——以烧结主抽风机与热轧主电机的负载自适应预警为例

韩迅锋  裴延杰

摘  要 ：针对钢铁企业关键旋转机械在传统运维模式下难以适应变工况负载冲击、早期微弱故障特征提取困难及剩余寿命预测精度不足等问题，提出了一种融合多模态时序数据的设备健康管理（PHM）方法。该方法首先构建了基于注意力机制的LSTM自编码器（Attention-LSTM-AE）模型，用于挖掘振动、温度及电流信号在变负载工况下的深层特征并建立正常行为基线；其次，引入随机森林（Random Forest）算法对提取的频域特征进行故障模式识别；最后，结合Wiener退化过程构建剩余寿命（RUL）预测模型。通过在某大型钢厂烧结主抽风机与热轧精轧主电机的实际应用验证，结果表明：相较于传统阈值报警方法，该方法的异常检测准确率达到94.2%，误报率降低了37%，并能提前120小时对轴承早期退化发出预警，验证了该方法在工业复杂环境下的有效性。

关键词： 旋转机械；预测性维护；PHM；注意力机制；多模态融合；负载自适应

1  引言

随着“工业4.0”与智能制造的推进，钢铁行业作为能源与设备密集型产业，其生产设备的智能化运维成为提升核心竞争力的关键。烧结主抽风机、热轧主电机等关键旋转机械长期处于高温、高粉尘及变载荷的恶劣工况下，传统的基于固定阈值的事后维修（BM）与定期检修（TBM）模式，常因无法捕捉早期微弱故障特征而导致非计划停机，造成巨大的经济损失。

近年来，基于数据驱动的预测性维护（PdM）技术逐渐成为研究热点。然而，现有的大多数研究存在以下局限性：

（1）多数模型基于稳态工况假设，忽略了钢铁生产中咬钢冲击、负载波动对振动信号的干扰，导致虚警率居高不下；

（2）单一数据源（如仅靠振动）在噪声环境下鲁棒性较差；

（3）健康指数（HI）的构建多依赖主观加权，缺乏物理意义与数据驱动的深度融合。

鉴于此，本文以钢铁企业关键旋转机械设备为研究对象，提出了一种考虑负载自适应特性的多模态时序融合PHM方法，旨在通过边缘-云端协同架构，实现从信号采集到维修决策的全流程智能化。

2  相关工作与技术基础

目前，针对旋转机械的故障预测主要采用基于物理模型和数据驱动两类方法。基于物理模型的方法依赖于对设备失效机理的深入理解，但在复杂的钢铁工业场景中，由于存在强耦合和非线性特性，建模难度较大。相比之下，数据驱动方法通过挖掘历史数据中的隐含规律，展现出更强的适应性。

在异常检测方面，长短期记忆自编码器（LSTM-AE）因其在处理时间序列数据上的优势被广泛应用。然而，标准LSTM-AE在钢铁行业的实际应用中，往往难以区分“因负载增加导致的正常振动增大”与“因故障导致的异常振动”，从而导致误报。为解决这一问题，部分学者引入了注意力机制（Attention Mechanism）来增强模型对关键特征的捕捉能力。本文在前人研究基础上，进一步融合了电流与负载信号，构建了负载自适应的健康评估模型。

3  系统总体架构设计

本研究采用“端-边-云”协同的分层架构设计，以实现数据的分级处理与高效流转。

3.1  边缘感知层

部署三轴IEPE振动传感器（采样频率5.12 kHz）、Pt100温度传感器及霍尔电流传感器。针对热轧电机，特别设计了与轧机人机交互系统（HMI）的通讯接口，实时采集电机转速与负载扭矩信号，用于后续的工况分割与负载修正。

3.2  边缘计算层

利用工业网关进行数据预处理，包括抗混叠滤波、快速傅里叶变换（FFT）及关键时域特征（有效值、峭度、峰值因子）的提取。通过轻量级异常检测算法进行初步筛查，仅将高价值特征与原始片段上传云端，有效降低网络带宽占用。

3.3  云端智能层

构建PHM平台，集成两大核心算法引擎：

① 基于Attention-LSTM-AE的无监督异常检测模型，用于健康基线建模；

② 基于随机森林的故障分类与RUL预测模型。平台通过应用程序接口（API）与企业资产管理系统（EAM）打通，实现“监测-诊断-决策-执行”的闭环管理。

4  面向负载自适应的AI建模方法

本章节为本文核心创新点，重点阐述多模态时序融合模型的构建过程。

4.1  基于Attention-LSTM-AE的异常检测模型

为了克服传统LSTM在长序列训练中梯度消失及对关键特征捕捉不足的缺陷，本文引入注意力机制（Attention Mechanism）。输入特征向量构建为多维时序矩阵

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

模型结构：

- 编码器：通过LSTM层将输入序列映射为高维特征向量。

- 注意力层：计算时间步权重 _t，使模型聚焦于负载突变后的异常振动片段。

- 解码器：重构输入序列。

重构误差定义为：

定义异常率为重构误差超过自适应阈值 θ 的样本比例。特别地，阈值 θ 并非固定值，而是根据当前负载工况 Load(t) 动态调整，从而消除重负载对振动基线的抬升影响。

4.2  健康指数（HI）的动态构建

摒弃传统的线性加权方法，本文采用熵权法结合专家经验构建动态健康指数：

其中， λ 为退化系数， _i 为通过层次分析法（AHP）确定的权重。该指数能更灵敏地反映设备从健康到劣化的非线性过程。

4.3 剩余寿命（RUL）预测

基于Wiener随机过程建立退化模型：

利用历史退化数据训练模型参数，并结合当前HI值，采用最大似然估计法外推设备达到失效阈值  H_{th}  的时间，即RUL。

5. 实例验证与结果分析

5.1 数据集构建与实验环境

为验证所提方法在复杂工业环境下的鲁棒性，实验数据分别采集自某大型钢铁企业2250mm热轧生产线精轧主电机（功率4200千瓦）及烧结厂区3000千瓦主抽风机。

数据采集配置如下：

- 振动信号：三轴IEPE加速度传感器，采样频率5.12千赫兹

- 温度信号：Pt100，采样间隔1秒

- 电流与负载：通过OPC-UA协议从高压柜综保与轧机HMI实时读取

- 总样本时长：连续监测6个月，共获得有效样本1,024,000条

数据标注策略：

- 正常样本：前4个月运行数据（无报警记录）

- 退化样本：第5个月初出现的轴承外圈损伤事件，经停机拆解确认（依据ISO 15243标准）

实验硬件平台为Intel Xeon Gold 6248处理器，128GB内存，NVIDIA T4显卡；软件环境为Python 3.9，PyTorch 1.12。

5.2 异常检测性能对比

为全面评估Attention-LSTM-AE的性能，在同一训练集与测试集划分下（70%训练，30%测试），分别与孤立森林（Isolation Forest）、单类支持向量机（One-Class SVM）及标准LSTM-AE进行对比。

评价指标：精确率、召回率、F1分数、假正率。实验结果如表1所示。

结果分析：

1. 引入注意力机制后，模型F1分数较标准LSTM-AE提升7.2%，验证了注意力权重在负载突变工况下对关键特征的增强作用。

2. 本文方法将FPR控制在5.2%，相比孤立森林降低64.9%，有效缓解了钢铁现场常见的“误报疲劳”问题。

3. 配对样本t检验结果显示，本文方法与对照组在召回率上的差异具有统计学意义（p < 0.01）。

5.3 消融实验

为进一步验证各模块贡献，设计三组消融实验：

- 基准模型：标准LSTM-AE

 注意力机制：加入注意力机制

 负载自适应：引入负载自适应阈值

结果表明，负载自适应阈值是降低误报与提升RUL精度的关键因素。

5.4 RUL预测精度分析

选取退化阶段最后240小时的滑动窗口数据，对比Wiener退化模型与线性回归（LR）、长短期记忆网络（LSTM）的RUL预测表现。

误差指标采用： 平均绝对误差（MAE）、均方根误差（RMSE）。

实验结果表明，Wiener模型在退化中后期能够更准确地跟踪设备健康趋势，并在故障发生前120小时给出高风险预警，为计划性维修预留了充足窗口。

5.5 工程应用效益

在该钢厂实际应用12个月后统计显示：

- 关键旋转设备非计划停机时间同比下降34.6%

- 备件过度更换率下降27.3%

- 运维人力巡检频次减少40%

上述结果验证了所提方法在真实工业环境中的实用价值。

6. 讨论

本方法虽然显著提升了预警准确性，但在极低速重载设备（如回转窑）上的适用性仍需进一步验证。此外，当前模型主要依赖单一工厂数据，未来工作将探索联邦学习在多基地数据共享中的应用，以解决单一工厂故障样本稀缺的问题。

结论

本文提出了一种面向钢铁旋转机械的多模态时序融合PHM方法。通过引入注意力机制改进LSTM-AE模型，解决了变工况下的异常检测难题；构建了动态健康指数与RUL预测模型，实现了设备退化趋势的可视化。实际应用数据验证了该方法在降低误报率和提前预警方面的优越性，为钢铁企业的智能化运维转型提供了可行的技术路径。

参考文献:

[1]  李刚，王海涛，张磊．钢铁企业旋转机械设备状态监测与故障诊断技术研究进展[J]．冶金设备，2023(4)：1-6．

[2]  刘宏亮，赵宇，陈伟．基于LSTM自编码器的工业设备无监督异常检测方法[J]．自动化学报，2021，47(6)：1325-1334．

[3]  王建国，孙鹏，李晓峰．考虑负载波动的风机轴承变工况健康评估方法[J]．振动与冲击，2022，41(15)：187-194．

[4]  梅山钢铁股份有限公司．钢铁企业旋转设备预测及健康管理平台的设计与应用[J]．梅山科技，2025(2)：28-33．

[5]  江苏省钢铁行业协会．人工智能赋能新型工业化——钢铁行业设备预知检修模型研究报告[R]．南京：江苏省钢铁行业协会，2026．

[6]  研华iDAQ旋转机械预测维护方案案例. 2022.