摘要

‍

白芷学姐，公众号：滚动轴承故障诊断与寿命预测工业大数据驱动的故障预测与健康管理（上篇）

回顾并剖析了当前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。下篇将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。

4 工业大数据下风电机组的PHM

将风能转化为电能的关键装备———风电机组得到迅猛发展。

然而,由于工作环境恶劣、载荷复杂多变,风电机组故障频发,其中的子系统或零部件均会发生故障,而电气、变桨、液压、控制等子系统和齿轮箱、发电机等关键零部件发生故障的概率较高,如图9所示：

由故障引起的风电机组停机时间长、维护难度高、经济损失大,迫切需要研发合适、有效的PHM 技术,来提高机组的运行可靠性,避免重大故障,实现基于状态监测的风电机组预测维护。

4.1 风电机组工业大数据

每台大型风电机组上都安装了一套SCADA系统,用于监测与控制机组运行状态。该系统一般每隔几秒采集一次分布在风电机组不同零部件或 子系统上的各类传感器信息,进行状态监测、信息查询、设备控制和故障报警。

以双馈式风电机组为例, 各类传感器分别被安装在变桨系统、偏航系统、主轴、齿轮箱、发电机系统、变流器、变压器等关键子系统或主要零部件上,利用 SCADA 系统采集机组 100多个离散或连续的特征数据(如图10)。

CMS系统通过安装在主轴轴承、齿轮箱和发电机上的振动传 感器和转速传感器(如图11),监测风电机组传动系统的运行状态。

相对于SCADA系统,虽然CMS系统的监测点较少,每个测点数据采集的时间也较短, 但是其数据的采样频率较大,可达几百甚至上千赫 兹,因此由 CMS系统获取并积累的机组健康状态信息数据量很庞大。

考虑到当前风电机组的装机容量、数量(几十万台)以及每台机组20年的设计使用寿命,SCADA系统和CMS系统获取并积累的海量数据推动着风电机组PHM 技术的发展进入工业大数据时代。

4.2 风电机组工业大数据分析

目前,对复杂机电装备PHM技术的研究与验证工作大多在仿真或实验数据分析的基础上展开。例如,通过振动、温度传感器和数据采集系统,对轴承全寿命周期上的运行状态进行持续监测,如图12所示。

由图可见,轴承通过磨合进入稳定的工作状 态,随着运行时间的增长,轴承内部发生润滑恶化、疲劳磨损而进入衰退期,具体表现为轴承温度、振动强度增加。

然而,相对于装备实际工作中所承受的恶劣环 境,装备的仿真模拟或实验条件设定得过于理想。风电机组通过SCADA系统和CMS系统获得的一般是机组全寿命周期某一时间段的数据(如图13)。

相对于实验中稳定的负载和可设定的转速,风电机组的实际运行工况随风速的变化而变化,处于变工况运行状态,图14所示为风电机组的时变转速信息。

另外,由于数据采集、传输、压缩、存储、处理等 不同环节中可能存在各类问题,实际获取的数据也会存在缺失、损坏等问题。

因此,在分析风电机组工业大数据时,需要对整 台机组或其关键子系统(零部件)智能运维的具体业 务,如异常预警、健康监测、故障诊断和剩余寿命预 测等进行详细剖析,结合业务要求对所获取的工业 大数据进行理解、清洗和特征选取,进而采用机器学习、随机过程、贝叶斯滤波等模型和算法对数据进行学习、分析和建模,最后通过分析和研究实际案例, 评估方法是否可行并验证方法是否有效满足机组运 维的需求,如图16所示。

4.3 工业大数据下的风电机组异常预警分析

某台风电机组在2017年2月5日通过SCADA系统发出故障报警,风场运维人员对机组进行检修后发现该台风电机组的发电机轴承发生了跑圈故障。因此,提取SCADA 数据中与发电机相关的特征数据(如风速,发电机转速、温度、功率等),基于稀疏自编码神经网络算法对风电机组健康状态进行监测分析(如图17a),所提方法对应 CRISP-DM 模型框架下的配置如图17b所示。

首先对机组历史健康SCADA数据(如图18)进行预处理分析,并清理一些异常数据,主要有:

• (1)剔除风电机组停机阶段和启动阶段的数据,即发电机输出功率为0的部分SCADA数据。
• (2)参照SCADA系统的停机统计信息,剔除机组停机前后30min的SCADA数据。
• (3)当瞬时风速大于切入风速时,剔除有功功率仍为0的数据。
• (4)分析风电机组是否处于限功率运行状态(如图19中虚线圈部分),根据具体业务的需要选择是否剔除这些运行工况下的数据。

基于对机组历史健康数据的学习,上述所提方法的预测功率与机组实际功率的残差如图20所示。

通过对残差进行统计分析,选取合适的阈值(如图21中的实线)判断机组的健康状态。

为验证模型的有效性,基于已训练的稀疏自编码神经网络模型,分析机组其余时期(2016年4月~2017年2月)的 SCADA 数据,结果如图21所示。

5 工业大数据驱动的机械硬盘PHM

当前大数据分析的研究热点主要集中在数 据采集、数据分析、数据安全等方面[11],对数据存储 介质的研究相对较少。随着技术的发展,数据的存 储介质也经历了磁带、光盘、机械硬盘(HardDisk Drive,HDD)、固态硬盘(SolidStateDisk,SSD)的一个进化过程,如图22所示,其中HDD是当前数据的主要存储介质。

近年来,随着微电子、半导体存储技术(闪存技术)的发展,SSD发展迅猛。

在大规模数据中心、海量数据存储等应用场景,大容量机械 HDD仍有巨大优势。进入21世纪后,全球 HDD的累计出货量持续增加,到2018年达到83亿块,预计2022年将突破100亿块,如图26所示。

5.1 硬盘SMART数据

SMART参数一般分为两类(如表1):

• ①与硬盘读写相关的参数,如原始读错误率(rawleaderrorrate)和映射扇区计数(reallocatedsectorcount)等;
• ②与硬盘工作外部环境相关的参数,如通电时间(poweronhours)和温度(temperature)等。

5.2 大数据下硬盘的故障检测

综合考虑失效物理模型和数据驱动模型的优缺点,利用失效模式、机理和影响分析(FMMEA)对硬盘的故障模式和机理进行分级排序,从而量化硬盘的主要失效模式和机理的严重度级别,以及故障发生的频率和可探测度。

从表2可见,硬盘头盘间磨损、过应力和磁头臂组件共振3种潜在故障机理的风险最高,与之对应的头盘界面和磁头臂组件成为硬盘最主要的故障源。据三星电子统计,硬盘加速寿命试验、可靠性验证试验和现场反馈数据反映,头盘界面相关失效形式分别占各自总体失效的64%,77%和64.6%。

因此,头盘界面是影响硬盘可靠性的主要因素,而头盘界面相关失效主要由头盘接触引起,继而出现磨损和过应力。

以FMMEA分析结果为依据对SMART特征参数集进行降维处理,结合马氏距离、正则化的似然比等方法,提出两步法的参数化硬盘失效检测方法(Two-StepProcess,TSP)及其在 CRISP-DM 模型框架下的配置,如图27所示。

在对硬盘进行FMMEA的研究中,通过对其故障模式、机制和影响的分析确定与硬盘性能密切相关的参数,通过加速寿命试验、数值应力分析和工程经验识别潜在失效机制和失效模式,然后根据关键失效模式和失效机理选择与潜在故障相关的SMART特征参数。

失效检测步骤如下:

(1)对硬盘进行异常检测

利用正常工作硬盘 的样本数据进行融合分析,并构建硬盘的马氏距离 指标,运用Box-Cox变换将非正态分布的马氏距离 值转换为正态分布的变量值,同时结合正态分布的 性质确定异常检测的阈值(如图28),进而对硬盘进 行异常检测分析。

(2)对硬盘进行故障预警

健康硬盘中虽然存在异常,但其分布是随机、稀疏的;而在故障硬盘中,异常在整个 工作时间内的分布更加集中,如图29所示。

基于大数据的智能诊断方法往往需要占用较大 的计算机资源,运算分析时间也较长,上述两步预警 方法可有效提高硬盘预警效率,即利用正常工作硬 盘的大样本数据构造阈值可以快速检测硬盘异常情况,再进一步对频繁发生异常的硬盘进行故障预测。

6 结束语

经过十余年发展,PHM技术在保障装备安全、可靠工作等方面发挥了重要作用,但也有一些不足的地方。

大数据使改善和提升PHM技术发展中的薄弱环节成为 一种可能,进而使PHM成为大数据在装备智能运维中的一个重要的应用场景。然而,当前工业大数据分析 中也存在各种问题和困难。

基于工业大数据,针对装备的健康评价、异常预警、故障诊断、剩余寿命预测、运维策略制定等,构建一 种普适性较好的方法或模型是不现实也不合理的。由于不同装备之间差异较大,在开展装备PHM的某一个 具体业务时,需结合装备的设计、制造、使用等具体信息,指导大数据的获取与理解、清洗与分析、多源异构数据的融合、PHM模型的构建与验证等工业大数据分析工作。另外,还应注意到数据中的不对称问题,即数 据占有体量不对称(拥有大量易获取装备正常工作时 的健康数据,装备工作异常、故障时的样本数据相对较少)、数据传输速度和渠道不对称、数据分析计算等处 理能力不对称。

工业大数据驱动着装备PHM技术的发展进入一个集机械工程、电气工程、仪器仪表、控制理论 与方法、计算机科学与技术、人工智能、数据科学等多学科交叉融合的新阶段,本文以风力发电机和硬盘两个重要装备为研究对象,对工业大数据驱动的PHM技 术研究进行了举例说明,为推动PHM技术创新体系的不断发展和完善,提高装备智能运维水平,进而提升中国制造业的核心竞争力提供了参考。

—THE END—

参考文献：

金晓航,王宇,ZHANG Bin.工业大数据驱动的故障预测与健康管理[J].计算机集成制造系统, 2022(005):028.DOI:10.13196/j.cims.2022.05.005.

感谢对本公众号的支持，点个“在看”收藏一下吧~

如需购买视频课程资源，请联系：forwardtszs