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。

上篇回顾并剖析当前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。

1 问题的提出

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(Prognosticsand HealthManagement,PHM)应运而生,如图1所示：

本文在梳理总结PHM 的基础上,阐述分析了工业大数据对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,如图2所示：

2.1 数据采集与健康监测

数据采集指将传感器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。

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。

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,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。

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,衡量装备及其部件完成任务 的能力。

2.4 故障诊断

故障诊断指通过现有的信号检测技术和数据分 析手段,判断装备是否发生故障,并在装备发生故障 时对故障部位、类型、程度等进行分析判断,为消除 故障提供相应的解决方案和运维策略。

另外,油液监测、转矩检测、光纤传感、红外成像、视频监控等技术,以及人工智能领域的决策树、模糊理论、深度学习等方法也被应用于装备的 故障诊断。

2.5 故障预测

故障预测指基于当前使用条件,通过分析装备 状态监测数据,结合其结构特性、运行条件、环境参 数及其历史运维情况,根据装备未来的使用情况预 测其未来的健康状况,包括确定可能发生的故障、判断故障程度和部位、预测故障发展的趋势和剩余使用寿命,分析故障对装备完成其规定功能的影响等。

在一些文献中,故障预测又被称为剩余寿命预测。

剩余寿命预测方法一般分为基于物理失效机理模型、数据驱动模型以及数据与机理融合的方法。

基于物理失效机理模型的分析方法：

一般用于预测单个器件或单个故障模式下设备的剩余寿命。

数据驱动的寿命预测方法

分为基于统计数据驱动的方法和机器学习的方法。

• 基于统计数据驱动的寿命预测方法：仅需要少量的训练样本,通过装备 退化数据分析和随机过程建模,可获得装备的寿命 分布情况。
• 基于机器学习的寿命预测方法 假设较少,应用范围较广,但需要大量样本数据用 于模型的构建和学习,在工业大数据背景下,该方法 比较适用于预测装备的剩余寿命。

融合的剩余寿命预测方法

虽然结合了物理失效 机理模型和数据驱动模型的优势,但是因为分析过程繁杂,较难同时开展装备失效机理认知与运行数据分析,所以鲜有文献报道。

2.6 运行维护与决策支持

装备的运行维护在经历了基于事件(故障)的事后维护、基于时间的计划维护等发展后,进入了基于 状态(数据)的视情维护,即利用信号监测系统对设 备进行定期或连续监测,通过分析信号发现其功能 有故障征兆时,进行针对性地预防和维护,有效解决了被动的事后维修和僵化的计划维修所存在的“维 修不足”与“过度维修”问题,有效提高了设备的可用 性,减少了保障费用。

决策支持指通过参照装备数据采集与分析、状 态评估、故障诊断与预测等模块提供的信息,围绕完 成任务、避免发生重大安全事故、最小化运维成本等 目标,对装备的运行控制、精益管理、风险评估、维修 策略进行优化决策,制定装备的容错控制方案、宕机 前的应对手段及故障后的维修计划。

2.7 浅析PHM 技术应用

PHM 技术的研发与实施虽然需要耗费大量人力、物力和财力,但是部署到装备后会产生巨大的经 济和社会效益。因此,PHM 技术一般适用于故障 发生频率低,但影响大、复杂程度高的装备(如高端 军工装备、航空航天装备、大型船舶等),如图5所示：

3 工业大数据

以工业大数据为例,除了大数据的4V特征外, 它还具有价值型、实时性、准确性、闭环性、多模态、 强关联、高通量等特征。

3.1 广义和狭义的工业大数据

广义的工业大数据指所有工业数据的总和, 包括工业领域中的产品研发、生产制造、工艺流程、 物流工程、管理服务等企业信息化数据,以及远程控 制、运行状态监测的装备工业物联网数据。考虑到 当前环境保护、经济发展、民生建设等对工业领域日常生产经营的巨大影响,这些工业外部领域的跨界 数据也是工业大数据的一个重要组成部分。

狭义的工业大数据指装备在使用过程中,由传 感器采集的以时空序列为主要类型的机器数据,包 括装备状态参数、工况负载和作业环境等信息。

3.2 工业大数据的分析方法

PHM是工业大数据应用的一个重要场景与典型案例,采 用合理的数据分析方法可有效挖掘数据中的知识。

目前可被用于大数据分析的方法很多,主要有数据库中的知识发现(KnowledgeDiscoveryin Database,KDD)、 SEMMA (sample,explore,modify,model,as sess)和跨行业数据挖掘标准流程(CRoss-Industry Standard Processfor Data Mining,CRISPDM)。

CRISP-DM 包含的范围较广,涵盖了KDD和SEMMA的内容。

CRISP-DM 模型是欧盟起草的跨行业数据挖 掘标准流程。

该标准基于工业大数据,将大数据 分析工作分解为业务理解、数据理解、数据准备、建 模分析、模型验证与评估、实施与运营6个步骤,这 些步骤在业务和数据理解之间、数据准备和建模分 析之间存在反复学习、交替深入的过程,通过上述6 个步骤多次循环学习和验证分析,构建了机理清楚、 层次分明、技术可行的大数据分析方法,如图 6 所示：

3.3 浅议工业大数据分析

除了数据获取困难外,研究人员在进行工业大数据分析中应认识或注意如下问题:

工业大数据就是有大量乃至海量的数据

纯粹数据量大的价值并不大,数据需要标签,即在获取工业大数据的同时,研究人员还需要知道各类数 据对应的装备运行条件、健康状态(正常、异常、故障 等状态)、运维、环境等信息。

工业大数据通常是一种不平衡数据集

相对于装备异常或故障时的数据,装备正常工作时的 数据较易获取,因此工业大数据中通常含有大量装 备健康时的数据,装备发生故障时的数据偏少。另外,装备故障数据的代表性较差,一方面要想获得装 备所有故障的数据通常比较困难,另一方面存在不 同故障下数据量不平衡的问题。

基于仿真或模拟的故障数据分析不足

鉴于获取故障数据的困难,有研究人员通过仿真软件产生装备的故障数据,或通过构建与装备类似的实验平台模拟故障的情景来得到数据。由于仿真或实验条件过于理想,上述方式产生的故障数据与装备 的实际故障数据差别较大,当将基于仿真或模拟实 验故障数据训练构建的模型迁移到现实中分析真实 故障数据时,其准确率会降低很多,甚至出现模型无 法使用的情况。

考虑到大数据分享、获取的困难,在条件受限的情况下,通过上述方法获取数据虽然可以对相关模型进行训练和学习,但是具有较大的局限性,其泛化能力较弱。