона, центр тяжести спектра и показатель частотного рассеяния, которые служат входными данными для последующей классификационной модели.
Время-частотные признаки формируются с помощью кратковременного преобразования Фурье (STFT, длина окна 256 точек, перекрытие 75%), в результате чего строится спектрограмма для модели CNN. Для высокочастотных ударных сигналов подшипников дополнительно применяется огибающий анализ (Envelope Analysis) для выделения характерных частот повреждений из демодулированного спектра.
| Тип неисправности | Характеристика вибрации | Характеристика температуры | Рекомендуемый порог |
|---|---|---|---|
| Подшипник КаченияИзнос | Усиление высокочастотной вибрации,Неисправность по огибающей спектраЧастотаПиковое значение | Превышение температуры≤15°C | RMS>7.1mm/s |
| ШестерняСкол зуба/Трещина | ЗацеплениеЧастотаМножественные боковые полосы,Явные ударные импульсы | Локальный нагрев>20°C | Peak>50mm/s |
| Тормозфрикционная накладкаСтарение | ТорможениеНизкочастотная вибрация процесса,Остаточная вибрация после остановки | Поверхность трения>120°C | Толщина<3mm |
| ДвигательЭксцентриситет ротора | 2Преобладание вибрации на оборотной частоте,ТокПоявление боковых полос на оборотной частоте в спектре | Обмотка>130°C | Остаточная вибрация после остановки>4.5mm/s |
3. Архитектура моделей глубокого обучения
Система PHM компании Келуде Тяжёлая Промышленность построена на основе мультимодельной стратегии: для каждой диагностической задачи подбирается оптимальная архитектура глубокого обучения.
Модель классификации неисправностей реализована на базе одномерной свёрточной нейронной сети (1D-CNN). На вход подаётся исходный вибрационный сигнал из 1024 точек, который проходит через два слоя Conv1D-BatchNorm для извлечения признаков, после чего полносвязный слой выдаёт результат классификации по 4 категориям (норма / износ шестерни / дефект подшипника / расцентровка валов). Размер ядра свёртки первого слоя — 7, число каналов — 32; второго слоя — ядро 7, каналов 64. Для предотвращения переобучения применяется Dropout с коэффициентом 0,3. На реальных эксплуатационных данных Келуде Тяжёлая Промышленность модель достигает точности классификации 97,2%, а время однокадрового инференса на Jetson Orin NX составляет всего 4,5 мс, что полностью удовлетворяет требованиям по вычислительной мощности для диагностики в реальном времени на границе сети. После завершения обучения модель экспортируется в формат ONNX и разворачивается на периферийных устройствах; процесс инференса не зависит от среды выполнения PyTorch.
Модель прогнозирования тренда построена на рекуррентной нейронной сети LSTM/GRU. Входными данными служат временные ряды среднеквадратичного значения (RMS) вибрации и температуры за последние 30 дней (одна точка измерений в сутки); прогнозируется тренд деградации на последующие 7 дней. Архитектура: два слоя GRU (скрытые блоки 128 и 64) с последующим полносвязным выходным слоем. Обучение ведётся на скользящих окнах (длина окна — 30 дней, горизонт прогноза — 7 дней), функция потерь — MAE. Модель способна выдавать предупреждение о деградации за 3–7 дней до наступления критического состояния, что обеспечивает достаточный временной запас для планирования ремонтных работ.
Модель обнаружения аномалий использует архитектуру GRU-Autoencoder. Обучение выполняется исключительно на данных нормального состояния: модель осваивает сжатие и восстановление эталонного вибрационного сигнала. При поступлении сигнала, отклоняющегося от нормальной картины (ошибка реконструкции превышает пороговое значение), автоматически генерируется аварийное оповещение. Данная модель особенно эффективна для выявления новых, ранее не классифицированных типов неисправностей, закрывая «слепую зону» контролируемого обучения, не способного распознать неизвестные дефекты.
Модель прогнозирования остаточного ресурса реализована на основе регрессии XGBoost. Входной вектор включает 15 признаков: исторический тренд RMS вибрации, скорость роста температуры, суммарная наработка, количество перегрузок, степень износа тормозных накладок и др. Выходной параметр — остаточный ресурс (RUL) в днях эксплуатации. Модель обучена на накопленных данных технического обслуживания Келуде Тяжёлая Промышленность; средняя абсолютная ошибка прогноза RUL составляет ±12 дней.
4. Периферийный инференс и стратегия обновления моделей
Развёртывание моделей PHM построено по гибридной схеме: «периферийный инференс в реальном времени + инкрементальное обучение в облаке». На периферийном уровне модели, оптимизированные в формате ONNX, разворачиваются на бортовом промышленном компьютере мостового крана или на цеховом MEC-сервере; задержка инференса не превышает 10 мс, что гарантирует диагностику в реальном времени. В облаке выполняется полный конвейер обучения: принимаются размеченные данные и образцы новых неисправностей, загруженные с периферийных устройств, периодически обновляются параметры моделей, после чего обновлённые версии распространяются на периферию через OTA-дифференциальную рассылку.
Обновление моделей осуществляется по стратегии инкрементального обучения: в облаке сохраняются статистические характеристики исторических обучающих данных, а при каждом обновлении выполняется лишь тонкая настройка (Fine-tune) на новых данных — полное переобучение не требуется. Периодичность планового обновления — один раз в две недели; при устойчивом снижении точности диагностики ниже 90% инициируется внеочередное обновление. Один раз в квартал выполняется полное переобучение модели, что обеспечивает сохранение оптимальной производительности в ходе длительной эксплуатации.
5. Комплексная система оценки состояния PHM
Для агрегации многомерных результатов диагностики в наглядный показатель состояния оборудования компания Келуде Тяжёлая Промышленность разработала шестифакторную взвешенную модель комплексной оценки здоровья. Итоговый балл варьируется от 0 до 100 и соответствует одному из четырёх классов состояния.
Оценочные факторы и их весовые коэффициенты: оценка по наработке (вес 20%, линейная деградация от расчётного ресурса 30000 часов); оценка по перегрузкам (вес 20%, минус 5 баллов за каждую перегрузку); оценка износа тормозных накладок (вес 20%, минус 1 балл за каждый 1% износа); оценка износа стального каната (вес 15%, при износе до 7% баллы не снимаются, свыше — минус 20 баллов за каждый 1%); оценка температуры редуктора (вес 10%, при превышении 70°C минус 2 балла за каждый 1°C); оценка вибрации двигателя (вес 15%, при превышении 2,8 мм/с минус 20 баллов за каждый 1 мм/с). Итоговый балл ≥85 соответствует состоянию «Норма» (зелёный индикатор), 60–84 — «Требует внимания» (жёлтый индикатор), 35–59 — «Предупреждение» (оранжевый индикатор), <35 — «Критическое» (красный индикатор, требуется немедленная остановка и ремонт).
| Оценочный параметр | Весовой коэффициент | Правила оценки | Максимальный балл |
|---|---|---|---|
| Время работы | 20% | По проектному сроку службы30000hЛинейное снижение | 100 |
| Фиксация перегрузок | 20% | Штраф за каждую перегрузку5Максимальный балл | 100 |
| ТорможениепластинаИзнос | 20% | Износна каждые1%Штраф за каждую перегрузку1Максимальный балл | 100 |
| Канат стальнойИзнос | 15% | Штраф за каждый обрыв проволоки2Максимальный балл,на каждое уменьшение диаметра1%Штраф за каждую перегрузку3Максимальный балл | 100 |
| Тенденция превышения температуры | 10% | на каждое превышение порога температуры5°CШтраф за каждую перегрузку10Максимальный балл | 100 |
| Тенденция вибрации | 15% | RMSна каждое превышение порога1mm/sШтраф за каждую перегрузку10Максимальный балл | 100 |
Помимо общей оценки, система формирует независимые субиндексы здоровья для каждого ключевого компонента — индекс здоровья двигателя подъема, индекс здоровья редуктора, индекс здоровья тормоза, индекс здоровья стального каната и индекс усталости несущих конструкций. Когда любой из субиндексов опускается ниже 50 баллов, система автоматически создает заявку на ремонт и направляет ее в мобильное приложение обслуживающего персонала. Заявка содержит локализацию неисправности (с указанием конкретной точки измерения), тип неисправности (отказ подшипника / износ шестерни / расцентровка валов), степень тяжести и рекомендуемое окно для проведения ремонта.
Пример внедрения и фактические результаты
Система PHM компании Келуде Тяжёлая Промышленность развернута на крупном металлургическом предприятии и охватывает управление техническим состоянием 16 мостовых кранов в сталеплавильном цехе. В рамках проекта установлено 192 точки виброконтроля (по 12 ключевых точек на каждый мостовой кран), 48 точек температурного контроля (по 3 на кран) и 16 узлов граничных вычислений (по одному контроллеру Jetson Orin NX на кран). Средняя задержка вывода модели классификации неисправностей на граничном уровне составляет 5,2 мс, точность модели — 96,8%.
Данные за 12 месяцев эксплуатации показывают: количество внеплановых остановок снизилось с 37 до 8 в год (сокращение на 78,4%), среднее время отклика на ремонт сократилось с 6,2 до 1,5 часа, затраты на склад запчастей снизились на 32% (точное прогнозирование заменило избыточное резервирование). Система заблаговременно предупредила о 11 критических неисправностях (включая 3 отказа подшипников редуктора, 4 случая деградации обмоток двигателя, 2 случая чрезмерного износа тормозных накладок и 2 случая обрыва проволок стального каната), обеспечив ремонтной бригаде в среднем 5,3 дня на подготовку к ремонтным работам. При расчете потерь производства в размере 150 000 рублей на каждую внеплановую остановку годовой экономический эффект составляет около 5 360 000 рублей, срок окупаемости проекта — примерно 10 месяцев.
В ходе внедрения компания Келуде Тяжёлая Промышленность сформулировала три ключевых вывода. Первый: место установки и способ крепления вибродатчиков напрямую влияют на качество сигнала — рекомендуется жесткое крепление на болт M6 вместо магнитного основания, чтобы избежать затухания сигнала и ложных артефактов от ослабления. Второй: для обучения модели необходимы исторические данные вибрации за период не менее 6 месяцев, охватывающие сезонные колебания температуры и влажности, чтобы исключить ложные срабатывания, вызванные сезонными факторами. Третий: ценность системы PHM реализуется только при соответствующей организации процессов обслуживания — данныеПредупреждение должны быть интегрированы с системой заявок на ремонт, иначеПредупреждение остаются лишь на экране мониторинга и не превращаются в реальные ремонтные действия.
Часто задаваемые вопросы (FAQ)
Дополнительные материалы
Рекомендуем к прочтению: Практика применения компьютерного зрения и граничных вычислений на Jetson | Удаленная эксплуатация и обслуживание по сетям 5G и граничные вычисления | Полный технологический цикл производства мостовых кранов
