抽水蓄能机组PHM 技术探讨

李小兵

（东方电气集团东方电机有限公司，四川德阳 618000）

0.引言

抽水蓄能机组区别于常规水轮机的重要特点是运行水头高，其工况更加复杂且转换频繁，各运行工况的切换过程中常伴随水力的大范围波动，对引水管道、机组等设备的安全稳定运行产生重要威胁，甚至会影响到电网的稳定性。所以对其安全性和可靠性提出了越来越高的要求，并且其维护和保障成本也日益提高，同时由于系统本身复杂时变性、恶劣运行环境和外部等诸多因素影响，出现故障的概率也呈增加趋势。一旦发生事故，便会造成巨大的人员伤亡、财产和经济损失，因此对抽水蓄能机组的安全性和可靠性提出了更高的要求。

以往水电机组的设备维护主要是“故障维护”到“计划维护”，“故障维护”是机组某些部件出现事故之后进行的补救性维护，“定期维护”由于技术成熟度和系统复杂的原因，目前抽水蓄能机组往往重点监测一些关键参数，例如振动摆度、压力，温度和电压电流等参数，人工判断其健康和故障状态，并结合经验，进行定期维护维修。

在其他工业领域中，如航空发动机、舰船系统、民用车辆、车间设备等最新提出了设备故障预测与健康管理（Prognostics Health Management, PHM）的概念，PHM 实现了从当前的“定期维护”到智能系统中“基于状态的维护”的重大转变。抽水蓄能机组应该借鉴和消化相关技术，实现故障诊断、寿命预测和健康管理的技术升级。

1. PHM 的概念和内容

设备故障预测与健康管理（PHM）是为了满足自主保障、自主诊断的要求提出来的，是“基于状态的维护”的升级发展[1]。它强调设备管理中的状态感知，监控设备健康状况、故障频发区域与周期，通过数据监控与分析，预测故障的发生，从而大幅度提高运维效率。

PHM 主要可以划分为故障预测和健康管理2 个部分。一般而言，宽泛的设备PHM 研究可以包含从数据采集到决策支持的全部过程，是一项全面的、成体系的研究课题[2]。

具体步骤和内容如下所示（图1）：

图1 常见的PHM实施流程

（1）数据采集和传输：采集用于故障预测与健康管理的设备信号。

（2）数据处理：将数据处理成后继状态监测、健康评估和故障预测等部分处理要求的格式。

（3）状态监测：该部分接受来自传感器、数据处理的数据，然后将数据与预定的失效判据等进行比较来监测系统当前状态，并根据预定各种参数指标阈值进行故障报警。

（4）健康评估：进行系统的健康状态评估，形成故障诊断结果或故障发生的可能性。

（5）故障预测：该部分综合利用前述各部分数据信息，对被监测系统进行预测其剩余寿命，未来的健康状态等。

（6）自动推理决策：该部分接受来自状态监测、健康评估和故障预测部分的数据，通过推理决策产生更换、维修等活动的建议与措施。

（7）外部接口：人机接口与机机接口，实现信息传递。

2. PHM 状态监测和故障诊断技术

状态监测是实现PHM 技术的基础[3]，其目的是通过对一个或多个监测变量的实时监测来判断系统当前的运行状态，同时为后续的故障诊断和故障预测提供系统运行状态的基础性数据和信息，状态监测方法分为不同的信号来源，例如振动信号、噪声信号，压力信号，油压信号，温度信号，电压电流信号等，从监测方法来看，主要有趋势分析、聚类分析、正常行为建模等方法。

故障预测是 PHM 的核心，其基本原理就是分析和构建故障规律模型，通过状态检测提前发现可能的故障。按照技术路线，故障预测技术可分为3 大类：基于经验模型的故障诊断方法、基于信号分析的故障诊断方法和基于人工智能的故障诊断方法。

3. PHM 技术在水电行业策划应用案例

抽水蓄能机组中水泵水轮机主轴每天都要经历多次启停和正反转，以及承受紧急停机或者甩负荷等异常工况，需要重视结构的安全性，本文以水泵水轮机主轴为例，尝试建立一个预测性维护系统，进行应用性的探索，如图2 所示。

图2 主轴退化模型

方案搭建过程中有几个关键点：（1）主轴状态监测。首先需要对主轴的异常值监测，过对力，振动，热等直观数据进行实时监测，通过历史数据统计设置阈值，一旦发现异常就进行报警；其次需要对主轴的异常事件进行监测和记录。（2）健康评估。健康评估包括综合评价与智能检测，综合评价需要主轴全生命周期数据支持，基于专家经验、测量手段等构建健康指标，通过对健康指标的归一化和加权综合，得到主轴健康评价结果，再通过综合评价建立起不同健康状态与系统响应数据的对应关系，为实时智能检测提供案例数据。智能检测通过例如深度学习网络、智能参数优化和迁移学习等混合建模，能够基于实时数据，快速检测主轴当前所处的健康状态，智能化程度高，检测过程中不依赖专家经验。（3）退化趋势预测，分为4个步骤：1）通过健康评估得到主轴所处的健康等级。2）通过试验和现场数据积累的方式，获得主轴退化模板。3）通过历史退化速度和模板比较联合计算，得到退化至下一等级的大致时间区间。4）有多个退化模板时，将待测主轴与多个模板进行相似度比较，选择相似度最高的模板。（4）健康管理，对功能和数据进行集中管理，利用大数据统计分析方法生成维护决策，实现数据可视化、功能集成化，构建主轴健康保障/管理系统，实现主轴的预测性维护。

最终，通过大数据平台将数据传输给信息存储模块，先验知识模块和算法支持模块，再通过混合建模技术，将分析结果导入主轴服务集合中，这包括健康评估，趋势预测，统计分析，可视化交互，远程监控。故障诊断，寿命预测和预测性维护，最后再将服务集合App 的形式推送给相关人员，实现整个PHM 系统的集成。

4. PHM 技术发展趋势

国际上IEEE 正在制定PHM 相关标准，普及该项技术的应用，国内对PHM 的应用也方兴未艾，与人工智能、大数据分析等技术深度融合，在不同应用背景下实现项目落地。

抽水蓄能机组运行工况复杂，传感器采集的信号往往呈现非平稳、非线性、强噪声、高相关等特点，如何针对这些特点开展针对性更强的PHM 技术研究，仍然是该领域内重要的学术命题。

此外，PHM 的网络化检测、传输和应用，将现有主要的离线分析方法变为在线分析方法，融合多个信号，多种故障诊断和预测方法，多决策策略的信息技术以及和数字孪生技术的深度融合都是PHM 技术发展的趋势。

5.结论

结合抽水蓄能机组的现状需求，本文对PHM 技术内容和关键点进行了介绍，并尝试性的将该概念引入主轴的预测性维护系统。希望通过本文的介绍和尝试起到抛砖引玉的作用，使PHM 技术尽快在水电行业内进行探索，落地和普及，提升水电产品的维护维修水平，提升产品的技术含量，加快产业进步，以迎接数字产品时代的到来。