工業互聯網時代，PHM技術迎來發展機遇，設備故障是能計算出來的

文|芝士派講解員

編輯|芝士派講解員

健康狀態估計可以定量評估設備的當前退化狀態，剩餘壽命預測可以定量預測設備的剩餘使用壽命。

這兩種技術可以分別為設備的狀態維護和預測性維護提供基礎，近年來在這兩種技術上進行了大量的研究，但是沒有任何系統綜述全面涵蓋這兩種技術及其工程應用。

為了填補這一空白，總結了這兩種方法的工程應用，並簡要給出了它們的適用目的，總結了這兩種方法，並討論了其工程應用的可行性。

設備的壽命評估有什麼意義？PHM技術真的能夠預測設備的故障和壽命嗎？

①

●○PHM技術的普及○●

在過去的幾十年中，隨著設備複雜性和集成度的提高，故障率逐漸增加，為了保證設備順利完成各項任務，降低生命周期內的維護成本，預測與健康管理（PHM）技術誕生於1970年代。

PHM技術代表了觀念的轉變，使設備的維護和管理能夠進行後處理和被動維護，定期檢查，主動保護，然後進行超前預測和綜合管理。

這項技術在英國、美國和其他國家得到了深入研究和廣泛應用，它是設備維護和管理的重要組成部分。

健康狀態估計和剩餘壽命預測是PHM的關鍵技術，健康狀態估計和剩餘壽命預測主要通過各種感測器收集設備的輸出數據，藉助各種演算法對數據進行處理和分析，綜合評估設備的健康狀況並預測設備的剩餘使用時間。

通過綜合分析設備運行過程中的各種狀態信息和運行條件，得到等間隔健康值。健康程度可以更準確、更細緻地反映設備的健康狀況，並且可以轉換為故障率，便於更準確的維護決策。

設備的剩餘壽命是指從設備投入生產到不能再修理和再利用的時期，它由設備的材料、製造質量、使用條件和維護條件決定。

由於某些因素是隨機因素，因此同一批次生產的設備的實際剩餘壽命不會完全相同，設備壽命分析主要分為兩個階段，前期是壽命估計，然後推導剩餘壽命預測。

不同工況下設備的壽命估算方法存在較大差異，即新開發的設備和工作狀態下的設備，新開發的部件和設備的壽命估計方法包括機理分析方法和環境因子轉換方法。

設備工作狀態下的RUL預測是指設備工作一段時間後，利用相關信息對設備RUL進行預測，相關信息主要是退化數據，包括設備運行過程中的性能退化數據，以及通過加速壽命試驗或模擬獲得的退化數據。

常用的方法基於物理模型和數據驅動方法，使用性能退化數據進行壽命預測的一個重要前提是準確定義設備的故障。

近年來，在健康狀態估計和剩餘壽命預測方面進行了大量研究，沒有任何系統綜述全面涵蓋這兩種技術及其工程應用。

這極大地限制了健康評估和剩餘壽命預測方法在工業中的應用，有必要總結健康評價、剩餘壽命預測及其工程應用的方法。

②

●○狀態估計與預測○●

由於不同設備的特性不同，健康狀態估計方法通常不同，根據驅動方式的不同，它們分為三種類型，即模型驅動方法、知識驅動方法和數據驅動方法。

實際效果難以適應設備運行過程中各種複雜因素的影響，知識驅動的健康狀態估計通過知識獲取和知識表達進行健康狀態估計，但這種方法在實踐中難以實現，研究較少。

數據驅動方法是目前最有前途的方法，它充分利用了機器學習和深度學習的優勢，這也是國內外健康狀況估計中廣泛研究的方法。

圖1.健康狀態估計方法的分類。

在健康狀態估計方法中，基於距離或相似性的方法比較多，但健康樣本的選擇、參數權重的確定和距離演算法的選擇仍值得進一步研究。

灰色相關度法灰色關聯分析法是灰色系統分析方法的一種，如果兩個因素的變化趨勢一致，則兩者之間的相關性程度很高。

圖2.剩餘壽命預測方法的分類。

基於物理模型的方法分析設備故障的理化原因，通過失效物理分析和理化分析建立設備故障與部件磨損等理化原因的關係，得到壽命演化規律，從而預測設備壽命。

數據驅動方法一般利用獲得的數據，通過擬合設備性能變數的演化規律，外推到失效閾值來預測剩餘壽命。

融合方法是指失效機理分析和數據驅動模型的結合，雖然可以充分利用這兩種方法的優點，但工藝相對複雜，因此很少有報道。

基於物理模型的方法基於物理模型的剩餘壽命預測方法通常適用於退化機理清晰、機理模型易於描述的系統或設備，可以準確預測設備的壽命。

由於工程領域設備的複雜性日益增加，很難獲得設備的機構模型，這也限制了這種方法的應用。

數據驅動方法機器學習方法機器學習使計算機模擬人類的學習行為，並通過獲取新信息不斷訓練模型，以提高模型的泛化能力。

由於機器學習強大的數據處理能力，該方法廣泛應用於數據挖掘、語音識別、計算機視覺、故障診斷和壽命預測等領域。

根據學習的深度，機器學習方法可以分為傳統的機器學習和深度學習方法，傳統的機器學習演算法很大程度上依賴於專家的先驗知識和信號處理技術，難以自動處理和對海量監控數據的分析。

深度學習是從傳統的機器學習演算法發展而來的。憑藉其強大的特徵提取能力，它為訓練海量數據提供了解決方案，為機器學習領域開闢了新的方向。

圖3.機器學習剩餘壽命預測方法的分類。

傳統機器學習方法基於傳統機器學習的方法主要包括基於神經網路和支持向量機（SVM）的方法。

一個神經網路神經網路作為一種模擬生物神經系統結構和功能的數學處理方法，具有自動學習和總結的能力。

它主要包括輸入層、隱藏層和輸出層，常用於解決分類和回歸等問題，經過多年的研究和探索，在剩餘壽命預測領域顯示出強大的優勢。

基於神經網路的剩餘壽命預測方法旨在以原始測量數據或基於原始測量數據提取的特徵作為神經網路的輸入，通過一定的訓練演算法不斷調整網路的結構和參數，利用優化的網路在線預測設備的剩餘壽命。

預測過程不需要任何先驗信息，完全基於從監測數據中獲得的預測結果，基於神經網路的方法主要包括基於多層感知器神經網路的方法、基於徑向基函數神經網路的方法和基於極限學習機的方法。

多層感知器神經網路多層感知器神經網路是一種具有隱含層的前饋神經網路，隱含層和輸出層的神經元模型是一致的。

MLP主要通過反向傳播演算法進行訓練，除了使用BP演算法訓練MLP外，其他方法也用於訓練。

由於MLP具有通過添加隱藏層或隱藏元素來逼近任何形式的非線性函數的能力，因此在剩餘壽命預測領域引起了廣泛的關注。

徑向基函數神經網路徑向基函數神經網路神經網路是 1980 年代提出的一種神經網路結構，它有一個帶有單個隱藏層的前饋網路，並且可以以任何精度接近任何連續非線性函數。

RBF神經網路與MLP神經網路在結構上最大的區別在於，激勵函數的自變數是輸入向量與權重向量之間的距離和偏差的乘積，而不是輸入向量與權重向量之間的加權和。

基於RBF神經網路的剩餘壽命預測方法僅包含一個隱藏層，擬合精度高，它可以克服學習過程陷入局部優化和收斂緩慢的問題，可以實現隱含層單元的網路結構和數據中心的動態確定。

榆樹訓練過程的基本思想是隨機選擇輸入權重和隱層偏差值，根據工程實踐經驗手動選擇隱層神經元數量，採用最小二乘法確定輸出權重，從而實現網路結構和參數的快速確定。

測試表明，基於榆樹的模型在預測精度和穩定性上略遜於基於BP人工神經網路的模型，但可以顯著減少訓練時間。

基於榆樹的剩餘壽命預測方法具有以下優點：可以快速進行剩餘壽命預測，有效減少模型訓練時間，激活函數可以使用不連續函數，避免了梯度下降學習演算法中學習參數選擇靈敏、容易陷入局部極值的問題。

雖然基於榆樹的方法有很多優點，但也有一些缺點，由於輸入權重與隱藏層之間的偏差是隨機生成的，因此無法保證榆樹的網路訓練效果，不時有好有壞。

需要根據經驗和實驗方法選擇隱藏層節點的數量，難以保證最優模型，由於輸出權重採用最小二乘法計算，基於榆樹的方法將面臨擴大異常值和雜訊影響的問題。

基於SVM的剩餘壽命預測方法研究的主要思想是利用實際工程中獲得的條件監測數據訓練支持向量機模型，確定模型參數，基於訓練好的SVM模型預測系統的未來狀態， 並通過與預設的故障閾值進行比較來獲得設備的剩餘壽命。

由於實際工程中狀態監測數據的多維、非線性和不確定特性，通常很難通過簡單地使用SVM方法訓練狀態監測數據來保證SVM模型參數的準確性。

SVM模型參數直接影響設備的剩餘壽命結果，學者們開始關注如何將支持向量機與其他方法相結合，以預測設備的剩餘壽命。

結果表明，與單純SVM相比，該方法可以提高預測性能，基於SVM的剩餘壽命預測方法更適合於小樣本和多維數據的分析，也存在許多缺陷。

隨著樣本集的增加，線性度會增加，導致過擬合和計算時間的增加，概率公式的預測難以得到，即無法評估剩餘壽命預測的不確定性;內核函數必須滿足 Mercer 條件。

通過PCA方法將深度學習提取的高維斷層特徵轉化為一維斷層特徵，然後利用非線性擬合法構建壽命預測模型。

採用兩個深度DAE分別處理遠端信號和近端信號，得到整體趨勢和電流變化過程。融合了兩個深度DAE的輸出，通過線性回歸預測設備的剩餘壽命。

DNN預測方法具有以下特點： 通過對輸入數據進行多維降維，可以提取有用的特徵，便於模型訓練，由於DAE具有降噪和濾波功能，多個DAE堆疊形成的網路可以處理包含雜訊的監控數據，充分體現了該方法較強的魯棒性和通用性。

DBN仍然存在一些局限性：短期預測性能良好，而長期預測性能較差，它不能反映預測結果的不確定性，一般需要與其他方法相結合，以反映預測結果的不確定性。

對於CNN，卷積層使用原始輸入數據來卷積多個局部濾波器，後續的池化層可以提取具有固定長度的最重要特徵，常用的池化函數是最大池化函數。

軸承試驗表明，所提方法優於傳統ML方法，基於CNN的剩餘壽命預測研究具有以下特點： 適用於可監測海量數據的工程設備。

可實現自動特徵提取和識別，無需人工參與和干預，權重共享功能使CNN模型的參數數量更少，優化過程更方便。

基於CNN的剩餘壽命預測仍處於初步探索階段，研究結果尚未系統化，剩餘生命的不確定性無法定量給出，基於CNN的方法仍需要深入研究。

統計數據驅動的方法統計數據驅動法基於概率統計理論，利用類似系統或產品的歷史數據退化軌跡，建立數據系統與退化模型的關係，估計退化模型的參數，從而得到對象或系統剩餘壽命的解析概率分布，實現剩餘壽命的預測。

統計數據驅動的方法假設退化模型是預先知道的，直接使用狀態監測數據或環境數據離線或在線估計模型參數，實際工程中的退化模型是未知的，不同類型設備的退化模型是不同的。

得到設備性能退化過程模型後，在給出其失效值的基礎上，利用維納過程的相關理論計算出設備的剩餘壽命分布。

為了實現對設備剩餘壽命的準確實時預測，通常可以利用設備的實時監控信息來動態更新剩餘壽命預測結果。

③

●○預測後的應用○●

各行業對某些產品進行了RUL預測，在航空領域，對分層控制系統等電子產品和葉片等機械產品進行RUL預測。

在電力行業，對動力電池、轉換器、功率模塊等電子產品進行RUL預測，在車輛工業中，RUL預測用於機械繼電器等電氣產品和制動蹄等機械產品。

在家用電器行業中，RUL預測是針對滾動軸承等機械設備進行的，剩餘壽命預測在工業上已經有一定程度的應用，但與健康狀態估計相比，它的應用並不廣泛，工業上還採用了多種剩餘壽命預測方法。

健康狀態估計和剩餘壽命預測的對象是不同的，健康狀態估計適用於故障率高、重要性低的設備，剩餘壽命預測適用於故障率低、重要性高的設備。

工業上應用了多種健康狀態估計方法，健康狀態估計方法在工業中已得到一定程度的應用，應用對象包括電子、電氣、機械設備等。

估算各行業設備的健康程度是可行的，基於非機器學習和機器學習的健康狀態估計方法適用於不同的對象。

非機器學習方法具有可解釋性強、易於理解且不需要大量設備的優點，但也有泛化差、主觀權重確定性差的缺點。

健康狀態估計的準確性和可靠性受多種因素影響，在準確性方面，在實施兩種健康狀態估計方法之前，專家需要建立參數和分數之間的對應關係，即專家評分，也稱為專家標籤。

專家評分的質量基本上決定了機器學習方法的準確性和可靠性的上限，如果設備數據不能涵蓋設備工程應用中的大多數退化情況，健康狀態估計的準確性也會受到影響。

參考文獻：

邁克爾：故障預測與健康管理（PHM）技術的現狀與發展.J. 航空。 2005

徐平：預測和狀態管理系統 （PHM） 技術的研究。 2004

馬聖訓，陳國淑：複雜設備故障預測與健康管理系統的初步研究。2010

詹立興，劉軍，劉志強：一種基於參數特性的設備健康狀況評價方法。 2018

如果你喜歡我的寫的文章，麻煩請點個「關注」，歡迎在評論區與我一同探討，願世界和平。

END