故障預測與健康管理系統研究與應用現狀分析

李思雨，程中華，劉子昌，王沁蓉，賈希勝

(1. 陸軍工程大學石家莊校區 裝備指揮與管理系，河北 石家莊 050003；2.西北大學 信息科學與技術學院，陜西 西安 710068)

隨著傳感器技術和檢測技術的進步,故障征兆探測手段越來越多,探測的準確度越來越高,探測的時機越來越早[1]。故障預測和健康管理(Prognostics and Health Management,PHM)是傳統的機內測試技術、外部自動化測試設備、故障監控和診斷技術的拓展,一個真正的PHM系統應具有狀態監測、故障告警、故障診斷、狀態評估、壽命預測、維修決策支持和裝備大數據管理等功能[2-3]。

現役武器裝備更新換代加快,裝備的自動化、復雜化、綜合化、智能化程度不斷提高,其機械結構日趨復雜,功能也更加多樣,對裝備的使用和維修保障提出了更高的要求。隨著裝備動用更加頻繁,運行環境更加復雜惡劣,發生故障和運行失效的可能性也逐漸增加。一旦裝備在運行過程中發生故障,極有可能影響訓練開展,甚至造成嚴重事故。如何及時、準確地對裝備進行狀態監測、故障診斷和健康狀態評估,進而科學有效地制定維修策略,確保裝備正常運行,避免嚴重事故發生,是當前武器裝備保障領域亟待解決的現實問題。

維修決策是現代維修理論和決策科學的高度融合,是以維修思想為指導,結合現代決策方法建立起來的理論和方法,核心是研究各種維修策略下的維修目標建模和維修參數優化等決策問題。針對復雜裝備的PHM技術研究時,設計和選擇合適的維修檢測方法,則有可能使維修決策符合更廣泛的實際應用情況。裝備維修保障作為保持武器裝備體系正常運行,確保裝備戰備完好、效能正常發揮的一項重要工作,如何適應新的戰爭形態和作戰需求,為部隊提供適時、適量的精確化保障,顯得尤為重要。故障預測與健康管理的定義是通過不同類型的傳感器采集到設備運行的數據信息,進行診斷、健康狀態評估、預測剩余使用壽命及智能維護,為設備管理人員提供合理化建議,確保設備安全、穩定的運行[4-5]。在軍事領域展現出良好的應用前景,已成為PHM建設發展的新引擎。研究PHM系統/技術的軍事和經濟價值如下:

1)通過預測裝備剩余壽命,及時控制裝備使用,可以實現以最低的費用保持裝備可靠性、安全性[6]。

2)通過智能化決策支持,使維修的計劃性增強,裝備利用率和戰斗力(生產效率)得到有效提升[7]。

3)通過運行PHM系統,可總體、定量、直觀掌握裝備運行狀態,大幅提升裝備的信息化管理水平[8]。

1 國內外PHM發展現狀

1.1 國外PHM現狀分析

伴隨微電子技術、集成技術的迅猛發展,大型的機械裝備廣泛配套了功能齊全的微電子設備,無疑給試驗、操作、維修帶來了嚴峻的挑戰[14]。針對電子設備的故障診斷、預測、健康管理等問題,歐美技術發達國家在電子設備領域運用PHM取得了很多成就。英國從上世紀90年代開始,進行了深入的研究和探索,研發出了使用和狀態管理系統(Health and Usage Management System,HUMS),進行監測關鍵系統和部件的狀態,涵蓋懸翼狀態平衡、發動機功率衰減、齒輪箱運行和傳動系統穩定、分析疲勞情況、提供維修決策等。PHM在國防軍工應用廣泛外,在航空、商用飛機、車輛、大型機械設備、冶金等民生領域應用也成果豐碩。美國波音公司把PHM技術研發運用到民航客機系統即“飛機狀態管理(Aircraft Health Management,AHM)系統”。并成功裝備在日本、德國、美聯航和韓國等航空公司,如波音777、737空客A330、A340等。運用AHM可以大大提高飛機的安全飛行系數和節省航空公司的25%維護成本,避免僅因維修飛機停飛而造成的維護成本。另一方面,可以快速判別出之前出現過的故障和退化趨勢。

PHM概念和應用導致了美海軍歷史上首次訂購單發艦載機。訂購前提是PHM系統能夠提前一個飛行架次做出故障預警[9-10]。公開數據表明,PHM系統在F-35上的應用效益:維修人員減少20%～40%,保障規模減少50%,出動架次提高25%,保障費用減少50%。美F-35戰斗機中PHM系統由三級(零部件、子系統、系統)狀態信息采集與處理模塊、信息上報模塊、維修分析模塊、維修規劃模塊、維修執行模塊構成,裝備嵌入式功能模塊由采集與處理模塊和信息上報模塊組成,執行飛行任務中運行,裝備外部功能模塊由維修分析模塊、維修規劃模塊、維修執行模塊組成,飛機落地后運行[11-13]。

1.2 國內PHM現狀分析

從1950年起,我國開始進行相關PHM研究。工程實踐方面,我國在PHM系統實際應用與歐美國家有明顯差距,目前科研成果僅能部分轉化為實際應用,例如在國防軍工集團的可靠性技術咨詢、技術攻關、試驗評價等方面[15-17]。

天津大學王大全等基于灰色模型和支持向量機對冷水機組進行了故障預測研究[18]。江蘇大學的李捷輝團隊同樣利用灰色模型和蝙蝠算法改進的支持向量機模型對故障分類進行了預測,提高了預測精度[19]。青島科技大學胡明剛根據醋酸精餾塔的運行狀態進行了故障預測研究[20]。哈爾濱工業大學的孟悅等針對轉子早期不平衡的故障問題進行預測,先基于傳統方法提出了改進的特征融合支持向量機模型,該模型能夠預測轉子潛在的4種故障狀態故障[21]。清華大學航空發動機研究院任祝寅等針對航空發動機燃燒室設計和生產過程中成本高、難度大等問題,提出了基于數字孿生驅動的PHM設計技術[22]。海軍裝備研究院荊晶團隊對PHM技術應用于海軍指揮信息系統的健康狀態評估和診斷的可行性進行了分析,基于多元狀態估計技術以及改進的層次分析法進行系統的健康狀態評估[23]?？哲姽こ檀髮W的焦曉璇團隊為克服傳統PHM開發平臺的結構功能復雜的特點,改進了傳統基于文本設計系統的思路,提出了基于模型的系統工程觀點[24]。陸軍工程大學魯冬林團隊針對裝甲車輛PHM系統性能評估人為因素干擾較大的問題,運用“AHP-熵值”的組合賦權法確定指標權重系數,采用了模糊綜合評判方法[25]。西安電子科技大學的吳冬寒等采用基于故障關聯的統計模型和基于SOM神經網絡的兩種方法對某型雷達進行收發模塊的健康狀態評估[26]。西北機電工程研究所康總寬等針對某型艦炮PHM系統評價指標不夠準確、客觀等弊端,明確了評價主體和評價指標運用原則,通過分析操作人員、武器裝備、環境對艦炮工作狀態的影響,提出了基于MLP的艦炮PHM系統評價體系的構建方法,從而為數據驅動的艦炮PHM系統研究奠定了技術基礎[27]。

雖然國內各種PHM系統已逐步開始得到應用,但還遠沒有達到工程實用化的程度。目前還僅在部分關鍵的系統和部件中應用,系統集成應用能力很弱;大部分系統的故障預測與健康管理脫節,沒有充分發揮PHM系統的優勢;并且對大多數系統尤其是電子產品的故障機理了解還不深入,有些還僅僅是故障的檢測,還不具備故障預測的能力。此外,如何正確有效地評估系統的健康狀態,并做出優化的維修決策等都需要大量的研究工作。

2 PHM系統一般體系結構

PHM系統的主要功能包括裝備狀態信息感知、獲取與處理,故障告警和診斷,健康狀態評估與預測,維修決策支持[28-29]。PHM系統的主要用戶為使用操作人員(士兵)、設備管理人員(裝備指揮員)和企業管理人員(作戰指揮員)。PHM系統運行流程和功能層次-整體架構如圖1所示。

1)數據獲取層:該層主要是利用各種傳感器(如:光敏傳感器,聲敏傳感器,氣敏傳感器,化學傳感器,壓敏、溫敏、流體傳感器)來采集并獲取數據,通過數據傳輸系統向上一層進行傳輸。

2)數據處理層:通過接收數據獲取層的數據信息,運用相關預處理方法,經過特征提取,得到所需要的特征參數。

3)狀態監測層:把獲取的裝備數據與預先設定好的失效模式下的故障數據進行比較分析,從而進行狀態監測。通過設定的故障閾值及時進行預警、識別故障位置等。

4)健康評估層:把特征參數作為模型輸入,分析狀態退化趨勢,對裝備運行狀態進行健康狀態評估。健康狀態等級包括正常狀態、健康狀態退化、健康狀態預警(亞健康)、不健康。

5)壽命預測層:主要是對設備的剩余壽命預測。方法有基于大數據的預測方法和統計模型的方法,根據設備當前的健康狀態,做出下一時刻的壽命預測。

6)決策支持層:根據任務需求使用和維修歷史、維修資源等因素,以壽命預測層和健康評估層數據作為輸入,為相關人員提供維修時機、維修類型、維修級別和維修技術等。

7)決策建議層:設備管理人員根據實時監控整個設備狀態來進行設備故障診斷分析、設備剩余壽命預測、制定維修計劃,便于企業管理人員實時掌握企業所有設備狀態情況、設備停機時間、產品合格率生產成本、運營成本、維修成本、采購成本、財務費用等合理化建議。

3 國內外PHM發展經驗和差距分析

3.1 國外PHM系統研發及應用中的經驗

軍事領域來看,PHM系統及其關鍵技術已經運用到了航空、航天、船舶和制導武器系統上,經濟和軍事效益顯著[30]。根據美陸軍航空與導彈司令部科研報告顯示,列裝了基于狀態維修(Condition-based Maintenance,CBM)設備的航空飛行隊,作戰飛行的任務完成率能夠提升5%,飛行的總時長增加1倍左右,該技術裝備列裝了大約20%的陸航部隊[31]。歐美國家在PHM系統/技術領域的研究走在世界的前列?？偨Y其在研發和應用PHM過程中經驗:

1)研發預測能力十分困難且周期長。預測能力在多數情況下是可行的,但并非對所有故障情況都適用。因此要篩選出不能預測的條件,并用其他方法代替[32]。解決方案是把有限的資源集中到能夠有效預測并且高效的系統或零部件上,例如:液壓系統、動力系統、電子裝備等(根據任務需求,可動態調整)。

2)有效地進行故障診斷是實現健康預測的關鍵。進行健康管理和預測之前,確保能進行良好的診斷。在裝備效能衰減,發生故障之前進行診斷和識別,例如通過故障失效模式分析,查找到相關的故障模式和預兆,與此同時把最常發生的故障失效模式和引起停機故障的零件進行嚴酷度比較,進而篩選出需要預測的高價值的零部件,對于開發預測能力就有了好的基礎。

3)PHM技術的實現需要經過裝備的全壽命周期實驗,技術的成熟和完善過程暴露出了實驗時間、經驗的不足。實踐表明研發出客觀、合理、精準的PHM能力,必須以大量的實驗數據、經驗、時間、人力、物力為支撐。以零部件失效的黑箱模型或是隨機原因導致的故障原因為例,更需要上述條件來保障實驗成功。從當前的研究來看,實驗的軟件和硬件條件都滯后于理論研究。

3.2 國內PHM技術差距分析

相較于歐美發達國家,我國發展PHM系統/技術相對較晚,特別是在復雜裝備系統的應用方面。起初由人工經驗診斷為主,逐漸過渡到狀態監測與診斷。期間雖然取得了不少科研成果,但是在與國外有關工程實踐、基礎理論研究、集成方面有很大差距:

1)復雜系統PHM集成與技術應用方面。技術發達國家進行了很多相關研究和試驗,國內目前是效仿國外的PHM技術或者應用,體系設計與理論研究明顯落后,PHM系統集成與技術應用的研究相對較少,目前沒有很好的工程案例,需要加大此方面的投入。

2)復雜系統健康管理方面。目前國外進行了很多PHM技術維修決策的研究與分析;國內機械設備大部分是以預防性維修為主,基于PHM的維修決策研究和健康管理較少。

3)復雜系統預測與智能維護方面,我國與國外發達國家不相上下,某些領域能達到同行業的先進水平?？墒?在PHM技術成熟度與推廣上,國外優于國內,特別是在先進傳感器的研發和使用方面,我國還是相對落后的。

4 PHM系統的關鍵技術和方法

在分析國內外PHM發展經驗和差距的基礎上,從PHM系統的關鍵技術和方法這幾個方面論述未來的發展方向,大致經歷了從故障和設備異常狀態的被動性維修到主動地預防性維修,再過渡到預測和智能維護管理[33-34]。

4.1 先進的傳感器技術

微型化、智能化、無線低功耗的傳感器及特種傳感器(高加速度量程、特高溫環境、在線油液檢測等)是PHM技術實現的基礎,因為只有正確地采集到設備的數據參數才能夠提供維修決策,這就要求傳感器能夠適應不同的工作環境和強電磁干擾。

當前,研發傳感器主要從兩方面著手:一是提升和優化性能,主要涵蓋了傳感器的準確度、穩定性、耐久性等;二是研發微型和智能化傳感器,從而便于系統集成。另外,PHM技術廣泛運用了微型機電系統,能夠在不影響傳感器性能情況下,縮小傳感器尺寸,從而大大降低功耗(通常情況下能夠降到40～500 μW)和無線傳輸成本。

4.2 嵌入式測試技術

國際電機工程師協會對嵌入式系統的定義明確了嵌入式系統是包括軟件和硬件兩個模塊。核心是應用,基礎是先進的計算機技術,軟硬件可刪減,從而適用于不同種類的計算機。

嵌入式測試包括功能測試和性能測試。通常由嵌入式微處理器、硬件、嵌入式操作系統和應用程序四部分組成?？梢詫ρb備運行狀態實時監測、管理,一旦發現故障,能夠及時進行診斷、隔離。

4.3 數據傳輸技術

運用不同類型的傳感器,數據獲取層采集到設備的數據信息以有線和無線兩種模式傳輸到PHM系統其他單元。

有線傳輸技術應用的比較成熟,通過有線數據總線和網絡進行傳輸數據。國際上已經建立了通訊標準和網絡協議,例如TCP/IP協議。藍牙、WIFI和移動蜂窩等技術促進了無線傳輸方式在PHM系統中數據傳輸,無線傳輸系統由多個分布式的傳感器組成,經無線調制解調器完成數據傳輸。

4.4 數據挖掘與信息融合技術

PHM系統采集到原始信號后,需要經過一定的數據處理。數據挖掘就是從原始的數據信息中獲取到有用的信息過程。進行數據挖掘的信息來源是數據獲取層中傳感器采集的信息,處理過程中通過不同的算法和模型拆分原始信息,并能夠被計算機所識別。數據挖掘算法包括決策樹、聚類和樸素貝葉斯等。

信息融合是把多個信息來源采集到的數據綜合分析研究,按照重要程度進行持續的評估和處理。信息融合技術作用是最大可能把有用的信息通過高效算法融合,在PHM系統中應用,進而得到準確的結果。融合算法主要有隨機濾波融合、貝葉斯融合、人工智能網絡等。

4.5 健康評估與壽命預測方法

健康評估和剩余壽命預測是PHM系統的關鍵環節,設備經過長時間工作后,性能狀態逐步退化,從健康狀態直到故障出現[35-36]。健康評估和剩余壽命預測通常會根據設備工作的實際情況,運用一種或多種方法來分析、判斷故障點(閾值)。健康評估是指設備當前運行狀態偏離正常工作狀態的程度。在進行評估時需要參照狀態參數、設備結構特點、歷史維修記錄,針對已發生或即將發生的故障進行診斷、研究,根據故障模式和失效機理,提供維修決策。所以越早獲取監測數據,對健康評估越有利,早發現,早預防[37-38]。

剩余壽命(Remaining Useful Life,RUL)預測方法大體分為三類:一是基于物理模型的預測;二是基于數據驅動模型的預測;三是基于混合模型的預測方法。從設備壽命預測的實際出發,當前主流的方法是基于數據驅動模型的預測方法。

4.5.1 基于物理模型的預測方法

基于物理模型的預測方法,從故障機理分析研究故障的發展變化,結合機械設備故障失效模式、維修專業領域知識,構建能夠反映出設備性能退化規律的數學模型,借助專業儀器設備,通過測量得到模型參數,進而預測未來退化趨勢。該方法適用于零部件級的失效和剩余使用壽命預測。例如部件的裂紋、疲勞、磨損等與載荷、應力有關的函數。構建物理模型需要深入了解故障和失效機理,全面考慮部件受到的物理、化學過程,導致建模過程比較困難,不適用于系統級的設備。

4.5.2 基于數據驅動模型的預測方法

基于數據驅動模型的預測方法僅需要通過傳感器獲取數據,再把數據轉換為設備性能退化模型。不需要關注物理失效故障模式,通用性好。數據驅動模型分為兩種:一是基于統計數據的驅動方法;另一種是基于機器學習的方法。統計數據驅動方法包括隨機濾波、相似性模型和隨機過程模型。

4.5.3 基于混合模型的預測方法

機械設備結構越來越復雜化和精密化,目前單一的預測方法不能很好地預測結果,所以可以結合專業知識、成功案例經驗,對各種預測方法進行融合研究,從而科學、準確、客觀地預測結果,稱之為基于混合模型的預測方法?；跀祿寗幽Ｐ秃臀锢砟Ｐ腿诤?能夠獲得較好的預測精度。此外還可以把多種預測方法得到的結果進行融合?；诨旌夏Ｐ偷氖Ｓ鄩勖A測方法能夠利用不同預測方法的優勢,有很好的發展前景[39]。由于涉及到多方法或者模型的融合,導致計算量過大或者建模困難,在實際應用中并不多。

4.6 智能推理與決策支持技術

智能推理與決策支持技術可以實現維修決策智能生成、維修資源優化配置和各維修要素的協同管理等。視情維修的發展,一方面可以最大限度發揮設備的使用壽命,另一方面能夠預防偶發故障,節約成本,提高效率。視情維修的模型有時間延遲模型、沖擊模型、比例危險模型和馬爾可夫決策模型等。時間延遲模型主要把設備的運行壽命劃分為故障產生時期和故障發生時期。沖擊模型主要是針對因偶發情況而導致的設備隨機損傷的狀態。比例危險模型是根據故障的嚴酷程度,產生的故障嚴酷度占比的模型。馬爾可夫決策模型是基于視情維修時間是離散的,狀態信息與剩余壽命的關系分布可以考慮馬爾可夫決策過程。智能推理與決策支持技術有專家系統、仿真技術、虛擬現實技術和分布式交互技術等[40]。

5 結束語

現有的PHM研究大都側重于單一失效模式下的評估和預測,忽略了復雜設備的失效多是由于多種失效模型綜合作用引起的情形。傳統機器學習模型的健康管理和故障預測技術,需要依靠大量信號處理技術與專家經驗手動提取出特征信息。大數據時代下,海量的復雜工程設備的監測數據無疑給這一工作帶來了挑戰?；谌斯ぶ悄芩惴ㄖ蔚腜HM成為主要發展方向。隨著超級計算機的研發和5G網絡快速發展,人工智能算法的不斷優化,在魯棒性、可解釋性、準確度和速度上大幅提升,能實現在龐大的數據庫中找到所需要的數據信息,讓PHM實現真正的智能化。