PHM技術在公路隧道運營中的應用探討

摘? 要：隨著國家主干道計劃的實施、公路隧道的規(guī)模不斷增加，所涉及的機電設備數(shù)量和種類也日益龐大。但國內(nèi)對隧道機電設備的后續(xù)管理和維修體系尚未成熟，因此提出了PHM技術以完善現(xiàn)有體系，介紹了PHM系統(tǒng)建模的主要方法，分析了公路隧道機電設備的工作特性，提出了基于數(shù)據(jù)驅動的射流風機PHM建模方法，通過交叉驗證完成了模型測試，證明了將PHM技術運用到隧道運營中具有一定的可行性。

關鍵詞：故障預測和健康管理;隧道機電;數(shù)據(jù)驅動;射流風機

中圖分類號：U453.5? ? ? ?文獻標識碼：A 文章編號：2096-4706（2020）06-0120-04

Abstract：With the implementation of the national trunk road plan，the scale of road tunnel is increasing，and the number and types of electromechanical equipment are also increasing. But domestic follow-up of tunnel mechanical and electrical equipment management and maintenance system is not yet mature. Therefore puts forward the fault prediction and health management （PHM） techniques to improve the existing system，introduced the main methods of PHM system modeling，analyzed the working characteristic of highway tunnel electromechanical equipment，put forward the modeling method based on data driven，cross validation completed test，proved the PHM technology applied to the tunnel operation has certain feasibility.

Keywords：failure prediction and health management;tunnel electro mechanical;data-driven;jet fan

0? 引? 言

中國地域幅員遼闊，地勢復雜，而其中山地和丘陵約占全國土地總面積的43%。為了保證交通的快捷性和便利性，必須修建大量隧道貫穿山嶺以連接兩地。截至2017年末，全國公路隧道共計16 229處、總里程為1 528.51萬米，比2016年增加1 048處、124.54萬米。其中：特長隧道（指>3 km的公路隧道）902處、里程401.32萬米;長隧道（指1 km≤l≤3 km的公路隧道）3 841處、里程659.93萬米[1]。中國是名副其實的隧道建設大國。但國內(nèi)后續(xù)對隧道的故障檢修及養(yǎng)護管理體系研究較少，如何科學有效地維修和管理隧道設備尤其是易損易磨的機電系統(tǒng)成為了隧道運營管理者亟需解決的問題之一。本文以本校合作研究院的機電數(shù)據(jù)平臺為基礎，設計了一種以公路隧道射流風機為研究對象的PHM模型，在一定程度上對風機進行故障預測，輔助管理人員對隧道機電設備的維修決策。

1? 故障預測和健康管理

故障預測和健康管理（PHM）是一種可靠的工程方法，其利用信號傳感、機器學習、物理失效等建模技術，提供實時的健康評估并預測其未來運行狀態(tài)[2]。PHM技術起源于二十世紀七十年代，最早的典型案例是美國軍方運用在A-7E飛機發(fā)動機上的監(jiān)控系統(tǒng)（EMS）[3]。經(jīng)過40余年的發(fā)展，PHM技術現(xiàn)已廣泛運用于民用飛機、輪船、汽車、工業(yè)設備、消費類電子和醫(yī)療設備等系統(tǒng)的設計和使用中[4]，PHM系統(tǒng)的功能包括：設備狀態(tài)實時監(jiān)控、故障預測、對某選定組件進行狀態(tài)預測、對壽命有限的組件進行壽命跟蹤、健康管理等功能[5]。

關于PHM方法的分類，目前尚不統(tǒng)一。目前主流的分類方法為Byington CS、Roemer MJ、Galie T[6]提出的基于模型驅動的故障預測方法、基于數(shù)據(jù)驅動的故障預測方法和基于知識的故障預測方法三類。根據(jù)用于數(shù)據(jù)驅動和模型驅動方法中建模方法的不同，又可以將PHM進行進一步的細分。例如數(shù)據(jù)驅動方法可以分為統(tǒng)計方法和機器學習方法，模型驅動方法可分為系統(tǒng)建模方法和物理失效建模方法[7]。經(jīng)過后續(xù)PHM技術的發(fā)展又出現(xiàn)了結合基于數(shù)據(jù)驅動和模型驅動各自優(yōu)勢的融合預測方法。

1.1? 基于模型驅動的PHM技術

基于模型驅動的故障預測方法主要通過數(shù)學模型來描述系統(tǒng)的物理特性。根據(jù)建模方法的不同可以分為系統(tǒng)建模方法和物理失效建模方法[8]。

1.1.1? 系統(tǒng)建模方法

在系統(tǒng)建模方法中，通過構造一系列數(shù)學函數(shù)、映射來建立物理系統(tǒng)的數(shù)學模型，通過計算監(jiān)測數(shù)據(jù)和數(shù)學模型的殘差來統(tǒng)計估計系統(tǒng)的健康狀態(tài)。統(tǒng)計估計的方法包括Kalman濾波、參數(shù)估計和奇偶相關法。

1.1.2? 物理失效建模方法

產(chǎn)品在制造、運輸、存儲、處理、操作和非操作過程中會受到外力負載。這些生命周期中的負載（熱、機械、化學、電等）會單獨或同時作用于產(chǎn)品，從而導致產(chǎn)品性能下降或物理性能退化，并縮短其使用壽命。其退化程度和速率取決于負載的強度和持續(xù)時間。物理失效建模（PoF）基于識別產(chǎn)品的潛在失效模式、失效機制和失效區(qū)域，并將其作為設備生命周期的條件函數(shù)，每個失效點應力的數(shù)學表達都是關于負載條件、幾何形狀和材料性能的函數(shù)。然后再根據(jù)失效模型來確定故障的產(chǎn)生和傳遞[9]。使用該方法的前提條件為：設備故障是由基本的機械、化學、電氣、熱和輻射過程而產(chǎn)生的。

1.2? 基于數(shù)據(jù)驅動的故障預測方法

數(shù)據(jù)驅動方法被認為是PHM的黑箱方法，因為它不需要系統(tǒng)模型或系統(tǒng)的特定參數(shù)即可進行預測[8]。只需要設備的歷史和實時監(jiān)測數(shù)據(jù)用來了解系統(tǒng)狀態(tài)。因此，基于數(shù)據(jù)驅動的方法適用于復雜系統(tǒng)。該方法的實現(xiàn)通?；谶@樣的假設：直到出現(xiàn)故障，系統(tǒng)性能的統(tǒng)計特征才會改變[8]。數(shù)據(jù)驅動方法的特點是：底層算法實現(xiàn)速度更快，計算效率更高，但是必須要有足夠的歷史數(shù)據(jù)和典型的操作性能數(shù)據(jù)、相關的臨界閾值及其邊界，其可靠性依賴于從傳感器獲取的數(shù)據(jù)和對這些數(shù)據(jù)的分析。數(shù)據(jù)驅動方法又可以分為統(tǒng)計方法和機器學習方法。

1.2.1? 統(tǒng)計方法

統(tǒng)計方法的核心是使用統(tǒng)計參數(shù)（例如均值、方差、中位數(shù)等），基于已知或未知的基礎概率分布進行故障預測。如果已知基礎概率分布，則通常認為統(tǒng)計方法較其他數(shù)據(jù)驅動方法更加簡單，這種方法稱為參數(shù)方法。在這種情況下，可以采用統(tǒng)計參數(shù)估計和假設檢驗來檢測數(shù)據(jù)中是否存在異常。不過大多數(shù)真實世界的可靠性數(shù)據(jù)的概率分布是未知的，所以首先需要構建這些數(shù)據(jù)的概率函數(shù)。這種方法稱為非參數(shù)方法，它為計算帶來了更大的靈活性。因此，非參數(shù)方法可以看作是統(tǒng)計方法的通用方法。PHM的一種廣泛使用的非參數(shù)方法是通過直方圖分析，估計密度函數(shù)則較多使用核方法。

1.2.2? 機器學習方法

在PHM系統(tǒng)中，機器學習方法主要通過歷史數(shù)據(jù)和算法來構建預測模型。模型構建完成后，可根據(jù)實時數(shù)據(jù)進行健康評估并預測其未來運行狀態(tài)。按所選擇的算法不同又可分為監(jiān)督學習和無監(jiān)督學習。

目前用于故障預測及分類的監(jiān)督學習算法包括決策樹、貝葉斯網(wǎng)絡、神經(jīng)網(wǎng)絡、支持向量機（SVM）。

無監(jiān)督學習算法包括了主成分分析（PCA）、k均值聚類、卡爾曼濾波器以及同樣可以在無監(jiān)督學習中使用的神經(jīng)網(wǎng)絡。

1.3? 基于知識的故障預測方法

由于在實際工程運用中，有些設備因為結構或其他原因無法進行準確的建模，同時也沒有足夠的傳感器來提供數(shù)據(jù)支持，所以無法使用上述的故障預測方法。而基于知識的故障預測方法僅需要領域專家的經(jīng)驗知識和少量的數(shù)據(jù)支持。可以作為PHM技術在特殊情況下的補充。目前，基于知識的PHM系統(tǒng)建模技術主要包括專家系統(tǒng)和模型邏輯等方法。

1.4? 融合預測方法

融合預測方法是數(shù)據(jù)驅動方法和模型驅動方法的結合。因基于物理失效建模的預測方法需要系統(tǒng)的準確數(shù)學模型。而基于數(shù)據(jù)驅動的預測方法則需要足夠的歷史數(shù)據(jù)和操作性能數(shù)據(jù)。融合預測方法則克服了模型驅動和數(shù)據(jù)驅動方法兩者的局限性，對于剩余使用壽命（RUL）的估計可以達到很高的準確度[6]。但對于實時分析而言，其所需的計算資源可能不足以支撐其預測。

2? 射流風機的PHM系統(tǒng)建模分析及驗證

機電設備在隧道運營過程中會積累大量歷史數(shù)據(jù)，這些數(shù)據(jù)一部分可以作為數(shù)據(jù)驅動方法中機器學習的訓練集來建立預測模型，另一部分可以作為驗證集以驗證模型的泛化性。實際使用時只需輸入機電設備的實時監(jiān)測數(shù)據(jù)，模型就可根據(jù)這些數(shù)據(jù)得到對未來運行狀態(tài)的趨勢預測。下面以通風子系統(tǒng)中的射流風機為例，驗證將PHM技術運用于公路隧道運營中的可行性。

通風系統(tǒng)作為隧道機電系統(tǒng)中的關鍵子系統(tǒng)之一，起著向外排出機動車廢氣，向內(nèi)輸入流動的自然空氣的作用，可以有效地進行隧道內(nèi)外的空氣置換。防止公路隧道中有害氣體堆積對機動車駕駛人員和行人的身體健康產(chǎn)生危害，同時高濃度的廢氣堆積也會影響駕駛人員的行車視線，甚至在某些極端條件下還會引起爆炸。因此通風系統(tǒng)的正常運行對保持整個隧道的安全質(zhì)量和服務質(zhì)量有著重要作用。

目前大部分的公路隧道均采用縱向通風方式?？v向通風分為如圖1所示的射流式、豎井式、風道式以及噴嘴式。射流式縱向通風是將射流式風機置于車道的吊頂部，吸入隧道內(nèi)的部分空氣，并以30 m/s左右的速度射吹出，用以升壓，使空氣加速，達到通風的目的[10]

而射流風機作為隧道通風子系統(tǒng)的重要組成部分之一，其運行狀態(tài)決定了整個隧道的通風質(zhì)量。所以有必要對射流風機的運行狀態(tài)進行實時監(jiān)測，根據(jù)監(jiān)測數(shù)據(jù)進行故障預測，根據(jù)預測結果進行事前維修，降低設備故障對隧道正常通行產(chǎn)生的影響。

基本的研究流程為：

（1）確定特征參數(shù)并安裝傳感器以獲得數(shù)據(jù);

（2）對數(shù)據(jù)進行預處理;

（3）選用合適的算法搭建模型;

（4）驗證測試模型;

（5）修改模型;

（6）根據(jù)模型計算結果輔助維修方案的決策。

2.1? 傳感器安裝

常見的射流風機由消聲器、風機本體和吊裝支架構成。風機本體又包括電機和風機葉輪兩個部分。風機在運行過程遇到的主要故障主要分為三類：

（1）電機運行異常，包括電機軸承故障或電機運行溫度過高;

（2）風機的固定部件松動;

（3）葉輪不平衡[11]。

針對上述故障，射流風機的數(shù)據(jù)采集宜采用兩個振動傳感器，分別采集徑向水平和垂直方向的振動;一個溫度傳感器，用以采集電機軸溫;三個電流傳感器，用以采集三相電流;三個電壓傳感器，用以采集三相電壓;一個轉速傳感器，用以采集風機轉速。

2.2? 數(shù)據(jù)預處理

數(shù)據(jù)的預處理可以分為異常剔除，缺失剔除、特征降維和信號降噪。異常和缺失剔除是為了去除隨機大峰值信號和傳感信號丟失對模型建立的干擾。對于機器學習而言，一個模型的輸入特征向量維度越高，其獲得的最終模型就越精確。然而在實際訓練中，高維度特征向量的輸入往往會引起算法的計算量大量增加，且這些特征向量中包括了與故障發(fā)生并無聯(lián)系的干擾特征以及大量噪聲，為此還需對數(shù)據(jù)進行進一步的處理。

2.2.1? 主成分分析（PCA）

在實際情況中，輸入向量的特征之間可能存在一定的相關性，這也意味著特征與特征之間存在重疊信息。PCA算法可以在剔除一部分特征屬性的同時保留原始數(shù)據(jù)的大部分信息，以達到降維的目的。PCA算法的基本原理是：一個高維數(shù)據(jù)集如果能夠被相關變量表示，那么只有一些維的數(shù)據(jù)才有意義，這些數(shù)據(jù)包含了最多的信息。其數(shù)學方法為通過正交線性變換，將數(shù)據(jù)的坐標按照其方差的大小進行排序，得到各個主成分[12]。假設有數(shù)據(jù)集D包含m個樣本，每個樣本的特征數(shù)據(jù)為x，樣本標簽為y，則有：

對S進行特征分解，得到特征值Λ與對應的特征向量Q，其中Λ的大小代表了該特征值所對應的特征向量Q所包含的信息量。將特征值排序后丟棄排名靠后的部分，并將剩余特征值所對應的特征向量構成矩陣M。

x=z*M

x即為降維后的訓練數(shù)據(jù)。

2.3? 模型算法

2.3.1? 支持向量機

支持向量機（Support Vector Machine，SVM），在機器學習中屬于監(jiān)督式學習模式，即對于給定的訓練樣本集D={（x1，y1），（x2，y2），…，（xm，ym）}，每個樣本的類別標記y都需已知，在故障預測中可令yi∈{-1，+1}。

SVM用于分類學習時，其最基本的思想就是基于給定的訓練集D，在樣本空間中找到一個劃分超平面：

使得樣本到平面的幾何間隔取到最大。對于線性可分的訓練數(shù)據(jù)而言，線性可分離平面有無窮多個，但是幾何間隔最大的分離超平面是唯一的。為了表示不同分離超平面的區(qū)分效果，引入間隔γ表示訓練集D中離超平面最近的樣本點到超平面的距離：

在超平面已知的情況下，γ值越大，說明超平面的劃分效果越好，模型的魯棒性越強。因此SVM算法的目標就是求解下述方程：

2.3.2? 核方法

上述方法中，給定的訓練樣本是線性可分的，即存在一個劃分超平面能將訓練樣本正確分類。然而在實際情況中，訓練樣本可能不是線性可分的，即在原始樣本空間中并不存在劃分超平面。此時可將樣本從原始空間映射到一個更高維的空間，使得樣本在此空間中線性可分[13]。存在現(xiàn)有定理如下：如果原始樣本屬性特征有限，那么一定存在一個高維特征空間使樣本可分。解決問題的關鍵就轉化為了選擇合適的核函數(shù)，使得樣本能在保留原始信息的前提下，映射到更高維的空間。

表1列出了幾種常用的核函數(shù)。

2.4? 模型建立與驗證

模型的建立主要利用了Python及機器學習相關庫。數(shù)據(jù)導入，查詢部分數(shù)據(jù)如表2所示。

對數(shù)據(jù)進行標準化后，進行PCA降維。將數(shù)據(jù)集分成訓練集和驗證集，并在模型訓練時加入?yún)?shù)網(wǎng)格尋優(yōu)和交叉驗證，以提高模型的預測準確性及泛化性。

經(jīng)驗證集驗證，當選擇高斯核為核函數(shù)，且參數(shù)選擇如下所示時，模型的預測準確率可達到96%：

SVC（C=1.0.cache_size=200，class_weight=None，coef0 =0.0，decision_function_shape=ovr，

Degree=2，gamma=5，kernel=rbf，max_iter=-1， probabiblity=False，random_state=1，shrinking=True，tol=0.001，vervose=False）

C：懲罰系數(shù)

degree：degree決定了多項式的最高次冪

gamma：即高斯核中的σ

kernel：核函數(shù)，rbf即為高斯核

3? 結? 論

PHM技術利用傳感技術、機器學習、數(shù)學建模等方法對設備進行實時的健康評估并預測其未來運行狀態(tài)，進而完成對設備的預知維修，防止產(chǎn)生設備故障帶來的負面影響，具有廣闊的運用前景。本文介紹了幾種典型的PHM方法，并利用數(shù)據(jù)驅動方法中的機器學習，對隧道機電系統(tǒng)中的射流風機進行了建模，達到了預期目標，證明了將PHM技術運用到隧道運營中具有一定的可行性。

參考文獻：

[1] 佚名.截至2017年末中國大陸公路隧道數(shù)據(jù) [J].隧道建設（中英文），2018，38（3）：398.

[2] QU Y J，MING X G，QIU S Q，et al. An Integrative Framework for Online Prognostic and Health Management Using Internet of Things and Convolutional Neural Network [J].Sensors，2019，19（10）.

[3] 曾聲奎，Michael G.Pecht，吳際.故障預測與健康管理（PHM）技術的現(xiàn)狀與發(fā)展 [J].航空學報，2005（5）：626-632.

[4] 李春.故障預測與健康管理（PHM）技術介紹 [J].中國高新技術企業(yè)，2008（15）：43-44.

[5] HESS A，CALVELLO G，DABNEY T. PHM a key enabler for the JSF autonomic logistics support concept [C]// IEEE Aerospace Conference. IEEE，2004：3543-4549.

[6] BYINGTON C.S，ROEMER M.J，GALIE T. Prognostic enhancements to diagnostic systems for improved condition-based maintenance [C]//Aerospace Conference Proceedings，IEEE，2002：2815-2824.

[7] SUTHARSSAN T，STOYANOV S，BAILEY C，et al. Prognostic and health management for engineering systems：a review of the data-driven approach and algorithms [J]. The Journal of Engineering，2015.

[8] PECHT M，JAAI R. A prognostics and health management roadmap for information and electronics-rich systems [J]. Microelectronics Reliability，2010，50（3）：317-323.

[9] PECHT M，GU J. Physics-of-failure-based prognostics for electronic products [J]. Transactions of the Institute of Measurement and Control，2009，31（3-4）：309-322.

[10] 楊超，王志偉.公路隧道通風技術現(xiàn)狀及發(fā)展趨勢 [J].地下空間與工程學報，2011，7（4）：819-824.

[11] 倪偉，李世立.基于振動分析的射流風機故障診斷與健康監(jiān)測方法 [J].現(xiàn)代信息科技，2019，3（17）：140-142+144.

[12] 李永亮.基于機器學習的故障預測與健康管理（PHM）方法研究 [D].成都：電子科技大學，2017.

[13] 柏帆.支持向量機輔助卡爾曼濾波在不動產(chǎn)實地調(diào)查技術中的研究 [D].南京：東南大學，2018.

作者簡介：沈家怡（1995-），男，漢族，浙江寧波人，研究生在讀，研究方向：隧道機電。