摘要故障预测与健康管理(PHM)是设备运行维护管理的有效方法,在多行业得到推广和普及。 传统PHM方法有基于经验模型的方法、基于数据驱动的方法和基于物理模型的方法。但这些方法存在着不少的局限性。 随着数字孪生技术的兴起,其模型和数据相融合的问题处理方法,可有效地解决传统PHM方法的不足,是PHM 技术发展的一个方向。 《数字孪生支持下的设备故障预测与健康管理方法综述》在①对PHM相关技术和方法进行了研究之后,②综述了数字孪生技术及其在PHM中的应用方法,并③对应用中的关键问题进行了总结和分析,④指出数字孪生支持下的PHM方法未来发展方向。 引言设备运行维护管理是重要研究领域和热点。维护手段可分为事后维护、定期维护和视情维护。 ①事后维修:设备发生故障后再进行维修; ②定期维护:按照固定时间间隔进行维护; ③视情维护:根据设备状态监测情况来决定是否维护。 PMH(视情维护方法之一):故障预测与健康管理(PMH)在20世纪90年代被提出。 提出该理论的目的是有效预测设备的故障将会何时发生,使工程师可以通过预测结果对设备视情决定恰当的维护时机,从而最大限度地增加设备的使用寿命。 PHM所展现出的视情维护可以避免不必要的停机时间、提高设备安全性。因此,PHM在设备运行维护管理中得到了广泛应用。但传统 PHM方法存在依赖专家系统、需大量历史数据、对静态数学模型优化较为困难等问题。 数字孪生支持下的PHM方法:数字孪生技术为解决这些问题提供新途径,因此,越来越多的学者开始研究数字孪生支持下的PHM方法。 本文对结合数字孪生技术的PHM实现进行综述:首先,对传统PHM方法作出总结,并指出传统PHM方法中的一些局限性; 然后,介绍数字孪生的基本概念,对数字孪生目前在PHM中的应用进行总结与分析; 最后,对数字孪生支持下的PHM技术实施过程需要解决的问题进行总结与分析。 传统 PHM 技术和框架的详细概述传统实现 PHM 的方法可分为基于经验模型的方法、基于数据驱动的方法和基于物理模型的方法: (1)基于经验模型的方法:
问题:基于经验模型的方法虽然可以模拟人类专家解决部分问题,但仍过度依赖领域内专家系统规则和系统 特征模糊集的表达能力。 (2)基于数据驱动的方法:目前常用的数据驱动方法有基于统计方法和基于机器学习方法:
问题:基于数据驱动的方法需要大量的历史数据,但实际工程中对于完整的设备退化数据采集难度较大、周期较长,限制了应用的范围。 (3)基于物理模型的方法:
问题:基于物理模型的方法对设备的建模要求较高。多数情况下,基于设备机理所构建的数学模型是静态模型。静态模型中的参数固定不变,在变更预测目标之后难以用原先的数学模型进行有效预测,因此普适性较差。 传统PHM方法及其特点对比如表1所示: 综上所述,传统PHM方法在理论与实际应用中都已经得到了较大的成功,但这些方法仍然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。 数字孪生技术及其在 PHM 中的应用2.1 数字孪生发展背景及应用介绍了数字孪生理论来源追溯和概念的形成过程。 当前,数字孪生强调在数字空间对物理系统建立特征、行为、过程和性能相对应的实时映射模型。 从孪生对象的组成来看,目前数字孪生的应用可以大致分为产品数字孪生和系统数字孪生。
2.2 数字孪生在 PHM 中的应用:数字孪生的定义为:以模型和数据为基础,通过多学科耦合仿真等方法,完成现实世界中的物理实体和虚拟世界中的镜像数字化模型的精准映射,并充分利用二者的双向交互反馈、迭代运行,以达到物理实体状态在数字空间的同步呈现,通过镜像化数字化模型的诊断、分析和预测,进而优化实体对象在其全生命周期中的决策、控制行为,最终实现实体与数字模型的共享智慧与协同发展。 数字孪生应用于PHM的优势:基于数字孪生系统可对物理实体建立高保真模型,并对实时的运行系统进行数据采集与分析,以及采用模型与数 据相融合的智能化方法,因此可以将此技术应用于PHM 领域以形成新的技术方法。 数字孪生支持下的PHM对设备检测点的各类传感器所采集到的数据进行实时感知,并通过嵌入式系统和通信网络输入到虚拟模型。在虚拟模型中通过对实时数据和历史数据进行算法分析,可得到设备会发生故障的零部件或子系统,并预测其会发生故障的时间。工程师可根据输出的结果在虚拟模型中进行维护,监控维护后输出的结果。若故障问题没得到解决,则将仿真结果反馈给故 障类型知识库重新进行分析,以找到故障发生的根本 原因。在故障解决后,再对物理实体进行预防性维护,实现故障预测与健康管理。 基于数字孪生的设备预防性维护框架如图1所示: 与传统PHM技术框架中的对象层、数据层、信息层和决策层相比,数字孪生支持下的PHM在模型、数据以及模型与数据融合上进行完善,由数字模型、数据分析和知识库构建数字孪生模型,通过模型和数据双驱动,实现对设备的全生命周期管理,完成寿命预测。 数字孪生支持下的PHM可以实现物理实体与数字孪生模型间的实时交互,确保数字模型的高仿真性。 此外,数字孪生支持下的PHM可以生成虚拟数据集,对于包含部分失效数据的数据集也有较强的处理能力。 数字孪生支持下的PHM可充分利用所构建的系统模型,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。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,并利用信息空间数字模型的运行结果对维护方案进行仿真和比较,得到优化结果后再指导物理系统的运维。 利用数字孪生,可以有效解决传统PHM方法的一些问题,是一个值得研究的方向。 基于数字孪生的PHM 应用发展方向基于数字孪生技术的PHM应用仍需要学者们进一步深入研究。 主要问题如下:模型集成与管理问题:
数据采集与传输问题:
数据治理问题:对于复杂产品构建数字孪生模型必将产生大量的数据(包括数字孪生模型运行、 仿真、预测得到的数据和数字孪生之间通信交流产生的数据),结合机器学习方法对庞大的数据量进行 分析和处理,以获得有效的知识信息。构建完整的知识库也需要学者进行深入研究。 构建数字孪生生态问题:未来应在不同孪生系统间的统一数据传输和交换协议、模型自适应和整个孪生生态的进化等方面作更多研究。 结论PHM利用对设备的视情维护,提高了设备运行维护管理的有效性和智能化,能降低维护成本、提升设备的运行价值。 传统PHM方法在模型构建、数据分析和利用等方面存在不足。利用数字孪生双向映射、动态交互、实时连接和迭代优化的特点,可以充分发挥模型和数据的各自作用并进行融合: 数据代表了物理实体,是从物理实体运行过程采集而来,代表实际;模型代表虚拟,是从数字模型分析、仿真而来。虚实融合就是模型和数据的融合。预测是数字孪生的核心价值,也是有效实现设备PHM的关键。 |
|
来自: 阿明哥哥资料区 > 《40.工业设备运维.服务》