故障預測與健康管理 (PHM) 是一種機器維護方法，它使用實時和歷史傳感器數(shù)據(jù)來獲得信息和優(yōu)化維護決策。

作為一種綜合方法，故障預測與健康管理結合了以下兩個關鍵概念：

故障預測是一種通過設計算法來估計系統(tǒng)或部件剩余使用壽命的方法。該術語通?？膳c預測性維護互換使用。 健康管理是一種全面的維護方法，它運用通過故障預測和診斷算法等方法獲得的信息來確保系統(tǒng)的健康和可靠性。

為什么故障預測與健康管理很重要

故障預測與健康管理使設備操作人員和制造商能夠：

減少設備停機時間：PHM 算法可以幫助檢測設備異常，確定故障和失效的根本原因，并在潛在問題發(fā)生之前預測它們。 優(yōu)化維護調(diào)度：鑒于僅在必要時才安排維護服務，PHM 有助于避免不必要的維護成本。 提高運行效率：PHM 有助于識別和降低設備故障風險，延長設備使用壽命并提高整體工作效率。

故障預測與診斷

為了全面了解 PHM，需要區(qū)分兩種經(jīng)常并行使用但服務于不同目的的方法：故障預測和診斷。雖然故障預測與健康管理這一術語中沒有直接提到診斷，但診斷通常是 PHM 取得成功的關鍵方法。

診斷主要用于識別、隔離和確定系統(tǒng)中已發(fā)生的故障或失敗的原因。它解答“哪里出錯了？”這一問題。診斷是基于狀態(tài)的維護 (CBM) 計劃的一部分，該計劃是一種基于監(jiān)控設備當前健康狀態(tài)的 PHM 策略。

另一方面，故障預測具有前瞻性。它用于預測系統(tǒng)或組件不再正常工作的時間。換而言之，它可以預測系統(tǒng)或組件的剩余使用壽命 (RUL)。通過這種預測，可以提前采取維護措施，以防止故障的發(fā)生。故障預測需要對機器行為有更深入的了解，但在減少計劃外停機時間和維護成本方面成效顯著。它解答“何時會出錯？”這一問題。

通過將診斷和故障預測結合使用，PHM 讓您能夠全面了解機器的健康狀況，從而作出更明智的維護和運行決策。

基于條件的維護與預測性維護

基于狀態(tài)的維護 (CBM) 是一種基于設備當前健康狀態(tài)的維護策略。了解 CBM 的工作原理以及它與預測性維護的區(qū)別。

健康管理

就 PHM 而言，健康管理指的是維護或改進運行系統(tǒng)的健康和可靠性的策略。這種方法整合了各種活動，包括監(jiān)控、診斷、故障預測、維護規(guī)劃和執(zhí)行糾正措施，以解決當前和潛在的問題。健康管理是一種全面的方法，旨在確保系統(tǒng)在其整個生命周期內(nèi)有效、高效地運行，同時利用數(shù)據(jù)為維護和運行實踐決策提供信息。

有效的健康管理依賴于一個持續(xù)的循環(huán)過程，其中包括監(jiān)控、分析和采取相應措施。健康管理從實時監(jiān)控來自運行設備的傳感器數(shù)據(jù)開始。然后，使用診斷來分析收集的數(shù)據(jù)以了解當前健康狀態(tài)，并使用故障預測來預測將來的狀態(tài)?；谶@種分析，可以確定最合適的維護措施，無論是預防性維護、糾正性維護還是預測性維護。

使用 MATLAB 開發(fā)故障預測算法

開發(fā)故障預測算法是預測性維護計劃的目標。要開發(fā)故障預測算法，需要從機器或機器群的數(shù)據(jù)開始。這些數(shù)據(jù)需要兼顧健康狀態(tài)和不良狀態(tài)。MATLAB? 提供了多種故障預測算法開發(fā)方法，它們使用了 Predictive Maintenance Toolbox? 中的剩余使用壽命算法等工具。

故障預測算法開發(fā)工作流。

用于故障預測與健康管理的數(shù)據(jù)

用于開發(fā)故障預測算法的數(shù)據(jù)，例如隨時間的推移而采集的溫度、壓力、電壓、噪聲或振動測量值，通常來自于機器傳感器；然而，由于制定的維護計劃通常較為保守，因此，用于故障預測的故障數(shù)據(jù)可能很難獲得。傳感器數(shù)據(jù)可以通過基于物理的模型所生成的故障數(shù)據(jù)來增強，這些模型是根據(jù)機器參數(shù)進行調(diào)整的。

設計狀態(tài)指標

用于故障預測的機器數(shù)據(jù)是用各種統(tǒng)計和信號處理方法處理的，旨在提取稱為狀態(tài)指標的重要特征。狀態(tài)指標是隨著機器性能下降而發(fā)生可預測變化的特征。這些狀態(tài)指標可以是用于區(qū)分健康運行狀態(tài)和錯誤運行狀態(tài)的任何特征。對于故障預測，狀態(tài)指標有時稱為健康指標，用作訓練故障預測模型的輸入。

故障預測算法的類型

基于可用的數(shù)據(jù)和知識，設計故障預測算法有多種方法。工程師可能會使用歷史數(shù)據(jù)來設計數(shù)據(jù)驅動的故障預測算法，而使用領域專業(yè)知識來創(chuàng)建基于物理的模型，也可能會將兩者結合使用。最終將得到一種故障預測算法，它可以預測下一個故障事件可能發(fā)生的時間。

數(shù)據(jù)驅動的算法

回歸模型是一種常用于基本故障預測的機器學習算法?；貧w模型用于描述一個輸出變量（如故障時間）與一個或多個輸入變量（狀態(tài)指標）之間的關系。如果目標是靜態(tài)地預測資產(chǎn)壽命，例如基于電池的當前狀態(tài)預測其壽命，則這種方法可能很有用。

然而，許多故障預測應用的目標是根據(jù)特定資產(chǎn)以往的運行情況準確預測其發(fā)生故障的時間。為此，我們轉而采用剩余使用壽命算法。

剩余使用壽命 (RUL) 模型是專用的故障預測算法，如相似性、退化或生存模型。具體使用哪種模型取決于可用的歷史數(shù)據(jù)量。這些模型需要特征工程來設計有代表性的狀態(tài)指標。隨著采集的數(shù)據(jù)越來越多，它們可以在定義的置信區(qū)間內(nèi)提供持續(xù)更新的故障預測。

深度學習模型尤其擅長自動學習復雜模式并從大量數(shù)據(jù)中提取特征。深度學習故障預測方法，如長短期記憶網(wǎng)絡 (LSTM) 和卷積神經(jīng)網(wǎng)絡 (CNN)，可以處理原始數(shù)據(jù)，因此，無需領域專業(yè)知識，即可設計準確的狀態(tài)指標和特征。然而，深度學習模型需要大量的數(shù)據(jù)和計算資源，并且可能缺乏安全關鍵型設置所需的可解釋性。

繼續(xù)探索此主題

基于物理的模型

基于物理的模型，例如在 Simulink? 和 Simscape? 中構建的模型，可用于通過仿真機器隨時間推移的行為進行故障預測。您可以使用來自真實機器的傳感器數(shù)據(jù)來驗證和校準這些模型，然后使用它們仿真不同工況下的用于故障預測的將來行為。如果使用這些模型進行故障預測，則需要詳細了解機器設計，以及組件隨時間的推移而退化的情況。

混合算法

狀態(tài)估計器和辨識模型是將系統(tǒng)的物理學特性與運行數(shù)據(jù)結合使用的混合算法。在創(chuàng)建描述機器行為的辨識動態(tài)模型（例如狀態(tài)空間模型或自回歸模型）時，您可以使用該模型進行故障預測，方法是在時間軸上將模型向前推演，并分析已知狀態(tài)指標的行為。同樣，您可以使用狀態(tài)估計器（如卡爾曼濾波器）進行故障預測，并預測故障發(fā)生時的將來狀態(tài)。

通常情況下，還可以將數(shù)據(jù)驅動的方法和基于物理的方法相結合，形成一個穩(wěn)健的故障預測方法，以利用運行數(shù)據(jù)和深厚的領域專業(yè)知識。例如，通過將自定義的領域特定特征與標準特征工程方法相結合，可以提高 AI 模型的準確度。通過分析您對相關系統(tǒng)和組件擁有的知識的來源，可以提升您的 PHM 方法的可靠性。

部署和運行

PHM 算法只有在部署到真實運行環(huán)境中才能發(fā)揮作用。實施故障預測算法的方法有多種，具體視需求而定。

算法可以部署在 IT 環(huán)境中，例如本地服務器或云平臺上。云部署可以按需快速調(diào)整，以適應不同的計算和存儲需求。對于處理跨多個站點或大型設備群的大量數(shù)據(jù)和復雜分析，云部署尤其有用。本地部署雖然需要對基礎設施進行更多的前期投資，但可以增強對數(shù)據(jù)安全性和系統(tǒng)性能的控制，而這對于敏感或高度管制行業(yè)的應用至關重要。

故障預測算法也可以直接在設備上的嵌入式系統(tǒng)中實現(xiàn)。這種方法支持實時監(jiān)控和做決策，這大大減少了將數(shù)據(jù)傳輸?shù)街醒胂到y(tǒng)進行分析所致的延遲。通過在本地處理數(shù)據(jù)，嵌入式系統(tǒng)還可以顯著減少需要通過網(wǎng)絡傳輸?shù)臄?shù)據(jù)量，從而緩解帶寬約束并減少潛在故障點。這尤其適用于需要基于故障預測信息立即采取行動的情況，例如在自動駕駛汽車或關鍵制造流程中。

不管采用哪種部署策略，實施故障預測算法都需要持續(xù)的監(jiān)控和維護，以確保這些算法隨著時間的推移始終保持有效。其中包括更新算法以反映新故障模式或工況的變化，以及執(zhí)行監(jiān)控和漂移檢測以確保算法始終準確無誤。故障預測算法的有效運行需要良好規(guī)劃的持續(xù)支持和維護策略，以確保它們在整個生命周期中持續(xù)創(chuàng)造價值。

相關主題

相關知識

故障預測與健康管理——PHM技術簡介
裝備故障預測和健康管理（PHM）行業(yè)報告
故障預測與健康管理（PHM）：引領工業(yè)4.0的預防性革命，市場潛力無限
遠舢智能化故障預測與健康管理系統(tǒng)
創(chuàng)新引領未來——北京航天測控公司通用故障預測及健康管理平臺功能升級推動多項應用
高速列車軸箱軸承健康監(jiān)測與故障診斷研究綜述
健康狀態(tài)評估
伊梟劍博士：裝甲裝備健康管理系統(tǒng)研制現(xiàn)狀、總體架構及關鍵技術
振迪檢測：專業(yè)振動檢測與故障診斷服務商
機械振動故障監(jiān)測系統(tǒng)

網(wǎng)址: 故障預測與健康管理 (PHM) http://www.u1s5d6.cn/newsview571988.html