趙海朋

（賽迪顧問股份有限公司，北京 100048）

在我國工業(yè)互聯(lián)網(wǎng)的持續(xù)發(fā)展背景下，各大工業(yè)企業(yè)針對各自領(lǐng)域提出了“智能運(yùn)維”策略。高端裝備產(chǎn)業(yè)被視為國家戰(zhàn)略性產(chǎn)業(yè)和工業(yè)崛起的標(biāo)志，對國家工業(yè)發(fā)展具有關(guān)鍵作用。例如船舶動力、高端數(shù)控機(jī)床和工業(yè)機(jī)器人，均配備了預(yù)測、感知、分析、推理、決策和控制等先進(jìn)功能。這些產(chǎn)業(yè)的智能化轉(zhuǎn)型對智能運(yùn)維服務(wù)技術(shù)有高度依賴，尤其需要進(jìn)行復(fù)雜的機(jī)械裝備故障智能診斷，以實(shí)時發(fā)現(xiàn)故障、防止其惡化，并提供維修決策支持，從而顯著提高設(shè)備的安全性和可靠性[1-3]。為了解決因高端裝備復(fù)雜度而帶來的物理模型建模難題，滿足高端裝備運(yùn)維任務(wù)的智能化和網(wǎng)絡(luò)化需求，本文從數(shù)據(jù)挖掘的角度出發(fā)，利用MATLAB 和Python較強(qiáng)的數(shù)據(jù)處理能力，將現(xiàn)代信號處理方法與人工智能相關(guān)技術(shù)相結(jié)合，重點(diǎn)進(jìn)行了高端裝備智能運(yùn)維PHM 軟件系統(tǒng)的開發(fā)。以船舶發(fā)動機(jī)為例，筆者驗(yàn)證了該系統(tǒng)在變工況條件下對健康狀態(tài)監(jiān)測故障診斷的性能。

1 智能運(yùn)維PHM 系統(tǒng)設(shè)計(jì)與關(guān)鍵技術(shù)

1.1 智能運(yùn)維PHM 系統(tǒng)功能模式

1.1.1 狀態(tài)監(jiān)測

利用無鍵相傳感器技術(shù)、現(xiàn)代信號處理算法，有效監(jiān)測高端裝備的關(guān)鍵熱工參數(shù)（例如溫度、壓力、扭矩、功率、能量損耗）和振動信號、油液磨粒、瞬時轉(zhuǎn)速，實(shí)現(xiàn)信號采集、數(shù)據(jù)預(yù)處理和特征提取[4-6]。

1.1.2 故障診斷

本文針對變工況條件下傳統(tǒng)模型難以進(jìn)行故障診斷的問題，提出了一種新型的深度卷積神經(jīng)網(wǎng)絡(luò)模型，稱為多分支注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)（Multi-Branch Attention Mechanism Convolution Neural Network，MBAM-CNN）。該模型基于卷積神經(jīng)網(wǎng)絡(luò)，仿照人類視覺注意力選擇機(jī)制（Attention Mechanism，AM），通過采集信號和提取的故障特征進(jìn)行離線或在線診斷，以確定故障診斷類型。

1.1.3 健康評估

為了準(zhǔn)確評估和描述系統(tǒng)的健康狀態(tài)，筆者將評估結(jié)果與健康等級描述相關(guān)聯(lián)。將健康狀態(tài)等級劃分為健康、良好、注意、劣化和危險5 個等級。

1.1.4 故障預(yù)測

故障預(yù)測模塊根據(jù)裝備的當(dāng)前使用狀態(tài)，結(jié)合裝備的結(jié)構(gòu)特性、歷史故障記錄以及狀態(tài)特征的監(jiān)測數(shù)據(jù)，同時考慮特征趨勢變化和未來工作環(huán)境條件來確定和預(yù)測故障的類型、發(fā)展趨勢和可能帶來的后果，為維修決策模塊提供信息支持。

1.2 智能運(yùn)維PHM 系統(tǒng)軟件架構(gòu)介紹

智能運(yùn)維PHM 系統(tǒng)軟件流程如下：首先，通過在高端裝備的各子系統(tǒng)部件上安裝各類傳感器，構(gòu)建高端裝備狀態(tài)感知系統(tǒng)。該系統(tǒng)能夠獲取各類狀態(tài)參數(shù)并計(jì)算狀態(tài)指標(biāo)特征，對各子系統(tǒng)進(jìn)行實(shí)時在線狀態(tài)監(jiān)測，及時發(fā)現(xiàn)故障并完成報(bào)警任務(wù)。其次，針對狀態(tài)監(jiān)測過程中出現(xiàn)的故障報(bào)警狀態(tài)，借助故障特征提取和診斷技術(shù)，對各子系統(tǒng)進(jìn)行故障診斷并得出相應(yīng)結(jié)論。再次，綜合考慮狀態(tài)監(jiān)測指標(biāo)信息、故障診斷結(jié)論以及相關(guān)機(jī)組評價信息，利用健康評估模型對各子系統(tǒng)健康狀態(tài)等級進(jìn)行評估。對健康評估狀態(tài)等級較低但尚未出現(xiàn)故障的情況，利用故障征兆趨勢變化規(guī)律和故障預(yù)測模型，預(yù)測各子系統(tǒng)未來一段時間的故障發(fā)生概率及故障類型。最后，綜合各子系統(tǒng)的故障診斷、健康評估和故障預(yù)測相關(guān)的重要信息，為高端裝備制定維修決策。

1.3 智能運(yùn)維PHM 系統(tǒng)關(guān)鍵技術(shù)實(shí)現(xiàn)

1.3.1 無鍵相觸發(fā)條件的整周期信號預(yù)處理方法

整周期信號的獲取是狀態(tài)監(jiān)測中的關(guān)鍵環(huán)節(jié)，對這類信號進(jìn)行頻譜分析能避免頻譜能量泄露，為評估復(fù)雜機(jī)械運(yùn)行狀態(tài)提供更完整的數(shù)據(jù)特征指標(biāo)[7-8]。在研究柴油機(jī)缸蓋振動信號特性的過程中，發(fā)現(xiàn)不同振動沖擊之間的位置關(guān)系實(shí)際上屬于整周期信息，鑒于傳統(tǒng)方法主要依賴鍵相作為參考進(jìn)行整周期信號的獲取，存在明顯的局限性，本文提出一種無鍵相的振動信號預(yù)處理方法，目的是更準(zhǔn)確地獲取整周期信號。為達(dá)到這一目的，筆者首先設(shè)計(jì)了1 個自適應(yīng)窗口模型，該模型通過計(jì)算各窗口框選的序列信號的相關(guān)系數(shù)來確定最佳窗口，當(dāng)相關(guān)系數(shù)達(dá)到最大值時，該窗口即為最佳窗口。如公式（1）所示。

式中：rim為第i個窗口在第m個與m-1 個信號序列的相關(guān)系數(shù)；xN-m為長度為N的窗口截取的第m個信號。

1.3.2 基于多分支注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)的變工況故障診斷

在變工況條件下，傳統(tǒng)深度學(xué)習(xí)模型在進(jìn)行故障診斷的過程中往往會遇到困難，為了解決這一難題，筆者借鑒了人類視覺注意力選擇機(jī)制（Attention Mechanism，AM），并在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，提出了一種新型的深度卷積神經(jīng)網(wǎng)絡(luò)模型，名為“多分支注意力機(jī)制卷積神經(jīng)網(wǎng)絡(luò)”（Multi-Branch Attention Mechanism Convolution Neural Network，MBAM-CNN）。

該模型的特點(diǎn)在于其注意力機(jī)制，該機(jī)制可以根據(jù)預(yù)先設(shè)計(jì)的函數(shù)來計(jì)算輸入信號或特征對目標(biāo)任務(wù)的重要程度系數(shù)。當(dāng)某個特征的重要程度系數(shù)較大時，它會被分配更多的注意力，進(jìn)而通過調(diào)整權(quán)重來體現(xiàn)這種注意力的差異。設(shè)輸入為H=[h1，h2，…，hm]，i=1，2，…，m，注意力機(jī)制不是某個具體運(yùn)算，可以為加性運(yùn)算或點(diǎn)積，也可以設(shè)計(jì)特定模型，以泛指注意力機(jī)制函數(shù)。通過Softmax激活函數(shù)得到歸一化的注意力系數(shù)，如公式（2）所示。

式中：αi為注意力系數(shù)；fAAT（·）為注意力機(jī)制函數(shù)；hi為輸入信號。

根據(jù)注意力系數(shù)和輸入信號得到一種重新分配后的信號，將其稱為“增強(qiáng)表示z”，其在后續(xù)的網(wǎng)絡(luò)運(yùn)算中起到關(guān)鍵作用。增強(qiáng)表示z具有2 種不同的表現(xiàn)形式，如公式（3）～公式（4）所示。

式中：Z1為軟注意力；n為信號的長度；i為每個信號中的第i數(shù)據(jù)。

式中：Z2為硬注意力；St，j為該位置的信號被選中。

1.3.3 基于威布爾比例風(fēng)險模型的健康評估方法

為了準(zhǔn)確有效地建立高端裝備的狀態(tài)模型，本文充分利用了歷史數(shù)據(jù)，采用了柴油機(jī)的基礎(chǔ)故障率數(shù)據(jù)，并結(jié)合信號退化特征及維修次數(shù)，來描述其性能退化過程。在此基礎(chǔ)上，提出了基于威布爾比例風(fēng)險模型的實(shí)時故障率模型，用于柴油機(jī)的狀態(tài)監(jiān)測和預(yù)測。如公式（5）所示。

式中：h為t時刻故障率的指數(shù)函數(shù)；t為測量時間；Zt為m個隨時間變化的退化特征，Zt=（zt1，zt2，…，ztm）T；h0（t）為時刻t的故障率基礎(chǔ)函數(shù)；φ（γZt）為關(guān)于退化特征的協(xié)變量函數(shù)，可以描述柴油機(jī)的性能退化過程；γ=（γ1，γ2，…，γm）為退化特征對應(yīng)的協(xié)變量系數(shù)；β為形狀參數(shù)；η為尺寸參數(shù)；當(dāng)β＞1 時，故障率會隨時間逐漸遞增。

協(xié)變量函數(shù)通常采用指數(shù)函數(shù)形式。因此，威布爾比例風(fēng)險模型如公式（6）所示。

根據(jù)威布爾比例風(fēng)險模型，能夠計(jì)算基于當(dāng)前監(jiān)測信號的柴油機(jī)故障率，為柴油機(jī)維修決策提供了參考。此外，還可以利用該模型來計(jì)算柴油機(jī)在任意時刻t的可靠度，具體的計(jì)算方法如公式（7）所示。

式中：R為t時刻的可靠度；u為t時刻的監(jiān)測信號。

為了提高對柴油機(jī)性能退化的描述的準(zhǔn)確性，本文采用了協(xié)變量參數(shù)形式對監(jiān)測信號退化特征、維修次數(shù)和負(fù)荷進(jìn)行信息處理。基于這些信息，建立了威布爾比例風(fēng)險模型。通過該模型，能夠綜合柴油機(jī)的各方面狀態(tài)信息，從而準(zhǔn)確掌握其當(dāng)前的健康狀態(tài)。

2 PHM 系統(tǒng)應(yīng)用驗(yàn)證

基于前文提出的智能運(yùn)維PHM 系統(tǒng)框架和關(guān)鍵技術(shù)，以某型號船舶發(fā)動機(jī)為例，進(jìn)行系統(tǒng)和相關(guān)技術(shù)的初步驗(yàn)證。目的是確認(rèn)該系統(tǒng)在發(fā)動機(jī)工況識別、氣門間隙故障診斷以及健康狀態(tài)評估等方面的有效性。具體來說，本文將通過特征可視化方法，對發(fā)動機(jī)的工況識別進(jìn)行驗(yàn)證。其中，對潛艇、船用等發(fā)動機(jī)，保持長時間內(nèi)轉(zhuǎn)速和負(fù)載的穩(wěn)定不變是至關(guān)重要的。因此，工況（包括轉(zhuǎn)速和扭矩）成為運(yùn)行狀態(tài)中常用且關(guān)鍵的性能參數(shù)，見表1。

表1 工況詳細(xì)信息列表

對發(fā)動機(jī)氣門間隙故障診斷的驗(yàn)證，筆者共考慮了12 種氣門間隙故障。氣門間隙狀態(tài)與對應(yīng)的故障模擬位置包括正常狀態(tài)NVC（B1-B6）、進(jìn)氣門小間隙故障SIF（B4）、進(jìn)氣門大間隙故障LIF（B1）、排氣門小間隙故障SEF（B5）、排氣門大間隙故障LEF（B2）、進(jìn)排氣門小間隙復(fù)合故障SIEF（B6）和進(jìn)排氣門大間隙復(fù)合故障LIEF（B3）。本文提出的PHM 系統(tǒng)模型在各類故障狀態(tài)的診斷性能上均表現(xiàn)出明顯的優(yōu)勢，特別是在小間隙故障及復(fù)合故障診斷中，其優(yōu)勢尤為突出，見表2。

表2 氣門間隙狀態(tài)詳細(xì)信息列表

對發(fā)動機(jī)健康狀態(tài)評估的驗(yàn)證，筆者在保證進(jìn)氣門不變的情況下，調(diào)大了排氣門間隙，并選擇B2 和B5 氣缸進(jìn)行退化特征對比分析。從圖1 中可以看出，隨著氣門機(jī)構(gòu)從一個階段退化到下一個階段，退化特征值呈現(xiàn)出明顯的差異，表現(xiàn)為遞增趨勢。這一結(jié)果有效地驗(yàn)證了退化特征的有效性，見表3。

圖1 不同氣缸在不同性能退化階段的特征趨勢

表3 氣門機(jī)構(gòu)性能退化過程對應(yīng)的間隙大小

3 結(jié)論

當(dāng)前，將智能運(yùn)維PHM 系統(tǒng)大規(guī)模投入高端裝備制造業(yè)中仍存在很多問題，例如在傳感器安裝位置、采集數(shù)據(jù)質(zhì)量、機(jī)理與數(shù)據(jù)驅(qū)動結(jié)合以及人機(jī)交互功能等方面，與國外先進(jìn)系統(tǒng)產(chǎn)品存在差距。本文以振動監(jiān)測數(shù)據(jù)為基礎(chǔ)，結(jié)合現(xiàn)代信號處理方法與人工智能技術(shù)，重點(diǎn)解決柴油機(jī)狀態(tài)監(jiān)測與故障診斷現(xiàn)存的問題，提出了一種基于深度學(xué)習(xí)的高端裝備智能運(yùn)維PHM 系統(tǒng)框架，用于高端裝備的信號采集、故障診斷和健康狀態(tài)評估。驗(yàn)證結(jié)果表明，該模型能夠高效完成故障診斷和健康狀態(tài)評估輸出，有效提升智能運(yùn)維PHM 系統(tǒng)的數(shù)據(jù)處理能力和運(yùn)維結(jié)果的可靠性，具有實(shí)用性。但高端裝備智能運(yùn)維涉及多個環(huán)節(jié)，亟需工業(yè)互聯(lián)網(wǎng)平臺的支持，以實(shí)現(xiàn)工業(yè)設(shè)備的全覆蓋、動態(tài)、連續(xù)監(jiān)控，并對監(jiān)測數(shù)據(jù)進(jìn)行診斷分析和維修決策。