壽命預(yù)測與預(yù)防性維護(hù)研究綜述

涂粵強(qiáng)　劉廣杰　王雅婷

摘 要 壽命預(yù)測和預(yù)防性維護(hù)是設(shè)備全生命周期管理中的重要內(nèi)容。本文主要研究了壽命預(yù)測中的基于物理模型的預(yù)測方法和數(shù)據(jù)驅(qū)動(dòng)的預(yù)測方法，以及預(yù)防性維護(hù)中的基于時(shí)間的維護(hù)和基于狀態(tài)的維護(hù)。隨著現(xiàn)代企業(yè)對于設(shè)備的運(yùn)維要求越來越高，壽命預(yù)測和預(yù)防性維護(hù)將能夠極大地幫助企業(yè)降低運(yùn)維成本。

關(guān)鍵詞 壽命預(yù)測；剩余壽命；預(yù)防性維護(hù)

中圖分類號 TH17 文獻(xiàn)標(biāo)識碼 A 文章編號 2095-6363（2017）15-0027-02

機(jī)械系統(tǒng)已經(jīng)被廣泛運(yùn)用于各個(gè)行業(yè)，在國民經(jīng)濟(jì)建設(shè)中起著重要作用。特別是對于機(jī)加工企業(yè)或者機(jī)加工行業(yè)來說，隨著現(xiàn)代機(jī)械系統(tǒng)自動(dòng)化程度的提高，機(jī)械系統(tǒng)的可靠性、安全性和經(jīng)濟(jì)性受到的關(guān)注越來越多。同時(shí)，隨著制造業(yè)轉(zhuǎn)型，很多機(jī)械制造商逐步由以制造為中心轉(zhuǎn)向以服務(wù)為中心，機(jī)械設(shè)備的智能診斷和智能維護(hù)決策已逐漸成為設(shè)備全生命周期管理和企業(yè)追求效益的重要途徑。

對機(jī)械設(shè)備進(jìn)行有效的維護(hù)維修是研究如何在維護(hù)成本、維護(hù)資源與生產(chǎn)效益等限制條件下，制定最優(yōu)的維護(hù)策略，以達(dá)到提高系統(tǒng)的可靠性要求并以減少損失為目的。在機(jī)械設(shè)備的運(yùn)行階段，要保障系統(tǒng)的可靠的安全運(yùn)行，需要對其狀態(tài)進(jìn)行監(jiān)測，獲取的監(jiān)測信息來預(yù)測其剩余壽命，而對于剩余壽命的預(yù)測將成為預(yù)防性維護(hù)的重要依據(jù)，能夠?yàn)橹贫ê侠淼木S護(hù)策略提供有效的支持。

1 壽命預(yù)測與預(yù)防性維護(hù)

1.1 概述

隨著嵌入式技術(shù)、傳感器技術(shù)和現(xiàn)代測量技術(shù)的迅速發(fā)展，工業(yè)現(xiàn)場可以獲得相關(guān)的監(jiān)測數(shù)據(jù)用于過程監(jiān)控與剩余壽命的預(yù)測。通過采集現(xiàn)場設(shè)備的運(yùn)行數(shù)據(jù)、系統(tǒng)運(yùn)行過程中的特征量等基礎(chǔ)數(shù)據(jù)，并將其輸入到監(jiān)測系統(tǒng)，監(jiān)測系統(tǒng)對與退化過程相關(guān)的信息進(jìn)行分析[1]，若直接發(fā)生了故障報(bào)警，則對設(shè)備進(jìn)行相應(yīng)的維護(hù)（事后維護(hù)）；若發(fā)現(xiàn)設(shè)備偏離正常運(yùn)行狀態(tài)但未達(dá)到功能失效的異常點(diǎn)時(shí)，則對異常點(diǎn)之后的退化數(shù)據(jù)進(jìn)行建模分析，預(yù)測剩余壽命。對系統(tǒng)的當(dāng)前狀態(tài)和壽命預(yù)測的結(jié)果制定預(yù)防性維護(hù)決策，統(tǒng)籌規(guī)劃機(jī)械系統(tǒng)的維護(hù)。

1.2 壽命預(yù)測

剩余壽命預(yù)測的方法包括基于物理模型（Physical Model）的預(yù)測方法和數(shù)據(jù)驅(qū)動(dòng)（Data Driven）的預(yù)測方法等。

對于基于物理模型的壽命預(yù)測方法，Paris提出了一個(gè)著名的Paris公式[2]，他用斷裂力學(xué)的方法表達(dá)機(jī)械設(shè)備裂紋擴(kuò)展規(guī)律，為裂紋擴(kuò)展壽命預(yù)測的研究提供了新方法。由于物理學(xué)模型是針對特定設(shè)備或功能模塊的，需要供應(yīng)商或廠家做許多復(fù)雜的統(tǒng)計(jì)與建模，而且模型的通用性很差，因此在實(shí)際運(yùn)用中，針對不同復(fù)雜機(jī)械系統(tǒng)建立精確的物理模型在通常情況下是一件非常困難的事情。

基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測方法能很好地解決上述問題。部件或系統(tǒng)設(shè)計(jì)、仿真、運(yùn)行和維護(hù)等各個(gè)階段的測試、傳感器的數(shù)據(jù)就成為掌握系統(tǒng)性能下降的主要依據(jù)，從這些大量接收到的表征系統(tǒng)性能的數(shù)據(jù)中提取有用的信息，進(jìn)行剩余壽命預(yù)測。

數(shù)據(jù)驅(qū)動(dòng)的剩余壽命分布預(yù)測主要基于統(tǒng)計(jì)學(xué)理論和人工智能理論進(jìn)行剩余壽命預(yù)測建模，在剩余壽命預(yù)測領(lǐng)域內(nèi)被廣泛使用的數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測方法主要包括基于比例風(fēng)險(xiǎn)模型的剩余壽命預(yù)測、基于連續(xù)退化過程的剩余壽命預(yù)測、基于神經(jīng)網(wǎng)絡(luò)的剩余壽命

預(yù)測。

基于比例風(fēng)險(xiǎn)模型建模考慮的是監(jiān)測的狀態(tài)是影響系統(tǒng)失效概率的因素，該方法的思路是建立起系統(tǒng)失效概率與系統(tǒng)監(jiān)測狀態(tài)及系統(tǒng)運(yùn)行時(shí)間之間的函數(shù)，預(yù)測其剩余壽命。Gebraeel等提出了一種基于條件的剩余壽命分布的退化模型框架，這個(gè)模型框架是利用安裝有傳感器的組件作為基礎(chǔ)的退化數(shù)據(jù)來源，同時(shí)加入可捕捉的環(huán)境因素?cái)?shù)據(jù)，計(jì)算剩余壽命并實(shí)時(shí)更新。

基于連續(xù)退化過程的剩余壽命預(yù)測是在已知系統(tǒng)退化狀態(tài)故障閾值的基礎(chǔ)上將系統(tǒng)的健康狀態(tài)建模為連續(xù)的退化過程進(jìn)行壽命預(yù)測。Wang等[3]提出了一種基于自適應(yīng)漂移布朗運(yùn)動(dòng)的剩余壽命預(yù)測模型，可以方便的編程為一個(gè)軟件包，方便使用，同時(shí)不需要?dú)v史的故障數(shù)據(jù)來測試模型。

基于神經(jīng)網(wǎng)絡(luò)的剩余壽命預(yù)測方法是通過在系統(tǒng)的輸入和輸出之間構(gòu)建特定的函數(shù)關(guān)系，從而預(yù)測剩余壽命。Tian等[4]用一個(gè)改進(jìn)的遞歸網(wǎng)絡(luò)預(yù)測剩余壽命，該模型基于收集到的振動(dòng)數(shù)據(jù)來預(yù)測設(shè)備健康狀況。

1.3 預(yù)防性維護(hù)

使用預(yù)防性維護(hù)方式對于提高機(jī)械系統(tǒng)的安全性和可靠性有著重要意義，現(xiàn)有的預(yù)防性維護(hù)主要包括兩種方式，分別是基于時(shí)間的維護(hù)和基于狀態(tài)的維護(hù)。

1.3.1 基于時(shí)間的維修

基于時(shí)間的維修是依據(jù)系統(tǒng)運(yùn)行時(shí)間或其失效狀況對系統(tǒng)做出維修決策。對機(jī)械系統(tǒng)故障的發(fā)生與工作時(shí)間的延長相關(guān)，且無法進(jìn)行監(jiān)測的機(jī)械零部件可采用此維修方式。它包括周期性的對系統(tǒng)的檢測，零部件的清洗及潤滑，以減少系統(tǒng)在使用過程中可能出現(xiàn)的故障，降低系統(tǒng)停機(jī)損失。

基于時(shí)間的維修是依據(jù)著名的浴池曲線。設(shè)備的失效率可以被分成3個(gè)階段：早起故障期、偶然故障期、損耗故障期。

基于時(shí)間的維修決策包括兩個(gè)過程：失效數(shù)據(jù)分析/模型建立、維護(hù)決策。其中，第一個(gè)過程，收集故障時(shí)間數(shù)據(jù)，再做進(jìn)一步分析，通過統(tǒng)計(jì)/可靠性建模（統(tǒng)計(jì)/可靠性建模可以使用各種統(tǒng)計(jì)工具，包括比較流行的可靠性理論，韋伯分布模型等[5]），以確定設(shè)備的故障特性和對剩余壽命的預(yù)測。第二個(gè)過程，這個(gè)過程的主要目標(biāo)是確定最佳的維護(hù)策略，旨在以盡可能低的維護(hù)成本提供最佳的系統(tǒng)可靠性或可用性和安全

性能。

1.3.2 基于狀態(tài)的維護(hù)

基于狀態(tài)的維護(hù)是通過接收到的表征機(jī)械系統(tǒng)性能的監(jiān)測數(shù)據(jù)，對接收到的監(jiān)測信息進(jìn)行分析，獲得當(dāng)前系統(tǒng)的健康狀態(tài)，在部件出現(xiàn)退化后合理地確定系統(tǒng)的維修計(jì)劃以及維修時(shí)間的維修策略。

1）七層模型。美國機(jī)械信息管理開發(fā)系統(tǒng)聯(lián)盟等一些組織聯(lián)合提出CBM開放系統(tǒng)結(jié)構(gòu)，OSA-CBM將CBM系統(tǒng)分成了7層不同的技術(shù)模塊，包括數(shù)據(jù)采集模塊（Data Acquisition）、數(shù)據(jù)處理模塊（Data Manipulation）、狀態(tài)監(jiān)測模塊（Condition Monitoring）等。在數(shù)據(jù)采集、數(shù)據(jù)處理、狀態(tài)監(jiān)控和健康評估層這幾層中，有相關(guān)的標(biāo)準(zhǔn)可供參考，例如OSA CBM標(biāo)準(zhǔn)，同時(shí)也包括IEEE1451系列標(biāo)準(zhǔn)、IEEE1232系列標(biāo)準(zhǔn)、MIMOSA CRIS標(biāo)準(zhǔn)等。一個(gè)完整的CBM系統(tǒng)結(jié)構(gòu)應(yīng)當(dāng)具有從數(shù)據(jù)采集到具體維護(hù)建議等一系列功能。CBM的主要功能包括傳感和數(shù)據(jù)獲取、信號處理和特征提取、產(chǎn)生警告、失效或故障診斷和狀態(tài)評估、預(yù)診斷（預(yù)測未來健康概況和估計(jì)剩余壽命）、輔助決策（維護(hù)建議，預(yù)防性維護(hù)）等[6]。endprint

2）五大考慮因素。（1）維護(hù)目標(biāo)。模型的建立是基于相關(guān)的維護(hù)目標(biāo)，包括維護(hù)費(fèi)用最小，系統(tǒng)可靠度最高，系統(tǒng)平均可用度最大等。（2）維護(hù)方式。模型的建立是基于相關(guān)的維護(hù)方式，如周期預(yù)防性維護(hù)，控制限維護(hù)等。（3）維護(hù)效果。模型的建立是基于相關(guān)的維護(hù)效果，包括完美維護(hù)效果和非完美維護(hù)等。（4）維護(hù)限制。模型的建立是基于相關(guān)的維護(hù)限制，如維護(hù)費(fèi)用、維護(hù)時(shí)間等的限制。（5）退化模型。退化模型是描述系統(tǒng)退化過程的模型。

2 結(jié)論

壽命預(yù)測和預(yù)防性維護(hù)是一個(gè)復(fù)雜的系統(tǒng)建模與決策問題，涉及到諸如運(yùn)籌學(xué)、大數(shù)據(jù)、可靠性工程等多種學(xué)科領(lǐng)域的交叉。通過異常檢測，進(jìn)行剩余壽命預(yù)測，并根據(jù)結(jié)果來進(jìn)行預(yù)防性維護(hù)決策，這一套系統(tǒng)性解決方法將能在工程應(yīng)用方面發(fā)揮巨大作用。

現(xiàn)代裝備日趨精密化、復(fù)雜化，因此在實(shí)際應(yīng)用中，進(jìn)行預(yù)防性維護(hù)決策時(shí)需要考慮的因素將會(huì)增加，比如如何解決零部件維護(hù)時(shí)的干擾問題，模塊化的設(shè)備在維護(hù)時(shí)，故障模塊和正常模塊之間可能會(huì)相互干擾，因此，在進(jìn)行維護(hù)決策時(shí)還需要統(tǒng)籌考慮。但正因?yàn)檫@樣，設(shè)備的維護(hù)成本將會(huì)是企業(yè)開支的很大一部分，因此，進(jìn)行預(yù)防性維護(hù)是有效減少企業(yè)設(shè)備維護(hù)成本的重要手段。

參考文獻(xiàn)

[1]廖雯竹.基于設(shè)備衰退機(jī)制的預(yù)知性維護(hù)策略及生產(chǎn)排程集成研究[D].上海：上海交通大學(xué)，2011.

[2]Paris P C， Erdogan F. A critical analysis of crack propagation laws[J].Journal of Basic Engineering，1963，85（4）：528-533.

[3]Wang W， Carr M， Xu W， et al. A model for residual life prediction based on Brownian motion with an adaptive drift[J].Microelectronics Reliability，2011，51（2）：285-293.

[4]Tian Z， Zuo M J. Health Condition Prediction of Gears Using a Recurrent Neural Network Approach[J]. Reliability IEEE Transactions on，2010，59（4）：700-705.

[5]Jozwiak I J. An introduction to the studies of reliability of systems using the Weibull proportional hazards model[J]. Microelectronics Reliability，1997，37（6）：915-918.

[6]趙炯，周奇才，熊肖磊，等.CBM系統(tǒng)體系結(jié)構(gòu)[EB/OL].[2014-11-04].http：//book.51cto.com/art/201411/456193.htm.endprint