小结
- 预测性维护利用传感器数据和机器学习来检测故障、预测失效,从而仅在需要时才进行维护。
- 一个关键挑战在于真实故障数据难以获取,这限制了模型的训练。
- 数字孪生是物理资产的高保真仿真,它通过生成涵盖各种故障条件和严重程度的合成数据来解决这一问题。
- 将基于物理的建模、仿真和机器学习相结合,即可开发和部署用于在役监测的预测算法。
技术文章
MathWorks 见解
作者:
阅读时间:10 分钟
工业设备发生故障时,带来的问题往往不是更换设备的成本,而是被迫停机。生产线每停工一分钟,就可能损失数千美元。定期维护有助于避免计划外停机,但无法保证设备不会发生故障。
如果机器能够提示某个部件即将失效,会怎样?如果机器甚至能告诉您需要更换哪个部件呢?计划外停机将大幅减少。计划内维护将只在必要时进行,而不是按固定周期执行。这正是预测性维护的目标:利用传感器数据预测何时需要维护,从而避免停机。
开发任何预测性维护算法的核心都在于传感器数据,这些数据可用来训练故障检测分类算法。在预处理步骤中,从这些数据中提取有意义的特征,并用其训练用于预测性维护的机器学习算法。该算法会被导出到 Simulink® 等仿真软件中进行验证,然后以代码形式部署到机器的控制单元。
要在现场从处于典型故障条件下的物理设备采集数据,并非总能实现。任由故障在现场发生可能会导致灾难性失效,造成设备损毁。而在更可控的环境下有意制造故障,又可能耗时、昂贵,甚至无法实现。
应对这一挑战的一种解决方案是:创建设备的数字孪生,并通过仿真生成各种故障条件下的传感器数据。借助这种方法,工程师可以生成预测性维护工作流所需的全部传感器数据,包括涵盖所有可能故障组合和不同严重程度故障的测试。
本文介绍如何使用 MATLAB®、Simulink 和 Simscape™ 为三缸泵设计预测性维护算法(图 1)。我们在 Simscape 中创建实际泵的数字孪生,并对其进行调优以匹配测量数据,然后利用机器学习创建预测性维护算法。该算法只需泵的出口压力,即可识别哪些部件或部件组合即将失效。
泵的 CAD 模型通常可从制造商处获取,这些模型可以导入 Simulink,用于构建泵的机械模型以进行 3D 多体仿真。为了对系统的动态行为进行建模,现在还需要为泵补充液压和电气元件。
创建数字孪生所需的部分参数(如缸径、冲程和轴径)可以在制造商的数据手册中找到,但其他参数可能缺失,或者仅给出了取值范围。在本例中,我们需要知道为出口供液的三个止回阀开启和关闭时的上限压力和下限压力。我们没有这些压力的确切值,因为它们取决于所输送流体的温度。
图 3 中的曲线图显示,使用粗略估计值对泵进行仿真的结果(蓝线)与现场数据(黑线)不够吻合。蓝线与测量曲线在一定程度上相似,但差异显然很大。
我们使用 Simulink Design Optimization™ 自动调整参数值,使模型生成的结果与测量数据相吻合。选定用于优化的参数位于 Simscape 的 Check Valve Outlet 模块中(图 4)。Simulink Design Optimization 会选择参数值、运行仿真,并计算仿真曲线与测量曲线之间的差异。根据该结果选择新的参数值,并运行新的仿真。通过计算各参数的梯度来确定参数的调整方向。由于本例只调整了两个参数,因此很快就实现了收敛。对于参数更多、更复杂的场景,使用能够加快调优过程的功能非常重要。
在图 6 上方所示的泵仿真中,启用了两种故障:入口堵塞和 3 号柱塞的密封泄漏。这些故障以红色圆圈标示。图 6 中的曲线图显示了出口压力的仿真结果,包括连续曲线(蓝色)和加噪采样结果(黄色)。仿真生成的数据必须包含量化效应噪声,因为我们需要使用尽可能真实的数据来训练故障检测算法。
图 6 中的绿色框表示出口压力的正常值范围。有些尖峰明显超出了正常范围,表明存在某种故障。仅凭这张曲线图,工程师或操作人员就能看出泵出了问题,但仍无法准确判断具体是什么故障。
我们使用该仿真生成泵在所有可能故障条件组合下的压力数据。我们为数字孪生创建了约 200 个场景。每个场景都必须仿真多次,以考虑传感器中的量化效应。由于这种方法需要进行数千次仿真,我们希望能够加快数据生成过程。
一种典型方法是将仿真分配到多核计算机的可用线程上,或者分配到多台计算机或计算机集群上运行。根据问题的复杂程度、时间限制和可用资源,可以借助 Parallel Computing Toolbox™ 和 MATLAB Parallel Server™ 实现这种方法。
另一种方法是使用 Simulink 中的快速重启 (Fast Restart) 功能。许多系统需要经过一定的稳定时间才能达到稳态,而该功能正是利用了这一点。借助快速重启,测试中的这一部分只需仿真一次。之后的所有仿真都将从系统达到稳态的时间点开始。在当前示例中,稳定时间约占单次测试所需仿真时间的 70%(图 7)。因此,使用快速重启可节省约三分之二的仿真时间。由于快速重启可以通过 MATLAB 命令行和脚本进行配置,它非常适合用于实现训练流程的自动化。
下一步是利用仿真结果提取机器学习算法的训练数据。Predictive Maintenance Toolbox™ 提供多种提取训练数据的方法。由于我们在这里分析的是周期信号,因此快速傅里叶变换 (FFT) 似乎是最理想的选择。如图 8 所示,结果是少量清晰分离、幅值各异的尖峰,单一故障和故障组合均是如此。这正是机器学习算法非常擅长处理的数据。
每个故障场景的 FFT 结果都会提取到一个表中,表中包含注入的故障以及观测到的信号频率和幅值。因此,需要考虑的参数数量相对较少。
现在,训练故障检测算法所需的全部数据均已就绪,可将其导入 Statistics and Machine Learning Toolbox™。我们将使用所生成数据的一个子集来验证训练好的算法。
我们在 Statistics and Machine Learning Toolbox 中可视化训练过程的结果。借助这些可视化结果,我们可以比较不同算法的优缺点,并确定是否需要更多训练数据。我们从中选出在根据测量数据判断泵故障方面准确度最高的已训练算法。我们将该算法导入数字孪生,并使用为此保存的七个测试用例进行验证(图 9)。最终结果表明,该分类算法能够准确识别全部七种场景。现在,该算法已准备就绪,可部署到控制单元上。
该工作流的一个实际应用场景是:工业设备将在全球各地、差异极大的环境条件下使用。此类设备可能会面临变化:可能会选用新的密封件或阀门供应商,或者泵可能用于输送各种不同的流体,或在昼夜温差不同的新环境中运行。所有这些因素都会影响传感器测得的压力,可能导致故障检测算法不可靠,甚至完全失效。能够快速更新算法以适应新条件,对于在新市场中使用这些设备至关重要。
本文介绍的工作流可以通过 MATLAB 脚本实现自动化,并且大部分工作都可以重复利用。唯一需要重复的步骤是:在与泵现场工作条件相当的条件下采集数据。
随着智能互联技术的最新进展,机器制造商甚至可以先以临时设置向客户交付设备,然后远程采集实际现场条件下的数据、训练故障检测算法,再将其远程重新部署到机器上。这将开辟新的客户支持机会,包括针对已在特定现场条件下使用一段时间的设备重新训练故障检测算法。从众多机器上收集的洞察将使客户和制造商双双受益。
预测性维护可帮助工程师准确判断设备何时需要维护。它让维护可以根据实际需要而非预定计划来安排,从而减少停机时间并防止设备故障。在实际机器上制造训练预测性维护算法所需的故障条件,往往成本过高,甚至无法实现。应对这一挑战的一种解决方案是:利用完全正常运行的机器的现场数据来调优物理 3D 模型,从而创建数字孪生。然后,可以利用数字孪生设计预测性维护检测算法,并将其部署到实际设备的控制器中。该过程可以实现自动化,从而能够快速适应不同的工况、所处理的物料和设备配置。
2019 年发布
选择网站
选择网站以获取翻译的可用内容,以及查看当地活动和优惠。根据您的位置,我们建议您选择:。
您也可以从以下列表中选择网站:
如何获得最佳网站性能
选择中国网站(中文或英文)以获得最佳网站性能。其他 MathWorks 国家/地区网站并未针对您所在位置的访问进行优化。
美洲
欧洲