压力计量在智能运维中的应用

茅晓晨

（上海市计量测试技术研究院，上海 201203）

0 引言

压力仪表包括压力表、压力变送器、远传压力表、压力开关等，其在设备维护中起着至关重要的作用。作为基础类的热工仪表，压力仪表几乎在所有现场的自动化设备中都有所应用。压力仪表通常需要进行出厂检定和后续的周期检定，以保证现场压力数据的准确采集[1-3]。传统的设备运维模式主要依靠事后维修，即故障发生后维修。传统运维模式安全保障力弱，容易使小隐患酿成大故障，维修成本高。随着修程修制的制定，运维模式逐步发展为周期修，在一定程度上降低了故障率，但仍然存在“欠维修”和“过度维修”的情况。当前运维模式逐步向状态修、预知修、预测修过渡。前端传感器的监测及检测精度不断提高，监测检测数据量不断增大，大数据及人工智能等前沿信息技术在部分设备智能运维过程中也逐步发挥作用。设施的智能运营保障应实现检测与监控自动化，全寿命循环管理系统、运维管理智能化，生产作业自动化。构建并定义数据收集、数据储存、数据服务和设施设备的评估标准，通过智能装置和信息系统对设施设备的工作状况和变化趋势进行精确解析，对有重大故障隐患的设施设备实施针对性的维护，精准施治，缩短维护时限，从而减少维护成本。

图1 轴承故障预测流程图Fig.1 Flow chart of bearing fault prediction

1 机械状态监测与故障诊断

1.1 故障监测诊断的重要意义

工业物联网对全球工业的发展趋势影响尤为重大，要点总结如下：“建立一个网络，研究三个问题，进行三个整合，制定八项规划”。一个网络：信息物理系统网；三个主题：智慧生产、智能制造、智慧物流；三种目标：侧向集成化、横纵集成化和端对端的集成化；八项规划：构建规范化的参考框架，管理复杂信息系统，建立一体化的产业宽带基础建设，实施安全与保护，工作的组织与设计，培训持续的职业发展，构建监管架构，提升资源效率。中国在《智能制造工程实施指引（2016-2020）》文件中，明确提出了智慧制造商的创新模式重要要素之一就是“远程运维服务”。构建了标准化消息收集和管理系统、自主诊断系统，和基于专家系统的故障预警模式和故障索引知识库；可实现装置（生产）远程自动无人操控，日常工作生活环境自动预警，运营状态监督，诊断与自恢复；构建商品供应链生命周期数据分析网络平台，核心配套供应链生命周期数据分析网络平台，用户使用习惯数据信息模式；可对智慧装置（生产）进行长期健康检测，虚拟装置维护预案制订和执行，最优预测应用方案发布，创新应用开放服务等业务。装置的故障预警和卫生管理（Prognostic and Health Management，PHM）是完成设备远程运维，确保重要装置安全性的关键技术。智能的运维和人员健康管理系统，对国民经济发展和军事安全的意义巨大。从20世纪70年代开始，美国的航空发动机就采用了管理发动机系统（Engine Management System，EMS） 作 为PHM早期的典型案例。中国三一重工最先开展了智慧制造、智能服务，其自主研发企业中心（Enterprise control center，ECC）可掌握机器的正确定位、累积工作时间、累积油耗等。当设备故障后，能够根据传回数据做出分类与排除，并指导企业进行修复；也能够通过设施运营状况评估用户的盈利能力或恶意拖欠企业债款情况，从而做到对设施的远程封锁，保障企业权益。

智能运维和健康管理系统，对国民经济发展和国防安全的作用巨大。设备故障预报和康复系统是实施机械设备远距离运维，保证大型技术装备安全可靠的主要技术，运用在工业生产系统中形成的各种数据通过采用信号处理与统计分析，提取出特征信号，并经过模型和故障机制解析，以完成复杂机械设备和大型工业生产系统的健康状况监控、预报与管理等工作。智能管理运维系统是在PHM基础上发展形成的一个新型维修方法，包括完善的自检与自检测功能，对主要设备进行实时监控与故障告警，以完成对远程设备故障集中告警与维修数据的综合管理数据分析，从而降低主机对周围人力原因的依赖性，并逐渐信赖主机，从而完成对主机的自判、自断与自决。智能运维和健康控制对公司的经营管理水平以及生产/装置的整个寿命周期影响巨大，在保证装置的安全、平稳、安全工作和维护人身安全的同时，有助于提升公司产品效率，提升产品的全球竞争力与影响力，正在推动世界范围内新型工业的研发、产品制造和服务保障体系的改革。

1.2 故障监测诊断国内外研究现状

机械故障判别的定义是指利用机械工程、流体动力学基础、电气、计算机科学、信息管理、人工智能等专业方面的领先科技，对连续工作机械的状况与故障进行检测、判断的一种现代化科技方法，并已迅速发展成一个新兴学科。目前，机械故障判定理论和技能已成为中国国内的科研热点。故障诊断研究对象是指机器及机组工作状况的变化及其在检测信息中的体现，主要由各种数据信息收集、特点提炼、模型辨识，及故障预知等构成。同样，机器故障机理也完成了各种数据与特性相互联络，内容可包括信息收集与传感技术、故障机制与征兆、信号处理与特征提取方法、辨识与分析和智能决策[4-6]。

1）信号获取与传感器技术：可靠的信息收集能力和先进的传感器技术是机械人故障诊断的先决条件，各国学者都致力于将传感科技和机械设备的结合。

2）故障机理与征兆联系：探究机械故障的形成机制和表现类型，是为了解机械故障产生与发展过程，认识故障的内在实质和特点，从而形成合理故障模型，是现代机械故障诊断的理论基石。

3）信号处理与诊断方法：从机器运行的动态信息中提炼出故障预兆，是机器诊断的关键。现代信号处理方式，主要包括将时间域、频谱区间和相结合的时间与频域处理方式。

4）识别分类与智能决策：计算机技术、人工智能与机械学习科技的迅速进展，导致了故障诊断控制系统逐渐朝高智能方面迅速发展。

1.3 故障预测和健康管理技术的重要性

在航空、航天、信息通讯、工程应用等领域的工程体系日益复杂，体系的综合化、智能化程度也日益增强，研发、制造特别是维修与保护的成本也愈来愈高昂。而随着体系构成环节和危害原因的逐渐增多，发生故障和功能损坏的概率也逐步增大，对复杂体系的健康管控与智慧运维也逐渐变成焦点。预测科技的PHM科学技术正获得人们愈来愈多的关注与运用，PHM已作为一种崭新的、多学科交叉的综合性科学技术，正推动着世界范围内新一轮制造业维修保护体系的改革。PHM信息技术体现了装备视情维护、自主式维护等新思想、新方法的重要科学技术，并引起了中美英等先进技术强国的重视。通过基于PHM信息技术生成的信息，可以编制合理的系统运营规划、维护计划、保障规划等，以尽可能地减少紧急（时限原因）维护事故的出现，避免千里（空间原因）驰援事故的出现，进而减少人员财产损失，减轻信息系统费效比，具备紧迫的实际需要和重要的工程技术经济价值。

2 故障诊断与诊断原理

2.1 故障诊断内积匹配诊断原理

机械、运输、电力、冶金、石油化工、军事等国民经济中各主要产业的重要机械，在复杂恶劣工况下操作时（重载、疲劳、腐蚀、高温），核心零件和关键机械构件都将不可避免地出现各种程度的故障情况。

2.2 基于小波的特征提取方法

在信号处理的各种算法中，部积起到关键性作用。部积变换也可以看作信息中和基函数之间关系紧密度以及相似性的一个度量。物理本质：探求信息中含有和基函数关系最接近或密切相关的分量。技术：通过合理建立并选用与故障特性相似的基函数，使基函数与机械动作信号的物理特性达到最佳相符；获取不同物理意义的并满足工程实际的故障特性信号；进行科学、合理的状态检测和故障诊断。

2.3 基于小波的稀疏特征提取

稀疏分解方式是在过完备的字典库上，使用最少原子之间表达信息或逼近信息的方式，同时具备了信息表达的高分辨率、较疏性和自适应性等特征。由于稀疏表达领域是基于信息接收器的一种特殊模型，所以在信号处理中对信息接收机建模也十分重要。只要将信号模式设置的合理，稀疏表达也能够达到很好的使用效果，包括了降噪、分割、缩小、取样、检查、鉴别等。但作为一种完美的稀疏表达模式，还需要处理以下3个很重要的问题：

1）如何设计和建立合理高效的稀疏表示字典。

2）高效地得到信号在字典下最稀疏的分解系数。

3）怎样把稀疏分解模型运用到更具体化的特征提取反问题中。

图2 小波分析理论示意图Fig.2 The schematic diagram of wavelet analysis theory

3 智能运维与健康管理

人类社会的资料量指数增长速度据IDC监测，目前人类产生的资料总量正呈现指数级别上升，大概每两年翻一番，而这种增长速度到2020年以前将会继续维持下去。2015年，国家颁布了《推进信息化发展活动大纲》，其明确指出，信息是中国的基本策略资源，将指导和激励国民经济各个领域在大数据分析方法和关键应用技术等方面进行探索性研发机械领域，并进入了工业大数据分析时代。大数据对传统信息提出了革命性的挑战和颠覆式的革新，正在悄悄地改写着人们的日常生活方式和认识世界的方法，而且开始渗入了机器智慧维护范畴。工业大数据概念：工业生产的大数据通常指机器设备在工作状态中，实时生成并获取的包括设备运行状况、工作状态、环境参数等反映机械设备工作状况的大数据，即机械设备中形成的大量并且具有一定时间顺序差异的大数据，主要利用各类传感器、设备及仪器仪表等进行加工产生。该数据分析贯穿于机械设备工艺、制造、信息管理、业务等活动中，使机械工业信息系统具有定义、判断、预见、决定、信息管理等现代化功能的模型。机械领域逐渐走向工业大数据化时代下，工业大数据的主要来源：检测的装置群体规模大，各种装置所需要的测点数量多，每个测点的取样频次高，从产品开始服役到设备寿命结束的大数据采集历时长[7,8]。

工业大数据的特点：

1）大容量：通过诊断专家来自动分析很不实际，所以必须研究用智能方式自动分析。

2）速度快：提高信息处理的及时性，高效发现故障信号并进行预警。

3）健康多样性：包含了在各种机械的不同工作下，从各种物理源所辐射出的大量健康状态信号。

4）低价值密度：设备一直保持在常规工作状况，检测数据信息包含的信息内容重叠性较大，因此数据信息价格密度较小，需要数据信息提纯。

当前已进入了工业生产大数据分析时代，工业生产大数据分析已成为阐明现代机械设备问题演化过程和其实质的重要资料，数据量的规模、分析运用的技术也已成为了当代机械设备问题智能保护中最重要的组成部分。运用工业大数据分析技术手段，把大数据资源从这样的“原油”提取成实实在在有用的“汽车柴油”等，是将大数据转换为“生产效率”的重要关键问题。工业生产大数据处理技术，定义为：使在工业生产大数据处理中所蕴藏的科学价值得到发掘与揭示的各种技术手段和方法的统称，主要包括了工业生产数据收集、保存、预处理、大数据分析发现，以及可视化技术等。并行处理结构：Hadoop成为分布式操作系统基本结构中的杰出代表，其结构的核心内容是采用分布式操作系统Hadoop和MapReduce技术的分布式网络结构批量数据处理运算构架，以支撑工业的高实时化使用、大资料量储存和快速搜索，为海量数据的查询搜索与统计管理等提供了性能保证。工业生产大数据分析关键技术的研发和突破，旨在从工业生产大数据分析中找到创新模型和知识，并发现最有价值的创新资讯，从而推动公司的生产技术创新，改善企业运营管理水平和产品动作效能。而由工业生产大数据分析驱动的智能故障诊断，则是发现相关新模型和知识的关键。通过工业生产大数据分析的相关关系分析，大数据分析时代的到来颠覆了事物间关系的固有格局，使相互关系的可用性重新浮出水面。如工业大数据分析的智能故障诊断，就是一个大数据分析相关关系的分析。合理地舍弃了“因果”，将关注度转向“相关性”，有利于人们更快速、更全方位地掌握事情的发展，从“发现提问-逻辑数据分析-找出病因”的事后补救模型转变到“搜集数据分析-预见提问-解决”的主动预防模型。工业生产大数据分析驱动的机器人智能诊断框架，由于工业生产大数据分析信息源头离散、采集形态多样、随机影响相互干扰等特性，必须按照特定规范对数据分析加以过滤，以去除信息冗余和噪声数据，从而增强了机械大数据分析的可信度。利用信号处理方式可以获得多域特征，表示设备的健康状况。可根据设备历史的健康状况信息，设定自适应阈值或根据人工智能模式进行量化评价，从而进行对设备的健康检测。将分析、聚类等人工智能算法用到了机械设备的故障判别中，对机械设备故障信号进行知识挖掘，从而得出与故障相关的判别规律，确定机械设备故障状况，从而制定维修策略。

4 结论

进行计量检定的压力仪表能保证现场数据的准确采集，作为智能运维的前端感知传感器，基础数据的可靠准确与否，关系运维过程中事故故障的大数据分析。本文提出构建基于智能检测监测、云计算与大数据等先进技术的智能运维系统，可对现场诸如工况压力等数据进行整理融合，深度挖掘与智能分析，对基础设施进行全寿命周期管理，实现运维管理与生产作业智能化，大幅提升运维效率，降低运维成本。