赵海朋

（赛迪顾问股份有限公司，北京 100048）

在我国工业互联网的持续发展背景下，各大工业企业针对各自领域提出了“智能运维”策略。高端装备产业被视为国家战略性产业和工业崛起的标志，对国家工业发展具有关键作用。例如船舶动力、高端数控机床和工业机器人，均配备了预测、感知、分析、推理、决策和控制等先进功能。这些产业的智能化转型对智能运维服务技术有高度依赖，尤其需要进行复杂的机械装备故障智能诊断，以实时发现故障、防止其恶化，并提供维修决策支持，从而显著提高设备的安全性和可靠性[1-3]。为了解决因高端装备复杂度而带来的物理模型建模难题，满足高端装备运维任务的智能化和网络化需求，本文从数据挖掘的角度出发，利用MATLAB 和Python较强的数据处理能力，将现代信号处理方法与人工智能相关技术相结合，重点进行了高端装备智能运维PHM 软件系统的开发。以船舶发动机为例，笔者验证了该系统在变工况条件下对健康状态监测故障诊断的性能。

1 智能运维PHM 系统设计与关键技术

1.1 智能运维PHM 系统功能模式

1.1.1 状态监测

利用无键相传感器技术、现代信号处理算法，有效监测高端装备的关键热工参数（例如温度、压力、扭矩、功率、能量损耗）和振动信号、油液磨粒、瞬时转速，实现信号采集、数据预处理和特征提取[4-6]。

1.1.2 故障诊断

本文针对变工况条件下传统模型难以进行故障诊断的问题，提出了一种新型的深度卷积神经网络模型，称为多分支注意力机制卷积神经网络（Multi-Branch Attention Mechanism Convolution Neural Network，MBAM-CNN）。该模型基于卷积神经网络，仿照人类视觉注意力选择机制（Attention Mechanism，AM），通过采集信号和提取的故障特征进行离线或在线诊断，以确定故障诊断类型。

1.1.3 健康评估

为了准确评估和描述系统的健康状态，笔者将评估结果与健康等级描述相关联。将健康状态等级划分为健康、良好、注意、劣化和危险5 个等级。

1.1.4 故障预测

故障预测模块根据装备的当前使用状态，结合装备的结构特性、历史故障记录以及状态特征的监测数据，同时考虑特征趋势变化和未来工作环境条件来确定和预测故障的类型、发展趋势和可能带来的后果，为维修决策模块提供信息支持。

1.2 智能运维PHM 系统软件架构介绍

智能运维PHM 系统软件流程如下：首先，通过在高端装备的各子系统部件上安装各类传感器，构建高端装备状态感知系统。该系统能够获取各类状态参数并计算状态指标特征，对各子系统进行实时在线状态监测，及时发现故障并完成报警任务。其次，针对状态监测过程中出现的故障报警状态，借助故障特征提取和诊断技术，对各子系统进行故障诊断并得出相应结论。再次，综合考虑状态监测指标信息、故障诊断结论以及相关机组评价信息，利用健康评估模型对各子系统健康状态等级进行评估。对健康评估状态等级较低但尚未出现故障的情况，利用故障征兆趋势变化规律和故障预测模型，预测各子系统未来一段时间的故障发生概率及故障类型。最后，综合各子系统的故障诊断、健康评估和故障预测相关的重要信息，为高端装备制定维修决策。

1.3 智能运维PHM 系统关键技术实现

1.3.1 无键相触发条件的整周期信号预处理方法

整周期信号的获取是状态监测中的关键环节，对这类信号进行频谱分析能避免频谱能量泄露，为评估复杂机械运行状态提供更完整的数据特征指标[7-8]。在研究柴油机缸盖振动信号特性的过程中，发现不同振动冲击之间的位置关系实际上属于整周期信息，鉴于传统方法主要依赖键相作为参考进行整周期信号的获取，存在明显的局限性，本文提出一种无键相的振动信号预处理方法，目的是更准确地获取整周期信号。为达到这一目的，笔者首先设计了1 个自适应窗口模型，该模型通过计算各窗口框选的序列信号的相关系数来确定最佳窗口，当相关系数达到最大值时，该窗口即为最佳窗口。如公式（1）所示。

式中：rim为第i个窗口在第m个与m-1 个信号序列的相关系数；xN-m为长度为N的窗口截取的第m个信号。

1.3.2 基于多分支注意力机制卷积神经网络的变工况故障诊断

在变工况条件下，传统深度学习模型在进行故障诊断的过程中往往会遇到困难，为了解决这一难题，笔者借鉴了人类视觉注意力选择机制（Attention Mechanism，AM），并在卷积神经网络的基础上，提出了一种新型的深度卷积神经网络模型，名为“多分支注意力机制卷积神经网络”（Multi-Branch Attention Mechanism Convolution Neural Network，MBAM-CNN）。

该模型的特点在于其注意力机制，该机制可以根据预先设计的函数来计算输入信号或特征对目标任务的重要程度系数。当某个特征的重要程度系数较大时，它会被分配更多的注意力，进而通过调整权重来体现这种注意力的差异。设输入为H=[h1，h2，…，hm]，i=1，2，…，m，注意力机制不是某个具体运算，可以为加性运算或点积，也可以设计特定模型，以泛指注意力机制函数。通过Softmax激活函数得到归一化的注意力系数，如公式（2）所示。

式中：αi为注意力系数；fAAT（·）为注意力机制函数；hi为输入信号。

根据注意力系数和输入信号得到一种重新分配后的信号，将其称为“增强表示z”，其在后续的网络运算中起到关键作用。增强表示z具有2 种不同的表现形式，如公式（3）～公式（4）所示。

式中：Z1为软注意力；n为信号的长度；i为每个信号中的第i数据。

式中：Z2为硬注意力；St，j为该位置的信号被选中。

1.3.3 基于威布尔比例风险模型的健康评估方法

为了准确有效地建立高端装备的状态模型，本文充分利用了历史数据，采用了柴油机的基础故障率数据，并结合信号退化特征及维修次数，来描述其性能退化过程。在此基础上，提出了基于威布尔比例风险模型的实时故障率模型，用于柴油机的状态监测和预测。如公式（5）所示。

式中：h为t时刻故障率的指数函数；t为测量时间；Zt为m个随时间变化的退化特征，Zt=（zt1，zt2，…，ztm）T；h0（t）为时刻t的故障率基础函数；φ（γZt）为关于退化特征的协变量函数，可以描述柴油机的性能退化过程；γ=（γ1，γ2，…，γm）为退化特征对应的协变量系数；β为形状参数；η为尺寸参数；当β＞1 时，故障率会随时间逐渐递增。

协变量函数通常采用指数函数形式。因此，威布尔比例风险模型如公式（6）所示。

根据威布尔比例风险模型，能够计算基于当前监测信号的柴油机故障率，为柴油机维修决策提供了参考。此外，还可以利用该模型来计算柴油机在任意时刻t的可靠度，具体的计算方法如公式（7）所示。

式中：R为t时刻的可靠度；u为t时刻的监测信号。

为了提高对柴油机性能退化的描述的准确性，本文采用了协变量参数形式对监测信号退化特征、维修次数和负荷进行信息处理。基于这些信息，建立了威布尔比例风险模型。通过该模型，能够综合柴油机的各方面状态信息，从而准确掌握其当前的健康状态。

2 PHM 系统应用验证

基于前文提出的智能运维PHM 系统框架和关键技术，以某型号船舶发动机为例，进行系统和相关技术的初步验证。目的是确认该系统在发动机工况识别、气门间隙故障诊断以及健康状态评估等方面的有效性。具体来说，本文将通过特征可视化方法，对发动机的工况识别进行验证。其中，对潜艇、船用等发动机，保持长时间内转速和负载的稳定不变是至关重要的。因此，工况（包括转速和扭矩）成为运行状态中常用且关键的性能参数，见表1。

表1 工况详细信息列表

对发动机气门间隙故障诊断的验证，笔者共考虑了12 种气门间隙故障。气门间隙状态与对应的故障模拟位置包括正常状态NVC（B1-B6）、进气门小间隙故障SIF（B4）、进气门大间隙故障LIF（B1）、排气门小间隙故障SEF（B5）、排气门大间隙故障LEF（B2）、进排气门小间隙复合故障SIEF（B6）和进排气门大间隙复合故障LIEF（B3）。本文提出的PHM 系统模型在各类故障状态的诊断性能上均表现出明显的优势，特别是在小间隙故障及复合故障诊断中，其优势尤为突出，见表2。

表2 气门间隙状态详细信息列表

对发动机健康状态评估的验证，笔者在保证进气门不变的情况下，调大了排气门间隙，并选择B2 和B5 气缸进行退化特征对比分析。从图1 中可以看出，随着气门机构从一个阶段退化到下一个阶段，退化特征值呈现出明显的差异，表现为递增趋势。这一结果有效地验证了退化特征的有效性，见表3。

图1 不同气缸在不同性能退化阶段的特征趋势

表3 气门机构性能退化过程对应的间隙大小

3 结论

当前，将智能运维PHM 系统大规模投入高端装备制造业中仍存在很多问题，例如在传感器安装位置、采集数据质量、机理与数据驱动结合以及人机交互功能等方面，与国外先进系统产品存在差距。本文以振动监测数据为基础，结合现代信号处理方法与人工智能技术，重点解决柴油机状态监测与故障诊断现存的问题，提出了一种基于深度学习的高端装备智能运维PHM 系统框架，用于高端装备的信号采集、故障诊断和健康状态评估。验证结果表明，该模型能够高效完成故障诊断和健康状态评估输出，有效提升智能运维PHM 系统的数据处理能力和运维结果的可靠性，具有实用性。但高端装备智能运维涉及多个环节，亟需工业互联网平台的支持，以实现工业设备的全覆盖、动态、连续监控，并对监测数据进行诊断分析和维修决策。