摘要:新一代人工智能技术的发展与应用装备积累了大量数据,推动着故障预测与健康管理(PHM)进入了工业大数据时代。结合装备的功能作用、结构组成和工作特点,分析装备大数据,进行价值挖掘、信息提取进而实现装备的状态监测、异常预警、故障诊断、寿命预测、智能维护等工作十分迫切。在回顾并剖析当前PHM技术内涵、发展现状与应用的同时讨论了装备工业大数据的特点、分析方法及其工作中的难点和疑点。以风力发电机组和机械硬盘两类典型复杂装备为例,从工业大数据角度对其PHM技术进行探讨,总结当前研究工作的热点与不足,思考未来研究方向,以期为相关领域的研究人员提供一定参考。
关键词:故障预测与健康管理;工业大数据;风力发电机组;机械硬盘
中图分类号:TH17文献标识码:A1问题的提出年3月,一架波音Max客机由于传感器故障引起飞机失控,导致机毁人亡[1];年4月,甘肃一风电场在维护保养时发生风电机组倒塌事故,造成重大人员伤亡和巨额经济损失[2]。这些装备故障引发的重大事故警示着人们应时刻保障装备的安全可靠运行。智能运维以实现装备的在线状态检测、故障诊断、剩余寿命预测和健康管理为目标,在提高装备运行可靠性、优化运维策略、减少运营成本和提高企业竞争力等方面发挥着重要的作用,其作为智能制造体系中的一个重要环节,是当前实现“中国制造”国家战略规划的关键切入点和突破口[3]。
传统运维方式是在装备发生故障时,通过对装备进行维修、养护来恢复装备原有的功能,其为一种反应式措施,注重事后救火,无法避免故障对社会造成的重大负面影响。20世纪50年代,随着可靠性工程理论知识的发展,运维方式发生了演变和改善,出现了定期维护(TimeBasedMaintenance,TBM)和定期更换的预防性维护(PreventiveMaintenance,PM),然而由于定期更换功能完备的装备造成了巨大浪费,视情维修(ConditionBasedMonitoring,CBM)随之发展起来。CBM是对装备的健康状态进行监测和评估,发现异常后再采取相应的护策略。虽然TBM和CBM对先前传统的装备运维方式进行了创新,但都不是最优的维护理念。随着人工智能、互联网+、云计算、大数据等新兴技术的发展,故障预测与健康管理(PrognosticsandHealthManagement,PHM)应运而生[3-6]，如图1所示。PHM指利用传感等方式映射得到装备的工况、周围环境、在线或历史运行状态等各类数据,通过特征提取、信号分析、数据融合建模,对装备进行运行状态监测、性能退化建模、剩余寿命预测和可靠性评估等,是一个集机械、电气、计算机、人工智能、通讯、网络等多学科为一体的高端技术[4-6],其目的是保障装备或产品完成规定功能,避免突发故障导致性能降低、任务缺陷、意外操作等非预期事件对任务安全的影响。从运维理念方面,PHM是装备的运维体系从事后维修到定期巡检,再到主动预防的创新与转变。从概念内涵方面,PHM涵盖了装备的状态监测、异常预测、故障诊断、寿命预测、运维决策等具体任务。从技术（实施）方法方面，PHM涉及故障预测和健康管理两方面内容，故障预测根据装备历史和当前信息数据评估、诊断其当前的健康状态以实现装备的异常监测、故障定位和故障评估，同时结合未来的使用环境、条件、所规划的任务等信息预测装备性能的变化情况、剩余使用寿命和故障发生的概率等；基于故障预测的分析结果，健康管理动态调整装备的使用情况，实现容错控制、制定并安排具体的运维策略、避免突发故障等，从而保障装备完成规定任务[7-10]。随着传感器、物联网、“互联网+”、云计算、人工智能等技术的发展与应用,装备积累了海量数据,通过挖掘、利用隐含在工业大数据中的规律、价值、知识等,一些企业优化了资源配置效率,降低了生产运营成本,提升了社会和经济效益,增强了竞争力[11-12]。例如,中联重科股份有限公司通过在农业机械、工程机械等高端装备上安装传感器,实现了设备定位、状态监测、能耗分析、故障预警等功能,给客户提供了高质量的运维服务；中车株洲电力机车有限公司通过对轨道交通设备进行全寿命周期健康监测,在线识别设备运行状态,排除安全隐患,实现了由数据驱动的预测性维护方式;中国航发西安航空发动机有限公司通过对机床工作状态进行实时监测,在延长设备使用寿命的同时提升了企业网络化协同制造的能力,提高了企业整体的智能运维水平[3]。上述文献彰显了PHM技术在数据集成分析、降低运维成本、提高诊断精度和企业竞争力等方面的重要作用,推动着装备PHM进入工业大数据时代。本文在梳理总结PHM的基础上,阐述分析了业大数据对PHM的推动作用,归纳总结了工业大数据典型的分析方法和流程,通过分析与探讨两类复杂机电装备(风力发电机组和机械硬盘)PHM案例,指出当前研究的热点、难点及未来的研究方向,供相关领域的研究人员参考。
2故障预测与健康管理
PHM技术通过利用先进的传感器技术，感知与装备健康状态密切相关的可测量信息（如振动、温度、电流、电压等），基于装备历史数据和当前监测数据的融合分析，借助信号处理、机器学习和数据挖掘等技术和方法判断装备的在线运行状态，检测早期故障，定性或定量评估故障程度,揭示装备性能的衰退规律,预测装备未来时刻的健康状态和剩余使用寿命,必要时可以根据装备当前的健康状态调整生产计划或改变控制策略来延长装备的使用寿命,并基于装备的历史运行信息、维修记录以及未来预计的使用情况,结合故障成本分析,采购、储存等备件库存管理信息,实现装备的自适应容错控制,提高资源管理效率,优化运行维护策略。因此,PHM系统一般应具备如下能力：数据的采集与分析、健康监测与异常预警、故障诊断、故障检测、信息融合分析、状态评估、剩余寿命预测、容错控制、运维决策分析等[5-10]，如图2所示。2.1数据采集与健康监测数据采集指与将健传康感监器测安装在待测设备合适的位置或配置在设备周围,将待测设备的运行情况、工作环境等信息映射成相应的光、电、磁等信号,通过信号放大器、数据采集系统将信号传输至上位机进行存储、显示或打印的过程[5]。需要指出的是,在数据采集之前需要判断通过什么信号的分析才能有效反映装备的健康状态。对于旋转类型装备,可以通过采集振动信号来有效判断其健康状态;对于电动机,可以通过监测分析电压、电流等电气信号来说明电动机运行的健康状态;对于齿轮箱、轴承等装备，可以通过分析油液成分数据判断其内部的磨损程度,从而反映装备的健康状态。明确了装备的监测信号后,需要通过具体的传感器及其数据采集系统将装备的信号采集到计算机进行数据存储、可视化分析等工作。例如，通过传感器(如加速度传感器、钳流表等)结合信号滤波、转换、传输等模块(如NIDAQ数据采集系统)将装备信号采集至计算机,如图3所示，与装备结构早期故障相关的声发射信号（AcousticEmission,AE）需要通过专门的AE传感器、信号放大器、数据采集卡和软件采集信号，如图4所示。另外，由于传感器及其数据采集系统中的硬件或软件也会发生故障，需要对所采集的数据和原始信号进行初步分析与判断，排除数据本身的质量问题,以保障PHM后续其他任务的部署、推进和实施[13]。2.2异常预警异常预警指装备(或系统)的运行状况出现异常波动时，通过分析在线监测数据及时、准确地发现异常并预警[14]，通常在学习装备历史数据的基础上，获取不同特征参数可能的阈值（或数值范围）。通过同比、环比分析、并对监测数据和阈值进行比较，同时考虑装备数据的整体变化与季节性周期变化（风电机组的工作状态与其所处的气候环境情况密切相关）来判断装备工作是否正常，当异常发生时能够及时发出装备异常警告。例如JIN[15-20]通过冷却风扇的实效物理模型分析，采集振动、转速、电流等关键信号用于构建马氏空间,分析对比测试冷却风扇的马氏距离与马氏空间中的信息来判断风扇是否发生异常。装备的异常预警也可通过学习和训练历史数据构建预测器模型(用于评估、预测装备健康状态)或比较器模型(用于对比分析预测值与真实值间的残差进而判断检测数据是否异常),通过上述学习训练过程构建的模型预测当前行为或比较预测状态与实际状态的偏差,对装备在线运行状态进行监测和预警。2.3状态评估状态评估指通过在线或离线方式,利用传感器测得的数据、人工记录的数据、历史数据、现象或经验等信息,采用综合评估分析方法将装备当前的健康状态划分为优、良、中、差、故障等不同等级进行评估。通过了解装备当前的健康状态,结合其历史状态和将来的使用情况,衡量装备及其部位完成任务的能力。例如，肖运启等[21]根据风电机组的功能结构归纳分析了机组的重要运行参数，采用劣化度分析方法,结合层次分析法和模糊预测策略综合评价机组的健康状态;张珂斐等[22]提出一种模糊综合评价和改进证据理论相融合的变压器状态评价方法,用于改善评价指标界限的稳定性和解决信息融合时产生相悖结论的问题;李刚等[23]利用理论,结合层次分析法、关联函数等构建了风电机组运行状态评估指标体系。为了克服状态评价的主观性,董兴辉等[25]提出一种基于组合赋权和云模型的健康状态评估方法,在对风电机组的状态评价上取得了良好的效果；宾光富等[26]将回转窑划分为支承、传动、动力、热换等子系统,以及托轮、轴承等具体零部件,参照零件对设备影响的大小制定若干权重集,通过加权平均计算不同子系统和回转窑的健康值来量化评价设备的健康状态。2.4故障诊断
内容来源万方数据，金晓航、王宇、ZHANGBin,若有侵权联系删除。转载请注明：http://www.0431gb208.com/sjszlfa/7971.html
