2015年故障预测与系统健康管理国际会议

10月21日至23日，2015年故障预测与系统健康管理国际会议（2015PHM-Beijing）在北京航空航天大学举行。此次会议邀请了17位国际一流专家进行了大会报告。来自航空航天、能源与动力系统、制造业、电力和电子系统、计算机与通信、工业自动化、医疗技术等相关领域学术界及技术管理团体的专家学者参加了会议.

试验系统故障预测与健康管理设计及实现

现阶段试验系统朝着全面信息化趋势发展,单纯靠指挥员、操作员人为判断与维护的安全生产管理办法难以继续施行。系统的故障预测和健康状态管理顺势逐步进入试验系统常规设计要求中,成为研究专项内容进行指标考核。本文以某试验系统建设为契机,探索研究出一套故障预测和健康状态管理程序架构,并在工艺系统设计、测控一体化硬件配置基础之上,通过网络信息交互、下位软件编程、人机交互界面等技术,实现试验系统的高效运维。

铁路信号设备故障预测与健康管理系统研究

在我国铁路线路总长度不断增加的背景下,为保障铁路运输安全性与稳定性,以信号集中监测系统、道岔缺口系统为例,对系统运转过程中的数据信号孤岛、检测不够全面等问题进行研究。分析信号设备故障检修工作需要,以数据统计、数据挖掘、专家规则等现代化信息技术为基础,提出信号设备故障预测与健康管理系统的构建方法,以期在降低各类信号问题的同时,推动铁路信号设备管理创新发展。

基于PHM技术的EOAS健康管理和故障预测系统研究

目前铁路电务部门主要依靠人工和机务故障报修系统的提报信息,对动车组司机操控信息分析系统(EOAS)车载设备进行维护,但无效及误报信息较多,无法满足当前车载设备的运用保障需求。针对该问题,基于故障预测与健康管理(PHM)技术,利用EOAS实时回传的车载设备运行数据和图像信息,通过通用故障建模、大数据技术、图像识别,智能分析运行状态变化,实现EOAS车载设备健康状态在线实时监测、关键部件的故障报警及预测、EOAS全生命周期的健康信息管理,为设备日常运用、维护和管理提供技术手段,实现精准和预防性维修,把当前被动的故障处理转变为故障预防管理。该系统投入运用后,对相关设备维护人员的知识储备、经验能力、熟练程度等要求大大降低;与原人工检测作业对比,检测耗时大幅缩短,有效提升电务部门的设备维护效率和质量,保障了车载设备的持续可靠运行。

天然气管道压缩机组故障预测与健康管理研究

智慧管网具有综合性预判等方面能力,但目前油气管道关键设备如压缩机组非计划停机频发,维修保证策略以“事后维修”和“定期维修”为主,对故障预知预测的研究思路不够清晰、方法不够科学。维修检修需定期开展,故障管控能力及维护策略需进一步提升。总结国内外典型压缩机组及设备故障预测与健康管理(PHM)建设的现状,首次分析了管道压缩机组燃机性能算法、压缩机效率算法、模拟仿真等算法的核心问题、研究方法、关键量化指标及各研究方法的优点。研究天然气管道压缩机组PHM系统的重点难点,对平台融合与系统设计、机组变工况、多元数据分析技术、停机故障失效模型及算法研究、验证评价、知识图谱等重点研究内容提出了思考和展望。此研究对提升油气管道关键设备管理、开展平台融合设计及智能管道核心技术研究具有一定借鉴意义。

船舶低速机故障预测与健康管理技术研究及应用

为了提高船舶低速机运行的稳定性和可靠性以及船舶航行安全性,构建了船舶低速机故障预测与健康管理系统,利用GT-POWER软件搭建了低速机仿真模型数据库,提出了基于性能仿真、油液分析以及振动分析相融合的故障诊断方法。以此为基础,成功研制出船舶低速机故障预测与健康管理系统并完成台架试验,自主设计和开发的系统样机及客户端已成功应用于某6.2×10^(4)t多功能纸浆船,安全稳定运行超过6000 h,完成了相关实船验证,实现了对船舶主机的全生命周期管理,该系统为智能船舶的安全运维开辟了新的方向,对智能船舶的建设具有积极的推动和引导意义。

基于故障预测的雷达健康管理软件设计与实现

本文设计和开发了一个基于故障预测的雷达健康管理软件,软件采用标准的MVC体系架构,具有良好的可扩展性和稳定性。 软件内嵌基于长短期记忆网络(LSTM)的数据驱动的雷达故障预测算法,在一定程度上克服了传统的故障预测算法无法进行长时间记忆的问题,能够处理多变量输入,并以相控阵雷达为应用对象,实现了设备状态的智能健康评估、在线自检和故障预测。

基于健康管理的乘客信息系统预测性维护技术研究

既有的计划修、故障修模式需要耗费大量人力物力,已不符合当前“节能减排、降本增效”的管理模式。要优化检修周期、提高故障排查效率,就需对地铁列车乘客信息系统内各设备的运行状态、故障情况进行更深程度地分析及研究。根据目前各城市对于列车乘客信息系统健康管理的实施现状,文章提出一种基础的车载-地面平台解决方案。该方案通过采集设备部分关键参数,实现对设备运行状态的监测、设备故障的综合分析及设备使用寿命的分析,为故障排查提供针对性的建议,为优化检修周期提供数据上的支撑。

数字孪生支持下软件化雷遥一体设备的故障预测和健康管理框架设计

针对当前高密度的航天发射任务和新域新质战斗力建设的高要求,传统的故障预测与健康管理已无法满足航天测量设备的维护需求。结合新体制的软件化雷遥一体测量设备的研制,本文提出了数字孪生技术支持下的设备故障预测和健康管理设计框架。通过结合雷遥一体设备的复杂结构组成,梳理出构建其数字孪生体模型的关键细节,分析软件化雷遥一体设备的PHM功能需求,以此提出了五层的数字孪生系统架构,并给出了实现PHM服务的具体运行机制。该设计框架为提高新体制软件化雷遥一体设备的全周期运行的可靠性提供了初步方案,同时也为其他典型的装备维护提供了一定的技术支持和理论参考。The traditional prognostics and health management can no longer meet the maintenance requirements of space measuring equipment under the high density of space launch missions and the high requirements of new field and quality combat capability construction. In combination with the development of a new system of software-based radar & telemetry integrated equipment, this paper proposes a design framework of equipment prognostics and health management supported by digital twin technology. By combining the complex structural composition of the radar & telemetry integrated equipment, the key details of constructing its digital twin model are carded out, and the PHM functional requirements of the software-based radar & telemetry integrated equipment are analyzed. Based on this, a five-layer digital twin system architecture is proposed, and the specific operation mechanism for implementing PHM services is provided. The design framework provides a preliminary scheme to improve the reliability of the whole cycle operation of the new system of software-based radar & telemetry integrated equipment, and also provides some technical support and theoretical reference for other typical equipment maintenance.

新能源汽车电池管理系统故障诊断与健康状态评估方法探析

电池是新能源汽车的核心部件,其性能和使用寿命直接影响车辆的续航里程、安全性和经济性,高效的电池管理系统能够优化电池使用效果,延长其使用寿命,提高能量利用效率,降低运营成本。该文分析新能源汽车电池管理系统的结构与功能,探讨新能源汽车电池管理系统故障诊断与健康状态评估方法应用的重要性,提出一种集成新能源汽车电池管理系统故障诊断与健康状态评估方法的策略,以显著提高故障诊断的准确性和健康状态评估的可靠性,为新能源汽车的安全运行和电池使用寿命的延长提供有力支持。

数控机床故障预测与健康管理系统关键技术研究

故障预测与健康管理系统(PHM)是通过对机床状态的监测和故障分析,实现对机床进行健康监测、性能预测和状态评估,并基于此制定维护计划,从而使机床的使用寿命延长。数控机床作为装备制造业的关键装备,其健康状态对制造业发展具有重要意义。目前,随着制造业对数控机床智能化水平要求的不断提高,国内在故障预测与健康管理技术方面取得了一定进展,但总体上处于发展阶段,还没有形成产业化和规模化。因此,本文从数控机床健康监测与故障预测、性能预测、状态评估三个方面出发,分析了 PHM系统中关键技术的实现途径及难点,旨在为提高我国数控机床智能化水平和健康管理水平提供理论参考。

军用飞机供配电系统故障预测与健康管理关键技术

随着飞机多电化和全电化的快速发展,军用飞机供配电系统结构日益复杂、维护难度加大,采用故障预测和健康管理技术对于提高军用飞机供配电系统可靠性、降低维护难度、提高维护效率、实现视情维修具有重要意义。结合军用飞机供配电系统的特点,本文从故障预测与健康管理(PHM)系统构型设计、数据采集需求、机载使用需求三个方面对军用供配电系统故障诊断与健康管理技术进行了需求分析,梳理了当前军用飞机PHM架构发展现状,并针对军用飞机供配电系统特征总结了PHM系统架构特征。针对特征参量提取、信号检测与预处理、故障预测方法、预测效果评估方法等,对PHM重点关键难点技术进行了分析。并就当前军用飞机供配电系统PHM技术发展所遇到的问题,对未来研究方向提出建议。

和谐型机车故障预测与健康管理系统总体设计

为推进和谐型机车周期性计划预防修向数字化精准维修转变、防范重大事故及故障发生,基于大数据和云平台等技术,采用视情维修的开放体系结构(OSA-CBM,Open System Architecture of Condition-Based Maintenance),设计和谐型机车故障预测与健康管理(PHM,fault Prediction and Health Management)系统,包括系统的总体架构、技术架构和功能架构。旨在掌握机车及重要零部件性能演化规律、保证机车在途运行安全、实现精准维修、降低全寿命周期运用维修成本。

故障预测与健康管理系统研究与应用现状分析

当前武器装备不断朝着信息化、复杂化、智能化方向发展,为了以更加高效的方式保障和服务好现代化战争,武器装备在维修过程中需要快速、精准、便捷。故障预测与健康管理(PrognosticsandHealth Management,PHM)的提出和相关技术的发展为解决装备状态信息的实时感知,维修保障需求的快速响应提供了有效技术途径,将成为信息化、智能化时代装备保障的主要模式。分析了PHM系统及其技术、方法在国内外航空、航海、国防及工业等领域中的运用,涵盖传感器技术、嵌入式测试诊断技术、信息传输技术、数据挖掘与融合技术、健康管理与寿命预测方法、智能维护与维修决策技术等。总结和分析了我国PHM发展现状与趋势,对其发展提出了合理化建议。

电力电子器件故障预测与健康管理技术的研究现状和趋势

电力电子器件是电力电子系统实现电能变换与控制的核心组件之一。通过新材料、新结构、新工艺、增加冗余、降容运行等传统手段提高电力电子器件的可靠性越来越难以匹配快速发展的电能变换要求。目前,电力电子器件的故障预测与健康管理(prognostics and health management,PHM)技术已成为研究热点。文中围绕PHM技术的研究现状、挑战以及发展趋势展开论述。首先,梳理状态监测、故障预测、健康管理三者的逻辑关系;然后,详细分析以电力电子器件的结温监测与老化演化为主要研究内容的技术手段;最后,综合现有研究,指出PHM技术在电参数传感、模型优化、混杂多故障预测方面有待深入研究。以芯片技术发展为硬件基础,大数据和人工智能为上层建筑,是电力电子器件PHM技术的发展趋势。

地铁车辆制动系统健康管理技术研究

文中对地铁车辆制动系统健康管理技术进行了研究,依托无线通信、大数据、数据挖掘等智能技术,提供了一套面向制动系统的智能服务解决方案。包括制动系统车载PHM(故障预测与健康管理)单元和地面PHM系统,车载PHM单元可以高效地处理高频数据的计算、传输等,实现在线故障诊断与预警及数据的实时传输和离线传输功能;地面PHM系统基于大数据、云计算等相关技术实现对整个制动系统数据的存储、计算分析和前端显示。实现了制动系统的智能诊断及故障预测,具备在线故障原因快速定位能力,为故障应急处置、故障维修策略制定提供决策支撑,确保列车安全运行、提高故障处置和维修效率。

基于健康管理的卷烟厂卷接设备智能维修系统研究与应用

随着卷烟行业的不断发展,卷接设备的智能维修成为提高生产效率和降低生产成本的重要途径。本文以“基于健康管理的卷烟厂卷接设备智能维修系统研究与应用”为题,针对卷接设备在生产过程中常见的故障和维修需求,提出了一种基于健康管理的智能维修系统,并对其进行了研究和应用。

故障预测与健康管理系统研究和应用现状综述

基于视情维修开放体系结构的PHM系统框架,分析了国外尤其是美国在航空航天、国防军事以及工业等领域已逐步开始得到应用的各种PHM系统及其应用技术和方法,主要包括传感器应用、数据传输、故障预测、自动推理决策以及接口等。最后总结了包括基于故障物理模型方法在内的可用于构建电子产品PHM系统的三种方法的研究和应用现状。

基于数据驱动的风电机组变桨系统故障诊断与健康状态预测研究

文中首先聚焦于风电机组桨叶零位偏移故障,利用GH-Bladed风机仿真软件仿真不同工况下的桨叶零位偏移,研究零位偏差对运行机组叶轮转速、叶根弯矩的影响,并采用风电机组轴向加速度1P谐波幅值和3P谐波幅值之比拟合桨叶零位偏差判定曲线图,构建桨叶零位偏差判定模型。再基于神经网络技术,分析机组实际运行数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)历史数据,完成变桨故障特征提取和数据分析处理,训练添加注意力机制的长短期记忆神经网络(Long Short-term Memory Neural Network,LSTM)模型,构建AT-LSTM变桨健康状态预测模型,并从多个分类模型指标,将AT-LSTM与循环神经网络(RNN)和长短期记忆神经网络(LSTM)进行对比,证明了添加注意力机制对于神经网络带来的提升。

数控机床故障预测与健康管理系统关键技术

为提高数控机床的使用寿命及使用效率,研究了预测与健康管理系统的关键技术,提出了基于混合智能的数控机床故障预测和寿命评估技术,构建了长征718数控机床故障预测与健康管理系统。以丝杠副故障预测及寿命评估为研究对象,提出预测与健康管理系统关键技术应用的实施方案。采用恒模算法的频域滤波器剔除干扰噪声,通过主成分分析方法优化提取的时频域特征,利用混合模型在线构建故障及寿命预测模型。实践运行结果表明,所提方法能实现故障的预报和机床状态的准确评估,具有工业推广价值。