[PHM]基于TI AM62X+FPGA+PHM智能维护技术在风机监测的应用

一、 智能维护技术引述
1.智能维护技术的发展与问题（PHM技术产生的背景）
​ 智能维护的目标是为了解决生产制造中出现的问题，包括设备的停机、部件的损坏，质量的不良以及能量的低利用率。我们要解决这些问题并不能从这些问题产生的表象入手，而是要关注产生这些表象的原因，我们一般称这些原因为不可见问题。不可见问题包括零件的磨损、腐蚀、泄露、人为操作甚至是环境因素，这些因素有多种多样的表征形式，这些因素很可能会互相耦合、交叉，共同作用产生这些失效。对于这种情况，我们要从源头入手来避免这些问题。 要避免这些问题，需要利用监控、分析甚至是决策支持手段来去解决这些问题。那么，如何避免不可见问题的发生呢？很重要的一点就是做预测。

​ 维护策略的演进按照上面几个步骤进行：

传统反应式维护(RM)：等待设备出现问题再进行维修
高可靠性设备过维护(PM)：对于高可靠性设备不能被原有的传统反应式维护来满足可靠性的要求，所以，我们需要做过维护，这种过维护纯粹是基于时间的，频繁的更换尚未损坏（仍能使用一段时间）的零件，这种维护方式成本非常高昂
基于状态监测的维护（CBM）：这种维护不再单纯依赖于时间，而是通过从设备里面测量得到的物理量来发现故障出现的早期现象，从而避免严重故障的发生
故障预测与健康维护（PHM）：在状态监测基础上预测设备的使用寿命

随着维护技术的发展，设备生命周期内的维护成本是逐渐降低的，但是模型的复杂程度会逐渐升高，即系统的智能化程度不断升高。

2. PHM概念与方法论
2.1 PHM概念
​ PHM是一种系统工程学科，它聚焦于对复杂工程系统健康状态的检测、预测与管理。PHM所关注的问题可概括为以下几个方面：

降低成本：比如通过对非预期的停机事件进行预测并且避免；
减少过度维护，最大化部件的使用寿命；
减少生产制造中不良的产品；
提高设备的可靠性
2.2 MTBD(Mean-Time-Before-Degradation)
​ 

    失效发生的平均时间（MTBF）是可靠性里面的重要概念。这个概念所针对的是被大批量生产、重复性比较大的设备，我们单纯基于时间就可以统计出可靠性的指标（MTBF）。在PHM中，我们关心的不是失效的平均间隔时间，而是失效发生之前发生衰退的时间（MTBD）。
1
2.3 常见概念分析
Prognostics :预诊断；在工业中，我们称其为故障诊断，狭义上，指的是对设备使用寿命的预测
Health prediction：健康预测；指的是在近期的时间段内，预测设备健康值的走向，起到趋势预测的作用，还达不到对剩余使用寿命的预测。
Failure：失效；分为硬失效与软失效，硬失效：比如组件的损坏，设备的停机、不良产品；软失效：比如：设备的可靠性降低即设备仍然能运转，但是发生了衰退
Run-to-failure data：全生命周期数据
Measurements：测量：来自状态监测的数据。系统输出：行为数据；系统输入：操作条件数据
Features：特征：从原始数据中提取的信息。
Health index：健康指数
2.4 故障预测的主要方法
​ 

基于机理进行建模，控制学科衍生对故障的检测与分类

混合方法

基于可靠性统计分析来做故障预测

数据驱动方式

从特征空间中我们可以看到，如果设备处于一个健康的状态，它会处于一个特定的分布范围内；如果设备失效的话，则会在特征空间发生漂移，如果我们的设备的状态进行实时监测，我们就可以预测出什么时候跑出失效边界，从而预测剩余寿命。

那么，是不是所有的系统都可以做剩余使用寿命预测？做剩余使用寿命预测需要全生命周期的数据。

上图展示了不同层次的PHM系统功能

健康评估：基于健康状态数据
故障诊断：基于故障数据
故障预测：基于全生命周期数据
2.5实现PHM建模的方法论

数据采集
信号处理、降噪、清洗
特征提取与特征选择
建立健康评估与故障诊断的模型来描述当前对象的健康状态
对健康状态做预测
将评估结果可视化的呈现给用户
3. PHM系统设计
​ 开发流程如下：

需求定义：对象是否适合做PHM，如果适合的话，关注哪一类故障模式，关注什么具体问题
监控层次定义：要做组件级的还是设备级的还是产线级的还是工厂级的
分析模型选择：分析是强数据弱机理还是弱数据强机理，甚至是强数据强机理，取决于使用什么模型
关键参数选择：与第一步、第二步相对应，业务目标与关键参数是关联的
部署策略和实验设计：采集能进行可行性分析的数据，尽量采集完整的工况，并且尽量覆盖到不同的失效模式。如果能有全生命周期数据是最好的
技术和经济性可行性研究
技术开发与线上应用