智能仪表预测性维护关键技术.pdf

2024 年第 4 期仪 表 技 术 与 传 感 器Instrument Technique and Sensor基金项目:国家自然科学基金重点项目(52234007)收稿日期:2023-09-20智能仪表预测性维护关键技术王成城1,2,王金江1,3,张来斌1,3,王 凯1,邬长江11.中国石油大学(北京)安全与海洋工程学院;2.机械工业仪器仪表综合技术经济研究所;3.应急管理部油气生产安全与应急技术重点实验室 摘要:智能仪表是大型工业过程和复杂装备系统传感与控制的“神经”,其健康状态直接影响系统的安全可靠运行。传统的智能仪表通常作为测量工具监测工艺过程和重点装备的运行状态,本体故障的忽视极易导致采集数据不准确、不可靠,影响工业过程管控效率,也易导致操作人员误判,从而引发安全事故。文中通过对智能仪表预测性维护的技术架构进行解析,建立了机理分析、数据采集、特征分析、故障自检、异常检测、故障诊断和寿命预测的技术路线,同时,从复杂工业过程视角将智能仪表分解为“传输”、“传感”和“传递”,总结了仪表本体级和系统级预测性维护的关键技术,分析了智能运维、安全仪表风险管控、信息安全风险管控 3 种典型应用场景,推演了诊断自组态和云边协同架构的技术发展趋势。研究可为智能仪表及系统运维由离线向在线、由预防性维护向预测性维护的转变奠定基础。关键词:智能仪表;预测性维护;异常检测;故障诊断;寿命预测中图分类号:TH-7 文献标识码:AKey Technologies of Predictive Maintenance for Intelligent InstrumentationWANG Chengcheng1,2,WANG Jinjiang1,3,ZHANG Laibin1,3,WANG Kai1,WU Changjiang11.College of Safety and Ocean Engineering,China University of Petroleum;2.Instrumentation Technology and Economy Institute;3.Key Laboratory of Oil and Gas Production Safety and Emergency Technology of Emergency Management Department Abstract:Intelligent instrumentation is the“nerve”of sensing and control in large industrial process and complex equip-ment system,and its health status directly affects the safe and reliable operation of the system.Traditional intelligent instrumenta-tion is usually used as a measuring tool to monitor the running state of process and key equipment,and the neglect of the ontology failure can easily lead to inaccurate and unreliable data collection,affecting the efficiency of industrial process control,and is also easy to lead to misjudgment by operators,resulting in safety accidents.This paper analyzed the technical connotation of predictive maintenance for intelligent instrument,and established the technical route of mechanism analysis,data acquisition,feature analy-sis,fault self-test,anomaly detection,fault diagnosis and life prediction.Intelligent instrument was divided into“transmission”,“sensing”and“communication”from the perspective of complex industrial processes.The key technologies of predictive mainte-nance of instrument ontology level and system level were summarized.Three typical application scenarios of intelligent operation and maintenance,security instrument risk management and control,and information security risk management and control were an-alyzed,and the technological development trends of diagnostic self-configuration and cloud-edge collaborative architecture were deduced.The research can lay a foundation for the transformation of operation and maintenance of intelligent instrumentation and system from offline to online and from preventive maintenance to predictive maintenance.Keywords:intelligent instrument;predictive maintenance;abnormal detection;fault diagnosis;life prediction0 引言工业仪表和控制系统的故障大多是在故障发生的中后期进行应急处理,无法从根本上降低安全事故发生的概率,仪表用户更希望通过预知故障的发生而进行有效应对。预测性维护技术能够发现仪表故障的早期征兆,支撑运维决策,提升运维效率,避免非计划停机,是当前的研究热点和趋势1-2,也是核电、化工等高安全行业的应用需求。传统的工业仪表是将物理信号转换成标准电信号并进行控制和传输的装置,随着现场总线、数据字典(common data dictionary,CDD)、电子设备描述语言(electronic device description language,EDDL)、现场设92 仪 表 技 术 与 传 感 器第 4 期备工具(field device tool,FDT)等技术的应用,工业仪表的性能和功能在逐步提升。然而,在预测性维护方面,学界尚未提出明确的定义和技术路径,部分仪表生产企业虽然提出了预测性维护的概念,但解决方案多围绕状态监测和故障诊断。目前,绝大多数的智能仪表具备基本的故障自诊断功能,能够对仪表内的部分重要模块实现监测和诊断。部分智能仪表组成的控制系统能够基于统计分析方法对仪表输出电信号进行异常检测,判断其是否故障,但基于上述方法诊断出故障的仪表通常处于故障发生的中后期,维护方式多为应急处理,无法从根本上降低安全事故发生的概率。智能仪表在制造系统中,通常围绕工业过程承担测量、控制和执行的功能,其故障诊断的对象也可分为本体层和系统层,其中本体层的故障诊断主要解决仪表本体的故障,系统层的故障诊断主要解决制造系统中故障的耦合与传递。因此,本文从本体层和系统层 2 个维度开展智能仪表预测性维护技术研究。目前关于仪表预测性维护的研究主要基于信号分析,该方法通过对仪表输出电信号的变化开展分析,结合机器学习等分类算法,对仪表的运行状态进行分析与诊断,该方法主要存在以下难题:1)机理耦合问题。仪表信号的耦合导致难以辨析故障模式,故障诊断难以实现故障定位和隔离,仪表的运维方法多采用定期校准或更换,难以实现针对故障部件的维护或维修。2)数据采集问题。由于仪表高度集成,内部原始信号难以采集,外置传感器又受到成本的制约,导致获取的输出信号特征不足,严重影响了预测性维护的有效实施。3)算法有效问题。智能仪表原理和类别多样,针对某类故障开发的诊断或预测算法不具备泛化性,准确性和泛化性难以权衡。1 技术架构以变送器、流量计等为代表的测量仪表,是将从工业过程采集的物理信号转换成标准信号并进行控制和传输的装置,通常包括传递部分和传感部分,其中传递部分负责将物理信号传输至仪表,传感部分负责将物理信号转换成标准信号。根据不同的应用场景,智能仪表的预测性维护具有不同的技术架构,如图 1 所示。当智能仪表执行信号测量功能时,可将其视为单输入单输出系统,且控制信号 u(t)和输出信号 y(t)可(a)信号测量功能(b)状态监测功能(c)反馈控制功能图 1 智能仪表功能模型获取。在此场景下,通过分析测量信号与控制信号的关系,排除过程扰动(如运行工况和参数变化)和测量噪声的影响,即可判断智能仪表的健康状态,也可通过建立测量信号相对于控制信号的变化趋势模型,实现仪表健康状态的预测。当智能仪表执行状态监测功能时,可将其视为多输入单输出系统,控制信号 u(t)和输出信号 y(t)可获取,但测量信号中耦合了监测信号 m(t),即测量信号是监测对象和智能仪表输出信号的耦合。在不增加测量信号的前提下,需要将测量信号分解或对监测对象的运行状态进行判断,才能实现智能仪表健康状态的诊断和预测。当智能仪表在工业过程控制系统中执行反馈控制功能时,可将其视为多输入单输出系统,且控制信号 u(t)和输出信号 y(t)都在不断变化中,仅采用信号分析方法无法实现智能仪表的健康状态的诊断和预测,需要提供额外可信任的测量信号或其他分析方法的支持。与目前预测性维护技术应用较为成熟的主轴、轴承、叶片等旋转类机械设备不同,智能仪表既是被监测系统的组成部分,也是监测信号的输出单元,无法避免系统辨识的问题。同时,与传统仪表被视为黑盒的故障诊断模式不同,智能仪表内部传递、传感和传输模块的故障模式与维修方案差异明显,应在信号分析方法的基础上引入机理模型方法,以提升预测性维护的准确性。构建预测性维护的技术框架,如图2 所示。其中,用于执行信号测量功能的智能仪表,可分为传递、传03 第 4 期王成城等:智能仪表预测性维护关键技术 感和传输3 个模块,分别采集状态数据,依据特征工程实现数据的预处理、特征提取及特征选择,进而实现故障自检、异常检测、故障诊断、寿命预测;用于执行状态监测功能的仪表除上述过程外,还需进行信号的解耦分析;用于执行反馈控制功能的智能仪表则借助传感器阵列、信息转换、系统辨识等技术实现上述功能。图 2 智能仪表预测性维护技术框架2 仪表本体级预测性维护关键技术仪表本体级预测性维护以执行信号测量功能的智能仪表为对象,覆盖较为完整的预测性维护技术框架。2.1 故障模式分析传统仪表在工业系统中只作为测量工具,监测重点装备和工艺过程的运行状态,对其故障模式分析主要集中在仪表本身的机理建模、可靠性分析等,部分研究拓宽至通信等方面,如 Garg3等针对智能压力变送器的故障模式分析,采用目标树(goal tree,GT)和成功树(success tree,ST)进行建模,使用主逻辑图(master logic diagram,MLD)对系统性能及其组件之间的相互依赖关系进行建模,将潜在的故障引入到系统中,识别 9 种潜在的故障模式。Reddy4等针对核电站智能压力变送器的可靠性进行分析,将智能压力变送器与外部设备(HART 通信器和 PC 机)的通信故障纳入了故障模式。Catelani5等通过对具备冗余功能的传感器进行故障模式分析,将智能仪表分解为传感、逻辑求解和执行的过程,分析了温度仪表的12 种典型故障模式和机理。Traore6等采用故障树技术分析温度仪表的 3 类故障模式和原因。Mondek7等对压力变送器、流量计、执行机构等仪表的故障模式,通过仿真建模进行分析。智能仪表的输出信号通常为 420 mA 的电信号,是其故障的重要表征,对应的状态表征类型包括:正常(normal)、失控(hard-over)、偏离(bias)、尖峰(spike)、阻塞(stuck)、不稳定(erratic)、周期性(cyclic)、漂移(drift)、非线性(nonlinear)9 类。在智能仪表和系统中,故障除发生在仪表本体外,还可能发生在前端的介质传递和后端的信号传输过程。因此,从传递、传感和传输3 部分分别梳理故障模式、故障机理、输出信号表征及评价指标,其中,传递部分主要为支持结构件,传感部分分为传感器模块、信号处理模块、显示模块、电源模块等,传输部分主要为通讯传输模块。1)传递部分故障现象主要为测量值失真,故障机理多为环境影响或结构件损坏,以压力变送器为例,故障机理包括导压管堵塞、导压管中有残存液体或气体、导压管泄漏等。此类故障可用输出信号中的偏移、停滞、漂移、非线性等进行表征,一般可用压力波动、信号相位差等进行评价。2)传感部分故障现象较为复杂,以压力变送器为例,传感元件损坏的故障机理包括:破损老化、高压冲击引起的膜片破损或变形,膜盒漏油导致膜片形变量减少等;传感器模块电路无信号输出的故障机理包13 仪 表 技 术 与 传 感 器第 4 期括:传感器电桥故障或断路,压力过载导致传感器损坏等;传感器模块电路输出信号不稳定或有偏差的故障机理包括:传感器内部元器件失效,电容极板之间结垢等;传感器模块信号无标准信号输出的故障机理包括:通讯总线不能正确传输数据,电路板、元器件损坏导致的电路断路,集成数据丢失,信号放大电路不能正常工作,ADC 不能正确转换数据等;信号处理模块输出不稳定、失真的故障机理包括:封装工艺引起的焊接应力造成的偏差,元器件长时间使用氧化、受到振动出现断触等;显示模块损坏或无示值的故障机理主要为:表头损坏等;显示模块显示值不稳定的故障机理为:变频干扰,输出回路中有接触不良或断续断路等;电源模块输出不稳定的故障机理为:电源以及地线中的噪声干扰、浪涌、电火花放电,D/A 变换中的毛刺导致的冲击故障,浪涌保护器对地虚接等8-10。3)传输部分故障现象主要为信号传输不稳定或中断,故障机理包括电磁干扰、信号传输衰减、电缆虚接破损等,此类故障可用输出信号中的尖峰、过强、不稳定、数据乱序或丢包等进行表征,一般可用信号波形峰值、峰峰值、波形上升或下降时间、高低电平偏差、比特速率或时间等进行评价11-14。通过对上述研究的分析整理,形成了10 类故障模式与 28 种故障机理,以及对应的信号表征和评价指标,如表 1 所示。表 1 智能仪表及系统故障模式传递部分(支持结构件,如引压管等)传感部分传感器模块信号处理模块显示模块电源模块传输部分(通讯传输模块)故障现象测量值失真传感元件损坏电路无信号输出电路输出信号不稳定/有偏差信号无标准信号输出信号处理输出不稳定、失真信号处理输出不稳定、失真显示器件损坏/无示值显示值不稳定输出不稳定信号传输不稳定/中断输出信号表征 偏移、停滞、漂移、非线性偏移、停滞、漂移、非线性过强、停滞、偏移尖峰、停滞、不稳定、循环、漂移、非线性过强、偏移、停滞、不稳定、漂移偏移、漂移、非线性偏移、漂移、非线性无不稳定停滞、尖峰、不稳定尖峰、过强、不稳定、数据乱序/丢包评价指标压力波动、信号相位差等压力波动、信号相位差、差分值、峭度值、波动尖峰数等目视检查压力波动等 信号波形峰值、峰峰值、波形上升或下降时间,高低电平偏差、比特速率或时间2.2 异常检测异常检测技术是通过对在线监测数据的分析,根据预置的逻辑判断信号是否异常,可分为2 类:信号分析技术和数据驱动技术。由于无需故障定位,通常将传递、传感和传输一并考虑。2.2.1 信号分析技术信号分析技术主要包括来自统计学和信号处理的方法。基于统计的方法假设系统中的数据点是根据某种统计模型生成的,将任何偏离预期模型的情况视为异常。在统计理论层面,如果分布估计步骤对数据中的异常具有鲁棒性,则基于统计的方法可以在无监督的环境中运行,而不需任何标记的训练数据。但它们依赖数据产生特定分布的假设,该假设对于高维的真实数据集往往不成立,通过构造复杂分布的假设检验,以适应高维数据集较为困难,虽然基于直方图的技术实现相对简单,但对于多元数据,这种技术不能捕捉不同属性之间的相互作用。因此,基于统计学的信号分析技术,适用于单一影响的仪表信号异常,如由于内部元器件失效引起的仪表信号停滞或信号循环15。此外,通过对传输的物理信号质量分析实现异常检测也是一种常见的基于统计方法的信号分析技术。该方法可借助通信信号实现快速的异常检测,但难以分析故障机理并定位故障。基于信息理论技术的方法通过采用不同的信息理论度量(例如,Kolmogorov 复杂度、熵、相对熵等)来分析数据集的信息内容。其优点在于可以在无人监督的环境中操作,并且可以不对数据的基本统计分布作任何假设。但通常只有当数据中存在大量异常时,才能检测异常的存在,且信息论技术应用于序列,往往难以获得空间数据集依赖的子结构大小,因此适用于异常情况较大的仪表信号异常检测,如仪表信号尖峰、信号过强、信号偏移以及信号非线性。基于时间序列分析的方法从仪表读数的先验模型开始,将仪表测量值与其使用时间序列的预测值进行比较,以确定其是否有故障。时间序列分析简单有效,但在处理异常程度很剧烈的异常事件时,达不到23 第 4 期王成城等:智能仪表预测性维护关键技术 令人满意的结果,因此适用于异常情况较小的仪表信号异常检测,如由环境参数引起的仪表信号漂移。基于谱图技术的方法主要是利用捕捉数据中大量可变的属性组合来找到数据的近似值。现有研究一般假设数据可以嵌入到正常和异常情况差异很大的低维子空间中,因此其主要用于处理数据降维问题和适用于多元影响的仪表信号异常检测,例如基于主成分分析(principal components analysis,PCA)、核主成分分析(kernel princi-pal components analysis,KPCA)等的谱图技术。2.2.2 数据驱动技术数据驱动技术主要是指基于机器学习的技术,从一组多层数据实例(训练)中学习模型(分类器),然后使用所学习的模型将测试实例分类到其中一个类(测试)。该方法一般假设在给定的特征空间中可以学习能够区分正常类和异常类的分类器。基于学习估计的方法通过使用训练数据推断正常仪表读数的模型,然后统计地检测和识别故障类别。基于规则的异常检测技术通过学习捕获系统正常行为的规则,而未被任何此类规则覆盖的行为被视为异常。基于强化学习的技术侧重于将情况映射到行动,以便通过数字奖励信号最大化目标。基于深度学习的异常检测技术由于不需要故障标签而得到广泛关注,如卷积神经网络(convolutional neural network,CNN)、递归神经网络(recurrent neural network,RNN)等。综上,智能仪表异常检测的技术分类和应用如表2 所示。下一步研究方向是通过构建新的特征指标,或多种分析技术方法的融合应用,更加及时准确地检测出仪表的异常状态。表 2 智能仪表异常检测技术分类理论基础技术方法应用特点信 号 分 析技术统计方法参数:高斯模型、回归模型或混合参数分布等16非参数:最邻近结点算法(KNN)17-18、Parzen 密度估计19、核函数、直方图20、特征指标分析等适用于单一影响的仪表信号异常信息理论Kolmogorov 复杂度、熵、条件熵、相对条件熵、信息增益、信息成本等21-22适用于异常情况较大的仪表信号异常时 间 序 列分析互相关分析17、非线性自回归23、自回归滑动平均(ARMA)、自回归积分滑动平均(ARIMA)24、残差分析25、卡尔曼滤波26-27等适用于异常情况较小的仪表信号异常谱图分析PCA28、KPCA27等适用于多元影响的仪表信号异常数 据 驱 动技术传 统 机 器学习神经网路、贝叶斯网络、支持向量机、规则、强化学习等监督分类深度学习卷积神经网络(CNN)、递归神经网络(RNN)、自联想神经网络、模糊深度神经网络等无监督自动分类2.3 故障诊断异常和故障的差异在于仪表是否能自动恢复到正常状态。相比于故障,异常还包含了由于瞬间环境变化或设备信号突变影响导致仪表处于短时非正常工作状态,但随后可恢复的情况,因此,故障诊断的目的在于对异常检测的结果进行分析,识别其是否为故障,并对其进行隔离。在基本原理和方法上,异常检测与故障诊断关联密切,针对传输、传递和传感部分的诊断和预测技术也有差异。2.3.1 故障检测智能仪表的故障诊断分析如下:传输部分的故障模式多为支持结构件故障,如压力变送器的导压管堵塞、泄漏等,主要通过针对某些特征指标组合的信号处理方法进行分析。基于压力仪表输出信号进行分析,可通过改变输入、数据划分、训练历元数、隶属函数类型和数据的随机化 5 个变量,从 6 种不同的模型中选择能够准确估计仪表故障时的温度、压力和总容积的最佳模型22。针对导压管堵塞,可采用2 种方法进行诊断:基于压力波动的诊断方法;基于相位差的诊断方法。压力波动诊断方法适用于稳态,但长期压力变化大于压力波动时不适用,因此不适用于气体管道(波动与压力变化接近),相位差方法适用于瞬态,但在压力波动与噪声幅值相当的情况下,无法分辨出高压力阻塞和无阻塞情况23。考虑到管路中存在紊流,压力信号具有随机波动信号,当脉冲管路堵塞时,其波动信号与正常情况不同。常用压差波动均方来评价阻塞状态,但流量对压差波动均方的影响较大,因此开发了一种新的诊33 仪 表 技 术 与 传 感 器第 4 期断技术,用差压、高侧压和低侧压等组成“堵塞因子”作为特定参数来表示每个脉冲线堵塞的程度24。也可通过工艺流程中包含的压力波动频率计数,诊断脉冲线路堵塞。如果阻塞存在,频率会降低,因此,该方法可以诊断脉冲线的状态。该方法的优点是,由于波动频率不随压力的变化而变化,因此单个阈值可以覆盖较宽的过程压力范围,因此,该方法对工艺压力变化具有较强的鲁棒性25。当采用不同类型的传感器进行监测,可对离心泵进水管在一定转速范围内的堵塞故障进行识别。如采用加速度计、压力传感器和电流探头分别采集加速度、压力和电机线路电流特征,用于识别管道堵塞程度,可基于多分类的深度学习算法在不同堵塞程度和泵转速下检测堵塞26。传感部分常用的故障检测方法包括基于单变量控制图的方法、基于模型残差分析的方法、基于信号处理的方法和基于多元统计的方法。如图 3 所示,控制图是用于分析和判断过程是否处于稳定状态所使用的带有控制界限的图,是具有区分正常波动和异常波动功能的图表,常用于监控数据质量。传统的累计和图、稳健的自启动累计和图和自适应累计和图,可用于监控传感器数据的质量27。通过比较发现稳健的自启动累计和图是最有效的,因为它可以检测传感器数据中发生的更大变化,且几乎没有误报。因此,从单个仪表获取的测量值可以使用单变量控制图实现故障检测,不需要故障隔离程序,因为这种方法重点关注仪控系统中的每一个仪表。但由于该方法没有考虑仪控系统中多仪表之间的相关性,因此,无法检测不符合正态相关性的仪表故障。图 3 单变量控制图方法原理图如图 4 所示,基于模型残差分析的方法使用控制系统中的仪表冗余,可以通过观测器建立其相关的仪表的输出预测模型来充当虚拟仪表。通过比较实际和相应的虚拟仪表的输出为每个仪表生成残差,用于检测潜在的仪表故障。常用的有未知输入观测器(unknown input observer,UIO)、滑模观测器(sliding mode observer,SMO)、降阶非线性观测器等。针对四旋翼无人机姿态控制系统中惯性测量单元传感器故障,通过将干扰和故障视为未知输入,通图 4 模型残差分析方法原理图过 UIO 得到精确的传感器故障估计,设计了反馈补偿容错控制器进行故障补偿28。对于传感器系统存在不可避免的扰动和不确定性从而导致系统输出偏差的问题,利用极点配置技术设计了 UIO,通过基于 UIO的残差生成技术对传感器偏置故障和漂移故障进行故障检测。基于 SMO 的多传感器故障重构方法,将故障与外界干扰分离,采用基于 SMO 的状态反馈设计方法设计了滑模容错控制器,补偿传感器故障,实现了对系统参数不确定性和外部输出扰动的鲁棒处理,解决了某些故障重构方法对故障上界要求较高的问题。针对铁路牵引传动系统电压传感器故障进行了研究,通过 SMO 和等效注入信号,得到增益或偏移故障的严重程度并用于远程维护中心进行故障评估。该方法所提出的模型残差不受其他仪表不确定性条件影响,并且可以通过模型残差分析直接隔离故障仪表。如图 5 所示,基于信号处理的方法主要对得到的终端连续输出信号进行谱图分析,包括时频域分析、小波变化、经验分解等方法。现有研究主要通过分析所得信号的峭度值、尖峰数、ADC 值不确定性、功率谱密度等对故障进行判断,但是没有建立故障程度与输出信号变化程度的量化指标,仅通过设置阈值判断仪表是否故障,容易由于环境变化或噪声干扰而引起漏报或者误报。因此为了减少误报漏报情况发生,使智能仪表具有更高的可靠性以及更高的效率,建立故障程度与仪表信号变化的量化指标是后期研究工作的重点。图 5 信号处理方法原理图如图 6 所示,基于多元统计的方法主要包括基于PCA、ICA(independent component analysis)、MMSE(minimum mean square error)、奇偶方程的方法。与基43 第 4 期王成城等:智能仪表预测性维护关键技术 于单变量控制图的故障检测方法相比,基于多元统计的故障检测方法考虑仪表的相关性,因此能够提供更有效的故障检测性能。此外,可以仅使用一个故障检测指标来检测智能仪表和控制系统中每台仪表中发生的潜在故障,因此需要适当的故障隔离方法来进一步识别特定故障仪表。图 6 多元统计方法原理图传输部分的故障模式主要包括:电磁干扰、信号传输衰减、电缆虚接破损等,故障检测方法主要基于信号分析,已在文中进行说明,此处不再赘述。2.3.2 故障隔离故障隔离的方法对传递、传感和传输部分通用,常用的有贡献分析法、缺失变量方法和概率量化法。贡献分析法通过分析仪表输出对监视统计数据的贡献来对故障仪表进行隔离,分为完全分解贡献和部分分解贡献。当多个仪表发生故障时,该方法会产生不准确的隔离结果,因此,这种方法不能隔离多个故障仪表。缺失变量方法将仪表网络分为正常仪表组和故障仪表组。在单个仪表有故障的情况下,首先假定每个仪表依次是丢失的变量。然后,通过从参考和当前健康监测数据集中删除缺失的变量来计算相应的故障检测指数。因此它可用于隔离单个或多个故障仪表。但是由于计算的复杂性,导致故障隔离过程非常耗时。将传感器故障隔离问题视为组合优化问题,并采用自适应差分进化算法求解,明显提高了隔离多个故障传感器的计算效率,因此适用于在线健康监测。概率量化法首先定义仪表故障指数来研究仪表网络中每个故障仪表的可隔离性,通过对其不确定性进行量化来达到故障隔离的目的,同时考虑测量噪声的影响。但是,所考虑的测量噪声必须符合高斯分布。为了隔离特定的故障传感器,可使用基于贝叶斯理论的概率决策过程来量化每个传感器的故障概率。2.4 寿命预测智能仪表寿命预测的技术主要包括 2 类:基于残差信号分析的特征信号提取和性能退化曲线建模预测,以及针对特定故障机理模型和材料性能的寿命预测。针对监测多功能 MEMS 传感器退化并相应地重新校准传感器输出,提出了相应的解决方案。该方案能够根据再校准历史预测剩余使用寿命。使用纠正偏差过程所引起的行为系数变化,而不是直接来自所研究系统的物理参数,降低了算法对运算资源的需求。可通过量化电流-压力传感器故障诊断的不确定度,从而估计其置信度,通过量化的诊断不确定性,利用机器学习原理,将实验结果用于训练高斯过程模型。建立泄漏面积和最小电流的关系,当泄漏面积减少到 20%时即为故障,将泄漏面积转换为时间即可实现预测。采用稳态输出的测量和查表可估计仪表的磨损寿命,用回归估计磨损传播参数和表征损伤级数函数,用来预测系统的未来状态和剩余使用寿命。通过对压力传感器结构进行分解,针对其内部弹性模块进行静力学仿真,再通过应变-疲劳寿命曲线对其疲劳断裂寿命进行预测。该方法针对部分特定的传感器失效模式开展研究,但难以进行模型验证和数据验证。综上,开展智能仪表寿命预测的主要技术瓶颈在于仪表内部结构的复杂性,以及可预测的故障机理与支撑预测的数据量不匹配,同时针对仪表本身的寿命预测并没有强烈的需求,未来的研究重点为通过对仪表大量具备标签的历史运行数据进行记录,结合实时数据与机器学习技术对其展开寿命预测。3 仪表系统级预测性维护关键技术仪表系统级预测性维护以执行状态监测和反馈功能的智能仪表为对象,在特征分析、故障自检、异常检测等方面与本体级预测性维护技术一致,这部分重点介绍在数据采集和故障诊断方面的关键技术。3.1 虚拟传感技术当智能仪表的输出值耦合了多类型故障时,其监测数据会给后续的系统计算、信息解释带来巨大的挑战,虚拟传感技术能够利用观测变量数据间的时序和空间相关性,通过构建某种数学关联模型,推断、解释和预测系统的真实行为特性,实现过程参数监测值的虚拟冗余输出。作为一种先进的传感技术,虚拟传感技术可依据易测在线辅助参数与难测关键变量之间的相关性,通过人工智能模型实时估计设备的退化状态。目前,虚拟传感技术已经广泛应用于测量噪声控制、工业过程控制、设备故障诊断以及飞行器位置估计等领域。53 仪 表 技 术 与 传 感 器第 4 期目前基于数据驱动的虚拟传感模型应用非常广泛,其中以反向传播(back-propagation,BP)和人工神经网络(artificial neural network,ANN)等驱动方法应用最为普遍。虽然普遍存在泛化能力不强、优化参数多、训练时间长以及过拟合等问题,但用于多个智能仪表组成的工业过程控制系统是解决系统故障耦合的主要方法。3.2 系统辨识技术系统辨识技术作为对动态系统控制设计而引入的建模方法已经过了长时间的发展。从方法上看,传统的系统辨识在随机框架下,逐渐形成了利用带噪声的观测数据对系统未知参数进行建模优化的典型形式,发展完善了一大批算法,如递推最小二乘算法、预报误差算法、随机逼近算法、常微分方程法等。用于工业过程系统的系统辨识方法,包括在输出信号预处理思想基础上建立的基于偏差补偿系统建模方法、开环及闭环动态系统辨识、降阶建模、集元辨识、频率特性辨识等,系统建模与反馈的结合所形成的自适应控制。由于反馈控制的效果,一旦出现故障,工业控制系统多呈现为非线性系统,因此也需要考虑非线性系统的辨识问题,目前非线性系统辨识的研究工作是针对某些特殊结构的系统,如 Wiener 系统、Hammerstein 系统、非线性 ARX 系统等,在工业控制系统中的应用仍需开展针对性研究。4 结束语本文对智能仪表预测性维护的技术架构进行了解析,归纳和总结了仪表本体级和系统级预测性维护的关键技术,分析了智能仪表预测性维护的应用场景,推演了智能仪表预测性维护技术的发展趋势,具体如下:1)智能仪表是工业控制系统的重要组成,在系统中既是被监测对象,也是监测过程的组成部分,适用的预测性维护技术与机械设备有较大差异,应对执行信号测量、状态监测和反馈控制等不同功能的仪表进行单独的建模分析。2)建立了智能仪表预测性维护的技术框架,包括机理分析、数据采集、特征分析、故障自检、异常检测、故障诊断和寿命预测,其中部分技术适用于执行不同功能的仪表,但系统级执行状态监测和反馈控制功能的仪表有针对性的预测性维护技术。3)将智能仪表本体级预测性维护分解为“传输”、“传感”和“传递”3 部分,梳理形成了 10 类故障模式与 28 种故障机理,以及对应的信号表征和评价指标,详细分析了异常检测、故障诊断和寿命预测的关键技术,目前主要的研究方向多为信号分析技术或数据驱动技术,采用机理模型与数据驱动技术融合的分析方法将有效提升诊断和预测的准确性。4)智能仪表系统级预测性的研究尚处于起步阶段,虚拟传感和系统辨识技术可适用于多传感信号和非线性系统等场景,但故障诊断和寿命预测的分析效果尚难以评判。参考文献:1 National Institute of Standards and Technology.Measurement science roadmap for prognostics and health management for smart manufacturing systemsR.Maryland:NIST,2016:3-4.2 VOGL G W,WEISS B A,DONMEA M A.Standards related to prognostics and health management(PHM)for manufacturingJ.Intelligent Systems Division Engineering,2014:1-2.3GARG V,PRASAD M,VINOD G,et al.Reliability analysis of smart pressure transmitter C.Reliability,Safety and Hazard Assessment for Risk-Based Technologies:Proceed-ings of ICRESH 2019.Springer Singapore,2020:133-141.4 REDDY Y M,NARNE R,SANTHOSH T V,et.al.Reliability prediction of smart pressure transmitter for use in NPPsJ.International Journal of System Assurance Engineering and Management,2017,8(12):656-662.5 CATELANI M,CIANI L,VENZI M.Failure modes,mecha-nisms and effect analysis on temperature redundant sensor stageJ.Reliability Engineering and System Safety,2018,89(180):425-433.6 TRAORE M,CHAMMAS A,DUVIELLA E.Supervision and prognosis architecture based on dynamical classification method for the predictive maintenance of dynamical evolving systemsJ.Reliability Engineering&System Safety,2015,48(136):120-131.7 MONDEK R,PLESIVCAAK P,NEVSRIVA P.Simulation of the temperature transient response of the bimetallic ther-mometerJ.IFAC Proceedings Volumes,2006,39(21):483-486.8 徐华东.面向智能仪表的故障诊断技术研究D.上海:华东师范大学,2022.9 寇林松.内含微处理器的仪表故障自诊断J.自