故障預測與健康管理技術在智能運維中的應用

□ 楊家榮

上海電氣集團股份有限公司 中央研究院 上海 200070

在制造系統越來越復雜,生產運營少人化、無人化的條件下,需要實現高效率、高質量的設備維護和及時維修。智能運維是通過數據采集和分析等技術對傳統運維進行的一種升級,能夠自動識別設備在生產制造過程中存在的隱患,對已發生或將要發生的故障、問題及時發出警報,從而輔助運維管理者消除設備隱患,對故障原因進行判斷和處理[1]。對工業企業而言,高效的運維管理意味著更少的設備故障、更高效的故障停機處理,以及更低的運維成本。筆者介紹故障預測與健康管理技術在智能運維中的應用。

1 故障預測與健康管理技術發展現狀

故障預測與健康管理技術最早在西方發達工業國家興起,早期概念起源于預測性維護,之后逐步發展為故障預測與健康管理。故障預測與健康管理技術是基于狀態的維修的升級發展,強調設備管理中的狀態感知,監控設備健康狀態、故障頻發區域與周期。通過數據監控與分析,預測故障的發生,從而大幅度提高運維效率。故障預測與健康管理技術已經形成了一套技術方法體系,具有包含數據采集與傳輸、數據處理、決策支持、綜合信息管理的技術結構,相應的技術標準體系也相對完善。

目前,故障預測與健康管理技術已經在民用飛機、直升機、戰斗機、航天器等方面得到了應用,并且是研究的熱點。波音公司在法國航空、美國航空定購的多個機型中應用故障預測與健康管理技術,提高維修效率。在軍事武器裝備領域,故障預測與健康管理技術的實施效果最為顯著。如著名的F-35戰斗機,采用故障預測與健康管理技術后故障不可復現率和維修人力大大降低。統計數據充分證明,故障預測與健康管理技術在降低維修保障成本,提高安全性、可用度、完好性,確保任務成功性方面具有重要作用[2]。隨著我國制造業朝數字化、網絡化、智能化方向的發展,故障預測與健康管理技術逐步從最初的軍事、航天領域向民用高端裝備應用,進而提高裝備的安全性,降低運維成本。

2 故障預測與健康管理技術意義

當前,我國的重大裝備取得了較大發展與突破,高鐵、數控機床、核電、風電等領域都取得了舉世矚目的重大成就。這些高端裝備的制造過程十分復雜,裝備交付之后必須進行經常性維護檢修,保障穩定性。一旦裝備出現異常,則損失巨大。以安全著稱的航空業,因飛機故障原因導致的事故或延誤仍無法完全避免。海恩法則指出,每一起嚴重事故的背后,必然有29次輕微事故、300起未遂先兆,以及1 000項事故隱患[3]。傳統維護檢修更依賴人的經驗與能力,在設備發生故障后,會進行故障記錄分析,但不具備對故障的預測、預警功能。在智能運維過程中,用戶希望能及時發現設備存在的隱患,及時制訂維修策略,降低故障發生概率。由此可見,故障預測與健康管理技術在設備安全和保障中發揮著越來越重要的作用。

3 應用場景

目前,故障預測與健康管理技術的應用深度、廣度和功能水平,與應用對象、目標、任務有直接關系,并且存在很大的差異性。故障預測與健康管理技術的應用多表現為集成至工業互聯網等智能運維平臺的模式,這樣可以支撐業務的發展。

3.1 電梯運維

隨著我國經濟的發展,高層建筑不斷增多。電梯作為一種特種設備,存在一定的安全隱患。據統計,門系統事故是電梯的最主要事故,80%以上的電梯故障和70%以上的電梯事故都是由于門系統出現問題造成的[4]。電梯門系統故障模擬臺如圖1所示。通過采集電梯運行過程中門系統的數據,應用故障預測與健康管理技術,可以對門系統進行故障診斷和預測。此外,用于運送乘客或貨物的轎廂也是電梯非常關鍵的組件,同樣可以應用故障預測與健康管理技術,對轎廂的振動信號進行采集,并進行故障診斷和預測。電梯轎廂故障分類混淆矩陣如圖2所示,其中,導靴大故障的預測準確率在98%左右,其它故障模式的預測也均取得了良好的效果。應用故障預測與健康管理技術,可以將傳統電梯故障后檢修方式轉變為新型狀態預測和維護方式,為現場設備的維護預留關鍵時間窗口,能夠避免事故發生和人員傷亡,節約大量不必要的維護資源。

圖1 電梯門系統故障模擬臺

圖2 電梯轎廂故障分類混淆矩陣

3.2 城市軌道交通運維

城市軌道交通的高速發展給運維市場帶來了廣闊的空間。我國軌道交通線路關鍵設施、設備陸續進入中大修階段,而與此同時,運維呈現出人員分布不均情況,面臨客流量持續攀升、擁擠度超標等局面,迫切需要提高運維效率,降低晚點率和突發事故的發生率。傳統上,城市軌道交通關鍵設備主要采用以計劃預防修和故障修為主的檢維修體系。當前,構建集狀態監測與評估、特征提取、故障診斷與預測、維修模式優化、維修決策于一體的軌道交通智能運維系統,是業內熱點[5]。應用故障預測與健康管理技術,可以對轉向架與輪對、屏蔽門、車門、空調、弓網關系、道岔等進行故障預測與健康管理。軌道交通車輛轉向架運行狀態監測系統界面如圖3所示,這一系統可以在軌道交通車輛運行過程中對轉向架的運行狀態實現故障預警信息集中管理和預警提示,從而預測可能發生的故障,給出車輛運營維護建議,提升乘客體驗。

圖3 軌道交通車輛轉向架運行狀態監測系統界面

3.3 風電場運維

隨著風力發電裝機容量和規模的不斷擴大,風電場運維已經成為風力發電產業重要的后市場。伴隨著裝機機組服役年限增加,近年來,風力發電機事故頻發,如失火、倒塔等,使風電場運維的成本和壓力不斷增大。有機構對風力發電機事故的原因進行總結后發現,機組設備質量不過關、機組研發與運維脫節等是造成風力發電機事故的主要原因。在風力發電檢修方面,故障預測與健康管理技術可以降低機組事故發生率,減少維修費用,縮短維修時間,提高機組運行效率和可靠性,同時能夠為設計人員提供指導。

目前,幾乎所有大型風力發電企業都在開展故障預測與健康管理技術與運維系統的開發,尤其是對大型海上風電場而言,智能運維直接關系到海上風力發電項目的安全和社會經濟效益。風力發電機組狀態監測及智能分析系統界面如圖4所示,這一系統針對風力發電機組傳動鏈,實現軸承和齒輪箱的智能故障診斷與狀態評估,自動分析故障位置與故障類型,并預測衰退趨勢,能夠提高風力發電機組的運行效率和可靠性。

圖4 風力發電機組狀態監測及智能分析系統界面

4 預測實現方法和建模流程

故障預測與健康管理技術實現預測的方法主要分為三種:基于可靠性理論的預測、基于數據驅動的預測、基于時效物理模型的預測,三種方法在工程應用中的廣泛性依次減弱,預測精度依次提高,相關的難度和成本依次增大[6]。

采用基于數據驅動的預測方法,模型構建過程相對簡單,在獲取準確、全面數據資源的前提下,只需要描述數據輸出關系和相關參數,即可進行狀態預測,不需要建立精確的物理模型。在近幾年工業大數據浪潮的推動下,基于數據驅動的預測方法獲得了空前的關注,成為研究和應用的熱點。

基于數據驅動的預測方法對一個復雜系統對象進行預測與維護,需要確定可以直接表征系統故障及健康狀態的參數指標,或者可以間接推理判斷系統故障及健康狀態的參數信息,這是應用故障預測與健康管理技術的數據基礎[7-8]。傳感器技術的應用,將直接影響故障預測與健康管理技術的應用效果,傳感器的類型、安裝位置、精度、傳輸等都會產生影響。一旦獲取數據,就可以開展下一步具體的建模工作。故障預測與健康管理技術建模流程如圖5所示。

圖5 故障預測與健康管理技術建模流程

采用基于數據驅動的預測方法,還離不開特征工程,尤其是有經驗的數據建模工程師的工作。對采集到的數據進行預處理之后,特征的提取與選擇等操作非常重要,需要有經驗的工程師一起參與并進行判斷。找到有效的特征后,可以應用開發的模型進行衰退性評估,如果衰退是一個逐漸損耗的過程,那么基本可以使用這一模型來預測未來的狀態變化和趨勢,否則需要進行相應的調整和優化。

5 面臨的問題與挑戰

故障預測與健康管理技術雖然具有較好的應用前景,但是實現難度較大,并且復雜度高。在當前國內企業眾多的應用項目中,因為基礎理論及方法研究起步較晚,所以雖然開展了大量工作,但還是遇到了不少問題與挑戰,主要有三方面。

第一,現有故障預測與健康管理技術故障診斷、性能預測效果欠佳。

復雜系統自身具有高維、非線性等特點,導致難以建立準確的系統模型。早期故障特征表現不明顯,在傳感器測點有限或不可及的情況下,獲取的信息不完備,難以獲取有用的信息。以上因素導致現有故障預測與健康管理技術故障診斷、性能預測效果欠佳。基于時間序列的數據雖然量大,但是價值密度不高,導致一些簡單的設備應用故障預測與健康管理技術往往可以取得很好的效果,而在大型復雜裝備中應用卻無法取得令人滿意的效果。當前,對于故障預測與健康管理技術的追求逐步理性,從現實角度考慮,不追求準確預測剩余使用壽命,只對子系統的性能衰退趨勢進行跟蹤,是比較現實和可接受的預測形式。

第二,在現有故障預測與健康管理技術中,模型無法自適應調整。

當前故障預測與健康管理技術的預測模型多數屬于靜態模型,缺乏自學習能力,通常情況下預測模型通過一次建模獲得,模型參數保持固定不變,沒有考慮復雜工業場景下環境變化、負載變化、新增樣本、工況變化等對模型參數的影響,如果一個設備發生了狀態變化,模型無法自動優化或升級,由此導致對于復雜裝備的預測在運行工況多變的情況下并不精確。

第三,當前關于故障預測與健康管理技術的研究主要集中在故障知識推理和知識表示方面,異構故障知識組織與管理、應用方面的研究較少。

知識在故障預測與健康管理技術中具有重要作用,涉及產品設計、制造、運行、維護過程,包括結構化、半結構化、非結構化等類型。實現對這些知識的有效管理和應用,是提高故障預測與健康管理技術應用效果的基礎和前提,也是故障預測與健康管理技術需要解決的難點。從知識管理和服務的角度來研究故障預測與健康管理技術中的知識建模和應用,是當前航空、高鐵等領域的關注點,尤其是在航空領域,已經取得了很好的成效。另一方面,失效樣本少,數據測點不完整、不平衡等問題,都會導致故障預測與健康管理技術在應用層面很難保證模型的準確性和穩定性[9-10]。各類故障試驗數據、性能退化征兆、故障發展到失效的數據等都非常寶貴,而目前大多數國內企業尚未建立起完整的數據庫。

6 結束語

應用故障預測與健康管理技術的根本目的是與運維過程中的其它系統集成,促進維修保障模式向智能運維轉變,便于維護、維修計劃的制訂和調整,提出有針對性的運維計劃,降低運維成本。在推進智能運維前期,尤其要做好故障預測與健康管理技術的探索和數據整理,為后續模型的優化打下基礎。由于受到觀念和條件的限制,我國在產品研制時,沒有同步設計保障體系,配套的維護保障設施、設備維修方案、詳細備件及技術資料都不健全。對此,可以考慮結合智能運維平臺檔案履歷的電子化、交互化,在此基礎上發展故障預測與健康管理技術。故障預測與健康管理技術的應用注定是一個緩慢推進的過程,在當前預測準確度還存在一定不足的情況下,企業需要將產品的設計、研發、制造、銷售、服務等環節逐漸構成閉環,進而依靠機器視覺、工業互聯網大數據分析等的綜合運用,結合專家經驗知識,將海量工業數據轉變為有價值信息,實現智能運維。