1.2.3 机械装备智能运维的研究现状

机械装备智能运维是大数据、人工智能等新一代信息技术与故障诊断交叉、渗透、融合的产物，属于故障诊断与健康管理（Prognostics and Health Management，PHM）领域的前沿热点，备受国内外学术界与工业界的密切关注和重点资助。

国外在该领域的研究起步较早，主要集中在美国、英国、加拿大、日本等发达国家或地区，如美国密歇根大学和辛辛那提大学等在美国自然科学基金的资助下，联合工业界共同成立了智能维护系统中心，长期致力于机械装备监测诊断与性能衰退预测方法的研究[11]。英国成立的机械保健与状态监测协会是最早发展和推广装备诊断技术的机构之一，其研究成果奠定了英国汽车、航空发动机监测和诊断技术的国际领先地位。英国Rolls-Royce公司于2017年设立“智能航空发动机”专项，期望通过深度分析航空发动机全寿命周期大数据，提升发动机的运行安全与维护保障性[12]。加拿大多伦多大学成立的维护优化与可靠性工程研究中心长期致力于开展视情维修与维护策略的研究工作，开发的维护系统EXAKT与SMS已在矿用运输车辆、石油化工设备等机械装备上推广应用[13]。国际PHM协会自2008年开始便专注于举办工业装备的故障诊断与预测竞赛，随着大数据技术的迭代，竞赛题目也从涡轮发动机、齿轮箱、数控机床刀具等关键部件的故障诊断与预测演进到城轨车辆悬挂系统、化学机械抛光系统组件等机械系统的故障诊断与预测[14]。美国国家仪器公司、艾默生电气公司、瑞士ABB公司、国际商业机器公司（IBM）等国外知名企业多年来持续致力于为工业物联网领域的设备诊断与维护提供软硬件一体化解决方案。

国内在机械装备故障诊断方面的研究虽然起步略晚，但备受重视，发展强劲。我国先后发布了《国家中长期科学和技术发展规划纲要（2006—2020年）》和《机械工程学科发展战略报告（2011—2020年）》，均将重大产品和重大设施运行可靠性、安全性、可维护性关键技术列为重要的研究方向[15][16]。2017年中国工程院发布的《中国智能制造发展战略研究报告》将智能运维列为新一代人工智能在制造业应用的重点突破方向之一[17]。国家自然科学基金委员会长期重视机械故障诊断与维护领域的资金投入和优先资助，据估计，30多年来在机械故障诊断与维护领域获批的面上基金项目、青年基金项目和地区基金项目资助总金额近2亿元。2020年信息科学部更是遴选“面向重大装备的智能化控制系统理论与技术”为优先发展领域，其中将“系统报警与运行故障智能诊断与自愈控制”列为重点研究方向，预计成为未来五年重点项目群立项的主要来源。中国机械工程学会联合中国振动工程学会每两年召开一届“全国设备监测诊断与维护学术会议”，促进故障诊断与维护的学术交流和成果推广应用。工业和信息化部、中国信息通信研究院联合北京工业大数据创新中心等多家企业和研究机构，自2017年起每年举办一届中国工业大数据创新竞赛，围绕风机叶片结冰预测、风机齿形带故障分类、刀具剩余寿命预测等工程问题开展主题赛事，推动工业大数据技术及应用发展[18]。国内高等科研院校，如清华大学、西安交通大学、上海交通大学、北京化工大学、华中科技大学、西南交通大学、国防科技大学等汇聚了大批学者与工程技术人员积极开展探索，在机械装备故障诊断理论与方法上取得了一系列重要成果。国内工业物联网知名企业，如树根互联技术有限公司、昆仑智慧数据科技（北京）有限公司、北京天泽智云科技有限公司、安徽容知日新科技股份有限公司等近年来积极打造工业大数据云平台，旨在为工程机械、风力发电、轨道交通、石油化工等领域的机械装备智能运维提供解决方案。

机械装备智能运维涉及监测大数据的获取、存储、分析、管理及应用集成等一系列理论与技术，因此智能运维技术的研究现状可以从数据获取与存储、数据分析与挖掘、系统集成与应用三个方面进行概述。

1.数据获取与存储是智能运维的前提

机械监测数据中蕴含的机械装备故障信息常常分布在动力学、声学、摩擦学、热力场等诸多物理源中。因此，利用先进的多源数据传感技术获取响应信号进而分析数据，是捕获机械装备故障信息的一般途径。现有智能运维模式着重面向关系型结构化监测数据，构建硬件与软件相结合的专用型监测数据库，其数据传输与存储规则通常基于用户习惯制定。随着运维对象由单一轴承、齿轮等机械核心零部件向功能集成化的复杂机械装备转变，多源传感器和其他广泛存在的数据源持续传输着海量的混合结构化监测数据，航空发动机、工业机器人、燃气轮机、风电装备等高端机械装备的智能运维涉及振动、转速、扭矩、压力、温度、电压、电流等多物理源、多测点信号，如图1-3所示。由于不同的信号在采样频率、传输协议、存储结构等方面存在差异，传统面向关系型结构化数据的存储与管理方法已经无法满足海量、多类混合结构化监测大数据的存储需求。分布式存储技术的出现为机械监测大数据的管理难题提供了解决方案，如Google先后提出的文件系统GFS和NoSQL数据库Cloud Bigtable等[19]，推动智能运维模式下的大数据管理向模式自由、快速可靠、高度可扩展的方向发展，以实现机械监测大数据的高效存储与快速索引。

2.数据分析与挖掘是智能运维的核心

机械监测数据的故障信息挖掘是运维核心功能模块搭载数据计算框架协同作用的结果，相关研究现状涉及数据计算框架与运维核心功能模块两方面。

1）数据计算框架方面

监测数据的流式特性意味着数据的价值-时间曲线是衰退的，即随着数据获取时间的推移，能够挖掘的数据价值逐渐衰减，这要求数据分析与处理方式的时效性强。现有智能运维模式采用集中式计算，依赖大型运算终端连续处理监测数据流，尽可能地保证数据潜在价值的“新鲜度”。然而，这种集中式计算难以满足海量数据的高效计算需求，尤其是随着高频采样与高速传输技术的应用，监测大数据的高速流式特性越发明显，实时数据分析与处理的需求越发迫切。分布式计算框架，如批处理计算模式、云计算、边缘计算等将海量监测数据分割并行处理[20]，支撑起智能运维模式下大数据流动的“高速公路”。

2）运维核心功能模块方面

故障诊断与预测作为机械装备运维的核心功能，是借助机械、信息、数学、力学等多学科先进理论和技术成果迅速发展的一门学科，主要包括特征提取、故障识别、剩余寿命预测等方面的研究工作。

（1）特征提取。以信号处理技术为基础的特征提取是故障信息表征的主要途径。围绕监测数据的时域、频域、时频域等信号多域分析理论与技术，国内外学者开展了丰富的研究工作。

● 时域分析原理简单且易于实现，主要通过统计分析、概率密度分析、排列熵、时域同步平均等方法提取监测数据的时域特征，快速判别故障[21]。

● 在频域分析上，自18世纪初期傅里叶变换开启频谱分析的大门以来，Hilbert解调、阶次追踪、循环平稳分析、稀疏分解等理论与技术一直是频域故障特征提取的有力工具[22][23]。

● 时频域分析理念最早可追溯到20世纪40年代Gabor提出的加窗傅里叶变换概念，随之发展而来的短时傅里叶变换成为首个实用的时频分析方法。在此之后，Ville提出的Wigner-Ville分布成为时频分析的又一重要工具。20世纪80年代以来小波分析理论与经验模式分解（Empirical Mode Decomposition，EMD）相继提出，代表了时频分析的重要突破，迅速掀起了国内外研究与应用的热潮[24][25][26]。

（2）故障识别。故障识别旨在建立故障特征与故障模式之间的对应关系，传统诊断模式通过专家经验知识揭示这种对应关系。随着机器学习理论与技术的快速发展，计算机逐渐代替人工进行数据分析、知识学习、经验总结。通过构建智能诊断模型建立故障特征与故障模式之间的映射关系，推动故障识别向智能化方向发展，因此智能故障识别技术研究与机器学习理论的发展息息相关[27]。机器学习理论肇始于20世纪50年代，蓬勃发展于20世纪80年代，在此期间，诞生了一系列经典的机器学习方法[28]，如人工神经网络、支持向量机、决策树等，并由此催生了自20世纪90年代逐渐发展起来的智能故障诊断，相关研究受到美国、英国、加拿大、韩国、日本等发达国家或地区众多学者的热切关注，在之后短短10多年间便形成了故障诊断专家系统、智能诊断等新理论与新技术，并在交通、能源、冶金等诸多领域推广应用[29]。2006年深度学习理论在《科学》（Science）杂志上首次提出，掀起了学术界与工业界研究的新浪潮[30]，堆叠自编码机、深度卷积网络、深度置信网络、深度残差网络等先进深度学习技术的出现，逐渐推动大数据背景下智能故障诊断研究由“浅”入“深”，由此发展而来的深度智能诊断理论与方法成为领域内的前沿热点[31]。

（3）剩余寿命预测。剩余寿命预测的主要任务是根据机械装备的历史服役数据建立预测模型，估计机械装备由当前健康状态退化至服役功能完全丧失的剩余时长。剩余寿命预测方法研究可分为三类：基于物理模型、数据驱动、数模联动[32]。

● 基于物理模型的剩余寿命预测方法根据机械材料的失效机理建立模型来描述机械材料损伤程度与应力循环次数之间的关系，从而预测特定应力水平下机械装备的剩余寿命[33]。这种方法研究较早，可追溯到19世纪德国学者Wöhler基于应力应变理论提出的S-N疲劳寿命曲线。20世纪60年代Paris和Erdogan在断裂力学理论基础上提出了著名的Paris-Erdogan模型，成为剩余寿命预测理论研究的里程碑。在疲劳断裂的研究基础上，国内外许多研究机构和学者又相继发展了基于物理模型的寿命预测方法[34][35]，如等效应变能密度寿命预测方法、基于小裂纹理论的疲劳全寿命预测方法、高温蠕变寿命预测方法等。

● 数据驱动的剩余寿命预测方法借助机器学习理论构建智能预测模型，并利用大量数据进行模型训练，揭示监测数据与机械装备剩余寿命之间的映射关系。常用于构建智能预测模型的机器学习方法有前向反馈神经网络、神经模糊推理系统、相关向量机、高斯过程回归等[36][37]。近年来，随着深度学习理论与技术的蓬勃发展，递归神经网络、长短时记忆网络、时间卷积网络等在剩余寿命预测领域大量应用，备受国内外学者们的青睐[38][39]。

● 数模联动的剩余寿命预测方法基于机械装备衰退机理、同类机械装备趋势信息等故障先验知识，建立衰退模型，描述机械装备的退化行为，并根据历史监测数据的退化趋势对模型参数和机械装备的健康状态进行实时更新，预测机械装备的未来退化趋势，通过数据与模型的联合动态匹配，最终达到预测机械装备剩余寿命的目的[32]。

3.系统集成与应用是智能运维的目标

面向机械装备提供故障诊断、预测与维护决策等服务的运维管理系统是集成数据获取、存储、分析、挖掘等应用模块的交互式应用平台。自20世纪70年代开始，机械运维管理逐渐在航空航天、船舶汽车、冶金石化等诸多领域推广应用，美国海军为A-7E攻击机部署的发动机监测系统是运维管理系统应用的早期典型案例[42]。整机级运维管理系统的雏形可追溯到20世纪80年代英国开发的直升机健康与使用监测系统，随着相关理论与技术的持续改进，该系统现已成为集航空电子设备、地面支持设备及机载计算机监测诊断产品于一体的复杂运维管理系统[43]。世界航运先进国家也在20世纪80年代开始逐步研发集在线状态监测、健康状态评估、多船协调控制等多功能应用于一体的整机级船舶运维管理系统，如挪威KYMA公司研发的SPM系统、日本三菱重工研发的SUPERASOS系统、美国海军为在役舰船研制的ICAS系统等。航天领域早在20世纪70年代便提出了航天器运维管理的相关概念，但直至2001年美国国家宇航局在X-33航天飞机上搭载了VHM系统，才实现了航天领域运维管理系统的首次飞行验证[44]，之后美国国家宇航局又组织研发了航天器IVHM系统，集成了数据获取、特征提取、健康预测评估等应用功能[45]。我国自“十五”以来，相关科研院所，如北京航空航天大学、哈尔滨工业大学、中国航空工业集团公司634所等率先在航空、航天、船舶等领域开展运维管理系统设计的基础研究工作，从物理结构、信息处理及功能架构等方面对运维管理系统的应用集成进行攻关，取得了显著成果[42]。例如，2016年我国C919大型客机搭载航天科工集团第一研究院自主研制的运维管理系统，实时监测涉及飞行安全的关键数据，并基于数据分析实现了故障诊断、维修决策、发动机健康评估等应用功能。随着物联网、大数据、人工智能等新一代信息技术的快速发展，工业界逐渐推出智能运维管理系统解决方案——工业大数据云平台，试图通过整合运维大数据获取、分析、管理及云技术等核心功能，强化计算机辅助机械实现自检、自诊和自决的能力，为机械装备提供智能运维管理服务。例如，美国通用电气公司于2015年率先推出了云平台Predix，德国西门子公司于2016年推出了云平台MindSphere，瑞士ABB公司随后推出了云平台ABB Ability，法国施耐德电气有限公司推出了云平台EcoStruxure，我国树根互联技术有限公司于2017年推出了首个本土化工业云平台“根云”等，各国的工业大数据云平台正如雨后春笋般蓬勃发展。