数字孪生支持下的设备故障预测与健康管理方法综述

阿明哥哥资料区 2024-04-27 发布于上海

展开全文

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：

这种方法主要依赖专家在长期实践中积累的经验和知识，来构建故障诊断和预测模型。
专家根据对设备的了解，设定一系列规则和阈值，以此来判断设备的状态和可能出现的问题。

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：

基于统计的方法：通过分析设备运行过程中的数据统计量，从数据中的变化提取特征进行预测。统计方法包括回归方法和比例风险模型方法等。
基于机器学习的方法：具备常规算法不具备的自学习和自适应能力，一般指神经网络法、支持向量机法和贝叶斯法等。

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：

利用设备、产品或系统的生命周期载荷和失效机理知识，以达到对目标对象故障预测和诊断的目的，且得出的结果相对更为精确。

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。

1、产品数字孪生：更注重把一个产品看作一个整体，从产品满足、维持、延长其设计性能的角度来考虑。
2、系统数字孪生：更多地从系统组成部分的协同运行、满足系统多个目标优化的角度来考虑。

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：

①建模软件的集成。ＣＡＤ／ＣＡＥ软件以及机理模型分析软件要进行有效的集成才能保证多领域、多物理场模型的融合。
②建模数据的集成。将各学科模型和数据统一集中管理是一个重要的研究方向。
③模型的有效管理。不同的模型需要有效地进行组织和管理，传统的ＰＬＭ软件是面向产品级的，不能满足系统级数字孪生的需求，而且对于数字孪生所涉及的“模型＋数据”特点针对性不足，需要进一步地完善。