在我國工業互聯網的持續發展背景下，各大工業企業針對各自領域提出了“智能運維”策略。高端裝備產業被視為國家戰略性產業和工業崛起的標志，對國家工業發展具有關鍵作用。例如船舶動力、高端數控機床和工業機器人，均配備了預測、感知、分析、推理、決策和控制等先進功能。這些產業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，以實時發現故障、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絡化需求，本文從數據挖掘的角度出發，利用 MATLAB 和 Python 較強的數據處理能力，將現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 軟件系統的開發。以船舶發動機為例，筆者驗證了該系統在變工況條件下對健康狀態監測故障診斷的性能。
一、智能運維 PHM 系統設計與關鍵技術
智能運維 PHM 系統功能模式
狀態監測：利用無鍵相傳感器技術、現代信號處理算法，有效監測高端裝備的關鍵熱工參數(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，實現信號采集、數據預處理和特征提取。
故障診斷：本文針對變工況條件下傳統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網絡模型，稱為多分支注意力機制卷積神經(Multi-Branch Attention Mechanism Convolution Neural Network，MBAM-CNN)。該模型基于卷積神經網絡，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的健康狀態，筆者將評估結果與健康等級描述相關聯。將健康狀態等級劃分為健康、良好、注意、劣化和危險 5 個等級。
故障預測：故障預測模塊根據裝備的當前使用狀態，結合裝備的結構特性、歷史故障記錄以及狀態特征的監測數據，同時考慮特征趨勢變化和未來工作環境條件來確定和預測故障的類型、發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 系統軟件架構介紹
智能運維 PHM 系統軟件流程如下：首先，通過在高端裝備的各子系統部件上安裝各類傳感器，構建高端裝備狀態感知系統。該系統能夠獲取各類狀態參數并計算狀態指標特征，對各子系統進行實時在線狀態監測，及時發現故障并完成報警任務。其次，針對狀態監測過程中出現的故障報警狀態，借助故障特征提取和診斷技術，對各子系統進行故障診斷并得出相應結論。再次，綜合考慮狀態監測指標信息、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健康狀態等級進行評估。對健康評估狀態等級較低但尚未出現故障的情況，利用故障征兆趨勢變化規律和故障預測模型，預測各子系統未來一段時間的故障發生概率及故障類型。最后，綜合各子系統的故障診斷、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 系統關鍵技術實現
無鍵相觸發條件的整周期信號預處理方法：整周期信號的獲取是狀態監測中的關鍵環節，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提供更完整的數據特征指標。在研究柴油機 缸蓋振動信號特性的過程中，發現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來確定最佳窗口，當相關系數達到最大值時，該窗口即為最佳窗口。如公式(1)所示。
式中：rim 為第 i 個窗口在第 m 個與 m-1 個信號序列的相關系數 ;xN-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網絡的變工況故障診斷：在變工況條件下，傳統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)， 并在卷積神經網絡的基礎上，提出了一種新型的深度卷積神經網絡模型，名為“多分支注意力機制卷積神經網絡 ”(Multi-Branch Attention Mechanism Convolution Neural Network， MBAM-CNN)。
該模型的特點在于其注意力機制，該機制可以根據預先設計的函數來計算輸入信號或特征對目標任務的重要程度系數。當某個特征的重要程度系數較大時，它會被分配更多的注意力，進而通過調整權重來體現這種注意力的差異。設輸入為 H=[h1，h2，…，hm]，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。通過 Softmax 激活函數得到歸一化的注意力系數，如公式(2)所示。
式中 ：αi 為注意力系數 ;fAAT(·)為注意力機制函數;hi 為輸入信號。
根據注意力系數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”，其在后續的網絡運算中起到關鍵作用。增強表示 z 具有 2 種不同的表現形式，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 數據。
式中 ：Z2 為硬注意力 ;St，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的。這種注意力機制被分別引入了卷積神經網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，用于評價原始信號中不同區域對目標任務的重要性。與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，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 Sjk =[s1 1 ，…，s1 br ;s2 1 ，s2 2 ，…，s2 br ;… ;sn 1 ，sn 2 ，…，sn br ]，j=1，2，…，n;k=1，2，…，br，sj k 表示第 j 個特征提取模塊的第 k 個分支卷積網絡的核大小，n 表示特征提取模塊數量，br 表示分支網絡的數量。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模型，本文充分利用了歷史數據，采用了柴油機的基礎故障率數據，并結合信號退化特征及維修次數，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，用于柴油機的狀態監測和預測。如公式(5)所示。
式中 ：h 為 t 時刻故障率的指數函數;t 為測量時間;Zt 為 m 個隨時間變化的退化特征，Zt =(zt 1，zt 2 ，…，zt m)T ;h0(t)為時刻 t 的故障率基礎函數;φ(γZt )為關于退化特征的協變量函數，可以描述柴油機的性能退化過程;γ=(γ1，γ2，…，γm)為退化特征對應的協變量系數;β 為形狀參數;η 為尺寸參數;當 β>1 時，故障率會隨時間逐漸遞增。
協變量函數通常采用指數函數形式。因此，威布爾比例風險模型如公式(6)所示。
根據威布爾比例風險模型，能夠計算基于當前監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，本文采用了協變量參數形式對監測信號退化特征、維修次數和負荷進行信息處理。基于這些信息，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信息，從而準確掌握其當前的健康狀態。
二、PHM 系統應用驗證
基于前文提出的智能運維 PHM 系統框架和關鍵技術，以某型號船舶發動機為例，進行系統和相關技術的初步驗證。目的是確認該系統在發動機工況識別、氣門間隙故障診斷以及健康狀態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，對發動機的工況識別進行驗證。其中，對潛艇、船用等發動機，保持長時間內轉速和負載的穩定不變是至關重要的。因此，工況(包括轉速和扭矩)成為運行狀態中常用且關鍵的性能參數，見表 1。
對發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。氣門間隙狀態與對應的故障模擬位置包括正常狀態 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 系統模型在各類故障狀態的診斷性能上均表現出明顯的優勢，特別是在小間隙故障及復合故障診斷中，其優勢尤為突出，見表 2。
對發動機健康狀態評估的驗證，筆者在保證進氣門不變的情況下，調大了排氣門間隙，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，退化特征值呈現出明顯的差異，表現為遞增趨勢。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 系統大規模投入高端裝備制造業中仍存在很多問題，例如在傳感器安裝位置、采集數據質量、機理與數據驅動結合以及人機交互功能等方面，與國外先進系統產品存在差距。本文以振動監測數據為基礎，結合現代信號處理方法與人工智能技術，重點解決柴油機狀態監測與故障診斷現存的問題，提出了一種基于深度學習的高端裝備智能運維 PHM 系統框架，用于高端裝備的信號采集、故障診斷和健康狀態評估。驗證結果表明，該模型能夠高效完成故障診斷和健康狀態評估輸出，有效提升智能運維 PHM 系統的數據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節，亟需工業互聯網平臺的支持，以實現工業設備的全覆蓋、動態、連續監控，并對監測數據進行診斷分析和維修決策。
參考文獻略.