背景介紹

　　日本某汽車制造企業是實踐精益制造的典范，在生產過程管理和設備使用維護方面具有嚴格的執行規范和持續改進的文化機制，并且在生產流程監控和質量管理方面使用了大量的統計工具，確保在質量發生偏差時能夠及時地進行糾正。這些方法在使用初期很快顯示出了巨大的價值，使產品質量和生產過程中的浪費得到了極大的改善，也幫助日本汽車在20世紀70年代迅速在美國市場占據了半壁江山。

　　然而，精益制造推行到一定程度之后，這家企業開始發現提升空間越來越小，一些設備的停機和產品的質量問題無論如何進行持續改善都無法完全消除。即使嚴格按照操作規范，每天對設備進行點檢，定期對設備進行預防性維護，依然避免不了設備故障停機的現象。在探究原因過程中發現，精益管理所解決的是可見問題和浪費，即在問題發生時及時地發現和解決，卻無法去預測和管理不可見因素造成的影響。

　　該企業北美總部的設備部門主管起初抱怨壓縮機軸承的經常性損壞是造成最多停機時間的故障。于是，第一個課題選擇了對軸承的健康管理和故障預測。但是項目剛剛進行幾個月后，部署了IMS健康管理系統的軸承又發生了損壞，在對歷史數據進行分析后發現，軸承在服役過程中和損壞前均發生了數次非常劇烈的振動，對根本原因進行分析，發現振動的來源是壓縮機自身的喘振現象。

　　喘振現象是指氣流沿壓氣機軸線方向發生的低頻率、高振幅的振蕩現象。它會導致壓縮機損壞而浪費高昂的成本，在工況運行時出現狀況甚至緊急停機，不僅如此，還會影響與壓縮機相連的其他設備的正常運轉，干擾操作人員正常工作，使測量儀表儀器準確性降低，甚至失靈。

目標

　　基于這一背景，壓縮機的最優效率下穩定運行是首要目標。空氣壓縮機的控制需要解決的問題是規避喘振現象，其核心是定位系統的喘振邊界，為入口導流葉片設計反饋控制，在避免壓縮機喘振現象發生的同時盡可能靠近最佳效率。

　　但是壓縮氣體的流量、體積、壓力和壓縮比等參數，具有很強的動態性和非線性特點，且容易受到環境和壓縮機自身健康狀態變化的影響，因此壓縮機的喘振邊界曲線是非線性和動態的。

核心技術

　　壓縮機控制模型的基礎是壓縮機的理論設計工況曲線（如圖）。如果控制模型距離性能曲線太遠，雖然會避免喘振現象的發生，但是會使壓縮機的能效降低，然而如果距離性能曲線太近（低流量、高壓力狀態），則造成極大的喘振風險。

壓縮機理論設計工況曲線

　　為了改善這一問題，運用數據驅動建模的方法，為控制系統提供一個最優的控制參考曲線。在數據準備階段，采集喘振和非喘振狀態下的各類控制和狀態參數，在經過參數之間的相關性分析和降維處理后，選擇對喘振現象辨識度最高的多個參數作為模型輸入。

　　隨后，利用非對稱支持向量機(ASVM)的分類算法，該算法對喘振和非喘振狀態的數據主成分(PCA)建立了分類模型，運用模式識別的方法（如神經網絡）找出最優喘振曲線的分界線，能夠最大程度的區分喘振數據與非喘振數據，在降低誤判率的同時確保了能效最優化。

　　在上線使用過程中，當這個邊界由于設備自身狀態發生變化而遷移時，每一次控制系統觸發了喘振保護控制的參數樣本都會反饋到在線的自適應建模過程中，系統能夠根據新的工況曲線自動調整控制策略，避免在相同狀態下再次發生喘振現象。

壓縮機數據分析與建模過程

案例分享

　　該日本汽車制造企業在經歷了精益制造的瓶頸之后，意識到大型制造系統及設備需更好應對動態的、變化的生產環境和客戶需求，引入了IMS中心的數據驅動建模方法，為控制系統提供一個最優的控制參考曲線。將固有的靜態6-sigma管理模型改進為動態預測模型，從而將簡單的生產制造偏差評估轉化為預測性衰退評估。

　　通過對采集的數據進行相關性分析，選擇了辨識度最高的11個參數作為模型輸入，運用基于主成分分析(PCA)算法找出故障特征變量，使用支持向量機(SVM)建立非線性動態喘振模型圖， 能夠很好的預測喘振的風險，并大大降低誤判率。

　　通過以上方法，實現了在保持一定間隔范圍的同時，將最理想的分離曲線移到非喘振點。在此基礎上，又開發了更多可大規模應用的在線預測分析工具，通過驗證的預測分析工具被集成到了壓縮機的控制系統中，實現了具有在線激流監控和優化控制能力的智能壓縮機設備。在對該日本汽車制造企業的壓縮機控制系統完成智能化升級后，由于能耗效率提升帶來的直接收益超過50萬美元／年，且從2006年至今都沒有發生過由于嚴重喘振現象引起的故障和停機。

注：此案例被收錄于李杰等著寫的《從大數據到智能制造》、《CPS 新一代工業智能》兩本書中。