摘要
针对大型旋转机组健康管理存在全生命周期数据“整合难”、健康预测评价“量化难”、维修决策“优化难”和系统平台“泛化难”等问题,首先,引入云原生思想,采用容器化技术和微服务架构,设计了大型旋转机组健康管理系统软件开放通用架构;其次,研发了大型旋转机组健康管理系统软件通用平台,包括后台通用开发引擎和前台个性化定制应用程序编程接口(application programming interface, 简称API);最后,提出了大型旋转机组健康管理应用软件“1+3”敏捷化定制开发方案,以通用平台为底座,融合应用对象的数据接入、算法模型封装部署和可视化设计3个关键环节,实现大型旋转机组健康管理应用软件敏捷化开发。通过开放共赢方式让更多模型算法开发者参与构建健康管理业务算法银行,利用系统软件的协同机制解决全生命周期数据整合难题,为构建大型旋转机组健康管理应用软件开发生态奠定基础。
大型旋转机组是服役于国民经济主战场和国防领域的核心装备,特别是航空发动机和燃气轮机,长期在高温、高压、高转速和交变负荷等极端严酷的工况下运行,机组结构复杂,维修决策困难,容易发生故障,甚至引发严重安全事故,造成重大经济损失。因此,开展大型旋转机组健康管理,对保障机组安全运行、降低机组维修成本具有重要意
大型旋转机组健康管理(prognostic and health management,简称PHM)是采用机组全生命周期数据,进行机组故障预测、健康评价和维修决策,是实现远程运维、保障重大装备可靠运行的重要核心技
大型旋转机组全生命周期数据具有不完备性、封闭性和多源多模态性等特点,即:有价值的大型旋转机组健康状态数据小样本居多,同时数据分散且数据质量不高;设计阶段和试验阶段的数据对于制造商、使用数据对于用户都缺乏有效集成和共享机制而相互孤立,数据隐私问题等导致数据持有方对外分享有限;数据缺乏统一标准,呈现格式/协议/架构多样性。针对上述特点,美国通用电气公司(General Electric Company,简称GE)为每一台航空发动机建立履历档案,服役的每一台航空发动机数据均定期传回公司,通过大量数据积累,不断地迭代优化和验证GE航空发动机健康管理系统。空客、波音及美国航空航天局等经过几十年、多批次和大样本数据的积累,不断更新和优化飞行器健康管理系统。国内相关企业信息化建设滞后,非电子化数据居多,难以被有效利用。数据分散在不同运营主体,缺乏有效集成和共享机制,存在数据隐私保护与数据安全、跨域跨机构多源多模态数据间互兼容性等问题,大型旋转机组全生命周期数据整合困难。面对此挑战,除大力加强信息化和数据基础条件建设外,大型旋转机组健康管理系统软件的数据开放共享协同机制在打通机组设计制造数据、用户使用数据和维护数据之间的堵点方面起关键作用。
大型旋转机组具有结构复杂、故障致因繁多以及作业数据特征严重混叠等特点,健康管理中存在部件结构建模、传感数据分析、微弱故障捕捉和多源信息融合困难等问题,导致大型旋转机组关键部件和整机健康预测评价难以量化。因此,需要开展以下工作:①研究大型旋转机组高温高速关键部件性能劣化机理,建立早期故障与特征参量的映射模型;②研究机理模型和作业数据模型的决策级融合方法,建立数模混合增强的关键部件早期故障预测模型和多源信息深度融合的整机早期故障预测模
大型旋转机组类型繁多,服役环境差异大,因健康管理系统软件开发模式及架构固化等原因导致健康管理系统软件平台泛化困难。国外已经形成了大型旋转机组健康管理设计、开发及验证的流程、方法和体系,可结合具体机组特点进行验证和迭代改
综上所述,目前大型旋转机组健康管理面临全生命周期数据“整合难”、健康预测评价“量化难”、维修决策“优化难”和系统平台“泛化难”等问题,需要开放通用可扩展的大型旋转机组健康管理系统软件。针对此,笔者主要论述了大型旋转机组健康管理系统软件架构设计、通用平台开发以及应用软件“1+3”敏捷化定制等方面的研究进展。
开放式通用架构设计原则如下:①引入云原生思想,采用容器化技术,将各个服务打包成容器,实现快速部署和弹性管控;借助云服务的弹性伸缩和自动化运维,提高系统的可靠性和可用性,并将系统解耦,降低系统的复杂性,更好地应对健康管理业务需求的变化;②提升系统架构灵活性,采用微服务架构,将系统划分为相对独立的小服务单元,每个服务单元都有自己的数据库和业务逻辑,彼此之间通过API进行通信,使系统可以根据需要独立扩展,每个服务单元可以独立部署和更新,从而提升系统整体灵活性和可维护性;③加强定制开发敏捷性,采用敏捷开发方法,降低系统耦合性,使得应用系统新增功能通过迭代快速响应需求变化,确保系统软件在不断变化的业务环境中保持敏捷;④支持模型算法复用性,采用开放式算法接口和标准化数据输入输出格式,使各种模型算法可以方便地被集成和替换,建立算法库和模型银行,将经过校验的算法和模型以可复用的形式存储,确保能够在不同场景下被反复利用;⑤动态适配不同设备,通过元数据配置的方式实现对不同设备的动态适配,以兼容不同类型、不同型号和不同厂商的大型旋转机组。
大型旋转机组健康管理系统软件通用平台总体架构见

图1 大型旋转机组健康管理系统软件通用平台总体架构
Fig.1 Overall architecture of system software of PHM for large-scale rotary machinery
笔者采用先进的模型驱动智能应用开发框架,构建了集大数据、云计算和物联网等先进技术于一体的大型旋转机组健康管理系统软件通用平台技术架构,如

图2 大型旋转机组健康管理系统软件通用平台技术架构
Fig.2 Technical architecture of system software of PHM for large-scale rotary machinery
大型旋转机组健康管理系统软件通用平台部署架构如

图3 大型旋转机组健康管理系统软件通用平台部署架构
Fig.3 Deployment architecture of system software of PHM for large-scale rotary machinery
面向大型旋转机组健康管理业务对象划分的、基于松耦合和轻量化通信机制的大型旋转机组健康管理系统软件开放式通用架构,通过开放式API设计和插件化架构,满足业务规模不断扩大及业务模式调整的需要,解决了系统软件架构固化的难题。
笔者基于大型旋转机组健康管理系统软件通用平台的开发需求与架构设计,研制了大型旋转机组健康管理系统软件通用平台,包括后台通用开发引擎和前台个性化定制API接口。大型旋转机组健康管理系统软件通用平台主要功能如

图4 大型旋转机组健康管理系统软件通用平台主要功能
Fig.4 Main functions of system software of PHM for large-scale rotary machinery
设备建模与管理功能涵盖部件建模、模型管理、测点信息管理和对象管理等环节,能够对设备采集数据测点进行配置,可方便地关联主要设备及其相关信息,以便进行数据、模型和服务的共享与应用;支持常用工业协议的适配,负责设备数据采集任务,实现大型旋转机组及采集数据协议定义及多源异构数据的采集,完成大型旋转机组健康管理所需测点数据的接入。数据储存和管理功能建立面向大型旋转机组健康管理的数据仓库,针对不同主题域数据按照数据处理不同阶段内容进行分层存储,支持设备数据、实时监控数据、实时诊断数据、统计分析数据、特征数据和算法结果数据的存储和管理。算法服务功能涵盖模型算法的需求分析、开发调校、验证评估、可视化分析以及交互设计与部署实施等。大型旋转机组健康管理系统软件算法服务封装方案如

图5 大型旋转机组健康管理系统软件算法服务封装方案
Fig.5 The packaging and deployment plan of system software of PHM for large-scale rotary machinery
微服务管理功能开发了基于微服务技术的智能应用服务运行和管理框架,包括微服务容器、微服务治理、API网关、微服务开发管理以及运维管理等,为各种大型旋转机组健康管理应用的持续集成和持续部署提供统一管理运维框架。可视化服务功能支持针对各业务场景定制开发前台可视化应用及Web页面形式的健康管理信息概览页面。平台提供统一的界面开发框架和数据可视化开发工具,方便进行可视化界面设计和二次开发,同时提供即插即用的标准业务组件,所有组件是开放的、可扩展的及可配置的。提供系统软件API接口,包括设备信息类访问接口、设备数据集类访问接口、设备数据类访问接口、设备工况数据类查询接口、算法模型类访问接口、业务数据访问接口、缓存数据访问接口、文件库/文件夹/文件管理接口、自定义任务类查询接口和消息服务接口等。
大型旋转机组健康管理系统软件通用平台支持企业大数据平台、商用数据库和其他个性化数据对接方案,支持通过容器化技术以微服务的形式进行健康算法模型的标准化封装部署,提供API接口进行信息交互以定制开发可视化前台,充分体现了系统软件的开放、通用和可扩展性。
以大型旋转机组健康管理系统软件通用平台为底座,融合应用对象的数据接入、算法模型封装部署和可视化设计3个关键环节,实现大型旋转机组健康管理应用软件敏捷化开发。“1+3”定制集成开发方案如

图6 “1+3”定制集成开发方案
Fig.6 "1+3" customized integrated development solution
笔者基于松耦合技术理念设计了高效的数据服务框架,实现与企业大数据平台、商用数据库等第三方运维平台以及在线/离线检测数据的深度集成。针对工业物联网通讯协议(message queuing telemetry transport,简称MQTT)进行了适配,构建了可部署于公有云端、私有云及现地环境的数据接入服务器集群,包含MQTT服务器和消息队列服务器集群。MQTT服务器对外开放消息服务接口,通过边缘工业网关接收采集端推送的各种类型数据(如结构化、半结构化和非结构化数据),而消息队列则负责对数据进行缓冲并周期性存储,确保旋转机组实时运行数据的稳定接入与处理。
健康管理算法模型的可移植容器打包方案,能够实现多类型模型算法解耦与通用/专用算法对象构建。针对批处理、流处理、实时处理等不同场景需求,独立封装微服务组件,并统一实施算法模型的设计、训练、测试及分析流程,确保模型算法的高效管理和调用。在离线环境中进行模型算法开发与调校,通过数据筛选优化、超参数设计和样本训练,提高模型的性能。随后,对模型算法进行规范化封装,明确输入输出接口、依据库信息、硬件需求以及执行策略,满足平台部署规范要求。在部署阶段,为已封装模型设定执行策略和触发规则,并配置预警、评价及维修策略,上线后进行模型调用管理、资源监控和访问控制。推出了“健康管理业务算法银行”,开发者将能够分享、发布和交流各类先进的算法模型,使用者则能够获得更多高质量、多样化的算法模型,这种开放共赢的业务模式将成为开发者和使用者共同成长的平台,以解决应用中的数据涉密等问题。
所设计的可视化API接口体系,提供了基于Vue框架、Jmix开发平台和WebReal图形化编程云平台等前端可视化定制开发方案,不仅增强与第三方平台的高度集成和定制能力,还能实现系统深度数据分析、图表展示、业务扩展及无缝接入外部环境等功能。针对不同业务分类下的数据存储类型,研发了适应性数据框架并提供多样化数据操作API接口,如API管理、主题式即席查询等,支持用户自定义监测数据、振动数据等多种数据类型,并允许在各个业务维度下进行数据的增删改查操作,同时也兼容常用的时间区间查询、字段筛选和模型匹配等查询条件。为深化数据分析及应用,平台还提供复杂查询接口以及多维分析接口。
基于“1+3”定制开发方案,以大型旋转机组健康管理系统软件为底座,创建了领域知识驱动应用软件敏捷化设计范式,以助推企业制造服务转型。某风电机组健康管理系统开发案例如

图7 某风电机组健康管理系统开发案例
Fig.7 A development case of PHM system for a wind turbine
1) 研制了大型旋转机组健康管理系统软件通用平台,具备成熟稳定的架构、良好的弹性和可配置性,支持业务规模的不断扩大及业务模式调整与变化的需要,开放通用性好,解决了健康管理系统软件平台泛化难的问题。
2) 提出了大型旋转机组健康管理应用软件“1+3”定制开发方案,以可配置的柔性方案满足大型旋转机组健康管理的业务需求,通过微服务开发框架、二次开发接口等方式支持新功能模块和接口的扩充,对于业务变化具有敏捷的适应能力。
3) 构建大型旋转机组健康管理应用软件开发生态,通过开放共赢方式让更多模型算法开发者参与构建健康管理业务算法银行,依托工业软件专业公司进行健康管理系统软件运维管理,利用系统软件的协同机制解决全生命周期数据整合难题。通过构建开放、共享及互助、互利的健康管理业务生态,助推企业制造服务转型。
参考文献
曹明,黄金泉,周健,等.民用航空发动机故障诊断与健康管理现状、挑战与机遇Ⅰ:气路、机械和FADEC系统故障诊断与预测[J]. 航空学报,2022,43(9):625573. [百度学术]
CAO Ming,HUANG Jinquan,ZHOU Jian, et al. Current status,challenges and opportunities of civil aero-engine diagnostics & health management l : diagnosis and prognosis of engine gas path,mechanical and FADEC[J]. Acta Aeronautica et Astronautica Sinica,2022,43(9):625573.(in Chinese) [百度学术]
李思雨,程中华,刘子昌,等.故障预测与健康管理系统研究与应用现状分析[J].火炮发射与控制学报,2023,44(6):99-105. [百度学术]
LI Siyu, CHENG Zhonghua, LIU Zichang, et al. Review and application status of prognostics and health management system[J]. Journal of Gun Launch& Control, 2023,44(6):99-105.(in Chinese) [百度学术]
LIA Y F, WANG H, SUN M X.ChatGPT-like large-scale foundation models for prognostics and health management: a survey and roadmaps[J]. Reliability Engineering and System Safety,2024,243:109850. [百度学术]
REZAEIANJOUYBARI B, SHANG Y.Deep learning for prognostics and health management: State of the art, challenges, and opportunities[J]. Measurement,2020,163:107929. [百度学术]
LIU H, WEI C, SUN B, et al.Adaptive robustness evaluation for complex system prognostics and health management software platform[J]. The Journal of Systems & Software,2023,204:111768. [百度学术]
LI R, VERHAGEN W J C, CURRAN R.A systematic methodology for prognostic and health management system architecture definition[J]. Reliability Engineering and System Safety,2020,193:106598. [百度学术]
HUANG C, BU S Q, LEE H H,et al. Prognostics and health management for predictive maintenance:A review[J]. Journal of Manufacturing Systems,2024,75:78-101. [百度学术]
DING J, LU H, WANG Y, et al. Adaptive angle-weighted cumulative sum for interpretable machine condition monitoring[J]. Applied Acoustics,2024,224:110140. [百度学术]
ZHANG G Y, WANG Y, LI X M, et al. Health indicator based on signal probability distribution measures for machinery condition monitoring[J]. Mechanical Systems and Signal Processing, 2023,198:110460. [百度学术]
XIA X Z, FU X Y, ZHONG S S, et al. A multi-agent convolution deep reinforcement learning network for aeroengine fleet maintenance strategy optimization[J]. Journal of Manufacturing Systems, 2023, 68: 410-425. [百度学术]
XIA X Z, FU X Y, ZHONG S S, et al. Gravity particle swarm optimization algorithm for high-dimensional combinatorial optimization problems[J]. Engineering Applications of Artificial Intelligence, 2023, 117: 105543. [百度学术]