企业离散式智能设备预测性维护综述

李福兴，李璐爔，彭 友

(1.东南大学 教育技术中心，江苏 南京 210036；2.江苏经贸职业技术学院 贸易与物流学院，江苏 南京 211168)

智能设备是传统电气设备与计算机技术、控制理论、数据处理技术、传感器技术、网络通信技术、电力电子技术等相结合的产物，其结构复杂、自动化程度高，具备智能感知、自我检测与诊断、健康维护等功能[1]。很多大型企业拥有大量智能化设备和系统，例如风电场有成千上万套风电机组分布在野外恶劣环境中，目前其智能化程度不高，无法预测设备失效产生的后果，预测性维护还处于早期开发阶段[2]。企业智能设备数量庞大，系统维护量巨大，检修人员多[3]。日常检修仅凭经验判断，难度大、效率低，亟需实现对智能设备故障类型、故障点、处理方法的自动诊断[4]。基于以上需求，笔者提出智能设备预测性维护[5-7]理念。预测性维护技术由来已久，国内外一些学者对数据驱动、故障检测、诊断与预测、机器学习、预测模型和框架[8-9]等方面进行了研究，还有一些学者研究了国外故障预测与健康管理软件、系统建模、模型评价方法、标准体系、故障诊断方法[10-11]等。这些研究大多局限于单台设备和系统，借助于互联网、物联网、大数据技术、云计算技术展开企业级智能设备预测性维护方面的研究较少。为此，笔者从边云协同计算模式出发，分析研究企业大量分散的智能设备和系统的预测性维护框架和模式，认为可充分利用边缘计算广泛的连接性等实现实时采集异种智能设备工况数据等；利用云计算高效处理大数据的能力对企业离散式智能设备运行的历史数据进行分析、设计，形成对各类设备或系统有针对性的诊断模型，从而可综合分析和识别故障隐患，并完成设备健康度检查等，最后将预测模式和算法下沉至智能边缘终端，预先判定设备发展趋势和可能的故障，提前制定预测性维护计划。同时，利用云计算技术可针对企业中不同种类设备应用不同预测模式，避免用一个模式预测所有设备的问题，为企业智能设备的维护工作提供了有益的借鉴。

1 设备预测性维护基本概念

预测性维护是利用现场连续收集的测量数据和相应的评估数据进行的基于需求导向的维护操作,可记录机器、系统和设备的振动或变化噪音，而这些可能在实际损坏发生前的很长一段时间内就已给出机器运行存在问题的提示[12]。设备预测性维护包含设备故障预测与诊断和设备健康管理这两个方面。故障预测与诊断是指根据设备历史数据、设备或系统现在工况预测性地诊断部件或者设备功能状态。健康管理是根据设备诊断、预测数据，基于维修资源、使用要求等对设备维修工作做出适当安排的能力，它通常具备故障的检测、隔离、诊断、预测、健康管理和寿命追踪等功能。智能设备预测性维护是指通过传感器获取设备或系统各关键部件的在线监测数据，结合自检数据、历史数据分析处理后得出故障预测与诊断结果，同时给出剩余使用寿命、故障发生概率、性能老化程度等。

2 智能设备预测性维护框架

参考边缘计算[13]联盟提出的边缘计算参考架构3.0，笔者以风力发电企业为例构建边云协同企业级智能设备预测性维护框架，如图1所示，其主要包括云计算层、边缘计算层和现场设备层三层。其中，边缘计算层在云计算层与现场设备层之间，向下支持各种现场设备的接入，向上可以与云计算层衔接。

图1 企业级智能设备预测性维护框架

2.1 预测性维护框架的现场设备层

现场设备层是企业中分散的各类智能设备的集合。例如，风电机组的现场设备有智能控制柜、网络设备、传动系统、发电机、叶片和变桨系统等设备[14]。这些设备中如果缺少实时运行工况数据的输出接口，可在这些设备需要预测的位置上安装相应的传感器来实时采集数据。例如，如果有条件连接到设备或机器，就可以通过安装冲击和振动传感器、加速度传感器检测结构噪声；如果安装传感器敷设线路不方便，还可安装无线传感器，组成无线传感网，实时采集和传输数据至智能边缘设备中，由于实行了就近计算的原则，无线传感数据实现了近距离传输，提高了传输质量。目前有些风电机组带有监控和数据采集系统[15],可以充分利用这些数据进行预测。

企业中各种智能设备有各种各样的工业总线以及接口、协议，因此预测性维护系统应具备设备和数据泛在的连接性，且应具有丰富的连接功能，能连接各种流行的网络接口、网络协议、网络拓扑、因特网部署与配置、系统管理与保护等，能充分利用并吸收互联网领域的先进技术，例如TSN(Time Sensitive Network)、SDN(Software Defined Network)、NFV(Network Function Virtualization)、NaaS(Network as a Service)、WLAN(Wireless Local Area Networks)、NB-IoT(Narrow Band Internet of Things)、5G等，还可与现有CAN、RS485、RS232等各种工业总线互联互通。智能设备分布地域广阔，边缘计算是在接近物或者数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力于一体的开放平台，还能对分布的资源实现动态运维与统一管理。

2.2 预测性维护框架的边缘计算层

边缘计算层由具有计算机功能的智能设备组成边缘管理器、边缘节点。边缘节点由边缘网关、边缘控制器、边缘云、边缘传感器等硬件构成，具有控制功能模块、分析功能模块、优化功能模块、计算网络存储调用接口、各种计算能力、网络资源、存储资源等，它是基于边缘计算的预测性维护的业务核心，负责网络协议处理及转换，支持实时闭环控制业务、边缘云计算、信息内容采集及处理为重点的边缘传感器等，同时负责接收云计算建立的智能设备诊断模型、专家库及规则，从而实现智能设备的边缘预测性维护。风电机组工作现场设备由控制计算机、风叶、电机等设备构成，这些设备已经组成了物联网，边缘计算则充分利用了这些设备的计算能力。

边缘层中的边缘传感器由设备工况、各类传感器数据采集终端等组成，负责对边缘设备进行数据采集，还可实时采集场景数据等，并通过现场总线、设备网络、无线网络、4G/5G等将采集的数据送入边缘层。计算资源由各边缘智能节点设备的CPU、内存和读写接口资源组成。当单独一个边缘节点的计算能力有限时，边缘计算可根据规则调用其他边缘节点的CPU、内存等以满足需要，计算结束后卸载该任务，释放CPU和内存资源。网络资源主要涉及移动通信、宽带互联网、物联网、多源共享数据库等，负责传输和处理来自边缘设备的源数据，把存储计算的结果同时传输至应用层并通过网络将云计算结果反馈至感知层，将数据通过物联网网关及互联网或现场专网传输至网络层的后台云层，或将云计算的结果传输到现场节点，给现场的执行机构设备下达执行指令。存储资源负责把边缘设备采集、产生和接收的数据按照一定的规则分别存储到边缘智能设备的内存和磁盘存储器中。调用API模块、控制模块、分析模块和优化模块都是优化故障预测的功能模块。

边缘管理器由基于预测性维护的业务编排和直接资源调用模块组成，用于对边缘节点上的智能设备进行统一的管理。边缘计算节点一般有计算、网络平台及存储资源，边缘计算系统对资源的使用有两种方法：① 直接将计算、网络平台以及存储资源进行封装，提供调用接口，边缘管理器完成代码上传、配置网络策略和数据库操作；② 进一步将边缘结点的资源根据基本功能领域封装成功能模块。边缘管理器经由软件驱动进行业务编排组合和调用功能模块，实现了对预测性维护软件的一体化开发和快捷部署。

2.3 智能设备预测性维护框架的云计算层

云计算层在智能设备预测性维护框架中可以让工作人员实时获得有关生产、设备工况、异常报警等信息，并通过终端设备及时掌握设备运行状况。云计算层利用云计算能力实时更新交互的设备信息数据库，进行数据分析、故障特征提取、数据融合、故障诊断和预测，把有价值的诊断结论、决策信息展示给用户，从而满足设备或系统预测性维护的功能要求。

在同类智能设备采集的海量运行特征值的基础上，用数据挖掘算法对智能设备运行数据进行清洗、聚类、挖掘，建立故障诊断专家知识库[16]，并对专家知识库不断更新，获得与故障有关的诊断规则。将数据驱动判别、专家知识库、设备技术参数判别相结合，再结合对失效模式、机理的分析，综合形成故障诊断记录，作为故障解决方案的基础[17]，并可将专家知识库及诊断规则下载至智能边缘终端，提高设备诊断速度。另外，还可安装运行一些成熟的预测性维护软件，例如Impact Technologies公司的PHM DesignTM等，从而节约软件开发成本和时间。

3 智能设备预测性维护模式

智能设备预测性维护需完成在线监测、故障预测与诊断和健康维护。其中，在线监测可充分利用智能设备自检功能实现，例如风电机组目前配有数据采集与控制系统(Supervisory Control and Data Acquisition,SCADA)，外加现场各类传感器即可实现在线检测。故障预测与诊断可以分为零部件、子系统和整体3个层次，其中零部件故障可能会引起子系统故障，子系统故障则可能会引起设备整体故障。不同层次的故障预测与诊断预测模式也会有所不同，对于可采集到大量实时运行数据类的智能设备，常用数据驱动模式进行预测，但本文的构思是将这些智能设备全部纳入边云协同云计算框架中，在增强系统处理能力的同时，也增加了预测模式及其算法。本文简单阐述了基于模型的驱动模式、基于概率统计的驱动模式、基于数字孪生(Digital Twin)和概率数字孪生的驱动模式，着重讨论了数据驱动模式。

3.1 基于模型的驱动模式

基于模型的驱动模式是指采用动态模型或过程的预测性维护方法。物理模型方法、卡尔曼滤波、扩展卡尔曼滤波、粒子滤波和基于专家经验模型等均属于基于模型驱动的故障预测技术[18]。基于模型的驱动模式通常要求被预测对象有已知数学模型，在其工作状态下结合该数学模型计算评估设备关键零部件损耗程度，在设备有效寿命周期内评估设备或系统部件使用的故障状态、剩余寿命。但由于缺乏设备故障状态数据，物理建模有一定的困难，且会影响预测效果。

3.2 基于概率统计的驱动模式

基于概率统计的驱动模式适用于利用历史数据对概率统计结果进行故障预测。相比于基于模型的驱动模式，这种预测模式所需信息包含在一系列概率密度函数中，因此，仅需少量的细节信息就可进行预测。其优势是所需的概率密度函数可以通过对设备运行数据统计分析获得，并对预测提供足够的支撑。该模式得出的置信度能较好地表征预测结果的准确度。

这种模式的方法有贝叶斯方法、Dempster-Shafer理论、模糊逻辑等，这些方法通常基于贝叶斯定理估计故障的概率密度函数。通过对大量设备和系统的可靠性分析可知，一般设备或系统的失效与时间数据趋势服从威布尔分布[19]，因此，该模型被常用于设备或系统剩余寿命的预测。

由此可见，该模式的前提条件是要有发生故障的历史数据，否则无法做出预测或导致预测偏差较大，但设备发生故障的概率较小，获得历史数据比较困难。

3.3 基于数字孪生和概率数字孪生的驱动模式

数字孪生是创建物理实体的虚拟模型的同步映射与实时交互，借助数据模拟物理实体在现实环境中的行为，通过虚实交互反馈、数据融合分析、决策迭代优化等手段，为物理实体增加或扩展新的能力以及精准的设备状态预测服务[20]。数字孪生面向产品全生命周期过程，提供更加实时、高效、智能的服务[21-22]，成为设备管理新模式，可快速捕捉故障现象、准确定位故障原因、合理设计并验证维修策略。基于数字孪生的驱动模式如图2所示，物理设备和虚拟设备在孪生数据的驱动下与物理设备同步运行，并产生设备评估、故障预测及维修验证等数据[23-25]。但这种模式需要事先构建设备虚拟化，实施时有一定的难度。

图2 基于数字孪生驱动模式

概率数字孪生模型如图3所示，引入了决策风险分析，为现有的数字孪生模式增加了一层概率分析，捕捉设备的不确定性因素、新技术以及实际因素对设备性能与安全性的影响。概率数字孪生是数字孪生的进化版而非替代版，它把数字孪生机制引入风险分析领域，可以依靠可靠性和退化模型来预测设备组件的剩余寿命。

图3 概率数字孪生驱动模型

这两者主要区别在于：① 概率退化与故障模型：反映出影响性能并导致故障的不确定及可变条件和过程；② 逻辑与关系模型：将性能变量与故障和损失事件联系起来；③ 代理模型：即快速近似模型，可快速查询，并实现不确定性和模型耦合的传播。

3.4 基于多层级数据融合的故障预测模式

基于测试数据或传感器数据进行预测的模式称为数据驱动模式。其前置条件是目前的智能设备都具有预测、感知、分析、推理、决策、控制功能，智能设备具有部件或者系统设计、仿真、运行和维护等各个阶段的测试，这些数据都会存储在设备或系统中。有些设备自带故障诊断系统并提供数据，对其按照数据融合规则进行多级数据融合后得到预测模式。典型的基于数据驱动的故障预测算法有：神经网络、模糊系统、机器学习和统计分析等[26]。在大数据、云计算技术的支撑下，笔者提出采取多层级数据融合故障预测模式，其模式流程如图4所示。

图4 多层级数据融合

该模式的构思是基于目前智能设备可以获取多项数据，对这些数据的融合可分为4层。

第1层：单项数据融合。智能设备有些数据项是关键项，根据该数据项就可以达到故障预测的基本目标，但数据也会存在各种干扰，从而产生误差。为了消除误差，对同一传感器在不同时间段内所采集的数据可用时序数据分析、神经网络、灰色理论、支持向量机等算法进行故障预测与诊断。例如根据智能机电设备震动数据用某一种预测算法进行故障预测，这是一种线性预测模式。

第2层：多项数据特征融合。当前智能设备运行状态数据由多项数据构成，这些可被实时采集的数据是故障预测与诊断的基础资源。经过第一层级单项数据融合，可得到该设备同类传感器所采集的各项数据特征，例如风电机组的电气特征、机械特征、温度特征、震动特征、声音特征等，对这些特征用特征融合算法进行融合即为多项数据特征融合，可以解决故障预测仅依赖某一数据项导致的预测偏差问题。有些设备在得到数据特征后即可进行故障预测决策。但对于复杂智能设备，仅根据特征数据还不能对故障做出准确预测，还需要各项特征进一步数据融合，得到智能设备各状态的发展趋势。

第3层：趋势融合。利用设备中安装的多种传感器采集的数据集以及第2层多项数据特征融合的结果，采用算法得到智能设备各项指标的趋势特征。趋势融合目前常用深度学习模式，其常用算法是神经网络算法，其中卷积神经网络(Convolutional Neural Networks,CNN)可有效降低网络的复杂度，并减少训练参数的数量，具有强鲁棒性和容错能力，便于训练和优化。针对根据实时数据特征融合这类时序特性明显的特征趋势融合算法，Cui等[27]提出了一种基于多尺度 CNN 的时间序列分类模型(称为MCNN 模型)，MCNN在卷积层中将多通道的数据进行整合，可以处理多源时间序列，通过将原始数据下采样到不同的时间尺度使其不仅能够提取不同尺度的低级特征，而且能够提取更高级的特征。

第4层：决策融合。根据智能设备的状态的发展趋势，采用专家知识库、黑板理论等数据融合算法，也可采用基于决策树与扩展D矩阵的故障隔离方法[28]等对智能设备的电子器件进行故障预测与诊断，并得到设备故障预测与诊断结果。

需要指出是，数据驱动模式对设备或系统进行故障预测并非每次都要遍历这4个层次，如果故障特征十分明显，则可以直接做出判断。

复杂设备采集的数据会有若干项，而每项数据对故障的影响权重不同。在进行故障预测时，为数据项赋予不同权重并组合进行预测的模式称为组合预测模式。例如，机电设备故障预测时除了根据设备震动数据外，还可结合设备的工作时发出的声音预测故障。数据驱动预测模式的关键是数据的准确性与数据处理算法及流程的合理性。

4 智能设备寿命预测

设备的剩余使用寿命(Remaining Useful Life,RUL)是在设备需要维修或更换之前的预期寿命或剩余使用时间。根据系统数据预测剩余使用寿命是预测维护算法的主要目标。在整机寿命管理方面，Manuel、Smarsly等[29-31]分别采用统计法和集成监测法进行风电机组使用寿命预测与管理。由此可见，对于不同智能设备的寿命预测有不同的方法。在寿命预测的基础上，应制定设备维护计划。利用边云协同中的云分布式储存技术，同步更新并保存所有在线设备在使用期间的历史数据，确保数据可追溯，并为设备的正常运行实时提供数据对比，从而及时发现设备隐患。另一方面，不同厂商设备运行积累的数据在做寿命预测时可相互借鉴。通过互联网将获得的设备数据发布到云计算平台，与设备供应链的各节点企业共享，通过人机交互界面可以让企业内外部供应链相关人员实时与数字孪生系统进行信息交互，及时获取设备工作状态，协同设备生产企业进行产品升级换代。

数据驱动模式是从以往积累的数据中识别或学习设备的健康/非健康行为，将原始监测数据转作为检测或建模的基础，结合当前运行状态，对设备的未来状态进行预测。数据驱动模式，尤其是结合大数据技术、云计算技术后，以其灵活的适应性和易用性获得了广泛的应用。但也存在因获取精确数据难而影响预测效果的问题，以及不同类型设备感知数据对设备状态影响权重无法精确认定等问题。在采用边云协同机制建立企业内设备故障预测系统后，企业除可建立统一设备故障预测系统外，还可以借助于云计算有针对性地为设备建立不同的预测模式，从而提高预测有效性。

5 结束语

智能设备或系统预测性维护目前处于探索阶段，笔者基于预测性维护技术、边云协同技术、大数据处理技术，对智能设备或系统预测性维护做了探讨。

由于智能设备具有企业地域广、设备分散、设备种类多而杂的特点，采用边缘计算与云计算协同框架进行智能设备预测性维护工作比较合适。预测驱动模式选用基于多层级数据融合故障预测模式，但不能完全依赖某一种模式，在大数据和云计算技术的支撑下，可以采用多种驱动模式相结合的方式，以适应企业中不同智能设备的故障预测与诊断。这是边云协同的优势，也突破了设备故障预测与诊断研究惯性思维。

虽然数字孪生和概率数字孪生模式是一种比较新的驱动模式，但还存在虚实一致，孪生数据的故障特征提取及融合，故障过程建模及传播机理，自组织、自学习、自优化机制，需求的捕捉与精准解析，基于虚拟验证的服务精准执行等方面的问题，有待进一步研究。