壓力計量在智能運維中的應用

茅曉晨

（上海市計量測試技術研究院，上海 201203）

0 引言

壓力儀表包括壓力表、壓力變送器、遠傳壓力表、壓力開關等，其在設備維護中起著至關重要的作用。作為基礎類的熱工儀表，壓力儀表幾乎在所有現場的自動化設備中都有所應用。壓力儀表通常需要進行出廠檢定和后續的周期檢定，以保證現場壓力數據的準確采集[1-3]。傳統的設備運維模式主要依靠事后維修，即故障發生后維修。傳統運維模式安全保障力弱，容易使小隱患釀成大故障，維修成本高。隨著修程修制的制定，運維模式逐步發展為周期修，在一定程度上降低了故障率，但仍然存在“欠維修”和“過度維修”的情況。當前運維模式逐步向狀態修、預知修、預測修過渡。前端傳感器的監測及檢測精度不斷提高，監測檢測數據量不斷增大，大數據及人工智能等前沿信息技術在部分設備智能運維過程中也逐步發揮作用。設施的智能運營保障應實現檢測與監控自動化，全壽命循環管理系統、運維管理智能化，生產作業自動化。構建并定義數據收集、數據儲存、數據服務和設施設備的評估標準，通過智能裝置和信息系統對設施設備的工作狀況和變化趨勢進行精確解析，對有重大故障隱患的設施設備實施針對性的維護，精準施治，縮短維護時限，從而減少維護成本。

圖1 軸承故障預測流程圖Fig.1 Flow chart of bearing fault prediction

1 機械狀態監測與故障診斷

1.1 故障監測診斷的重要意義

工業物聯網對全球工業的發展趨勢影響尤為重大，要點總結如下：“建立一個網絡，研究三個問題，進行三個整合，制定八項規劃”。一個網絡：信息物理系統網；三個主題：智慧生產、智能制造、智慧物流；三種目標：側向集成化、橫縱集成化和端對端的集成化；八項規劃：構建規范化的參考框架，管理復雜信息系統，建立一體化的產業寬帶基礎建設，實施安全與保護，工作的組織與設計，培訓持續的職業發展，構建監管架構，提升資源效率。中國在《智能制造工程實施指引（2016-2020）》文件中，明確提出了智慧制造商的創新模式重要要素之一就是“遠程運維服務”。構建了標準化消息收集和管理系統、自主診斷系統，和基于專家系統的故障預警模式和故障索引知識庫；可實現裝置（生產）遠程自動無人操控，日常工作生活環境自動預警，運營狀態監督，診斷與自恢復；構建商品供應鏈生命周期數據分析網絡平臺，核心配套供應鏈生命周期數據分析網絡平臺，用戶使用習慣數據信息模式；可對智慧裝置（生產）進行長期健康檢測，虛擬裝置維護預案制訂和執行，最優預測應用方案發布，創新應用開放服務等業務。裝置的故障預警和衛生管理（Prognostic and Health Management，PHM）是完成設備遠程運維，確保重要裝置安全性的關鍵技術。智能的運維和人員健康管理系統，對國民經濟發展和軍事安全的意義巨大。從20世紀70年代開始，美國的航空發動機就采用了管理發動機系統（Engine Management System，EMS） 作 為PHM早期的典型案例。中國三一重工最先開展了智慧制造、智能服務，其自主研發企業中心（Enterprise control center，ECC）可掌握機器的正確定位、累積工作時間、累積油耗等。當設備故障后，能夠根據傳回數據做出分類與排除，并指導企業進行修復；也能夠通過設施運營狀況評估用戶的盈利能力或惡意拖欠企業債款情況，從而做到對設施的遠程封鎖，保障企業權益。

智能運維和健康管理系統，對國民經濟發展和國防安全的作用巨大。設備故障預報和康復系統是實施機械設備遠距離運維，保證大型技術裝備安全可靠的主要技術，運用在工業生產系統中形成的各種數據通過采用信號處理與統計分析，提取出特征信號，并經過模型和故障機制解析，以完成復雜機械設備和大型工業生產系統的健康狀況監控、預報與管理等工作。智能管理運維系統是在PHM基礎上發展形成的一個新型維修方法，包括完善的自檢與自檢測功能，對主要設備進行實時監控與故障告警，以完成對遠程設備故障集中告警與維修數據的綜合管理數據分析，從而降低主機對周圍人力原因的依賴性，并逐漸信賴主機，從而完成對主機的自判、自斷與自決。智能運維和健康控制對公司的經營管理水平以及生產/裝置的整個壽命周期影響巨大，在保證裝置的安全、平穩、安全工作和維護人身安全的同時，有助于提升公司產品效率，提升產品的全球競爭力與影響力，正在推動世界范圍內新型工業的研發、產品制造和服務保障體系的改革。

1.2 故障監測診斷國內外研究現狀

機械故障判別的定義是指利用機械工程、流體動力學基礎、電氣、計算機科學、信息管理、人工智能等專業方面的領先科技，對連續工作機械的狀況與故障進行檢測、判斷的一種現代化科技方法，并已迅速發展成一個新興學科。目前，機械故障判定理論和技能已成為中國國內的科研熱點。故障診斷研究對象是指機器及機組工作狀況的變化及其在檢測信息中的體現，主要由各種數據信息收集、特點提煉、模型辨識，及故障預知等構成。同樣，機器故障機理也完成了各種數據與特性相互聯絡，內容可包括信息收集與傳感技術、故障機制與征兆、信號處理與特征提取方法、辨識與分析和智能決策[4-6]。

1）信號獲取與傳感器技術：可靠的信息收集能力和先進的傳感器技術是機械人故障診斷的先決條件，各國學者都致力于將傳感科技和機械設備的結合。

2）故障機理與征兆聯系：探究機械故障的形成機制和表現類型，是為了解機械故障產生與發展過程，認識故障的內在實質和特點，從而形成合理故障模型，是現代機械故障診斷的理論基石。

3）信號處理與診斷方法：從機器運行的動態信息中提煉出故障預兆，是機器診斷的關鍵。現代信號處理方式，主要包括將時間域、頻譜區間和相結合的時間與頻域處理方式。

4）識別分類與智能決策：計算機技術、人工智能與機械學習科技的迅速進展，導致了故障診斷控制系統逐漸朝高智能方面迅速發展。

1.3 故障預測和健康管理技術的重要性

在航空、航天、信息通訊、工程應用等領域的工程體系日益復雜，體系的綜合化、智能化程度也日益增強，研發、制造特別是維修與保護的成本也愈來愈高昂。而隨著體系構成環節和危害原因的逐漸增多，發生故障和功能損壞的概率也逐步增大，對復雜體系的健康管控與智慧運維也逐漸變成焦點。預測科技的PHM科學技術正獲得人們愈來愈多的關注與運用，PHM已作為一種嶄新的、多學科交叉的綜合性科學技術，正推動著世界范圍內新一輪制造業維修保護體系的改革。PHM信息技術體現了裝備視情維護、自主式維護等新思想、新方法的重要科學技術，并引起了中美英等先進技術強國的重視。通過基于PHM信息技術生成的信息，可以編制合理的系統運營規劃、維護計劃、保障規劃等，以盡可能地減少緊急（時限原因）維護事故的出現，避免千里（空間原因）馳援事故的出現，進而減少人員財產損失，減輕信息系統費效比，具備緊迫的實際需要和重要的工程技術經濟價值。

2 故障診斷與診斷原理

2.1 故障診斷內積匹配診斷原理

機械、運輸、電力、冶金、石油化工、軍事等國民經濟中各主要產業的重要機械，在復雜惡劣工況下操作時（重載、疲勞、腐蝕、高溫），核心零件和關鍵機械構件都將不可避免地出現各種程度的故障情況。

2.2 基于小波的特征提取方法

在信號處理的各種算法中，部積起到關鍵性作用。部積變換也可以看作信息中和基函數之間關系緊密度以及相似性的一個度量。物理本質：探求信息中含有和基函數關系最接近或密切相關的分量。技術：通過合理建立并選用與故障特性相似的基函數，使基函數與機械動作信號的物理特性達到最佳相符；獲取不同物理意義的并滿足工程實際的故障特性信號；進行科學、合理的狀態檢測和故障診斷。

2.3 基于小波的稀疏特征提取

稀疏分解方式是在過完備的字典庫上，使用最少原子之間表達信息或逼近信息的方式，同時具備了信息表達的高分辨率、較疏性和自適應性等特征。由于稀疏表達領域是基于信息接收器的一種特殊模型，所以在信號處理中對信息接收機建模也十分重要。只要將信號模式設置的合理，稀疏表達也能夠達到很好的使用效果，包括了降噪、分割、縮小、取樣、檢查、鑒別等。但作為一種完美的稀疏表達模式，還需要處理以下3個很重要的問題：

1）如何設計和建立合理高效的稀疏表示字典。

2）高效地得到信號在字典下最稀疏的分解系數。

3）怎樣把稀疏分解模型運用到更具體化的特征提取反問題中。

圖2 小波分析理論示意圖Fig.2 The schematic diagram of wavelet analysis theory

3 智能運維與健康管理

人類社會的資料量指數增長速度據IDC監測，目前人類產生的資料總量正呈現指數級別上升，大概每兩年翻一番，而這種增長速度到2020年以前將會繼續維持下去。2015年，國家頒布了《推進信息化發展活動大綱》，其明確指出，信息是中國的基本策略資源，將指導和激勵國民經濟各個領域在大數據分析方法和關鍵應用技術等方面進行探索性研發機械領域，并進入了工業大數據分析時代。大數據對傳統信息提出了革命性的挑戰和顛覆式的革新，正在悄悄地改寫著人們的日常生活方式和認識世界的方法，而且開始滲入了機器智慧維護范疇。工業大數據概念：工業生產的大數據通常指機器設備在工作狀態中，實時生成并獲取的包括設備運行狀況、工作狀態、環境參數等反映機械設備工作狀況的大數據，即機械設備中形成的大量并且具有一定時間順序差異的大數據，主要利用各類傳感器、設備及儀器儀表等進行加工產生。該數據分析貫穿于機械設備工藝、制造、信息管理、業務等活動中，使機械工業信息系統具有定義、判斷、預見、決定、信息管理等現代化功能的模型。機械領域逐漸走向工業大數據化時代下，工業大數據的主要來源：檢測的裝置群體規模大，各種裝置所需要的測點數量多，每個測點的取樣頻次高，從產品開始服役到設備壽命結束的大數據采集歷時長[7,8]。

工業大數據的特點：

1）大容量：通過診斷專家來自動分析很不實際，所以必須研究用智能方式自動分析。

2）速度快：提高信息處理的及時性，高效發現故障信號并進行預警。

3）健康多樣性：包含了在各種機械的不同工作下，從各種物理源所輻射出的大量健康狀態信號。

4）低價值密度：設備一直保持在常規工作狀況，檢測數據信息包含的信息內容重疊性較大，因此數據信息價格密度較小，需要數據信息提純。

當前已進入了工業生產大數據分析時代，工業生產大數據分析已成為闡明現代機械設備問題演化過程和其實質的重要資料，數據量的規模、分析運用的技術也已成為了當代機械設備問題智能保護中最重要的組成部分。運用工業大數據分析技術手段，把大數據資源從這樣的“原油”提取成實實在在有用的“汽車柴油”等，是將大數據轉換為“生產效率”的重要關鍵問題。工業生產大數據處理技術，定義為：使在工業生產大數據處理中所蘊藏的科學價值得到發掘與揭示的各種技術手段和方法的統稱，主要包括了工業生產數據收集、保存、預處理、大數據分析發現，以及可視化技術等。并行處理結構：Hadoop成為分布式操作系統基本結構中的杰出代表，其結構的核心內容是采用分布式操作系統Hadoop和MapReduce技術的分布式網絡結構批量數據處理運算構架，以支撐工業的高實時化使用、大資料量儲存和快速搜索，為海量數據的查詢搜索與統計管理等提供了性能保證。工業生產大數據分析關鍵技術的研發和突破，旨在從工業生產大數據分析中找到創新模型和知識，并發現最有價值的創新資訊，從而推動公司的生產技術創新，改善企業運營管理水平和產品動作效能。而由工業生產大數據分析驅動的智能故障診斷，則是發現相關新模型和知識的關鍵。通過工業生產大數據分析的相關關系分析，大數據分析時代的到來顛覆了事物間關系的固有格局，使相互關系的可用性重新浮出水面。如工業大數據分析的智能故障診斷，就是一個大數據分析相關關系的分析。合理地舍棄了“因果”，將關注度轉向“相關性”，有利于人們更快速、更全方位地掌握事情的發展，從“發現提問-邏輯數據分析-找出病因”的事后補救模型轉變到“搜集數據分析-預見提問-解決”的主動預防模型。工業生產大數據分析驅動的機器人智能診斷框架，由于工業生產大數據分析信息源頭離散、采集形態多樣、隨機影響相互干擾等特性，必須按照特定規范對數據分析加以過濾，以去除信息冗余和噪聲數據，從而增強了機械大數據分析的可信度。利用信號處理方式可以獲得多域特征，表示設備的健康狀況。可根據設備歷史的健康狀況信息，設定自適應閾值或根據人工智能模式進行量化評價，從而進行對設備的健康檢測。將分析、聚類等人工智能算法用到了機械設備的故障判別中，對機械設備故障信號進行知識挖掘，從而得出與故障相關的判別規律，確定機械設備故障狀況，從而制定維修策略。

4 結論

進行計量檢定的壓力儀表能保證現場數據的準確采集，作為智能運維的前端感知傳感器，基礎數據的可靠準確與否，關系運維過程中事故故障的大數據分析。本文提出構建基于智能檢測監測、云計算與大數據等先進技術的智能運維系統，可對現場諸如工況壓力等數據進行整理融合，深度挖掘與智能分析，對基礎設施進行全壽命周期管理，實現運維管理與生產作業智能化，大幅提升運維效率，降低運維成本。