复杂工程系统故障预测与预测维护理论及关键技术研究

目前绝大多数企业都采用预防性维护策略， 即：定期大修。该策略不可避免的会造成维护不足或维护过剩问题。预测维护将从根本上改变这一局面，可以产生重大的经济效益，并可以大大减少灾难性事故的发生，因此具有重要的理论和应用价值。本课题的研究目标就是针对预测维护中的若干核心理论与技术问题进行研究，获得一些原创性的研究成果。基于对国内外的研究现状分析， 我们把研究题目确定为：复杂工程系统故障预测与预测维护理论及关键技术研究。 在不能得到系统精确模型的前提下，综合采用智能的和信息处理的方法，基于获得的大量历史数据，研究复杂工程系统的：1) 基于数据驱动的故障预测技术；2) 基于半定量信息的故障预测技术；3) 基于多源信息融合的故障预测技术；4) 可靠性实时评估与预测理论与方法；5) 系统最优维护时机的确定方法；以及 6) 工程应用验证。 2100433B

电机预测性维护电机预测性维护的优势

预测性维护是从预防性维护发展而来的更高层次的维护方式，它以设备状态为基础，以预测设备状态发展趋势为依据。通过信息采集、处理、综合分析后有目的安排维护的周期和维护的项目，“该修则修，修必修好”。它和传统的维护方式相比，具有明显的优势 ：

1、从内部来看，预测性维护用于优化生产操作，将会带来20-30%的效率增益 。

2、从外部来看。设备制造商和相关企业如果引入预测性维护服务，则有可能“一劳永逸”地扭转当前竞争业态。

3、克服预防性维护的盲目性，具有很强的针对性。根据状态的不同采取不同的处理方法，降低运行检修费用。对于状态差的设备及时安排测试，对于状态好的设备可以延长维护周期，从而节省人力、物力和财力，有效的降低维护成本和维护风险 。

4、减少停运（总维护）时间，提高设备可靠性和可用系数，延长设备使用寿命，更好地贯彻“安全第一，预防为主”的方针 。

5、减少维护工作量，降低劳动强度，有利于减员增效，提高经济效益 。

6、从战略角度评估，预测性维护代表这工业服务化和未来商业模式的转变的历史选择 。

据不完全统计，预测性维护为企业节约包括：生产率增加：2%~40%，维修费用减少7%~60%，产品质量得到提高（重现加工和次品率减少5%~90%）,设备寿命延长1~10倍，备件库存减少10%~60%，库存周期延长高达75%，能量消耗减少5%~15%，过程停机减少多达70% 。从这组数据不难看出只有通过有针对性预测性维护，企业才有可能减少维修费用，提高工厂运行时间，并最终增加效益。

纵观故障性维护、预防性维护和预测性维护三种设备维护保养类型，预测性维护不言而喻是一种维护成本最低、设备工作效率最高的新型设备维护保养方式。随着人工智能、大数据、云计算和物联网的发展，设备预测性维护的实施和推广应用越来越容易，随着组织对成本控制关注度的提升、对运作效率的的追求，预测性维护必将成为企业设备自动化管理能力提高、设备维护保养过程优化、设备自动化和智能化应用推广的必备手段，同时预测性维护也成为组织自动化和智能化在设备维护保养管理的新起点 。

电机预测性维护如何实现电机预测性维护

电机预测性维护的核心是基于状态为依据的一种维护方式，亦是被动变主动的一种新兴维护方式；对电机进行状态维修的基础是对电机运行进行可靠的状态监测与准确的故障诊断，而故障诊断的基础又是对电机故障进行深入的机理分析，识别故障的早期征兆，对故障的性质、部位、故障程度、故障发展趋势做出判断，在电机性能下降到一定程度或故障将要发生之前主动实施维护；电机状态监测与故障诊断为电机维护工作提供了强大的技术支持，为实现电机预测性维护提供了必要的前提条件和技术手段，使传统的预防维修上升到预测维修，为弥补和克服传统设备维修不足创造了必要条件 。

在企业对设备的管理走向预测性维护迈进的过程中，各种不同类型的企业根据其设备维护保养能力、使用设备先进性的不同，采用不同的状态监测和故障诊断方式。部分企业通过购买状态监测和故障诊断检测设备，来实现预测性维护；如电机智能管家和振动仪等。电机智能管家是实现电机状态监测与故障诊断的仪器，通过对电机运行电流的谐波分析，结合从上百万台故障电机中总结的故障特征模型，即可对电机各部分运行状行评估。维护人员可直接根据评估结果针对电机故障制定检修维护计划，真正实现预测性维护，为企业降低运营成本、提高生产收益 。但是也有一些设备管理能力比较强的企业，往往也会结合自身设备使用状况、设备故障维修经验，基于传感器技术，采集大数据分析，实施基于状态监测的预测性维护，以降低设备购置成本和维护成本，提升设备绩效、提升企业的核心竞争力 。

电价预测预测中输入参数的选择

电力系统的预测问题并不仅仅局限于电力系统内部，它实际上要受到许多外界因素的影响。因此如何在预测输入参数中引入一些主要的相关因素来高预测精度，就成为一个非常值得深入研究的关键问题。

电价受到许多诸如发电方报价模式等人为因素的影响，但这些人为因素在数学模型中是难以确定的，由于历史报价在一定程度上反映了发电方的报价模式，所以通常将其作为影响未来电价的一个主要因素!ao }。除此之外，人们普遍认为电价受电力需求的影响比较大，所以常将负荷作为模型的另一个主要输入参数，但有学者!at]指出:并非所有的市场模式下负荷与电价都强相关，因此，仅仅以预测负荷和历史电价作为模型的输入参数并非一定是合理的。考虑到电价受电力市场供求状况的影响比较大，因而近年来不少学者定义并选取了一些能较好反映市场供求状况的指标作为模型输入参数，如表1所示。文献[38]通过引入衡量市场力的新指标一必须运行率(MRR }从而充分考虑了发电方实施市场力对电价走势的影响。

为了更好地提高电价预测精度，预测模型的研究应基于对实际电力市场的细致研究，与相关因素分析相配合，尝试对历史数据进行数据挖掘，从而找出影响预测精度的主要相关因素作为模型输入参数。

电价预测预测中重近轻远原则

预测中“重近轻远”原则即:物理量未来的变化趋势更多地取决于历史时段中近期的发展规律，远期的历史数据与未来发展趋势的相关性较弱。在考虑“重近轻远”原则的情况下，其处理思路应该是:区别对待各时段的拟合残差，近期的发展规律应该得到更好的拟合，远期历史数据的拟合程度可以稍低。

为实现“重近轻远”原则，主要采用加权参数估计的方法，即对近期数据给予较大的权值，远期数据给予较小的权值。在短期预测中，可以通过输入参数的选择来实现“重近轻远”原则，即选择与预测时段比较接近的时段信息构成主要的输入参数，如前一时段、前一天的电价、负荷、反映供求关系的参数等，根据实际情况适当考虑电价的周期性，即前一周相同时段的电价作为输入参数之一。

电价预测预测中对电价形成机理的分析

文献[39]通过比较14个电力市场工作日和节假日的电价模式，发现不同电力市场的电价因市场模式的不同存在很大的差别，因此，在做电价预测时，应深入分析实际电网的运营情况，在找出影响电价变化的主要因素及进一步弄清电价发展变化内在规律的基础之上，对实际电价形成机理进行深入分析研究，提出适合本地区实际情况的电价预测模型，优化模型参数，提高电价预测精度。如果直接套用已有的一些预测方法，则很难达到预期的效果。2100433B

宏观预测和微观预测常常是相对而言的，在内容上和方法上是有截然区别的。例如在我国进行全国性的规划，以一个国家作为一个分析系统，则全国的情况、全球国家间的对比等就是宏观预测，而下面每个省的规划指标就可以视为微观的预测；如果进行的是省的规划，以一个省作为一个分析系统，则全省情况、全国省与省对比等就是宏观预测，而下属的市、县就是微观。宏观预测所涉及的内容包括国家宏观政策的影响、行业政策的影响，也包括分析系统内每一种通信业务的总的普及率/渗透率预测、各种业务占比（如数据业务上升）及发展趋势等。

微观预测所涉及的内容是分析系统中每个元素的分析预测，例如完成地市以上单位的规划时，包括用户密度图预测、小区或乡镇分区预测、分类用户预测、不同经济地位和层次用户的预测、设备总容量预测、业务量预测及子系统之间的业务流量、流向预测等。