故障预测与健康管理技术在民用领域的应用*

□ 谈宏志

上海电气集团股份有限公司 中央研究院 上海 200070

1 研究背景

故障预测与健康管理技术的内涵是采用先进的传感器,借助各种算法和智能模型来预测、监控和管理资产系统的健康状态,实现预测性维修,保证设备始终处于可靠受控状态,提供较优的运维策略,大幅降低维护保养费用。故障预测与健康管理技术的核心是预测未来一段时间内系统失效的可能性,以及采取适当维护措施,具备数据采集与归纳、状态监测、故障诊断、故障预测、健康管理和部件寿命追踪等能力。

故障预测与健康管理技术应用的雏形源于军队,如直升机健康与使用监测系统[1-2]、飞机状态监测系统[3]、美国陆军诊断改进计划。20世纪90年代,在美军、英军等联合攻击战斗机项目中,提出了视情维修要求,故障预测与健康管理技术正式被提出[4-5]。在军事领域,目前故障预测与健康管理技术的应用效果及技术水平最高。其中最具代表性的是美军F-35战斗机故障预测与健康管理系统,维修人力减少了20%～40%,出动架次率提高了25%,总后勤保障成本降低了50%[6]。

故障预测与健康管理技术在军工、民航领域的普及应用,不仅大大降低了后勤保障成本,而且提高了设备可靠性指数[7]。如何将故障预测与健康管理技术应用到一般民用领域,如轨交、船舶、工程机械、风力发电、机床、钢铁、电梯等,是笔者研究的重点。

军工、民航领域与一般民用领域有五方面区别。

(1) 复杂程度。军工和民航设备子系统繁多,属于全学科系统,复杂程度远高于一般民用领域。

(2) 使用频次。战斗机等军工设备出勤频次远低于民用领域设备,而且后勤保障时长一般大于出勤时间。

(3) 单体价值。军工设备单体价值高,但不产生直接收益,民用领域设备产生价值收益。

(4) 传统运维模式。军工设备多采用保障性维护,民用领域设备多采用定期和事后维护维修。

(5) 维保投入成本。受经济指标考核要求,相比军工设备,民用领域设备维保的投入需要一定的性价比。

一般民用领域设备具有复杂度较高、设备使用寿命长、综合运维成本高等特点,故障预测与健康管理技术应用潜力巨大,但是单体价值、投入成本的能力相比军工设备存在差距。

军工领域设备的成功应用模式不能照搬,需要结合行业特点制订最合适的故障预测与健康管理技术民用领域应用体系与推广模式。

2 研究架构

故障预测与健康管理技术研究与应用的目标是开发一套经过认证的多学科交叉健康管理与故障预测系统或工具,实现基于人工智能与数字化技术的设备智能运行维护。张宝珍等[8]介绍了故障预测与健康管理计划的设立背景、研究框架和特点。根据民用领域及故障预测与健康管理技术的特点,参考美国国家航空航天局的飞行器综合健康管理计划总体技术途径,笔者梳理出故障预测与健康管理技术在一般民用领域应用的研究架构,如图1所示。

▲图1 故障预测与健康管理技术民用领域应用研究架构

第一层基础层是支撑故障预测与健康管理技术有效开展的基石,涵盖了物理与机理知识、材料与传感器、感知与数据采集、开发流程、数学建模方法、验证与评估方法、软件集成设计方法等七方面工作。机理知识是基石中的核心,因为基于故障预测与健康管理技术的一般工业监测、诊断、预测、缓解、优化应用的特点通用性弱,不同行业甚至同一行业不同工况下痛点和诉求均不一样,丰富的失效模型库是故障预测与健康管理技术应用的核心竞争力。针对故障预测与健康管理技术应用的开发流程同样至关重要,通过标准化指标需求、数据要求、可行性验证、算法选取、验证测试、模型发布等开发过程,形成一套可行评估、中途监管与中止、结果验证的研究闭环流程。

第二层功能模块层包含监测、健康评估、诊断、预测、缓解与运维优化等技术功能。

第三层系统层实现电子电气部件、机械部件、子系统、系统不同层次的故障预测与健康管理技术应用。

第四层验证与应用层实现从历史数据验证、实验室验证、样机应用到广泛采用的进阶,最终对系统产生实质性影响。

3 关键技术

故障预测与健康管理技术在民用领域应用的研究架构涉及材料、传感器、人工智能、数字化等多学科技术领域,其中基础层涵盖内容最多,对故障预测与健康管理技术研究的效果起决定性作用。

3.1 基础关键技术

(1) 材料与传感器技术。传感器用于系统信号与状态数据获取,包括集成传感器、无线传感器、薄膜传感器等。传感器技术与传感、高分子材料、先进制造密切相关。目前,传感器技术朝两个方向发展,一是传感器精度、稳定性、复用性、方向性,二是传感器尺寸的优化,便于与工程结构集成。

(2) 数学建模技术。研究形成基于系统可靠性、物理逻辑机理和数据驱动的建模技术。基于数据驱动的建模技术包含单一机器学习、机理与数据驱动融合、多算法融合,以及监督、非监督、半监督学习融合等。

(3) 验证与评估技术。目前故障预测与健康管理技术的研究热点主要集中在建立健康评估模型、故障预警与预测模型、剩余使用寿命预测模型等方面,如何对健康指标、模型进行验证和评估是极具挑战的问题,验证与评估方法的优异程度决定了故障预测与健康管理技术的应用价值。验证与评估主要可以分为验证方法与性能评估、原型验证系统、不确定性管理三大支撑技术[9]。

(4) 系统集成技术。健康评估模型、故障预警与预测模型是数学模型,如何与实时系统集成并使模型结论显性化,需要软件系统与算法模型的集成,包含中台技术、容器技术等。

3.2 核心功能模块

(1) 健康评估技术。健康评估一般分为训练阶段和验证阶段,训练阶段主要基于健康状态下的历史数据,如列举n个特征、m组数据,将m×n矩阵作为训练数据,通过监督学习和非监督学习均可生成健康评估模型,如图2所示。其中,健康特征包含量化物理量、统计指标、虚拟指标三大类。

▲图2 健康评估模型

(2) 诊断技术。基于历史数据、机理知识建立故障诊断模型,结合健康基准模型实现对影响装备安全可靠运行的异常和重要报警的定位、原因分析,辅助人员缩小故障范围,提高故障排除效率。故障诊断研究路线如图3所示。故障诊断模型作为监控系统的后台模型,实时对系统的运行状态进行监测,追溯故障原因,实现故障诊断功能,提高故障定位效率,并有效提高设备管理水平。

▲图3 故障诊断研究路线

(3) 预测技术。预测技术包含故障预测及剩余使用寿命预测,如图4所示。故障预测可实现对已知故障进行有效预测,在故障发生之前进行主动干预,避免非计划性停机,逐步实现设备的智能化管理。剩余使用寿命预测评估部件或者系统的剩余使用寿命。实现预测的技术路线有基于可靠性、基于物理机理、基于数据驱动三种。基于可靠性技术路线通过概率统计进行定性预测,精度较低。基于物理机理技术路线根据全生命周期试验得到的机理模型,建立衰退模型,准确预判失效模式与发生时间。基于数据驱动技术路线通过数学方式,对连续信号、离散数据进行拟合,形成模型,可结合机理知识提高模型精度。

▲图4 故障预测与剩余使用寿命预测技术路线

4 民用领域应用进展

故障预测与健康管理技术的应用与行业场景、数据基础、传感技术、算法精度息息相关。故障预测与健康管理技术在各行各业的发展进程各不相同,根据技术生命周期的方法,笔者制订了研究、工程、应用、社会影响四个阶段。故障预测与健康管理技术应用阶段与评估指标如图5所示。

▲图5 故障预测与健康管理技术应用阶段与评估指标

根据故障预测与健康管理技术应用阶段的评价指标,梳理出轨道交通、船舶、工程机械、风力发电、机床、钢铁、电梯等一般民用领域的应用阶段[10-23],如图6所示。

▲图6 故障预测与健康管理技术民用领域应用阶段

故障预测与健康管理技术在风力发电领域的发展之所以最为成熟,与数据基础、网络基础相关。在陆上风力发电发展初期,关键部件的远程监控、风力发电场数字化运营是标配,为故障预测与健康管理技术发挥作用奠定了基础。目前,风力发电场业主主动要求主机厂商提供关键部件的故障预警服务。

轨道交通行业涉及车辆、供电系统、通信信号三大专业,是多学科融合的产业,与民众出行安全息息相关,传统的维保模式成本高,无法满足行业的高速发展需求。基于数据驱动的故障预测与健康管理技术可以实现关键部件的故障定位、故障预警功能,并可实现三专业融合的维保,解决关联故障跨专业不定位导致的问题。目前,车辆专业发展较快,如上海申通地铁正在建立车辆智能运维系统平台,部分车门、道岔、制动系统等零部件供应商开始提供关键部件故障诊断、亚健康评估等增值服务。

从纵向领域分析,单体价值越高,领域的发展阶段越领先。对于轨道交通、船舶、工程机械、钢铁等行业而言,随着工程师数字化能力、算法机理知识理解能力的提升,故障预测与健康管理技术将逐步进入广泛应用阶段。目前已有部分成熟产品及服务,如宝武集团成立宝武装备智能科技有限公司,以智能运维为主线,为钢铁制造提供智慧服务。

针对机床、电梯、液压等行业,虽然单体价值较低,但是在数量上有绝对优势。目前,机床的主轴、头架、刀具最受关注,市场上已有部分刀具监控与预警系统产品。隶属于特种设备行业的电梯,随着故障预测与健康管理技术的发展,部分法律法规同步更新中,基于故障预测与健康管理技术的按需维保则进行了试点。

故障预测与健康管理技术主要实现了远程监控、健康评估、故障诊断等功能。附加值最高的故障预警预测、剩余使用寿命预测等功能则尚未替换现有技术及推广应用,原因主要有三方面。

(1) 投资回报率难以计算。我国工业体系经过多年发展已相当成熟,机械维护维修自身的利润空间有限,预测性维护验证周期长,经济收益测算时间长,前期投入成本高。

(2) 固化的思维限制商业模式改变。

(3) 故障预警及剩余使用寿命预测精度达不到生产环境级应用。原因一方面是基础数据量不足,传感器及运行历史数据不够多;另一方面是失效模式的多样性,没有充足机理知识积累,无法建立环境级的失效模型。

5 结束语

随着人工智能、物联网、网络技术的发展,故障预测与健康管理技术成熟度将越来越高,但国内目前还处于发展初期,除应关注故障预测与健康管理标准化体系、故障预测与健康管理验证系统的建设外,还应重视工业可靠性及物理机理的研究,重视工业现场数据感知及数据信息化、知识化技术,并重视提升预测精度方法的研究[24]。

总而言之,故障预测与健康管理技术在一般民用领域的应用与军工设备、航天航空领域存在较大差距。随着投入资源的增加、研究体系的完善、示范应用的成功,故障预测与健康管理技术将颠覆民用领域传统的运营与维护方式,智能化运维时代即将到来。