——以燒結主抽風機與熱軋主電機的負載自適應預警為例

韓迅鋒  裴延杰

摘  要 ：針對鋼鐵企業關鍵旋轉機械在傳統運維模式下難以適應變工況負載沖擊、早期微弱故障特征提取困難及剩余壽命預測精度不足等問題，提出了一種融合多模態時序數據的設備健康管理（PHM）方法。該方法首先構建了基于注意力機制的LSTM自編碼器（Attention-LSTM-AE）模型，用于挖掘振動、溫度及電流信號在變負載工況下的深層特征并建立正常行為基線；其次，引入隨機森林（Random Forest）算法對提取的頻域特征進行故障模式識別；最后，結合Wiener退化過程構建剩余壽命（RUL）預測模型。通過在某大型鋼廠燒結主抽風機與熱軋精軋主電機的實際應用驗證，結果表明：相較于傳統閾值報警方法，該方法的異常檢測準確率達到94.2%，誤報率降低了37%，并能提前120小時對軸承早期退化發出預警，驗證了該方法在工業復雜環境下的有效性。

關鍵詞： 旋轉機械；預測性維護；PHM；注意力機制；多模態融合；負載自適應

1  引言

隨著“工業4.0”與智能制造的推進，鋼鐵行業作為能源與設備密集型產業，其生產設備的智能化運維成為提升核心競爭力的關鍵。燒結主抽風機、熱軋主電機等關鍵旋轉機械長期處于高溫、高粉塵及變載荷的惡劣工況下，傳統的基于固定閾值的事后維修（BM）與定期檢修（TBM）模式，常因無法捕捉早期微弱故障特征而導致非計劃停機，造成巨大的經濟損失。

近年來，基于數據驅動的預測性維護（PdM）技術逐漸成為研究熱點。然而，現有的大多數研究存在以下局限性：

（1）多數模型基于穩態工況假設，忽略了鋼鐵生產中咬鋼沖擊、負載波動對振動信號的干擾，導致虛警率居高不下；

（2）單一數據源（如僅靠振動）在噪聲環境下魯棒性較差；

（3）健康指數（HI）的構建多依賴主觀加權，缺乏物理意義與數據驅動的深度融合。

鑒于此，本文以鋼鐵企業關鍵旋轉機械設備為研究對象，提出了一種考慮負載自適應特性的多模態時序融合PHM方法，旨在通過邊緣-云端協同架構，實現從信號采集到維修決策的全流程智能化。

2  相關工作與技術基礎

目前，針對旋轉機械的故障預測主要采用基于物理模型和數據驅動兩類方法?；谖锢砟Ｐ偷姆椒ㄒ蕾囉趯υO備失效機理的深入理解，但在復雜的鋼鐵工業場景中，由于存在強耦合和非線性特性，建模難度較大。相比之下，數據驅動方法通過挖掘歷史數據中的隱含規律，展現出更強的適應性。

在異常檢測方面，長短期記憶自編碼器（LSTM-AE）因其在處理時間序列數據上的優勢被廣泛應用。然而，標準LSTM-AE在鋼鐵行業的實際應用中，往往難以區分“因負載增加導致的正常振動增大”與“因故障導致的異常振動”，從而導致誤報。為解決這一問題，部分學者引入了注意力機制（Attention Mechanism）來增強模型對關鍵特征的捕捉能力。本文在前人研究基礎上，進一步融合了電流與負載信號，構建了負載自適應的健康評估模型。

3  系統總體架構設計

本研究采用“端-邊-云”協同的分層架構設計，以實現數據的分級處理與高效流轉。

3.1  邊緣感知層

部署三軸IEPE振動傳感器（采樣頻率5.12 kHz）、Pt100溫度傳感器及霍爾電流傳感器。針對熱軋電機，特別設計了與軋機人機交互系統（HMI）的通訊接口，實時采集電機轉速與負載扭矩信號，用于后續的工況分割與負載修正。

3.2  邊緣計算層

利用工業網關進行數據預處理，包括抗混疊濾波、快速傅里葉變換（FFT）及關鍵時域特征（有效值、峭度、峰值因子）的提取。通過輕量級異常檢測算法進行初步篩查，僅將高價值特征與原始片段上傳云端，有效降低網絡帶寬占用。

3.3  云端智能層

構建PHM平臺，集成兩大核心算法引擎：

① 基于Attention-LSTM-AE的無監督異常檢測模型，用于健康基線建模；

② 基于隨機森林的故障分類與RUL預測模型。平臺通過應用程序接口（API）與企業資產管理系統（EAM）打通，實現“監測-診斷-決策-執行”的閉環管理。

4  面向負載自適應的AI建模方法

本章節為本文核心創新點，重點闡述多模態時序融合模型的構建過程。

4.1  基于Attention-LSTM-AE的異常檢測模型

為了克服傳統LSTM在長序列訓練中梯度消失及對關鍵特征捕捉不足的缺陷，本文引入注意力機制（Attention Mechanism）。輸入特征向量構建為多維時序矩陣

 X_t = [Vib_rms , Vib_Kurt , Temp, Curr, Load]^T 

模型結構：

- 編碼器：通過LSTM層將輸入序列映射為高維特征向量。

- 注意力層：計算時間步權重 _t，使模型聚焦于負載突變后的異常振動片段。

- 解碼器：重構輸入序列。

重構誤差定義為：

定義異常率為重構誤差超過自適應閾值 θ 的樣本比例。特別地，閾值 θ 并非固定值，而是根據當前負載工況 Load(t) 動態調整，從而消除重負載對振動基線的抬升影響。

4.2  健康指數（HI）的動態構建

摒棄傳統的線性加權方法，本文采用熵權法結合專家經驗構建動態健康指數：

其中， λ 為退化系數， _i 為通過層次分析法（AHP）確定的權重。該指數能更靈敏地反映設備從健康到劣化的非線性過程。

4.3 剩余壽命（RUL）預測

基于Wiener隨機過程建立退化模型：

利用歷史退化數據訓練模型參數，并結合當前HI值，采用最大似然估計法外推設備達到失效閾值  H_{th}  的時間，即RUL。

5. 實例驗證與結果分析

5.1 數據集構建與實驗環境

為驗證所提方法在復雜工業環境下的魯棒性，實驗數據分別采集自某大型鋼鐵企業2250mm熱軋生產線精軋主電機（功率4200千瓦）及燒結廠區3000千瓦主抽風機。

數據采集配置如下：

- 振動信號：三軸IEPE加速度傳感器，采樣頻率5.12千赫茲

- 溫度信號：Pt100，采樣間隔1秒

- 電流與負載：通過OPC-UA協議從高壓柜綜保與軋機HMI實時讀取

- 總樣本時長：連續監測6個月，共獲得有效樣本1,024,000條

數據標注策略：

- 正常樣本：前4個月運行數據（無報警記錄）

- 退化樣本：第5個月初出現的軸承外圈損傷事件，經停機拆解確認（依據ISO 15243標準）

實驗硬件平臺為Intel Xeon Gold 6248處理器，128GB內存，NVIDIA T4顯卡；軟件環境為Python 3.9，PyTorch 1.12。

5.2 異常檢測性能對比

為全面評估Attention-LSTM-AE的性能，在同一訓練集與測試集劃分下（70%訓練，30%測試），分別與孤立森林（Isolation Forest）、單類支持向量機（One-Class SVM）及標準LSTM-AE進行對比。

評價指標：精確率、召回率、F1分數、假正率。實驗結果如表1所示。

結果分析：

1. 引入注意力機制后，模型F1分數較標準LSTM-AE提升7.2%，驗證了注意力權重在負載突變工況下對關鍵特征的增強作用。

2. 本文方法將FPR控制在5.2%，相比孤立森林降低64.9%，有效緩解了鋼鐵現場常見的“誤報疲勞”問題。

3. 配對樣本t檢驗結果顯示，本文方法與對照組在召回率上的差異具有統計學意義（p < 0.01）。

5.3 消融實驗

為進一步驗證各模塊貢獻，設計三組消融實驗：

- 基準模型：標準LSTM-AE

 注意力機制：加入注意力機制

 負載自適應：引入負載自適應閾值

結果表明，負載自適應閾值是降低誤報與提升RUL精度的關鍵因素。

5.4 RUL預測精度分析

選取退化階段最后240小時的滑動窗口數據，對比Wiener退化模型與線性回歸（LR）、長短期記憶網絡（LSTM）的RUL預測表現。

誤差指標采用： 平均絕對誤差（MAE）、均方根誤差（RMSE）。

實驗結果表明，Wiener模型在退化中后期能夠更準確地跟蹤設備健康趨勢，并在故障發生前120小時給出高風險預警，為計劃性維修預留了充足窗口。

5.5 工程應用效益

在該鋼廠實際應用12個月后統計顯示：

- 關鍵旋轉設備非計劃停機時間同比下降34.6%

- 備件過度更換率下降27.3%

- 運維人力巡檢頻次減少40%

上述結果驗證了所提方法在真實工業環境中的實用價值。

6. 討論

本方法雖然顯著提升了預警準確性，但在極低速重載設備（如回轉窯）上的適用性仍需進一步驗證。此外，當前模型主要依賴單一工廠數據，未來工作將探索聯邦學習在多基地數據共享中的應用，以解決單一工廠故障樣本稀缺的問題。

結論

本文提出了一種面向鋼鐵旋轉機械的多模態時序融合PHM方法。通過引入注意力機制改進LSTM-AE模型，解決了變工況下的異常檢測難題；構建了動態健康指數與RUL預測模型，實現了設備退化趨勢的可視化。實際應用數據驗證了該方法在降低誤報率和提前預警方面的優越性，為鋼鐵企業的智能化運維轉型提供了可行的技術路徑。

參考文獻:

[1]  李剛，王海濤，張磊．鋼鐵企業旋轉機械設備狀態監測與故障診斷技術研究進展[J]．冶金設備，2023(4)：1-6．

[2]  劉宏亮，趙宇，陳偉．基于LSTM自編碼器的工業設備無監督異常檢測方法[J]．自動化學報，2021，47(6)：1325-1334．

[3]  王建國，孫鵬，李曉峰．考慮負載波動的風機軸承變工況健康評估方法[J]．振動與沖擊，2022，41(15)：187-194．

[4]  梅山鋼鐵股份有限公司．鋼鐵企業旋轉設備預測及健康管理平臺的設計與應用[J]．梅山科技，2025(2)：28-33．

[5]  江蘇省鋼鐵行業協會．人工智能賦能新型工業化——鋼鐵行業設備預知檢修模型研究報告[R]．南京：江蘇省鋼鐵行業協會，2026．

[6]  研華iDAQ旋轉機械預測維護方案案例. 2022.