轴承智能管理

CPS的智能管理单元同样是CPS应用体系中的最小个体，其核心目的是使零部件和装备在具备自省性、自比较性和自预测性的基础上，面向系统运维管理的整体目标，动态调整其使用和维护的排程等管理计划，从而使整个系统以最低的成本保持最佳的效能，实现整个系统的零宕机连续运行。

CPS的智能管理单元与传统的ERP等信息系统的区别在于，信息系统通常是基于相对固定的规则和策略，利用信息流对系统的活动流程进行调度和管理。这样的方式非常依赖管理经验和组织模式，且无法保证系统在动态的活动环境中自适应地保持最优的运行方案。而CPS的智能管理单元则是在原有信息系统（前端与数据流相连接，后端与业务系统相连接）的基础上，利用数据驱动的方式，根据状态和环境的实时信息，不断优化面向活动目标的动态策略。因此，原有的信息系统主要是经验驱动，而CPS的智能管理单元则是模型加数据驱动，相较于原有的信息系统具备更好的自成长性和自适应能力。

CPS的智能控制单元主要包括以下几个要素：感知、分析（基于多维数据融合）、决策、管理。智能管理单元中的分析部分与控制单元的分析部分有所不同，主要依靠基于多维数据融合的机器学习模型和认知计算，对数据来源和分析维度的丰富性要求较高，但是实时性并不需要很强，主要追求决策维度的全局性和宏观性。

我们通过在轴承健康管理方面的应用案例来说明CPS的智能管理单元的应用方式。

轴承是旋转机械的核心零部件，也是工业系统中应用最多的机械部件之一。轴承的健康管理一直是工业界的难题，作为旋转机械的核心承载和动力传输部件，轴承损坏会造成系统突然“抱死”，从而引发系统的严重损伤和安全事故。由于对轴承的在线健康管理缺少精确可靠的手段，目前工业界中的大部分轴承健康管理依然采用定期更换和维护的方式。以中国的高铁轴承为例，按照运行里程分为5个级别的维修，第三级维修（行驶60万公里）需要将动车组返回原厂进行轴承的拆解检查，一旦发现变色或压痕等轻微损耗问题就会直接更换新的轴承。虽然轴承的设计使用寿命通常在行驶200万公里以上，但是三级维修中报废的轴承占了很高的比例，这些轴承中的大部分依然满足安全行驶的条件，无差别地进行报废处理对中国高铁的运维成本造成巨大的浪费。

轴承健康管理的难题，主要在于两个方面，一是对早期故障的精确识别，二是对剩余寿命的精确预测。解决了这两个难题，就可以将精确的健康状态信息与运行计划相结合，优化维护排程计划和维护资源的管理。

解决第一个难题需要特殊的信号处理与特征增强技术，使埋没在噪声中的早期故障特征能够被识别出来。数据科学的方法在这个问题的解决中并不太适用，需要专门学科的研究人员结合应用场景和轴承的设计参数等应用经验，不断开发新的信号处理和特征提取的算法工具。轴承剩余寿命预测的前提是健康状态评估，在轴承的故障特征被提取后，可以使用模式识别等机器学习算法判断轴承当前的故障模式及严重程度。这些算法通常需要大量的历史样本数据进行对模型的演算，而在历史数据不多的情况下，也可以利用多参数过程控制与时间序列预测集合的方法，对轴承状态的偏差程度进行评估和趋势预测。

在对设备或关键部件进行健康管理的时候，通常从三个方面判断对象的状态，即变化量、变化性和变化率：

（1）变化量：评价当前的特征模式与健康状态下的差异量；

（2）变化性：特征模式的变化方向所反映出的故障模式及根本原因；

（3）变化率：变化量的增长速度，反映了设备健康的劣化速度。

在根据健康状态信息进行决策时，需要综合考虑上述三个方面，其中需将变化量与变化率结合进行综合判断，如果变化量虽然存在，但是变化率很低，说明健康状态依然是平稳的；但如果变化率很高，则意味着需要马上采取措施。

在对数据驱动的健康管理方法（PHM）的原理进行阐述之前，首先要对“特征”这个重要概念进行解释。

什么是特征？特征即为从轴承的温度、振动、声学等监测信号当中抽象提取出的、与判断某一事物的状态或属性有较强关联的、并可被量化的指标。例如在轴承的振动监测信号中，不同的故障模式对应了不同的包络谱频率上的幅值，而一些先进的信号处理手段能够对这些故障特征进行降噪和增强。

然而仅仅依靠几个特征是不够的，即便是同一个信号中依然可以提取出多个特征，数据驱动的预测与健康管理（PHM）方法正是通过对高维大数据的融合分析来建立健康状态模型。这些特征之间存在着一定的相关性，其变化情况也有若干种不同的组合，将这些组合背后所代表的意义用先进的机器学习和人工智能方法破解出来，即是进行数字建模和预测的过程。因此，利用数据驱动的PHM建模方法能够对温度、振动、声学、轨道动力学等不同监测手段所产生的信息进行融合分析，以提高故障预测和诊断的准确率。

从分析的实施流程来说，数据驱动的智能分析系统采用了如图5-3所示的分析流程框架，包括7个主要步骤：数据采集、特征提取、性能评估、性能预测、性能诊断，以及结果同步和可视化。

图5-3 以数据为驱动的健康管理分析流程

可用数据包括了传感器信号、状态监控数据、维护历史记录等。这些数据可以用特征提取的方法进行处理从而得到衰退性的特征。基于性能特征，生产系统的运行状况可以通过健康置信值（confidence value）来评估和量化。另外，可以在时域内预测特征在将来的值，从而可以预测性能的衰退趋势和问题发生的剩余时间。最后，诊断方法可以用来分析问题产生的根本原因，同时进行问题诊断。这个智能分析系统的范例已经被广泛地应用，尤其是在生产系统中设备的预测性维护和健康关系方面，从简单的机械元件（如轴承）到复杂的工程系统（如发动机），从机械设备到集成系统，从单个机器到生产线，从能源产业到制造业等，都有非常成功的应用。不论各个应用的区别如何，它们都有一个共同的特征，就是通过算法或技术在关键步骤上获取和分析信息，并利用分析结果对决策进行推演和优化。即使对于同一个应用领域，也要根据不同应用的实际情况（如稳态或瞬态信号、数据维度、有无足够样本等）来选择算法工具。因此，需要开发针对预测与健康管理的算法模块工具库，将常用的智能分析算法进行模块化和标准化的封装，并且评估每一个算法在不同情况下的优势和劣势，采用一种系统化的方法来把每个算法的适用度进行优先级排序，从而减少实际应用开发中反复试验的次数。

IMS中心在十几年的研究和应用经验的基础上，开发了针对轴承健康管理的“Virtual Bearing”分析平台，并将其部署在AWS云计算平台上。此平台上整合了面向轴承振动监测的信号处理与特征提取算法包，并根据IMS中心的研究经验配置了针对不同故障模式的特征选择经验库。在健康评估、故障模式识别和剩余寿命预测方面，IMS中心将常用的数十种机器学习算法模型进行模块化封装后在平台上进行了部署，支持可视化编程调用和快速验证及部署。IMS中心还与PARC实验室合作，将深度学习神经网络运用在了轴承的故障特征选择及剩余寿命预测方面，与传统的机器学习和时间序列预测相比，可使精确度得到大幅提升。在应用方面，IMS中心的轴承健康预测技术已经被成功运用在风电、电机、机床、直升机等多个场景。IMS中心的博士生们在2016年成立的创业公司Cyberlnsight Technologies（北京天泽智云科技有限公司）也在对平台进行二次开发，将它运用到更多的领域中。

类似于Virtual bearing这类的垂直应用平台也有助于帮助中国企业积累核心零部件的设计和制造能力，为零部件制造商、集成制造商和最终用户之间的合作提供了一个平台。以我国高铁产业为例，目前设计时速380公里的高铁轴承主要依靠进口，借助Virtual bearing平台，可以从高铁运行的数据中掌握轴承的整个衰退过程（包括衰退量、衰退率和衰退性等影响因素和特性），这样中国可以与这些企业合作，进行面向高铁使用场景的新轴承改良和研发，从而在核心零部件端获得话语权。从使用中获得新知识的途径中，CPS在管理端可以产生面向基础单元的智能，从使用中挖掘设计端的缺失和知识，建立自主创新的基础。