當工業(yè)設備發(fā)生故障時，導致的問題往往不是更換設備的費用，而是被迫停機。一條生產(chǎn)線靜止不動可能意味著每分鐘損失數(shù)千美元。定期維護可以幫助避免計劃外停機，但不能保證設備不會發(fā)生故障。

如果機器能顯示出某個部件何時會發(fā)生故障呢？

甚至如果機器能告訴您哪個部件需要更換呢？

這樣一來，計劃外停機時間將大大減少。計劃的維護只在必要時進行，而不是以固定的時間間隔進行。這便是預測性維護的目標：

通過使用傳感器數(shù)據(jù)預測何時需要維護，以此來避免停機。

在任何預測性維護算法的開發(fā)過程中，核心都是傳感器數(shù)據(jù)，傳感器數(shù)據(jù)可以用來訓練故障檢測的分類算法。在預處理步驟中，將從這些數(shù)據(jù)中提取出有意義的特征，并使用這些特征訓練用于預測性維護的機器學習算法。將該算法導出到 Simulink 等模擬軟件中進行驗證，然后將代碼部署到機器的控制單元中。

在典型的故障條件下，不可能總是從現(xiàn)場物理設備中獲取數(shù)據(jù)。讓現(xiàn)場發(fā)生故障可能會導致災難性的后果，并致使設備損壞。在可控情況下故意制造故障可能會帶來費時而昂貴的后果，甚至難以實現(xiàn)。

解決這一難題的方法是創(chuàng)建設備的數(shù)字孿生體，并通過模擬為各種故障情況生成傳感器數(shù)據(jù)。這種方法使工程師能夠生成預測性維護工作流所需的所有傳感器數(shù)據(jù)，包括針對所有可能的故障組合和不同嚴重程度故障的測量數(shù)據(jù)。

本文將討論如何使用 MATLAB、Simulink 和 Simscape 設計三缸泵的預測性維護算法（圖1）。

我們將在 Simscape 中創(chuàng)建實際泵體的一個數(shù)字孿生體，對其進行調優(yōu)以匹配測量數(shù)據(jù)，然后使用機器學習創(chuàng)建預測性維護算法。該算法只需要出口泵壓就能識別出哪些部件或部件組合可能會出現(xiàn)故障。

圖1.預測性維護工作流

構建數(shù)字孿生體

三缸泵有曲軸驅動三個柱塞（圖 2）。與單活塞泵相比，柱塞的一個氣室始終處于排氣狀態(tài)，使流動更平穩(wěn)并減少壓力變化，從而降低材料應變。這種泵的典型故障情況是曲軸軸承磨損、柱塞密封泄漏和進氣口堵塞。

圖2.三缸泵原理圖和容積流率圖

泵的 CAD 模型通常可從制造商處獲得，可以導入 Simulink 中，用于建立泵的力學模型，進行三維多體仿真。為了模擬系統(tǒng)的動態(tài)行為，現(xiàn)在需要用液壓和電動元件來補充泵。

在制造商的數(shù)據(jù)表中可以找到創(chuàng)建數(shù)字孿生體所需的一些參數(shù)，如鏜孔、沖程和軸徑，但是其他參數(shù)可能會丟失，或者僅在范圍內說明。

在本例中，我們需要讓三個供給出口的止回閥在高壓和低壓下分別打開和關閉。我們沒有這些壓力的確切值，因為它們取決于所輸送流體的溫度。

圖 3 中的圖顯示，用粗略估計（藍色線）模擬的泵與現(xiàn)場數(shù)據(jù)（黑色線）不完全匹配。藍線在一定程度上與實測曲線相似，但差異明顯。

圖3.使用實測數(shù)據(jù)預估參數(shù)

我們使用 Simulink Design Optimization 自動調優(yōu)參數(shù)值，以便模型生成與實測數(shù)據(jù)匹配的結果。所選優(yōu)化參數(shù)見 Simscape 中的止回閥出口模塊（圖 4）。Simulink Design Optimization 選擇參數(shù)值進行仿真，計算仿真曲線與實測曲線的差值。

基于此結果，選擇新的參數(shù)值進行新的仿真。計算參數(shù)值的梯度，確定參數(shù)應調整的方向。在本例中，由于只調優(yōu)了兩個參數(shù)，所以收斂速度很快。對于具有更多參數(shù)的更復雜場景，使用能夠加速調優(yōu)過程的功能非常重要。

圖4.在 Simscape 中調優(yōu)參數(shù)值

創(chuàng)建預測模型

現(xiàn)在，我們擁有了一個泵的數(shù)字孿生體，下一步是將故障組件的行為添加到模型中。

有多種方法可以添加錯誤行為。許多 Simulink 模塊具有下拉菜單，用于短路或開路等典型故障。改變參數(shù)值即可模擬摩擦或褪色等影響。

在本例中，將考慮三種故障類型：軸承磨損導致摩擦增加、入口堵塞導致通道面積減少以及柱塞的密封泄漏。前兩個故障需要調整模塊參數(shù)。為了模擬泄漏，我們需要在液壓系統(tǒng)中添加一條路徑。

如圖 5 所示，可以從用戶界面或 MATLAB 命令行切換所選的故障條件。在本文給出的模型中，所有的故障條件都使用 MATLAB 命令進行切換。通過這種方式，整個過程可以使用腳本實現(xiàn)自動化。

圖5.模擬三缸泵的泄漏。

可以使用泵模塊對話框（頂部）或命令行（底部）修改參數(shù)。

在圖 6 頂部所示泵的仿真中，啟用了兩個故障：一個是入口阻塞，另一個是柱塞 3 處的密封泄漏。這些故障用紅色圓圈表示。圖 6 中的圖顯示了出口壓力的仿真結果，包括連續(xù)線（藍色）和噪聲采樣（黃色）。仿真生成的數(shù)據(jù)必須包含量化效應噪聲，因為我們需要用盡可能真實的數(shù)據(jù)來訓練我們的故障檢測算法。

圖6. 頂部：泵示意圖，顯示堵塞的入口和密封泄漏

底部：出口壓力仿真圖（藍線）和噪聲采樣圖（黃線）

圖 6 中的綠色框表示出口壓力的正常值范圍。有明顯偏離正常范圍的峰值表明存在一些故障。工程師或操作人員僅憑此圖即可確定泵發(fā)生故障，但仍無法準確判斷具體故障。

我們使用這個仿真來生成泵在所有可能故障情況下的壓力數(shù)據(jù)。為數(shù)字孿生體創(chuàng)建了約 200 個場景。必須對每個場景進行多次仿真，以說明傳感器中的量化效應。由于此方法需要數(shù)千次仿真，我們希望能夠加快數(shù)據(jù)生成過程。

一種典型方法是將仿真分布在多核機器上可用的線程上，或者分布在若干機器或計算機集群上。取決于問題的復雜性、時間限制和資源，Parallel Computing Toolbox 和 MATLAB Parallel Server 支持這種方法。

另一種方法是使用 Simulink 中的快速重啟功能，它利用了許多系統(tǒng)需要一定的建立時間才能達到穩(wěn)定狀態(tài)這一事實。隨著快速重啟，測試的這一部分只需要模擬一次。所有后續(xù)的仿真都將從系統(tǒng)達到穩(wěn)態(tài)的點開始。

在當前的例子中，建立時間約占單次測試所需模擬時間的 70% （圖 7），因此，使用快速重啟可以節(jié)省大約三分之二的仿真時間。由于可以從 MATLAB 命令行和腳本配置快速重啟，因此它非常適合實現(xiàn)自動化訓練過程。

圖7.在Simulink中使用快速重啟功能減少仿真時間。

下一步是利用仿真結果提取訓練數(shù)據(jù)用于機器學習算法。Predictive Maintenance Toolbox 提供了提取訓練數(shù)據(jù)的各種選項。因為我們在這里看到的信號具有周期性，所以 FFT 似乎最有希望。如圖 8 所示，結果是單個故障以及故障組合的少量明顯分離的不同大小的峰值。這是一種機器學習算法能夠很好地處理的數(shù)據(jù)。

圖8.使用快速傅立葉變換提取訓練數(shù)據(jù)

每個故障場景的 FFT 結果會提取到一個包含插入故障和觀察到的信號頻率和幅度的表中。因此，要考慮的參數(shù)數(shù)量相對較少。

現(xiàn)在，訓練故障檢測算法所需的所有數(shù)據(jù)都可用了，可以將其導入到 Statistics and Machine Learning Toolbox 中。我們將使用生成的數(shù)據(jù)的一個子集來驗證訓練過的算法。

我們在 Statistics and Machine Learning Toolbox 中可視化訓練過程的結果。這些可視化使我們能夠比較不同算法的優(yōu)缺點，并確定是否需要額外的訓練數(shù)據(jù)。我們從實測數(shù)據(jù)中選取在確定泵的故障時精度最高的訓練算法。我們將該算法導入到數(shù)字孿生體中，使用為此保存的七個測試用例進行驗證（圖 9）。最后的結果表明，該分類算法能夠可靠地檢測出所有七種場景?，F(xiàn)在可以在控制單元上進行部署。

圖9.導出最精確的模型進行驗證

這一工作流程的實際應用是工業(yè)設備，這些設備將在世界各地千差萬別的環(huán)境條件下廣泛使用。此類設備可能會發(fā)生變化：可能會選擇新的密封或閥門供應商，泵可能使用各種流體運行，并在具有不同日常溫度范圍的新環(huán)境中使用。所有這些因素都會影響傳感器所測得的壓力，可能使故障檢測算法變得不可靠，甚至無用?？焖俑滤惴ㄒ赃m應新情況的能力對于在新市場中使用該設備至關重要。

所述工作流可以使用 MATLAB 中的腳本進行自動化，并且大部分工作可以重用。唯一需要重復的步驟是在相當于泵在現(xiàn)場所面臨的條件下進行數(shù)據(jù)采集。

借助智能互聯(lián)技術的最新發(fā)展成果，機器制造商甚至可以通過臨時設置向客戶交付設備，在現(xiàn)場實際條件下遠程收集數(shù)據(jù)，訓練故障檢測算法，然后遠程將其重新部署到機器上。這將為客戶提供新的支持機會，包括對已在現(xiàn)場特定條件下使用了一段時間的設備進行故障檢測的再訓練。在眾多機器上收集的見解將使客戶和制造商都受益。

預測性維護有助于工程師準確確定設備何時需要維護。它可以根據(jù)實際需要而不是預定的時間安排維護，從而減少停機時間并防止設備故障。通常，在實際機器上訓練預測性維護算法所需的故障條件過于昂貴，甚至無法實現(xiàn)。

解決這一難題的方法是使用全工作機器的現(xiàn)場數(shù)據(jù)來調優(yōu)物理三維模型并創(chuàng)建數(shù)字孿生體。然后，使用數(shù)字孿生體來設計預測性維護檢測算法，以部署到實際設備的控制器中。該過程可實現(xiàn)自動化，能夠快速調整各種條件、所處理的材料和設備配置。