设备与系统健康智能预诊维护技术

第1章 设备健康智能预诊维护 1.1 引言 随着高新技术的飞速发展以及全球化的社会竞争趋势日益加剧，现代工业朝着系统化和复杂化发展。为了在激烈的市场竞争中占据主动，企业需要不断地更新设备和工业系统，稳固核心竞争力，在保证产品质量的前提下快速响应市场需求。设备的状态监测作为工业系统管理的重要内容，是确保系统稳定运行的有效途径，可以为维护决策提供依据，及时制定维修计划或进行设备更新等措施，能避免恶性事故的发生，这也成了保障企业安全生产和提高经济效益的关键。 目前，关键机械设备呈现出了高度自动化、高精度、高可靠性和高度智能化的发展趋势，强调设备的可预诊性、可控性和可维护性。设备故障的突然发生，不仅会极大地增加企业的维护成本，而且会严重影响生产效率，引起一系列的严重问题，使企业蒙受巨大损失。因此，如何合理地进行设备维护，防止设备因突然故障而失效，已成为企业降低运作成本、提高生产效率和市场竞争力的关键所在。而为了保持设备的稳定性，企业多采用周期性检修(periodic maintenance)和事后维护(maintenance after breakdown)的简单方式，但这种维护方式也同样给企业带来了经济负担，而且也不能达到提高设备运行可靠性和*大限度地减少设备故障的要求。为此，国际学术界和工业界提出了故障预测和健康管理(prognostic and health management，PHM)，对设备性能退化状态(如机械部件的磨损、裂纹、点蚀、不平衡等)进行持续的监测、评估和预测，并按需制定维护计划，在防止设备失效的同时，*大限度地延长设备的维护周期，减少设备的全寿命维护成本。PHM是基于主动维护模式PAP(predict and prevent)思想的设备性能退化评估及预测的理论和技术，以达到对设备故障的发生与发展防微杜渐、防患于未然的目的，具有重要的科学理论意义和工程应用价值。PHM系统一般应具备故障检测、故障隔离、故障诊断、性能检测、故障预测、健康管理、部件寿命追踪等能力[1]。大多数故障诊断与故障预测工具都具有领域相关的特点。采用开放式的体系结构，方便各种故障诊断与预测方法的不断完善，实现即插即用，成了在系统级实现PHM的一项关键技术。典型的故障诊断与预测流程包含了数据采集、数据预处理、数据传输、特征提取、数据融合、状态监测、故障诊断、故障预测、保障决策等环节，如图1.1所示[2]。 图1.1 设备智能预诊维护系统框架和流程 传统的故障诊断技术基于的基础理念是被动的维修模式FAF(fail and fix)，维修要求是达到及时修复。通常，机械设备在使用过程中由于产生的各类磨损、裂纹、点蚀、不平衡等，总会经历由正常到性能退化直至失效的过程，而这期间一般需要经过一系列不同的性能退化状态。而预诊维护技术是基于主动的维护模式PAP，重点在于对设备全寿命周期的性能退化评估与预测。设备维护体现了预防性要求，是从理念和方法上对现有故障诊断技术的全新拓展。这些都对现有的设备维护理论与方法提出了新的挑战。为了适应这些复杂要求，需加强机械设备性能退化评估与预测技术的应用基础研究，发展智能预诊维护系统，使得设备的运行性能状态具有可评估性、可预测性、可诊断性和可控性。 1.2 设备健康维护的发展 设备维护经历了事后维护(corrective maintenance，CM)、定期维护(regular maintenance，RM)、视情维护(conditions-based maintenance，CBM)等几个被动的维修模式阶段，现正向主动维护模式PAP的预测维修方向发展。 20世纪60年代，美国国家航空航天局(National Aeronautics and Space Administration，NASA)和海军研究所(Naval Research Laboratory，NRL)组织成立美国机械故障预防小组(Mechanical Fault Prevention Group，MFPG)，开始有组织、有计划地对机械故障诊断技术进行全面系统地研究。20世纪70年代初，电子测量技术和信号分析技术被提出，基于信号分析技术的故障诊断方法和维护策略得到了广泛的关注，并被应用于实际工业生产中。20世纪80年代初，随着计算机技术和传感器技术的发展，基于多种传感信号的分析技术和状态监测技术被广泛应用于设备维护中。随着工业互联网、物联网技术的兴起，监测数据量与日俱增，机械设备健康维护步入了“大数据”时代[3]。 20世纪80年代末提出的智能预诊(intelligent prognostics)是典型的主动维护模式。智能预诊从寻找设备故障发生、发展的确定性规律着手，综合分析设备在使用过程中自身状态变化和产品经历的外界环境条件(如力学环境、气候环境等)数据，通过在线分析设备运行过程中的状态参数信息，评估设备的性能退化过程，进而预测设备的剩余寿命，推断故障可能发生的部位和发生时间，制定合理的维护策略，避免突发性故障的发生[4]。智能预诊维护在国内外已应用到大型机电设备的状态监控、寿命预测和可靠性研究中，如大型涡轮发电机组的振动监测[5]、直升机发动机的故障诊断[6]、汽轮机叶片的动态有效剩余寿命预测[7]。性能退化评估和剩余寿命预测是设备智能预诊维护的两个关键技术，设备性能退化评估的实质是对设备运行状态的模式识别，即通过对表征设备运行状态的特征信息进行融合建模，识别和量化设备当前的性能退化状态。设备剩余寿命预测的本质是时间序列预测，即通过对设备运行状态进行建模，构建健康因子(health index，HI)，对设备整个生命周期的HI进行预测，为设备可靠运行提供预诊决策信息。 从设备健康维护的发展历程来看，设备健康问题在很早就得到重视。设备的维护策略由被动维护转向主动维护，由传统维护转向智能维护。设备的健康运行可以增加生产过程可靠性，同时降低生产成本。因此，对设备进行智能预诊维护研究具有重要的意义。 1.3 设备智能预诊维护的关键技术 设备健康预测维护与精准服务管理系统可以实现测量、分析、建模、评估、预测、决策和优化一体化，主要包括多传感信号融合分析、特征提取与学习、量化评估监控、剩余寿命预测、维护决策与精准服务优化等。设备智能维护预诊系统如图1.2所示。 1.3.1 信号收集与处理 为了实现机械设备运作的高性能和高可靠的要求，采用多传感器来采集分析设备运行状态信号(如振动、位移信号等)生产工况信息。但是获得的实时信息通常具有多样性、自相关或互相关性、噪声混杂导致的隐蔽性等特点，严重影响机械设备健康预诊系统的监控与预测性能。在设备健康退化的早期，在强噪声下传感信号中潜藏的故障特征通常比较微弱而难以发现，显著地降低了预诊系统的准确性。信号处理主要是为了抑制噪声和增加信噪比，以使储存的故障信号中的特征显现出来。信号处理技术经过几十年的发展，从*开始比较简单的某些统计参数(如峭度、均方根等)的计算，到傅里叶变换、小波变换等频谱分析技术，再到如今经验模态分解、经验小波变换、形态信号处理技术等降噪滤波技术，已逐渐发展成熟。因此，采用先进的信号处理技术进行滤波消噪，使用时/频域分析等技术对多传感数据信号进行优化处理，可以为设备智能维护提供重要的数据基础。 图1.2 设备智能维护预诊系统 机械设备的状态信息包括声发射(acoustic emission，AE)、振动信号(vibration signal，VS)、油污染(oil pollution，OP)、静电(static electricity，SE)和超声(ultrasonic sound，US)等，可将以上信号分为3类：有价信号、波形信号和多维信号。其中，从油污分析和静电分析中收集的数据为**类；振动信号和声发射为第二类；第三类为图像数据，如X射线、热成像等。然而，信号处理方法仅仅适用于第二类波形信号数据。在机械故障的信号处理方法中，从传感器获得的各类信号从不同方面反映了机械状态信息的变化，振动信号通常包含大量的机械系统状态信息，利用振动信号进行故障诊断是一种常用且有效的方法。一般情况下，振动信号是典型的非平稳、非线性时变信号。当机械设备发生故障时，会发出异常振动和噪声，通过对振动信号的分析，可以进行故障诊断。因振动信号便于收集且分析方法丰富等特点，基于振动信号分析的方法在设备状态监测方法中占到70%。常见的基于振动信号的信号处理方法如图1.3所示。 图1.3 常见的基于振动信号的信号处理方法 1.3.2 特征提取与选择 在信号上提取的设备健康特征通常具有时域与空域的双重特性，在时域上表现为特征信号依赖于时间推移而逐步演变的动态特性；在空域上表现为设备各个关键位置上采集的多种传感信号在特征层的信息融合。同时由于复杂工况下系统的动态扰动(如工作条件参数变化、传感器退化等)，健康的机械设备性能状态空间处于动态时变环境下，在特征数据空间分布上常常呈现出多模态、非线性和时变的特征。从传感信号中提取的表征设备健康的特征显著地影响着预诊系统的监控与预测性能。基于多传感信号在多域上产生的原始特征集具有高维性和信息冗余等特点，导致后续监控与预测系统建模困难和性能降低。具有良好性能的关键特征特别要求其在设备全寿命区间上具备良好的单调性(monotonicity)和趋势性(trend)。因此对特征进行进一步提取与选择是非常重要的。 特征选择方法主要包括以下几个方面。 (1) 基于多域的特征产生算法，包括时域的各种统计特征、频域的各类谱分析特征、时频域的能量特征、关联维数特征等，形成基于多路传感信号的原始特征集。 (2) 基于流形学习数据降维与缩放技术的特征选择方法，实现特征集在数据特征层的信息融合与关键信息提取方法，有效地抽取表征设备健康状态的高维特征集中蕴含的重要低维流形结构信息。 (3) 融合流形学习、*近邻、信息相似度和贡献分析方法，以特征的单调性与趋势性为目标，基于设备全寿命运行时间轴上贡献度分析的关键特征选择算法，实现关键健康特征子集的优化选择，建立表征设备健康状态特征管理方法，提高后续系统建模的有效性。 1.3.3 特征学习与识别 特征学习是指从原始数据中提取得到有利于分类器分类的*佳特征。在机械故障诊断中，一般以振动信号表征设备健康状态。由于收集得到的振动信号夹杂着外界的各种干扰，直接输入分类器会对结果产生影响，因此对收集得到的信号数据特征进行提取非常必要。特征学习一般通过人工智能(深度学习)的方法从信号中学习关键特征。基于信号处理的特征提取方法，在提取特征之后，需要专业人员去选择*佳的特征；与之相比，特征学习可通过机器自动提取有利于分类的*佳特征。两种方法的差异如图1.4所示。 图1.4 特征提取与特征学习方法的差异