抽水蓄能機組PHM 技術探討

李小兵

（東方電氣集團東方電機有限公司，四川德陽 618000）

0.引言

抽水蓄能機組區別于常規水輪機的重要特點是運行水頭高，其工況更加復雜且轉換頻繁，各運行工況的切換過程中常伴隨水力的大范圍波動，對引水管道、機組等設備的安全穩定運行產生重要威脅，甚至會影響到電網的穩定性。所以對其安全性和可靠性提出了越來越高的要求，并且其維護和保障成本也日益提高，同時由于系統本身復雜時變性、惡劣運行環境和外部等諸多因素影響，出現故障的概率也呈增加趨勢。一旦發生事故，便會造成巨大的人員傷亡、財產和經濟損失，因此對抽水蓄能機組的安全性和可靠性提出了更高的要求。

以往水電機組的設備維護主要是“故障維護”到“計劃維護”，“故障維護”是機組某些部件出現事故之后進行的補救性維護，“定期維護”由于技術成熟度和系統復雜的原因，目前抽水蓄能機組往往重點監測一些關鍵參數，例如振動擺度、壓力，溫度和電壓電流等參數，人工判斷其健康和故障狀態，并結合經驗，進行定期維護維修。

在其他工業領域中，如航空發動機、艦船系統、民用車輛、車間設備等最新提出了設備故障預測與健康管理（Prognostics Health Management, PHM）的概念，PHM 實現了從當前的“定期維護”到智能系統中“基于狀態的維護”的重大轉變。抽水蓄能機組應該借鑒和消化相關技術，實現故障診斷、壽命預測和健康管理的技術升級。

1. PHM 的概念和內容

設備故障預測與健康管理（PHM）是為了滿足自主保障、自主診斷的要求提出來的，是“基于狀態的維護”的升級發展[1]。它強調設備管理中的狀態感知，監控設備健康狀況、故障頻發區域與周期，通過數據監控與分析，預測故障的發生，從而大幅度提高運維效率。

PHM 主要可以劃分為故障預測和健康管理2 個部分。一般而言，寬泛的設備PHM 研究可以包含從數據采集到決策支持的全部過程，是一項全面的、成體系的研究課題[2]。

具體步驟和內容如下所示（圖1）：

圖1 常見的PHM實施流程

（1）數據采集和傳輸：采集用于故障預測與健康管理的設備信號。

（2）數據處理：將數據處理成后繼狀態監測、健康評估和故障預測等部分處理要求的格式。

（3）狀態監測：該部分接受來自傳感器、數據處理的數據，然后將數據與預定的失效判據等進行比較來監測系統當前狀態，并根據預定各種參數指標閾值進行故障報警。

（4）健康評估：進行系統的健康狀態評估，形成故障診斷結果或故障發生的可能性。

（5）故障預測：該部分綜合利用前述各部分數據信息，對被監測系統進行預測其剩余壽命，未來的健康狀態等。

（6）自動推理決策：該部分接受來自狀態監測、健康評估和故障預測部分的數據，通過推理決策產生更換、維修等活動的建議與措施。

（7）外部接口：人機接口與機機接口，實現信息傳遞。

2. PHM 狀態監測和故障診斷技術

狀態監測是實現PHM 技術的基礎[3]，其目的是通過對一個或多個監測變量的實時監測來判斷系統當前的運行狀態，同時為后續的故障診斷和故障預測提供系統運行狀態的基礎性數據和信息，狀態監測方法分為不同的信號來源，例如振動信號、噪聲信號，壓力信號，油壓信號，溫度信號，電壓電流信號等，從監測方法來看，主要有趨勢分析、聚類分析、正常行為建模等方法。

故障預測是 PHM 的核心，其基本原理就是分析和構建故障規律模型，通過狀態檢測提前發現可能的故障。按照技術路線，故障預測技術可分為3 大類：基于經驗模型的故障診斷方法、基于信號分析的故障診斷方法和基于人工智能的故障診斷方法。

3. PHM 技術在水電行業策劃應用案例

抽水蓄能機組中水泵水輪機主軸每天都要經歷多次啟停和正反轉，以及承受緊急停機或者甩負荷等異常工況，需要重視結構的安全性，本文以水泵水輪機主軸為例，嘗試建立一個預測性維護系統，進行應用性的探索，如圖2 所示。

圖2 主軸退化模型

方案搭建過程中有幾個關鍵點：（1）主軸狀態監測。首先需要對主軸的異常值監測，過對力，振動，熱等直觀數據進行實時監測，通過歷史數據統計設置閾值，一旦發現異常就進行報警；其次需要對主軸的異常事件進行監測和記錄。（2）健康評估。健康評估包括綜合評價與智能檢測，綜合評價需要主軸全生命周期數據支持，基于專家經驗、測量手段等構建健康指標，通過對健康指標的歸一化和加權綜合，得到主軸健康評價結果，再通過綜合評價建立起不同健康狀態與系統響應數據的對應關系，為實時智能檢測提供案例數據。智能檢測通過例如深度學習網絡、智能參數優化和遷移學習等混合建模，能夠基于實時數據，快速檢測主軸當前所處的健康狀態，智能化程度高，檢測過程中不依賴專家經驗。（3）退化趨勢預測，分為4個步驟：1）通過健康評估得到主軸所處的健康等級。2）通過試驗和現場數據積累的方式，獲得主軸退化模板。3）通過歷史退化速度和模板比較聯合計算，得到退化至下一等級的大致時間區間。4）有多個退化模板時，將待測主軸與多個模板進行相似度比較，選擇相似度最高的模板。（4）健康管理，對功能和數據進行集中管理，利用大數據統計分析方法生成維護決策，實現數據可視化、功能集成化，構建主軸健康保障/管理系統，實現主軸的預測性維護。

最終，通過大數據平臺將數據傳輸給信息存儲模塊，先驗知識模塊和算法支持模塊，再通過混合建模技術，將分析結果導入主軸服務集合中，這包括健康評估，趨勢預測，統計分析，可視化交互，遠程監控。故障診斷，壽命預測和預測性維護，最后再將服務集合App 的形式推送給相關人員，實現整個PHM 系統的集成。

4. PHM 技術發展趨勢

國際上IEEE 正在制定PHM 相關標準，普及該項技術的應用，國內對PHM 的應用也方興未艾，與人工智能、大數據分析等技術深度融合，在不同應用背景下實現項目落地。

抽水蓄能機組運行工況復雜，傳感器采集的信號往往呈現非平穩、非線性、強噪聲、高相關等特點，如何針對這些特點開展針對性更強的PHM 技術研究，仍然是該領域內重要的學術命題。

此外，PHM 的網絡化檢測、傳輸和應用，將現有主要的離線分析方法變為在線分析方法，融合多個信號，多種故障診斷和預測方法，多決策策略的信息技術以及和數字孿生技術的深度融合都是PHM 技術發展的趨勢。

5.結論

結合抽水蓄能機組的現狀需求，本文對PHM 技術內容和關鍵點進行了介紹，并嘗試性的將該概念引入主軸的預測性維護系統。希望通過本文的介紹和嘗試起到拋磚引玉的作用，使PHM 技術盡快在水電行業內進行探索，落地和普及，提升水電產品的維護維修水平，提升產品的技術含量，加快產業進步，以迎接數字產品時代的到來。