隨著高端裝備制造和信息工業(yè)化融合的發(fā)展，傳統(tǒng)故障診斷技術已無法滿足需求。因此，智能運維 PHM 系統(tǒng)逐漸受到關注，為高端裝備的狀態(tài)監(jiān)測與故障診斷的智能化提升提供支持。本文提出一種基于深度學習的智能運維 PHM 系統(tǒng)框架，適用于高端裝備的信號采集、故障診斷和健康狀態(tài)評估。驗證結果表明，該系統(tǒng)框架在故障診斷和健康狀態(tài)評估方面高效可靠，提升了數(shù)據(jù)處理和運維結果的可靠性，具備實用性。

　　在我國工業(yè)互聯(lián)網(wǎng)的持續(xù)發(fā)展背景下，各大工業(yè)企業(yè)針對各自領域提出了“智能運維”策略。高端裝備產(chǎn)業(yè)被視為國家戰(zhàn)略性產(chǎn)業(yè)和工業(yè)崛起的標志，對國家工業(yè)發(fā)展具有關鍵作用。例如船舶動力、高端數(shù)控機床和工業(yè)機器人，均配備了預測、感知、分析、推理、決策和控制等先進功能。這些產(chǎn)業(yè)的智能化轉型對智能運維服務技術有高度依賴，尤其需要進行復雜的機械裝備故障智能診斷，以實時發(fā)現(xiàn)故障、防止其惡化，并提供維修決策支持，從而顯著提高設備的安全性和可靠性。為了解決因高端裝備復雜度而帶來的物理模型建模難題，滿足高端裝備運維任務的智能化和網(wǎng)絡化需求，本文從數(shù)據(jù)挖掘的角度出發(fā)，利用 MATLAB 和 Python 較強的數(shù)據(jù)處理能力，將現(xiàn)代信號處理方法與人工智能相關技術相結合，重點進行了高端裝備智能運維 PHM 軟件系統(tǒng)的開發(fā)。以船舶發(fā)動機為例，筆者驗證了該系統(tǒng)在變工況條件下對健康狀態(tài)監(jiān)測故障診斷的性能。

　　一、智能運維 PHM 系統(tǒng)設計與關鍵技術

　　智能運維 PHM 系統(tǒng)功能模式

　　狀態(tài)監(jiān)測：利用無鍵相傳感器技術、現(xiàn)代信號處理算法，有效監(jiān)測高端裝備的關鍵熱工參數(shù)(例如溫度、壓力、扭矩、功率、能量損耗)和振動信號、油液磨粒、瞬時轉速，實現(xiàn)信號采集、數(shù)據(jù)預處理和特征提取。

　　故障診斷：本文針對變工況條件下傳統(tǒng)模型難以進行故障診斷的問題，提出了一種新型的深度卷積神經(jīng)網(wǎng)絡模型，稱為多分支注意力機制卷積神經(jīng)(Multi-Branch Attention Mechanism Convolution Neural Network，MBAM-CNN)。該模型基于卷積神經(jīng)網(wǎng)絡，仿照人類視覺注意力選擇機制(Attention Mechanism，AM)，通過采集信號和提取的故障特征進行離線或在線診斷，以確定故障診斷類型。

　　健康評估：為了準確評估和描述系統(tǒng)的健康狀態(tài)，筆者將評估結果與健康等級描述相關聯(lián)。將健康狀態(tài)等級劃分為健康、良好、注意、劣化和危險 5 個等級。

　　故障預測：故障預測模塊根據(jù)裝備的當前使用狀態(tài)，結合裝備的結構特性、歷史故障記錄以及狀態(tài)特征的監(jiān)測數(shù)據(jù)，同時考慮特征趨勢變化和未來工作環(huán)境條件來確定和預測故障的類型、發(fā)展趨勢和可能帶來的后果，為維修決策模塊提供信息支持。

　　智能運維 PHM 系統(tǒng)軟件架構介紹

　　智能運維 PHM 系統(tǒng)軟件流程如下：首先，通過在高端裝備的各子系統(tǒng)部件上安裝各類傳感器，構建高端裝備狀態(tài)感知系統(tǒng)。該系統(tǒng)能夠獲取各類狀態(tài)參數(shù)并計算狀態(tài)指標特征，對各子系統(tǒng)進行實時在線狀態(tài)監(jiān)測，及時發(fā)現(xiàn)故障并完成報警任務。其次，針對狀態(tài)監(jiān)測過程中出現(xiàn)的故障報警狀態(tài)，借助故障特征提取和診斷技術，對各子系統(tǒng)進行故障診斷并得出相應結論。再次，綜合考慮狀態(tài)監(jiān)測指標信息、故障診斷結論以及相關機組評價信息，利用健康評估模型對各子系統(tǒng)健康狀態(tài)等級進行評估。對健康評估狀態(tài)等級較低但尚未出現(xiàn)故障的情況，利用故障征兆趨勢變化規(guī)律和故障預測模型，預測各子系統(tǒng)未來一段時間的故障發(fā)生概率及故障類型。最后，綜合各子系統(tǒng)的故障診斷、健康評估和故障預測相關的重要信息，為高端裝備制定維修決策。

　　智能運維 PHM 系統(tǒng)關鍵技術實現(xiàn)

　　無鍵相觸發(fā)條件的整周期信號預處理方法：整周期信號的獲取是狀態(tài)監(jiān)測中的關鍵環(huán)節(jié)，對這類信號進行頻譜分析能避免頻譜能量泄露，為評估復雜機械運行狀態(tài)提供更完整的數(shù)據(jù)特征指標。在研究柴油機 缸蓋振動信號特性的過程中，發(fā)現(xiàn)不同振動沖擊之間的位置關系實際上屬于整周期信息，鑒于傳統(tǒng)方法主要依賴鍵相作為參考進行整周期信號的獲取，存在明顯的局限性，本文提出一種無鍵相的振動信號預處理方法，目的是更準確地獲取整周期信號。為達到這一目的，筆者首先設計了 1 個自適應窗口模型，該模型通過計算各窗口框選的序列信號的相關系數(shù)來確定最佳窗口，當相關系數(shù)達到最大值時，該窗口即為最佳窗口。如公式(1)所示。

　　式中：r_im 為第 i 個窗口在第 m 個與 m-1 個信號序列的相關系數(shù) ;x_N-m 為長度為 N 的窗口截取的第 m 個信號。

　　基于多分支注意力機制卷積神經(jīng)網(wǎng)絡的變工況故障診斷：在變工況條件下，傳統(tǒng)深度學習模型在進行故障診斷的過程中往往會遇到困難，為了解決這一難題，筆者借鑒了人類視覺注意力選擇機制(Attention Mechanism，AM)， 并在卷積神經(jīng)網(wǎng)絡的基礎上，提出了一種新型的深度卷積神經(jīng)網(wǎng)絡模型，名為“多分支注意力機制卷積神經(jīng)網(wǎng)絡 ”(Multi-Branch Attention Mechanism Convolution Neural Network， MBAM-CNN)。

　　該模型的特點在于其注意力機制，該機制可以根據(jù)預先設計的函數(shù)來計算輸入信號或特征對目標任務的重要程度系數(shù)。當某個特征的重要程度系數(shù)較大時，它會被分配更多的注意力，進而通過調(diào)整權重來體現(xiàn)這種注意力的差異。設輸入為 H=[h₁，h₂，…，h_m]，i=1，2，…，m，注意力機制不是某個具體運算，可以為加性運算或點積，也可以設計特定模型，以泛指注意力機制函數(shù)。通過 Softmax 激活函數(shù)得到歸一化的注意力系數(shù)，如公式(2)所示。

　　式中 ：α_i 為注意力系數(shù) ;f_AAT(·)為注意力機制函數(shù);h_i 為輸入信號。

　　根據(jù)注意力系數(shù)和輸入信號得到一種重新分配后的信號，將其稱為“增強表示 z”，其在后續(xù)的網(wǎng)絡運算中起到關鍵作用。增強表示 z 具有 2 種不同的表現(xiàn)形式，如公式(3)~ 公式(4)所示。

　　式中 ：Z₁ 為軟注意力;n 為信號的長度;i 為每個信號中的第 i 數(shù)據(jù)。

　　式中 ：Z₂ 為硬注意力 ;S_t，j 為該位置的信號被選中。

　　在這項研究中，采用了一種特殊的注意力機制，該機制是基于簡單的雙層感知器實現(xiàn)的。這種注意力機制被分別引入了卷積神經(jīng)網(wǎng)絡的預處理層和特征耦合層中。其中預處理注意力機制層(AM1)能夠直接對原始信號進行計算，生成注意力系數(shù)，用于評價原始信號中不同區(qū)域?qū)δ繕巳蝿盏闹匾浴Ｅc預處理層的注意力機制不同，卷積特征耦合注意力機制層(AM2)則需要將各種不同尺寸的一維核卷積特征進行串聯(lián)，再進行與上述預處理層相似的操作，以得到增強表示。在整體模型結構上，設計了輸入、預處理、特征提取、全連接層和輸出層，以保證信息的順暢傳遞和處理。將整周期信號在 AM1 中進行預處理，得到增強表示 z，設 S_j^k =[s₁ ¹ ，…，s₁ ^br ;s₂ ¹ ，s₂ ² ，…，s₂ ^br ;… ;s_n ¹ ，s_n ² ，…，s_n ^br ]，j=1，2，…，n;k=1，2，…，b_r，s_j ^k 表示第 j 個特征提取模塊的第 k 個分支卷積網(wǎng)絡的核大小，n 表示特征提取模塊數(shù)量，b_r 表示分支網(wǎng)絡的數(shù)量。通過設計一系列不同大小的卷積核，按照一定的滑動步長遍歷經(jīng)過預處理的信號，并將其輸送至特征提取模塊。在這個過程中，信號會依次通過卷積層、特征耦合層和池化層進行特征提取、特征增強和池化操作，保證了從原始信號中提取最具代表性和信息量的特征。在完成特征提取后，這些特征會被輸送至全連接層和輸出層，以完成模型的整個訓練過程。

　　基于威布爾比例風險模型的健康評估方法：為了準確有效地建立高端裝備的狀態(tài)模型，本文充分利用了歷史數(shù)據(jù)，采用了柴油機的基礎故障率數(shù)據(jù)，并結合信號退化特征及維修次數(shù)，來描述其性能退化過程。在此基礎上，提出了基于威布爾比例風險模型的實時故障率模型，用于柴油機的狀態(tài)監(jiān)測和預測。如公式(5)所示。

　　式中 ：h 為 t 時刻故障率的指數(shù)函數(shù);t 為測量時間;Z_t 為 m 個隨時間變化的退化特征，Z_t =(z_t ¹，z_t ² ，…，z_t ^m)^T ;h₀(t)為時刻 t 的故障率基礎函數(shù);φ(γZ_t )為關于退化特征的協(xié)變量函數(shù)，可以描述柴油機的性能退化過程;γ=(γ₁，γ₂，…，γ_m)為退化特征對應的協(xié)變量系數(shù);β 為形狀參數(shù);η 為尺寸參數(shù);當 β>1 時，故障率會隨時間逐漸遞增。

　　協(xié)變量函數(shù)通常采用指數(shù)函數(shù)形式。因此，威布爾比例風險模型如公式(6)所示。

　　根據(jù)威布爾比例風險模型，能夠計算基于當前監(jiān)測信號的柴油機故障率，為柴油機維修決策提供了參考。此外，還可以利用該模型來計算柴油機在任意時刻 t 的可靠度，具體的計算方法如公式(7)所示。

　　式中：R 為 t 時刻的可靠度 ;u 為 t 時刻的監(jiān)測信號。

　　為了提高對柴油機性能退化的描述的準確性，本文采用了協(xié)變量參數(shù)形式對監(jiān)測信號退化特征、維修次數(shù)和負荷進行信息處理?；谶@些信息，建立了威布爾比例風險模型。通過該模型，能夠綜合柴油機的各方面狀態(tài)信息，從而準確掌握其當前的健康狀態(tài)。

　　二、PHM 系統(tǒng)應用驗證

　　基于前文提出的智能運維 PHM 系統(tǒng)框架和關鍵技術，以某型號船舶發(fā)動機為例，進行系統(tǒng)和相關技術的初步驗證。目的是確認該系統(tǒng)在發(fā)動機工況識別、氣門間隙故障診斷以及健康狀態(tài)評估等方面的有效性。具體來說，本文將通過特征可視化方法，對發(fā)動機的工況識別進行驗證。其中，對潛艇、船用等發(fā)動機，保持長時間內(nèi)轉速和負載的穩(wěn)定不變是至關重要的。因此，工況(包括轉速和扭矩)成為運行狀態(tài)中常用且關鍵的性能參數(shù)，見表 1。

　　對發(fā)動機氣門間隙故障診斷的驗證，筆者共考慮了 12 種氣門間隙故障。氣門間隙狀態(tài)與對應的故障模擬位置包括正常狀態(tài) NVC(B1-B6)、進氣門小間隙故障 SIF(B4)、進氣門大間隙故障 LIF(B1)、排氣門小間隙故障SEF(B5)、排氣門大間隙故障 LEF(B2)、進排氣門小間隙復合故障 SIEF(B6)和進排氣門大間隙復合故障 LIEF(B3)。本文提出的 PHM 系統(tǒng)模型在各類故障狀態(tài)的診斷性能上均表現(xiàn)出明顯的優(yōu)勢，特別是在小間隙故障及復合故障診斷中，其優(yōu)勢尤為突出，見表 2。

　　對發(fā)動機健康狀態(tài)評估的驗證，筆者在保證進氣門不變的情況下，調(diào)大了排氣門間隙，并選擇 B2 和 B5 氣缸進行退化特征對比分析。從圖 1 中可以看出，隨著氣門機構從一個階段退化到下一個階段，退化特征值呈現(xiàn)出明顯的差異，表現(xiàn)為遞增趨勢。這一結果有效地驗證了退化特征的有效性，見表 3。

　　三、結論

　　當前，將智能運維 PHM 系統(tǒng)大規(guī)模投入高端裝備制造業(yè)中仍存在很多問題，例如在傳感器安裝位置、采集數(shù)據(jù)質(zhì)量、機理與數(shù)據(jù)驅(qū)動結合以及人機交互功能等方面，與國外先進系統(tǒng)產(chǎn)品存在差距。本文以振動監(jiān)測數(shù)據(jù)為基礎，結合現(xiàn)代信號處理方法與人工智能技術，重點解決柴油機狀態(tài)監(jiān)測與故障診斷現(xiàn)存的問題，提出了一種基于深度學習的高端裝備智能運維 PHM 系統(tǒng)框架，用于高端裝備的信號采集、故障診斷和健康狀態(tài)評估。驗證結果表明，該模型能夠高效完成故障診斷和健康狀態(tài)評估輸出，有效提升智能運維 PHM 系統(tǒng)的數(shù)據(jù)處理能力和運維結果的可靠性，具有實用性。但高端裝備智能運維涉及多個環(huán)節(jié)，亟需工業(yè)互聯(lián)網(wǎng)平臺的支持，以實現(xiàn)工業(yè)設備的全覆蓋、動態(tài)、連續(xù)監(jiān)控，并對監(jiān)測數(shù)據(jù)進行診斷分析和維修決策。

　　參考文獻略.