|
编者按：随着工业技术以及新一代信息技术的迅速发展，石油、化工、电力、游乐、新能源汽车等各领域的装备日趋复杂，装备的集成化智能化程度不断提高。伴随着复杂装备的发展，其设计、制造、测试、运行维护等全寿命周期成本大幅度增加。 同时，装备的复杂性大大增加了故障性能退化以及功能失效发生的几率，因此，复杂装备的状态评估与预测逐渐成为研究的焦点，针对复杂装备运行的可靠性、经济性等问题，故障预测和健康管理( Prognostics and Health Management，PHM) 获得越来越多的关注，并逐渐发展为复杂装备自主式后勤保障的重要技术基础。 随着数字孪生技术的兴起，基于数字孪生技术的PHM是近年来装备领域研究和应用的热点。本文概括介绍了传统PHM技术，重点阐述了数字孪生驱动的PHM方法以及其涉及关键技术和有待进一步研究的内容。 装备故障预测与健康管理概述PHM主要包含故障预测和健康管理两方面的内容：故障预测是指根据系统当时或历史性能状态预测部件或系统完成其功能的状态(未来的健康状态)，包括确定部件或者系统的剩余寿命或正常工作的时间长度等；健康管理则是根据诊断预测信息、可用维修资源以及装备使用要求对维修活动做出适当决策的能力[1]。 典型的PHM流程包含数据采集、数据预处理、数据传输、特征提取、数据融合、状态监测、故障诊断、故障预测、保障决策等环节（图1）。采用传感器信息、专家知识及维修保障信息，借助各种智能算法与推理模型实现装备运行状态的监测、预测、判别以及管理，实现智能任务规划及基于装备状态的智能维护，以取代传统的基于事件的事后维修或基于事件的定期维修。 为实现这样的目的，PHM系统应具备故障检测、故障隔离、故障诊断、故障预测、健康管理和寿命追踪等功能并可针对复杂装备和系统，实现不同层次、不同级别的综合诊断、预测和健康管理。  图1 故障预测与健康管理流程 传统的PHM方法，主要可以分为基于模型驱动、基于数据驱动、基于数据模型混合驱动的PHM方法等三类[2]。 基于模型的PHM方法一般要求对象系统的数学模型是已知的，这类方法提供了一种掌握被预测组件或系统的故障模式过程的技术手段，在系统工作条件下通过对功能损伤的计算来评估关键零部件的损耗程度，并实现在有效寿命周期内评估部件使用中的故障累积效应，通过集成物理模型和随机过程建模，可以用来评估部件剩余寿命的分布状况，基于模型的故障预测技术具有能够深入对象系统本质的性质和实现实时故障预测的优点。 基于数据驱动的PHM方法是一种基于测试或者传感器数据进行预测的方法，主要针对无法从很多不同的信号引发的历史故障数据或者统计数据集确认预测模型的情况以及无法建立和获得复杂部件或者系统的数学模型的情况。典型的基于数据驱动的PHM方法有：人工神经网络、模糊系统和其他计算智能方法。 基于数据模型混合驱动的PHM方法主要分为四类：以测量数据为基础直接建立系统模型与健康状态之间的关系；省略模型驱动的分析建模过程，直接利用测试数据进行深度挖掘，识别系统机理模型，再利用模型进行分析预测管理；利用数据驱动的方法对模型驱动下的测试数据进行分析预测，克服长期预测时测试数据不可用的问题；分别利用数据驱动方法和模型驱动方法进行预测，最后进行融合分析。这四种方法还是要求了解一定的内部机理信息，根据具体情况构建合适的模型。 上述方法存在着对专家系统规则库的依赖、需要对所有系统特征的有效表示、需要大量历史数据、对静态数学模型优化较为困难等局限性。数字孪生技术的出现为解决上述问题提供了新的方法。 根据图1所示，PHM必须有海量数据分析和健康判断。数据是基础，而有了数据如何分析也是一个大问题。要实现PHM，除了物理基础条件保障外，既需要大数据分析技术，又需要非常密集的行业知识、经验和模型做为支撑。 数字孪生技术通过对物理实体建立高保真模型，并对运行系统进行实时的数据采集与分析，采用模型与数据相融合的智能化方法，将物理实体的性能、状态、预测趋势、故障诊断等实时反映在数字化模型中，为全生命周期各环节的需求提供相应的服务，与装备PHM的需求不谋而合。 数字孪生驱动的PHM数字孪生驱动的PHM由孪生数据驱动，基于物理装备和虚拟装备的同步映射和实时交互以及精确的PHM 服务从而形成了新的装备运行状况管理模型，可以快速捕获故障现象并准确定位故障原因，合理设计和验证维护策略。 虚拟装备与由孪生数据驱动的物理装备同步运行，并生成诸如装备评估、故障预测和维护验证之类的数据，结合数据智能化方法弥补机理模型构建过程的不足，并且通过机理来指导数据的采集和分析，形成规则模型辅助建模。数字孪生驱动的PHM，基于物理和数据空间的融合，利用物理系统运行过程数据不断更新信息模型的运行状态，实现对装备健康状态、剩余使用寿命以及整体功能的预测评估[3]。 关键技术 1.高保真建模技术 装备的高保真建模是数字孪生技术得以应用的关键，主要包括概念模型及模型实现方法两部分内容。 其中，概念模型从宏观角度描述数字孪生系统的架构，具有一定的普适性，包括自动模型生成和在线仿真的数字孪生建模方法、基于模型融合的数字孪生建模方法以及由物理实体、虚拟实体、连接、孪生数据、服务组成的数字孪生五维模型建模方法等。模型实现方法研究主要涉及建模语言和模型开发工具等，关注如何从技术上实现数字孪生模型。 在模型实现方法上，相关技术方法和工具呈多元化发展趋势。当前，数字孪生建模语言主要有AutomationML、UML、SysML及XML 等。一些模型采用通用建模工具如CAD 等开发，更多模型的开发是基于专用建模工具如FlexSim 和Qfsm 等[4]。此外，为保证模型的有效性和高效性，数字孪生模型需要保证静态参数、动态参数、参数关联关系的精准性以及与物理实体共生程度，模型不应过于复杂，在保证应用功能需求的前提下尽量做到轻量高效[5]。 2.传感与物联技术 物联网（InternetofThings，简称IoT）是指通过信息传感设备，按照约定的协议，把任何物品与互联网连接起来，进行信息交换和通信，以实现智能化识别、定位、跟踪、监控和管理的一种网络。 通过物联网技术可实现虚拟装备与物理装备场景间联通与交互，通过各类传感器、监测手段、定位系统等装置与技术获取物理装备实体实时状态，依托光线、5G 等传输技术反馈至数据模型与机理模型完成建模分析工作，并将分析决策的结果反馈至装备实体实现故障预测与健康管理。 3.高效融合分析技术 装备数字孪生数据往往具有规模海量、多源异构、多时空尺度、多维度等特征，具备大数据特征。需要依赖于多源异构数据的数据-数据、数据-特征的数据融合技术，提高数据及决策的全面性和可靠性。 装备故障预测健康管理方面，需要采用如专家系统、深度学习、SVM等模式识别方法，建立虚实数据印证驱动的故障识别方法，降低传统识别方法对实测数据规模的依赖性。利用积累的数据资源构建健康评估以及决策模型，实现装备的健康管理。 总 结相比于传统的PHM，数字孪生驱动的PHM具有直观性强、可信度高以及自主性强等特征。但数字孪生作为一项新兴技术，在装备PHM应用方面还需深入研究，比如故障预测方面，需要深入研究确定故障特征，实现虚实交互，并精确提取。健康管理方面，需要进一步研究故障机理以及相对应的健康管理方式，构建完整的知识库，实现PHM服务的自组织、自学习、自优化机制。 参考文献： [1]故障预测与健康管理PHM. https://www.sohu.com/a/259542324_615868 [2]杨泽.基于状态估计与融合预测的PHM方法研究[D].哈尔滨工业大学,2020. [3]陶飞, 刘蔚然, 刘检华, et al. 数字孪生及其应用探索[J]. 计算机集成制造系统, 2018, 24(1):18. [4]中国电子技术标准化研究院.数字孪生应用白皮书(2020版)[R]. [5]张辰源,陶飞.数字孪生模型评价指标体系[J].计算机集成制造系统,2021,27(08):2171-2186. |
|
|
