工业互联网时代，PHM技术迎来发展机遇，设备故障是能计算出来的

文|干酪派讲解员

编辑|干酪派讲解员

健康状态估计可以定量评估设备的当前退化状态，剩余寿命预测可以定量预测设备的剩余使用寿命。

这两种技术可以分别为设备的状态维护和预测性维护提供基础，近年来在这两种技术上进行了大量的研究，但是没有任何系统综述全面涵盖这两种技术及其工程应用。

为了填补这一空白，总结了这两种方法的工程应用，并简要给出了它们的适用目的，总结了这两种方法，并讨论了其工程应用的可行性。

设备的寿命评估有什么意义？PHM技术真的能够预测设备的故障和寿命吗？

①

●○PHM技术的普及○●

在过去的几十年中，随着设备复杂性和集成度的提高，故障率逐渐增加，为了保证设备顺利完成各项任务，降低生命周期内的维护成本，预测与健康管理（PHM）技术诞生于1970年代。

PHM技术代表了观念的转变，使设备的维护和管理能够进行后处理和被动维护，定期检查，主动保护，然后进行超前预测和综合管理。

这项技术在英国、美国和其他国家得到了深入研究和广泛应用，它是设备维护和管理的重要组成部分。

健康状态估计和剩余寿命预测是PHM的关键技术，健康状态估计和剩余寿命预测主要通过各种传感器收集设备的输出数据，借助各种算法对数据进行处理和分析，综合评估设备的健康状况并预测设备的剩余使用时间。

通过综合分析设备运行过程中的各种状态信息和运行条件，得到等间隔健康值。健康程度可以更准确、更细致地反映设备的健康状况，并且可以转换为故障率，便于更准确的维护决策。

设备的剩余寿命是指从设备投入生产到不能再修理和再利用的时期，它由设备的材料、制造质量、使用条件和维护条件决定。

由于某些因素是随机因素，因此同一批次生产的设备的实际剩余寿命不会完全相同，设备寿命分析主要分为两个阶段，前期是寿命估计，然后推导剩余寿命预测。

不同工况下设备的寿命估算方法存在较大差异，即新开发的设备和工作状态下的设备，新开发的部件和设备的寿命估计方法包括机理分析方法和环境因子转换方法。

设备工作状态下的RUL预测是指设备工作一段时间后，利用相关信息对设备RUL进行预测，相关信息主要是退化数据，包括设备运行过程中的性能退化数据，以及通过加速寿命试验或仿真获得的退化数据。

常用的方法基于物理模型和数据驱动方法，使用性能退化数据进行寿命预测的一个重要前提是准确定义设备的故障。

近年来，在健康状态估计和剩余寿命预测方面进行了大量研究，没有任何系统综述全面涵盖这两种技术及其工程应用。

这极大地限制了健康评估和剩余寿命预测方法在工业中的应用，有必要总结健康评价、剩余寿命预测及其工程应用的方法。

②

●○状态估计与预测○●

由于不同设备的特性不同，健康状态估计方法通常不同，根据驱动方式的不同，它们分为三种类型，即模型驱动方法、知识驱动方法和数据驱动方法。

实际效果难以适应设备运行过程中各种复杂因素的影响，知识驱动的健康状态估计通过知识获取和知识表达进行健康状态估计，但这种方法在实践中难以实现，研究较少。

数据驱动方法是目前最有前途的方法，它充分利用了机器学习和深度学习的优势，这也是国内外健康状况估计中广泛研究的方法。

图1.健康状态估计方法的分类。

在健康状态估计方法中，基于距离或相似性的方法比较多，但健康样本的选择、参数权重的确定和距离算法的选择仍值得进一步研究。

灰色相关度法灰色关联分析法是灰色系统分析方法的一种，如果两个因素的变化趋势一致，则两者之间的相关性程度很高。

图2.剩余寿命预测方法的分类。

基于物理模型的方法分析设备故障的理化原因，通过失效物理分析和理化分析建立设备故障与部件磨损等理化原因的关系，得到寿命演化规律，从而预测设备寿命。

数据驱动方法一般利用获得的数据，通过拟合设备性能变量的演化规律，外推到失效阈值来预测剩余寿命。

融合方法是指失效机理分析和数据驱动模型的结合，虽然可以充分利用这两种方法的优点，但工艺相对复杂，因此很少有报道。

基于物理模型的方法基于物理模型的剩余寿命预测方法通常适用于退化机理清晰、机理模型易于描述的系统或设备，可以准确预测设备的寿命。

由于工程领域设备的复杂性日益增加，很难获得设备的机构模型，这也限制了这种方法的应用。

数据驱动方法机器学习方法机器学习使计算机模拟人类的学习行为，并通过获取新信息不断训练模型，以提高模型的泛化能力。

由于机器学习强大的数据处理能力，该方法广泛应用于数据挖掘、语音识别、计算机视觉、故障诊断和寿命预测等领域。

根据学习的深度，机器学习方法可以分为传统的机器学习和深度学习方法，传统的机器学习算法很大程度上依赖于专家的先验知识和信号处理技术，难以自动处理和对海量监控数据的分析。

深度学习是从传统的机器学习算法发展而来的。凭借其强大的特征提取能力，它为训练海量数据提供了解决方案，为机器学习领域开辟了新的方向。

图3.机器学习剩余寿命预测方法的分类。

传统机器学习方法基于传统机器学习的方法主要包括基于神经网络和支持向量机（SVM）的方法。

一个神经网络神经网络作为一种模拟生物神经系统结构和功能的数学处理方法，具有自动学习和总结的能力。

它主要包括输入层、隐藏层和输出层，常用于解决分类和回归等问题，经过多年的研究和探索，在剩余寿命预测领域显示出强大的优势。

基于神经网络的剩余寿命预测方法旨在以原始测量数据或基于原始测量数据提取的特征作为神经网络的输入，通过一定的训练算法不断调整网络的结构和参数，利用优化的网络在线预测设备的剩余寿命。

预测过程不需要任何先验信息，完全基于从监测数据中获得的预测结果，基于神经网络的方法主要包括基于多层感知器神经网络的方法、基于径向基函数神经网络的方法和基于极限学习机的方法。

多层感知器神经网络多层感知器神经网络是一种具有隐含层的前馈神经网络，隐含层和输出层的神经元模型是一致的。

MLP主要通过反向传播算法进行训练，除了使用BP算法训练MLP外，其他方法也用于训练。

由于MLP具有通过添加隐藏层或隐藏元素来逼近任何形式的非线性函数的能力，因此在剩余寿命预测领域引起了广泛的关注。

径向基函数神经网络径向基函数神经网络神经网络是 1980 年代提出的一种神经网络结构，它有一个带有单个隐藏层的前馈网络，并且可以以任何精度接近任何连续非线性函数。

RBF神经网络与MLP神经网络在结构上最大的区别在于，激励函数的自变量是输入向量与权重向量之间的距离和偏差的乘积，而不是输入向量与权重向量之间的加权和。

基于RBF神经网络的剩余寿命预测方法仅包含一个隐藏层，拟合精度高，它可以克服学习过程陷入局部优化和收敛缓慢的问题，可以实现隐含层单元的网络结构和数据中心的动态确定。

榆树训练过程的基本思想是随机选择输入权重和隐层偏差值，根据工程实践经验手动选择隐层神经元数量，采用最小二乘法确定输出权重，从而实现网络结构和参数的快速确定。

测试表明，基于榆树的模型在预测精度和稳定性上略逊于基于BP人工神经网络的模型，但可以显著减少训练时间。

基于榆树的剩余寿命预测方法具有以下优点：可以快速进行剩余寿命预测，有效减少模型训练时间，激活函数可以使用不连续函数，避免了梯度下降学习算法中学习参数选择灵敏、容易陷入局部极值的问题。

虽然基于榆树的方法有很多优点，但也有一些缺点，由于输入权重与隐藏层之间的偏差是随机生成的，因此无法保证榆树的网络训练效果，不时有好有坏。

需要根据经验和实验方法选择隐藏层节点的数量，难以保证最优模型，由于输出权重采用最小二乘法计算，基于榆树的方法将面临扩大异常值和噪声影响的问题。

基于SVM的剩余寿命预测方法研究的主要思想是利用实际工程中获得的条件监测数据训练支持向量机模型，确定模型参数，基于训练好的SVM模型预测系统的未来状态， 并通过与预设的故障阈值进行比较来获得设备的剩余寿命。

由于实际工程中状态监测数据的多维、非线性和不确定特性，通常很难通过简单地使用SVM方法训练状态监测数据来保证SVM模型参数的准确性。

SVM模型参数直接影响设备的剩余寿命结果，学者们开始关注如何将支持向量机与其他方法相结合，以预测设备的剩余寿命。

结果表明，与单纯SVM相比，该方法可以提高预测性能，基于SVM的剩余寿命预测方法更适合于小样本和多维数据的分析，也存在许多缺陷。

随着样本集的增加，线性度会增加，导致过拟合和计算时间的增加，概率公式的预测难以得到，即无法评估剩余寿命预测的不确定性;内核函数必须满足 Mercer 条件。

通过PCA方法将深度学习提取的高维断层特征转化为一维断层特征，然后利用非线性拟合法构建寿命预测模型。

采用两个深度DAE分别处理远端信号和近端信号，得到整体趋势和电流变化过程。融合了两个深度DAE的输出，通过线性回归预测设备的剩余寿命。

DNN预测方法具有以下特点： 通过对输入数据进行多维降维，可以提取有用的特征，便于模型训练，由于DAE具有降噪和滤波功能，多个DAE堆叠形成的网络可以处理包含噪声的监控数据，充分体现了该方法较强的鲁棒性和通用性。

DBN仍然存在一些局限性：短期预测性能良好，而长期预测性能较差，它不能反映预测结果的不确定性，一般需要与其他方法相结合，以反映预测结果的不确定性。

对于CNN，卷积层使用原始输入数据来卷积多个局部滤波器，后续的池化层可以提取具有固定长度的最重要特征，常用的池化函数是最大池化函数。

轴承试验表明，所提方法优于传统ML方法，基于CNN的剩余寿命预测研究具有以下特点： 适用于可监测海量数据的工程设备。

可实现自动特征提取和识别，无需人工参与和干预，权重共享功能使CNN模型的参数数量更少，优化过程更方便。

基于CNN的剩余寿命预测仍处于初步探索阶段，研究结果尚未系统化，剩余生命的不确定性无法定量给出，基于CNN的方法仍需要深入研究。

统计数据驱动的方法统计数据驱动法基于概率统计理论，利用类似系统或产品的历史数据退化轨迹，建立数据系统与退化模型的关系，估计退化模型的参数，从而得到对象或系统剩余寿命的解析概率分布，实现剩余寿命的预测。

统计数据驱动的方法假设退化模型是预先知道的，直接使用状态监测数据或环境数据离线或在线估计模型参数，实际工程中的退化模型是未知的，不同类型设备的退化模型是不同的。

得到设备性能退化过程模型后，在给出其失效值的基础上，利用维纳过程的相关理论计算出设备的剩余寿命分布。

为了实现对设备剩余寿命的准确实时预测，通常可以利用设备的实时监控信息来动态更新剩余寿命预测结果。

③

●○预测后的应用○●

各行业对某些产品进行了RUL预测，在航空领域，对分层控制系统等电子产品和叶片等机械产品进行RUL预测。

在电力行业，对动力电池、转换器、功率模块等电子产品进行RUL预测，在车辆工业中，RUL预测用于机械继电器等电气产品和制动蹄等机械产品。

在家用电器行业中，RUL预测是针对滚动轴承等机械设备进行的，剩余寿命预测在工业上已经有一定程度的应用，但与健康状态估计相比，它的应用并不广泛，工业上还采用了多种剩余寿命预测方法。

健康状态估计和剩余寿命预测的对象是不同的，健康状态估计适用于故障率高、重要性低的设备，剩余寿命预测适用于故障率低、重要性高的设备。

工业上应用了多种健康状态估计方法，健康状态估计方法在工业中已得到一定程度的应用，应用对象包括电子、电气、机械设备等。

估算各行业设备的健康程度是可行的，基于非机器学习和机器学习的健康状态估计方法适用于不同的对象。

非机器学习方法具有可解释性强、易于理解且不需要大量设备的优点，但也有泛化差、主观权重确定性差的缺点。

健康状态估计的准确性和可靠性受多种因素影响，在准确性方面，在实施两种健康状态估计方法之前，专家需要建立参数和分数之间的对应关系，即专家评分，也称为专家标签。

专家评分的质量基本上决定了机器学习方法的准确性和可靠性的上限，如果设备数据不能涵盖设备工程应用中的大多数退化情况，健康状态估计的准确性也会受到影响。

参考文献：

迈克尔：故障预测与健康管理（PHM）技术的现状与发展.J. 航空。 2005

徐平：预测和状态管理系统 （PHM） 技术的研究。 2004

马圣训，陈国淑：复杂设备故障预测与健康管理系统的初步研究。2010

詹立兴，刘军，刘志强：一种基于参数特性的设备健康状况评价方法。 2018

如果你喜欢我的写的文章，麻烦请点个“关注”，欢迎在评论区与我一同探讨，愿世界和平。

END