智能動力裝備的全生命周期診斷和服務技術與系統研制

徐光華，梁 霖，張 慶，景敏卿，溫廣瑞，高志勇，金 穎，李文海

（1.西安交通大學機械工程學院，西安 710049；2.西安交通大學機械制造系統工程國家重點實驗室，西安 710049；3.西安陜鼓動力股份有限公司，西安 710075）

1 前言

智能動力裝備產品的全生命周期包括產品總裝試車、現場試車、運行管理、維護維修、報廢等全過程。經濟全球化的今天，動力裝備作為復雜機電產品及其配套零部件應用到不同行業、不同企業，產品全生命周期監測診斷、性能優化與維修備件服務支持會涉及到地球的各個角落。首先，必須采用先進、高效的網絡技術獲取信息并實現有效的信息管理，為產品的全生命周期服務奠定基礎。其次，動力裝備在生產流程中處于核心地位，如果運行狀態劣化、出現異常與故障往往會造成企業運行安全事故，如喘振往往造成壓縮機的高耗能、低效率運行[1]。盡管監測診斷技術已經應用于動力裝備產品，但無法有效實現動力裝備全生命周期的監測與診斷，特別是復雜動力裝備的動態自適應監測和關聯故障診斷成為急需解決的關鍵技術。再次，隨著我國制造業的發展，提升機電產品的信息化水平，加快制造服務業的發展已成為動力裝備制造業轉型升級的必由之路。動力裝備作為復雜機電產品，其檢修、維護需要具備完備的專業知識和專業的維修技術，再加上當今技術更新速度較快，動力裝備應用企業在人員和技術上難以勝任其維護要求，而基于動力裝備制造企業的遠程性能優化和維修備件管理服務成為未來的發展趨勢，特別是基于服役可靠性和狀態監測的維修決策和備件需求預測與生產協同管理，可降低備件和維修成本，支持面向客戶零庫存的目標實現。

本文針對我國動力裝備目前存在的產品全壽命周期監測診斷技術缺乏、智能化水平不高、服務支持不足三方面急待解決的問題，開展動力裝備全壽命周期監測診斷技術、全生命周期性能優化與維修備件服務支持技術、全生命周期監測與服務支持系統集成和示范基地建設三個方面的研究工作，如圖1所示，推動我國大型動力裝備監測診斷系統的產業發展、提高其智能化水平，從而最終促進大型動力裝備制造服務業的產業化升級。

圖1 智能動力裝備全生命周期診斷與服務技術實現流程Fig.1 Flow chart of diagnosis and service in life cycle

2 智能動力裝備全生命周期診斷與服務支持系統

構建智能動力裝備全生命周期監測與服務支持系統，需要對動力裝備全生命周期監測診斷和全生命周期性能優化、維護備件管理兩個領域展開研究。

2.1 動力裝備全壽命周期監測診斷技術

動力裝備的全生命周期監測診斷技術就是要實現從裝備制造企業試車到應用廠家全壽命使用過程的監測診斷支持，包含以下三個方面的內容。

2.1.1 基于物聯網的動力裝備智能信號采集與管理系統

智能動力裝備產品的全生命周期監測包括產品的生產、使用、維修處理和回收等全過程的動態監測，涉及產品運行狀態信息的獲取和管理。由智能傳感單元構成了傳感器網絡，通過物聯網來獲取和管理這些智能動力裝備動態信息[2]，并提供給遠程服務支持系統，完成對產品的動態監測、評估、維護等服務。基于物聯網的動力裝備智能信號采集與管理系統主要目標是：第一，研發基于物聯網的智能信號采集軟硬件系統，實現對智能動力裝備的全生命周期的動態信號采集[3]；第二，研發基于物聯網的智能信號采集管理系統，實現物聯網上信息采集系統的有效管理并為上層監測服務系統提供可靠和全面的信息支持。

因此，整個系統分為兩個層面，如圖2所示。底層是以動力裝備和支持物聯網的智能傳感軟硬件系統構成的動態信號采集部分，上層是智能信號采集管理系統，包括智能組網軟件、系統管理軟件、動力裝備信息數據庫以及為遠程服務支持系統提供數據的各類數據服務接口。

圖2 基于物聯網的動力裝備智能信號采集與管理系統Fig.2 System of signal collection and management based on internet of things

2.1.2 動力裝備全生命周期動態自適應監測與托管服務系統

全生命周期監測服務涵蓋了從新的動力裝備試車到其老化報廢的全過程，在現有局部監測技術的基礎上，充分利用信息融合、自適應數據建模、非線性特征提取等方法，研究動力裝備整機性能監測技術、復雜動力裝備可靠性監測技術、動力裝備非線性喘振過程監測以及動力裝備啟停車監測技術。在此基礎上，構建如圖3所示的動力裝備全生命周期動態自適應監測與托管服務系統，為生產企業提供高效的監測服務。

圖3 動力裝備全生命周期動態自適應監測與托管服務系統Fig.3 Dynamical monitoring and hosting service system

2.1.3 復雜動力裝備的遠程健康狀態預示、評估與故障診斷服務系統

作為全生命周期監測的動力裝備來說，除了能夠有效地實現對動力裝備進行監測托管服務，還應該對全生命周期內的動力裝備運行狀態進行實時健康狀態評估和預測，同時對于運行過程中、維修后等情況下出現的亞健康狀態進行診斷分析，以便精確識別運行狀態為后續裝備的服務系統提供支持。為此構建如圖4所示的復雜動力裝備的遠程健康狀態評估與故障診斷服務系統，該系統為動力狀設備提供全生命周期的健康狀態評估服務；同時，為動力裝備提供關聯診斷服務，識別出動力裝備的關聯故障。

圖4 復雜動力裝備的遠程監測診斷服務系統Fig.4 Remote monitoring and diagnosis system

2.2 動力裝備全生命周期性能優化與維修備件服務支持技術

2.2.1 動力裝備轉子遠程及現場全息動平衡快速響應與平衡服務支持系統

失衡是動力裝備轉子常見的故障，本文以計算機網絡為信息傳輸媒介，研究遠程轉子平衡中的關鍵技術，建立以動力裝備企業為中心的遠程轉子平衡服務支持系統（見圖5）。主要內容如下：a.以全息譜為核心，充分利用遠程監測診斷系統中的穩態運行數據和瞬態起停車數據，實現對平衡前失衡故障的確診；b.充分利用遠程監測數據庫中同類型設備的歷史平衡數據，提取同類型機組平衡配重影響共性特征；c.基于人工智能方法，研究動力裝備轉子和軸系的平衡配重方案優化技術；d.利用共享和個性化修正的平衡數據特征，不斷計算和預測動力裝備當前的失衡量，實現動力裝備轉子失衡量的在線估計。

圖5 轉子遠程及現場動平衡快速響應與信息服務系統Fig.5 Fast response and information service system of balancing for rigid rotor

2.2.2 基于狀態驅動的裝備維修管理與支持系統

大型動力裝備是集電子系統、機械系統、動力系統為一體的綜合復雜系統，對于大型裝備的維護支持保障不是一個部門所能完成的，而是需要使用單位、裝備主制造廠、輔制造廠協同工作，形成響應迅速的維護鏈，需要開發一個以主動預防為核心的具有快速響應的大型動力裝備維修管理與支持保障系統[4]。如圖6所示，宏觀層上利用面向裝備綜合狀態驅動的維修決策技術，實現維修計劃的制定和評估；計劃調度層上進行面向敏捷維護鏈的維護資源計劃管理，實現對維修資源的優化調度及維修計劃的管理；執行層上采用以電子維護手冊為核心的數字化綜合維修支撐技術，為現場維護活動提供有效支持；同時構建面向大型裝備維護綜合數據中心，為實施裝備維修服務提供支撐環境。

圖6 狀態驅動的維修管理與支持系統Fig.6 Maintenance management and support system

2.2.3 面向零庫存的全壽命備件服役需求預測與生產協同保障服務系統

在流程工業中，為保障大型動力設備的正常運轉，存在著大量的零備件庫存，占用了大量資金，需要結合備件供應企業共建有效的庫存管理體系及管理方法。另一方面，對于零備件制造商而言，通過建立最優化“零庫存”體系使顧客能及時方便地獲得零備件，提高顧客響應速度[5]。為此，本系統以客戶備件“零庫存”為主要構架，實現對于備品備件需求的精確預測并降低企業備件生產成本。圖7顯示了以備件服役壽命預測模型為基礎，通過機組運行狀態評估與零件劣化跟蹤監測技術進行實時修正，實現對常規及主關鍵備件需求的精確預測。并結合用戶動態備件需求計劃，制定動態備件庫管理策略及備品備件生產協同支持。

圖7 面向零庫存的協同保障服務系統Fig.7 Cooperation guarantee service system

3 智能動力裝備全生命周期診斷與服務系統關鍵技術研究

3.1 基于物聯網的動力裝備智能信號采集與管理系統

3.1.1 嵌入式傳感單元技術

嵌入式傳感單元[6]是實現物聯網動力裝備智能信號采集的硬件設備，也是構成傳感網絡的基本單元。以動力裝備的關鍵功能部件相關測點為基礎，研究信息傳感單元構架，完成特定的基本感知監測功能，這種信息傳感單元設置隨意、增減靈活，相對獨立，具有一定的智能化，直接建在以太網上，可構成動力裝備的智能傳感網絡，其主要組成包括信號的調理量化、數據處理、通訊聯網等部分。

3.1.2 智能采集監測技術——休眠-激活機制

為實現物聯網動力裝備全生命周期信號采集監測，同時減少網上的海量無效數據信息，研究具有休眠-激活機制的智能采集監測技術。每個傳感網絡節點都有兩個狀態：激活狀態和休眠狀態。對外休眠，減輕網上無效數據量，而對內實時監測，不放過任何異常狀態；激活則反映出它的積極主動一面，異常時向上提交問題申請，求助解決，同時接受網上組態和命令，協同進行有效數據的采集、上傳。

3.1.3 動態組網管理技術——關聯組網管理

傳感網絡的動態組網與監測管理[7]是物聯網動力裝備智能信號采集與管理系統的核心機制之一。動態地組織、配置、調節相關的傳感網絡節點，以組成實時監測具體動力裝備的智能傳感網絡，滿足不同監測診斷的需求，實現設備狀態數據的有效傳輸。主要包括基于傳感網絡的設備監測專用網的動態組建技術和基于物聯網的多信息傳感單元的關聯管理技術兩方面內容。

3.1.4 基于物聯網的信息交換及安全技術

在物聯網動力裝備智能信號采集與管理系統中，作為不可缺少的重要組成部分就是信息的交換和存取。研究傳感網絡的信息交換和安全存取機制，以保證從底層的傳感網絡到關聯管理節點的信息流高效、可靠傳輸。

3.2 動力裝備全生命周期動態自適應監測與托管服務系統

3.2.1 動力裝備整機性能監測

利用基于信息熵的監測策略優化方法，根據數據自身的隱含不確定性控制采集間隔，確保動力裝備全生命周期監測的疏而不漏，為整機性能監測提供充分可靠的局部監測數據；利用遺傳規劃方法，自動優化能夠融合多異常表現的綜合監測指標；將多維監測指標降維，形成其低維流形，綜合體現裝備運行表現和服役條件的經驗特征，對其進行連續的跟蹤分析，動態界定正常狀態下的性能參數變化范圍，作為個性化的報警依據，實時辨識動力裝備整機的非正常狀態與非正常發展趨勢。

3.2.2 復雜動力裝備運行可靠性監測

通過監測參數統計樣本的跟蹤分析，量化動力裝備整機性能衰退模型。即將動力裝備性能衰退引發的不穩定表現視為隱含變量，以整機運行狀態數據為先驗知識，建立二者之間的概率關系模型，通過迭代的概率估計方法，實時獲得動力裝備性能衰退的最優后驗概率分布[8，9]。在統計樣本實時獲取技術的基礎上，使用滑動概率神經網絡瞬時估計動力裝備退化數據的條件概率分布，建立起概率分布的安全區間，確定失效臨界點，量化評估動力裝備的運行可靠性，進而計算性能衰退曲線(見圖8)，預報動力裝備整機的可靠性下降趨勢[10]。

圖8 性能可靠性評估Fig.8 Performance reliability estimation

3.2.3 動力裝備啟停車監測

啟車過程是動力裝備在維修后必然經歷的階段，研究表明啟停車數據中含有豐富的裝備狀態信息。通過經驗模式分解（EMD）方法[11]提取非整周期采樣條件下轉子啟停車過程中各個測量截面對應轉速下的幅值和相位，在此基礎上做出測量面的Bode圖，實現動力裝備失衡類型判斷及平衡加重指導，同時利用啟停車過程信息對轉子失衡方位和大小進行估計（見圖9）。

圖9 力不平衡試重時起程的Bode圖Fig.9 Bode chart of force unbalance

3.2.4 動力裝備非線性喘振的過程監測

動力裝備在運行中由于失穩引發喘振[12，13]，對壓縮系統而言，容腔內非穩定擾動能量由初始積累到激發喘振，其能量是非線性增長的，外部信號如振動、壓力等特征表現為強非線性特性。為了能夠實時地捕獲系統的非線性演化趨勢，實現動力裝備在運行過程中的有效狀態監測，將傳統的時頻信號處理技術與先進的非線性流行學習分析手段相結合，以動力裝備管網壓力信號為研究對象，集成離線的喘振先兆辨識與在線的狀態監測，開發動力裝備非線性喘振的過程監測模塊[14]。圖10顯示喘振發生發展的過程，從上到下依次為穩定階段、過渡階段和喘振發作階段。

圖10 基于流形學習的喘振監測Fig.10 Surge monitoring based on manifold learning

3.3 復雜動力裝備的遠程健康狀態預示、評估與故障診斷服務系統

3.3.1 基于早期非線性識別的健康狀態預示評估技術

研究表明，動力裝備在其發生異常狀態過程中，其信號特征往往表現出強非線性特性，僅依靠線性特征分析方法難以發現嵌入在高維非線性數據集中的內在結構。另外，全生命周期的動力裝備故障往往經歷一個從產生到發展、從輕微到嚴重的漸變過程。若能在故障早期進行識別，則具有重要的意義。

因此結合動力裝備的振動特點，通過幾何學習的知識流形學習理論[15]，研究高維觀測空間與低維嵌入空間的顯式映射關系，設計最優的動態監督流形學習方法，推導推理規則和判別準則在內高維空間的數學表達，在此基礎上完成動力裝備常見早期故障的標準知識流形構建，實現動力裝備的早期非線性健康狀態評估[16]，圖11為基于流行學習算法提取的軸承外環故障特征信號。

3.3.2 基于運行劣化的動力裝備動態診斷方法

圖11 基于流形學習的軸承微弱特征提取Fig.11 Feature extraction of faint vibration signal for rolling bearings based on manifold learning

對于動力裝備來說，其全生命周期運行是一個典型的設備狀態的劣化動態過程，對不同時刻信息樣本進行連續分析和處理，動態反映出裝備運行狀態的劣化發展和變化過程，從而根據裝備全生命周期的運行定位提供不同的診斷服務技術支持。考慮到動力裝備的全生命周期監測中用于診斷的特征指標的相應變化過程，研究如圖12所示基于支持向量回歸的動力裝備故障過程動態診斷方法[17]，研究個性故障與歷史故障過程間特征趨勢的內在相似性，預測可能發生的故障模式，并進行跟蹤分析，在裝備故障的發展過程中進行診斷。

圖12 動態診斷方法Fig.12 Dynamical diagnosis method

3.3.3 基于復雜系統的動力裝備關聯診斷方法

針對結構組成復雜且包含輔機裝置的動力設備，將動力裝備按測點級、軸系級和主輔機設備級分層次展開，實現診斷信息分層獲取和分級診斷決策。另外，針對動力裝備系統的建模困難，采用局部建模的復雜動力裝備關聯診斷技術，包括系統局部建模技術的、復雜系統的局部關聯關系的建模，以及基于局部模型下的故障辨識方法。

3.4 動力裝備全生命周期性能優化與維修備件服務支持技術

3.4.1 動力裝備轉子遠程及現場全息動平衡快速響應與平衡服務支持系統

1）動力裝備平衡前失衡故障的確診技術。失衡是動力裝備的常見故障，突出的工頻分量是失衡的主要特征。以全息譜分析為核心的穩態和瞬態振動分析的失衡確診方法，實現對以上具有相似特征故障的準確診斷。

2）基于同類動力裝備的轉子平衡歷史數據共享。基于遠程監測診斷系統和監測數據庫中的歷史平衡數據，研究同類型動力裝備的配重影響共性特征提取技術和配重影響共性特征的共享方法（見圖13）。配重影響共性特征共享技術研究包括了三個方面：鍵相、振動傳感器安裝方位存在差異時，振動數據的轉換和統一表達。基于配重影響共性特征的平衡配重求解方法在增加個例平衡數據的情況下，配重影響共性特征以及個性化配重影響特征的更新。

圖13 同類動力裝備的轉子平衡方法Fig.13 Rotor balancing method

3）動力裝備轉子和軸系平衡配重的多目標優化。傳統的動力裝備轉子和軸系在動平衡中，平衡目標是殘余振動平方和。該目標函數并不能保證各個振動測量面上振動的均勻性。常常會出現一個面振動很小，而另一個面振動很大的情況。從實際平衡需要出發，以人們對平衡的期望，構造如圖14所示的多目標平衡計算新準則。

建立基于多種給定約束條件下的平衡配重優化計算。以基因算法、粒子群算法、蟻群算法等人工智能優化方法為手段，研究動力裝備平衡配重的快速、精確優化方法，提高配重優化的效率和精度。

圖14 平衡配重的多目標智能優化Fig.14 Multi-objective intelligent optimization of counterweight

4）動力裝備轉子失衡量的在線評估技術。充分利用遠程監測診斷數據庫中的實時振動數據，開展動力裝備轉子失衡量的在線評估技術研究。根據動力裝備配重影響共性特征或個性化修正特征和當前的振動數值，對動力裝備轉子相關平衡面的平衡配重大小和方位進行估算。

5）動力裝備轉子遠程平衡服務支持系統開發。基于計算機網絡技術構建和開發動力裝備轉子的遠程平衡系統。將平衡歷史數據共享技術、平衡配重的智能優化技術、失衡量在線評估技術融為一體，開發和建立動力裝置遠程平衡服務支持系統。動力裝置遠程平衡服務支持系統將為用戶提供裝備平衡配重計算請求，平衡配重計算和優化，以及計算結果及其他相關信息的返回等功能。

3.4.2 面向零庫存的全壽命備件服役需求預測與生產協同保障服務系統

1）基于狀態監測的動態常規備件消耗量預測方法的研究。備件儲備是以已知備件的消耗量作為研究依據的，實際上備件的消耗量具有較大的隨機性，其計算是較復雜的問題，受多種因素影響，只能采用估算的方法。特別是對于大型動力設備采取“狀態監測”和“視情維修”對策以后，動態備件儲備問題更為突出。因此依據備件的歷史消耗結合設備的運行狀態信息，建立以維修統計模型為驅動條件的備件需求預測模型[18]，可以在滿足不同客戶的需求的情況下，降低備件的庫存。

2）基于狀態驅動的動態主關鍵備件需求預測方法的研究。由于備件庫存管理中涉及備件的種類和數量眾多，可分為常規備件和主關鍵備件。動力裝備主關鍵備件，也稱為間歇性使用備件。通常情況下，該類備件約占庫存備件的10%，約占總庫存資金的40%。因此對該類備件進行重點控制，建立以狀態為驅動條件的備件需求預測模型，可有效地降低庫存資金占用。

3）備件庫存協同管理。在傳統的備件供應鏈結構中，各個使用單位的庫存管理是獨立的，備件的需求預測和安全庫存也是根據各自庫存的情況確定，這使得各企業的資源沒有得到合理的使用，庫存量也難得到真正的降低。因此考慮在生產商建立備件庫，根據各使用單位的備件需求預測，結合庫存信息和生產計劃構建優化模型，實現對所有資源的協同管理，最終實現“零”庫存[19，20]。

4 系統應用模式

智能動力裝備全生命周期監測與服務支持系統主要面向大型動力裝備企業提供其產品的全生命周期運行服務，通過在制造企業構建網絡監測與服務中心，為產品配置標準的監測診斷模塊，進而構建全生命周期監測與服務支持系統的網絡系統，形成以制造企業核心產品為中心的全生命周期服務網絡。

具體示范工程以西安陜鼓動力股份有限公司為對象，建設目標主要以各應用氣體廠為主體，依托物聯網和網絡化監測診斷技術，結合智能服務體系，建立相應遠程監測和托管服務技術人員，以及快速響應設備維修隊伍，并相應配套備件及維修供應鏈體系，主要組織構成如圖15所示。通過構建動力裝備的產品全生命周期監測和服務網絡，實現制造業新服務模式，開拓新興服務市場。

圖15 動力裝備遠程管理體系Fig.15 Remote management diagram of power equipment

5 結語

針對動力裝備在全生命周期的監測診斷和維修管理服務的問題，本文設計了智能動力裝備的全生命周期監測和服務支持系統，研究了系統中所應用的關鍵監測診斷和狀態驅動的智能維修管理技術，并利用系統的支持在用戶企業搭建動力裝備產品全生命周期監測與服務支持的示范基地，進行系統的示范驗證。

[1]Gu G，Sparks A，Banda S S.An overview of rotating stall and surge control for axial flow compressors[J].IEEE Trans Control Syst Technol，1999（7）：639-647.

[2]王春新，楊 洪，王煥娟，等.物聯網技術在輸變電設備管理中的應用[J].電力系統通信，2011，32（233）：116-123

[3]李云峰，張 勇.國家電網公司資產全壽命周期管理框架體系研究[J].華東電力，2010，38（8）：1126-1131.

[4]張繼銳.基于狀態的設備維修管理系統的研究與開發[D].西安：西安交通大學，2006.

[5]趙建民.基于案例的備件需求預測技術及軟件[J].計算機工程，2001，27（8）：138-139.

[6]張雄偉，曹鐵勇.DSP芯片的原理與開發應用[M].2版.西安：西安電子科技大學出版社，2002：8-16.

[7]劉 彈.設備狀態點檢網絡化管理系統的研究與開發[D].西安：西安交通大學，2001.

[8]Kim Y S，Kolarik W J.Real-time conditional reliability prediction from on-line tool performance data[J].International Journal of Production Research，1992，30（8）：1831-1844.

[9]周東華，徐正國.工程系統的實時可靠性評估與預測技術[J].空間控制技術與應用，2008，34（4）：3-9.

[10]華 成，張 慶，徐光華，等.動態概率模型跟蹤性能退化的實時可靠性評估[J].西安交通大學學報，2010，44（1）：46-51.

[11]Huang N E，Shen Z，Long S R，et al.The empirical mode decomposition and the hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proc R Soc Lond，1998，454：903-995.

[12]吳寶海，席 光，王尚錦，等.離心式壓縮機性能預測模型研究[J].風機技術，1993（3）：5-8.

[13]孫 濤，徐光華，張春梅.基于喘振頻域特性的失穩預警技術研究[J].西安交通大學學報，2007，41（11）：1321-1325.

[14]張熠卓，徐光華，梁 霖.基于非線性流形學習的喘振監測技術研究[J].西安交通大學學報，2009，43（7）：44-48.

[15]陽建宏，徐金梧，楊德斌，等.基于主流形識別的非線性時間序列降噪方法及其在故障診斷中的應用[J].機械工程學報，2006，42（8）：154-158.

[16]梁 霖，徐光華，栗茂林，等.基于非線性流形學習的沖擊故障特征提取方法[J].西安交通大學學報，2009，43（11）：95-99.

[17]Yu Paoshan，Chen Shientsung，Chang Ifan.Support vector regression for real-time flood stage forecasting[J].Journal of Hydrology，2006，328：704-716.

[18]華 成，徐光華，張 慶，等.在線服役設備的備件動態統計與需求預測方法[C]//2010年全國振動工程及應用學術會議.沈陽，2010：137-142.

[19]李金國，丁紅兵.備件需求量計算模型分析[J].電子產品可靠性與環境試驗，2000（3）：11-14.

[20]郁君平.設備管理[M].北京：機械工業出版社，2002：153-160.