企業(yè)離散式智能設(shè)備預(yù)測性維護綜述

李福興，李璐爔，彭 友

(1.東南大學(xué) 教育技術(shù)中心，江蘇 南京 210036；2.江蘇經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院 貿(mào)易與物流學(xué)院，江蘇 南京 211168)

智能設(shè)備是傳統(tǒng)電氣設(shè)備與計算機技術(shù)、控制理論、數(shù)據(jù)處理技術(shù)、傳感器技術(shù)、網(wǎng)絡(luò)通信技術(shù)、電力電子技術(shù)等相結(jié)合的產(chǎn)物，其結(jié)構(gòu)復(fù)雜、自動化程度高，具備智能感知、自我檢測與診斷、健康維護等功能[1]。很多大型企業(yè)擁有大量智能化設(shè)備和系統(tǒng)，例如風(fēng)電場有成千上萬套風(fēng)電機組分布在野外惡劣環(huán)境中，目前其智能化程度不高，無法預(yù)測設(shè)備失效產(chǎn)生的后果，預(yù)測性維護還處于早期開發(fā)階段[2]。企業(yè)智能設(shè)備數(shù)量龐大，系統(tǒng)維護量巨大，檢修人員多[3]。日常檢修僅憑經(jīng)驗判斷，難度大、效率低，亟需實現(xiàn)對智能設(shè)備故障類型、故障點、處理方法的自動診斷[4]?；谝陨闲枨螅P者提出智能設(shè)備預(yù)測性維護[5-7]理念。預(yù)測性維護技術(shù)由來已久，國內(nèi)外一些學(xué)者對數(shù)據(jù)驅(qū)動、故障檢測、診斷與預(yù)測、機器學(xué)習(xí)、預(yù)測模型和框架[8-9]等方面進行了研究，還有一些學(xué)者研究了國外故障預(yù)測與健康管理軟件、系統(tǒng)建模、模型評價方法、標準體系、故障診斷方法[10-11]等。這些研究大多局限于單臺設(shè)備和系統(tǒng)，借助于互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、大數(shù)據(jù)技術(shù)、云計算技術(shù)展開企業(yè)級智能設(shè)備預(yù)測性維護方面的研究較少。為此，筆者從邊云協(xié)同計算模式出發(fā)，分析研究企業(yè)大量分散的智能設(shè)備和系統(tǒng)的預(yù)測性維護框架和模式，認為可充分利用邊緣計算廣泛的連接性等實現(xiàn)實時采集異種智能設(shè)備工況數(shù)據(jù)等；利用云計算高效處理大數(shù)據(jù)的能力對企業(yè)離散式智能設(shè)備運行的歷史數(shù)據(jù)進行分析、設(shè)計，形成對各類設(shè)備或系統(tǒng)有針對性的診斷模型，從而可綜合分析和識別故障隱患，并完成設(shè)備健康度檢查等，最后將預(yù)測模式和算法下沉至智能邊緣終端，預(yù)先判定設(shè)備發(fā)展趨勢和可能的故障，提前制定預(yù)測性維護計劃。同時，利用云計算技術(shù)可針對企業(yè)中不同種類設(shè)備應(yīng)用不同預(yù)測模式，避免用一個模式預(yù)測所有設(shè)備的問題，為企業(yè)智能設(shè)備的維護工作提供了有益的借鑒。

1 設(shè)備預(yù)測性維護基本概念

預(yù)測性維護是利用現(xiàn)場連續(xù)收集的測量數(shù)據(jù)和相應(yīng)的評估數(shù)據(jù)進行的基于需求導(dǎo)向的維護操作,可記錄機器、系統(tǒng)和設(shè)備的振動或變化噪音，而這些可能在實際損壞發(fā)生前的很長一段時間內(nèi)就已給出機器運行存在問題的提示[12]。設(shè)備預(yù)測性維護包含設(shè)備故障預(yù)測與診斷和設(shè)備健康管理這兩個方面。故障預(yù)測與診斷是指根據(jù)設(shè)備歷史數(shù)據(jù)、設(shè)備或系統(tǒng)現(xiàn)在工況預(yù)測性地診斷部件或者設(shè)備功能狀態(tài)。健康管理是根據(jù)設(shè)備診斷、預(yù)測數(shù)據(jù)，基于維修資源、使用要求等對設(shè)備維修工作做出適當安排的能力，它通常具備故障的檢測、隔離、診斷、預(yù)測、健康管理和壽命追蹤等功能。智能設(shè)備預(yù)測性維護是指通過傳感器獲取設(shè)備或系統(tǒng)各關(guān)鍵部件的在線監(jiān)測數(shù)據(jù)，結(jié)合自檢數(shù)據(jù)、歷史數(shù)據(jù)分析處理后得出故障預(yù)測與診斷結(jié)果，同時給出剩余使用壽命、故障發(fā)生概率、性能老化程度等。

2 智能設(shè)備預(yù)測性維護框架

參考邊緣計算[13]聯(lián)盟提出的邊緣計算參考架構(gòu)3.0，筆者以風(fēng)力發(fā)電企業(yè)為例構(gòu)建邊云協(xié)同企業(yè)級智能設(shè)備預(yù)測性維護框架，如圖1所示，其主要包括云計算層、邊緣計算層和現(xiàn)場設(shè)備層三層。其中，邊緣計算層在云計算層與現(xiàn)場設(shè)備層之間，向下支持各種現(xiàn)場設(shè)備的接入，向上可以與云計算層銜接。

圖1 企業(yè)級智能設(shè)備預(yù)測性維護框架

2.1 預(yù)測性維護框架的現(xiàn)場設(shè)備層

現(xiàn)場設(shè)備層是企業(yè)中分散的各類智能設(shè)備的集合。例如，風(fēng)電機組的現(xiàn)場設(shè)備有智能控制柜、網(wǎng)絡(luò)設(shè)備、傳動系統(tǒng)、發(fā)電機、葉片和變槳系統(tǒng)等設(shè)備[14]。這些設(shè)備中如果缺少實時運行工況數(shù)據(jù)的輸出接口，可在這些設(shè)備需要預(yù)測的位置上安裝相應(yīng)的傳感器來實時采集數(shù)據(jù)。例如，如果有條件連接到設(shè)備或機器，就可以通過安裝沖擊和振動傳感器、加速度傳感器檢測結(jié)構(gòu)噪聲；如果安裝傳感器敷設(shè)線路不方便，還可安裝無線傳感器，組成無線傳感網(wǎng)，實時采集和傳輸數(shù)據(jù)至智能邊緣設(shè)備中，由于實行了就近計算的原則，無線傳感數(shù)據(jù)實現(xiàn)了近距離傳輸，提高了傳輸質(zhì)量。目前有些風(fēng)電機組帶有監(jiān)控和數(shù)據(jù)采集系統(tǒng)[15],可以充分利用這些數(shù)據(jù)進行預(yù)測。

企業(yè)中各種智能設(shè)備有各種各樣的工業(yè)總線以及接口、協(xié)議，因此預(yù)測性維護系統(tǒng)應(yīng)具備設(shè)備和數(shù)據(jù)泛在的連接性，且應(yīng)具有豐富的連接功能，能連接各種流行的網(wǎng)絡(luò)接口、網(wǎng)絡(luò)協(xié)議、網(wǎng)絡(luò)拓撲、因特網(wǎng)部署與配置、系統(tǒng)管理與保護等，能充分利用并吸收互聯(lián)網(wǎng)領(lǐng)域的先進技術(shù)，例如TSN(Time Sensitive Network)、SDN(Software Defined Network)、NFV(Network Function Virtualization)、NaaS(Network as a Service)、WLAN(Wireless Local Area Networks)、NB-IoT(Narrow Band Internet of Things)、5G等，還可與現(xiàn)有CAN、RS485、RS232等各種工業(yè)總線互聯(lián)互通。智能設(shè)備分布地域廣闊，邊緣計算是在接近物或者數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣側(cè)，融合網(wǎng)絡(luò)、計算、存儲、應(yīng)用核心能力于一體的開放平臺，還能對分布的資源實現(xiàn)動態(tài)運維與統(tǒng)一管理。

2.2 預(yù)測性維護框架的邊緣計算層

邊緣計算層由具有計算機功能的智能設(shè)備組成邊緣管理器、邊緣節(jié)點。邊緣節(jié)點由邊緣網(wǎng)關(guān)、邊緣控制器、邊緣云、邊緣傳感器等硬件構(gòu)成，具有控制功能模塊、分析功能模塊、優(yōu)化功能模塊、計算網(wǎng)絡(luò)存儲調(diào)用接口、各種計算能力、網(wǎng)絡(luò)資源、存儲資源等，它是基于邊緣計算的預(yù)測性維護的業(yè)務(wù)核心，負責(zé)網(wǎng)絡(luò)協(xié)議處理及轉(zhuǎn)換，支持實時閉環(huán)控制業(yè)務(wù)、邊緣云計算、信息內(nèi)容采集及處理為重點的邊緣傳感器等，同時負責(zé)接收云計算建立的智能設(shè)備診斷模型、專家?guī)旒耙?guī)則，從而實現(xiàn)智能設(shè)備的邊緣預(yù)測性維護。風(fēng)電機組工作現(xiàn)場設(shè)備由控制計算機、風(fēng)葉、電機等設(shè)備構(gòu)成，這些設(shè)備已經(jīng)組成了物聯(lián)網(wǎng)，邊緣計算則充分利用了這些設(shè)備的計算能力。

邊緣層中的邊緣傳感器由設(shè)備工況、各類傳感器數(shù)據(jù)采集終端等組成，負責(zé)對邊緣設(shè)備進行數(shù)據(jù)采集，還可實時采集場景數(shù)據(jù)等，并通過現(xiàn)場總線、設(shè)備網(wǎng)絡(luò)、無線網(wǎng)絡(luò)、4G/5G等將采集的數(shù)據(jù)送入邊緣層。計算資源由各邊緣智能節(jié)點設(shè)備的CPU、內(nèi)存和讀寫接口資源組成。當單獨一個邊緣節(jié)點的計算能力有限時，邊緣計算可根據(jù)規(guī)則調(diào)用其他邊緣節(jié)點的CPU、內(nèi)存等以滿足需要，計算結(jié)束后卸載該任務(wù)，釋放CPU和內(nèi)存資源。網(wǎng)絡(luò)資源主要涉及移動通信、寬帶互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、多源共享數(shù)據(jù)庫等，負責(zé)傳輸和處理來自邊緣設(shè)備的源數(shù)據(jù)，把存儲計算的結(jié)果同時傳輸至應(yīng)用層并通過網(wǎng)絡(luò)將云計算結(jié)果反饋至感知層，將數(shù)據(jù)通過物聯(lián)網(wǎng)網(wǎng)關(guān)及互聯(lián)網(wǎng)或現(xiàn)場專網(wǎng)傳輸至網(wǎng)絡(luò)層的后臺云層，或?qū)⒃朴嬎愕慕Y(jié)果傳輸?shù)浆F(xiàn)場節(jié)點，給現(xiàn)場的執(zhí)行機構(gòu)設(shè)備下達執(zhí)行指令。存儲資源負責(zé)把邊緣設(shè)備采集、產(chǎn)生和接收的數(shù)據(jù)按照一定的規(guī)則分別存儲到邊緣智能設(shè)備的內(nèi)存和磁盤存儲器中。調(diào)用API模塊、控制模塊、分析模塊和優(yōu)化模塊都是優(yōu)化故障預(yù)測的功能模塊。

邊緣管理器由基于預(yù)測性維護的業(yè)務(wù)編排和直接資源調(diào)用模塊組成，用于對邊緣節(jié)點上的智能設(shè)備進行統(tǒng)一的管理。邊緣計算節(jié)點一般有計算、網(wǎng)絡(luò)平臺及存儲資源，邊緣計算系統(tǒng)對資源的使用有兩種方法：① 直接將計算、網(wǎng)絡(luò)平臺以及存儲資源進行封裝，提供調(diào)用接口，邊緣管理器完成代碼上傳、配置網(wǎng)絡(luò)策略和數(shù)據(jù)庫操作；② 進一步將邊緣結(jié)點的資源根據(jù)基本功能領(lǐng)域封裝成功能模塊。邊緣管理器經(jīng)由軟件驅(qū)動進行業(yè)務(wù)編排組合和調(diào)用功能模塊，實現(xiàn)了對預(yù)測性維護軟件的一體化開發(fā)和快捷部署。

2.3 智能設(shè)備預(yù)測性維護框架的云計算層

云計算層在智能設(shè)備預(yù)測性維護框架中可以讓工作人員實時獲得有關(guān)生產(chǎn)、設(shè)備工況、異常報警等信息，并通過終端設(shè)備及時掌握設(shè)備運行狀況。云計算層利用云計算能力實時更新交互的設(shè)備信息數(shù)據(jù)庫，進行數(shù)據(jù)分析、故障特征提取、數(shù)據(jù)融合、故障診斷和預(yù)測，把有價值的診斷結(jié)論、決策信息展示給用戶，從而滿足設(shè)備或系統(tǒng)預(yù)測性維護的功能要求。

在同類智能設(shè)備采集的海量運行特征值的基礎(chǔ)上，用數(shù)據(jù)挖掘算法對智能設(shè)備運行數(shù)據(jù)進行清洗、聚類、挖掘，建立故障診斷專家知識庫[16]，并對專家知識庫不斷更新，獲得與故障有關(guān)的診斷規(guī)則。將數(shù)據(jù)驅(qū)動判別、專家知識庫、設(shè)備技術(shù)參數(shù)判別相結(jié)合，再結(jié)合對失效模式、機理的分析，綜合形成故障診斷記錄，作為故障解決方案的基礎(chǔ)[17]，并可將專家知識庫及診斷規(guī)則下載至智能邊緣終端，提高設(shè)備診斷速度。另外，還可安裝運行一些成熟的預(yù)測性維護軟件，例如Impact Technologies公司的PHM DesignTM等，從而節(jié)約軟件開發(fā)成本和時間。

3 智能設(shè)備預(yù)測性維護模式

智能設(shè)備預(yù)測性維護需完成在線監(jiān)測、故障預(yù)測與診斷和健康維護。其中，在線監(jiān)測可充分利用智能設(shè)備自檢功能實現(xiàn)，例如風(fēng)電機組目前配有數(shù)據(jù)采集與控制系統(tǒng)(Supervisory Control and Data Acquisition,SCADA)，外加現(xiàn)場各類傳感器即可實現(xiàn)在線檢測。故障預(yù)測與診斷可以分為零部件、子系統(tǒng)和整體3個層次，其中零部件故障可能會引起子系統(tǒng)故障，子系統(tǒng)故障則可能會引起設(shè)備整體故障。不同層次的故障預(yù)測與診斷預(yù)測模式也會有所不同，對于可采集到大量實時運行數(shù)據(jù)類的智能設(shè)備，常用數(shù)據(jù)驅(qū)動模式進行預(yù)測，但本文的構(gòu)思是將這些智能設(shè)備全部納入邊云協(xié)同云計算框架中，在增強系統(tǒng)處理能力的同時，也增加了預(yù)測模式及其算法。本文簡單闡述了基于模型的驅(qū)動模式、基于概率統(tǒng)計的驅(qū)動模式、基于數(shù)字孿生(Digital Twin)和概率數(shù)字孿生的驅(qū)動模式，著重討論了數(shù)據(jù)驅(qū)動模式。

3.1 基于模型的驅(qū)動模式

基于模型的驅(qū)動模式是指采用動態(tài)模型或過程的預(yù)測性維護方法。物理模型方法、卡爾曼濾波、擴展卡爾曼濾波、粒子濾波和基于專家經(jīng)驗?zāi)Ｐ偷染鶎儆诨谀Ｐ万?qū)動的故障預(yù)測技術(shù)[18]?；谀Ｐ偷尿?qū)動模式通常要求被預(yù)測對象有已知數(shù)學(xué)模型，在其工作狀態(tài)下結(jié)合該數(shù)學(xué)模型計算評估設(shè)備關(guān)鍵零部件損耗程度，在設(shè)備有效壽命周期內(nèi)評估設(shè)備或系統(tǒng)部件使用的故障狀態(tài)、剩余壽命。但由于缺乏設(shè)備故障狀態(tài)數(shù)據(jù)，物理建模有一定的困難，且會影響預(yù)測效果。

3.2 基于概率統(tǒng)計的驅(qū)動模式

基于概率統(tǒng)計的驅(qū)動模式適用于利用歷史數(shù)據(jù)對概率統(tǒng)計結(jié)果進行故障預(yù)測。相比于基于模型的驅(qū)動模式，這種預(yù)測模式所需信息包含在一系列概率密度函數(shù)中，因此，僅需少量的細節(jié)信息就可進行預(yù)測。其優(yōu)勢是所需的概率密度函數(shù)可以通過對設(shè)備運行數(shù)據(jù)統(tǒng)計分析獲得，并對預(yù)測提供足夠的支撐。該模式得出的置信度能較好地表征預(yù)測結(jié)果的準確度。

這種模式的方法有貝葉斯方法、Dempster-Shafer理論、模糊邏輯等，這些方法通?；谪惾~斯定理估計故障的概率密度函數(shù)。通過對大量設(shè)備和系統(tǒng)的可靠性分析可知，一般設(shè)備或系統(tǒng)的失效與時間數(shù)據(jù)趨勢服從威布爾分布[19]，因此，該模型被常用于設(shè)備或系統(tǒng)剩余壽命的預(yù)測。

由此可見，該模式的前提條件是要有發(fā)生故障的歷史數(shù)據(jù)，否則無法做出預(yù)測或?qū)е骂A(yù)測偏差較大，但設(shè)備發(fā)生故障的概率較小，獲得歷史數(shù)據(jù)比較困難。

3.3 基于數(shù)字孿生和概率數(shù)字孿生的驅(qū)動模式

數(shù)字孿生是創(chuàng)建物理實體的虛擬模型的同步映射與實時交互，借助數(shù)據(jù)模擬物理實體在現(xiàn)實環(huán)境中的行為，通過虛實交互反饋、數(shù)據(jù)融合分析、決策迭代優(yōu)化等手段，為物理實體增加或擴展新的能力以及精準的設(shè)備狀態(tài)預(yù)測服務(wù)[20]。數(shù)字孿生面向產(chǎn)品全生命周期過程，提供更加實時、高效、智能的服務(wù)[21-22]，成為設(shè)備管理新模式，可快速捕捉故障現(xiàn)象、準確定位故障原因、合理設(shè)計并驗證維修策略?；跀?shù)字孿生的驅(qū)動模式如圖2所示，物理設(shè)備和虛擬設(shè)備在孿生數(shù)據(jù)的驅(qū)動下與物理設(shè)備同步運行，并產(chǎn)生設(shè)備評估、故障預(yù)測及維修驗證等數(shù)據(jù)[23-25]。但這種模式需要事先構(gòu)建設(shè)備虛擬化，實施時有一定的難度。

圖2 基于數(shù)字孿生驅(qū)動模式

概率數(shù)字孿生模型如圖3所示，引入了決策風(fēng)險分析，為現(xiàn)有的數(shù)字孿生模式增加了一層概率分析，捕捉設(shè)備的不確定性因素、新技術(shù)以及實際因素對設(shè)備性能與安全性的影響。概率數(shù)字孿生是數(shù)字孿生的進化版而非替代版，它把數(shù)字孿生機制引入風(fēng)險分析領(lǐng)域，可以依靠可靠性和退化模型來預(yù)測設(shè)備組件的剩余壽命。

圖3 概率數(shù)字孿生驅(qū)動模型

這兩者主要區(qū)別在于：① 概率退化與故障模型：反映出影響性能并導(dǎo)致故障的不確定及可變條件和過程；② 邏輯與關(guān)系模型：將性能變量與故障和損失事件聯(lián)系起來；③ 代理模型：即快速近似模型，可快速查詢，并實現(xiàn)不確定性和模型耦合的傳播。

3.4 基于多層級數(shù)據(jù)融合的故障預(yù)測模式

基于測試數(shù)據(jù)或傳感器數(shù)據(jù)進行預(yù)測的模式稱為數(shù)據(jù)驅(qū)動模式。其前置條件是目前的智能設(shè)備都具有預(yù)測、感知、分析、推理、決策、控制功能，智能設(shè)備具有部件或者系統(tǒng)設(shè)計、仿真、運行和維護等各個階段的測試，這些數(shù)據(jù)都會存儲在設(shè)備或系統(tǒng)中。有些設(shè)備自帶故障診斷系統(tǒng)并提供數(shù)據(jù)，對其按照數(shù)據(jù)融合規(guī)則進行多級數(shù)據(jù)融合后得到預(yù)測模式。典型的基于數(shù)據(jù)驅(qū)動的故障預(yù)測算法有：神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)、機器學(xué)習(xí)和統(tǒng)計分析等[26]。在大數(shù)據(jù)、云計算技術(shù)的支撐下，筆者提出采取多層級數(shù)據(jù)融合故障預(yù)測模式，其模式流程如圖4所示。

圖4 多層級數(shù)據(jù)融合

該模式的構(gòu)思是基于目前智能設(shè)備可以獲取多項數(shù)據(jù)，對這些數(shù)據(jù)的融合可分為4層。

第1層：單項數(shù)據(jù)融合。智能設(shè)備有些數(shù)據(jù)項是關(guān)鍵項，根據(jù)該數(shù)據(jù)項就可以達到故障預(yù)測的基本目標，但數(shù)據(jù)也會存在各種干擾，從而產(chǎn)生誤差。為了消除誤差，對同一傳感器在不同時間段內(nèi)所采集的數(shù)據(jù)可用時序數(shù)據(jù)分析、神經(jīng)網(wǎng)絡(luò)、灰色理論、支持向量機等算法進行故障預(yù)測與診斷。例如根據(jù)智能機電設(shè)備震動數(shù)據(jù)用某一種預(yù)測算法進行故障預(yù)測，這是一種線性預(yù)測模式。

第2層：多項數(shù)據(jù)特征融合。當前智能設(shè)備運行狀態(tài)數(shù)據(jù)由多項數(shù)據(jù)構(gòu)成，這些可被實時采集的數(shù)據(jù)是故障預(yù)測與診斷的基礎(chǔ)資源。經(jīng)過第一層級單項數(shù)據(jù)融合，可得到該設(shè)備同類傳感器所采集的各項數(shù)據(jù)特征，例如風(fēng)電機組的電氣特征、機械特征、溫度特征、震動特征、聲音特征等，對這些特征用特征融合算法進行融合即為多項數(shù)據(jù)特征融合，可以解決故障預(yù)測僅依賴某一數(shù)據(jù)項導(dǎo)致的預(yù)測偏差問題。有些設(shè)備在得到數(shù)據(jù)特征后即可進行故障預(yù)測決策。但對于復(fù)雜智能設(shè)備，僅根據(jù)特征數(shù)據(jù)還不能對故障做出準確預(yù)測，還需要各項特征進一步數(shù)據(jù)融合，得到智能設(shè)備各狀態(tài)的發(fā)展趨勢。

第3層：趨勢融合。利用設(shè)備中安裝的多種傳感器采集的數(shù)據(jù)集以及第2層多項數(shù)據(jù)特征融合的結(jié)果，采用算法得到智能設(shè)備各項指標的趨勢特征。趨勢融合目前常用深度學(xué)習(xí)模式，其常用算法是神經(jīng)網(wǎng)絡(luò)算法，其中卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)可有效降低網(wǎng)絡(luò)的復(fù)雜度，并減少訓(xùn)練參數(shù)的數(shù)量，具有強魯棒性和容錯能力，便于訓(xùn)練和優(yōu)化。針對根據(jù)實時數(shù)據(jù)特征融合這類時序特性明顯的特征趨勢融合算法，Cui等[27]提出了一種基于多尺度 CNN 的時間序列分類模型(稱為MCNN 模型)，MCNN在卷積層中將多通道的數(shù)據(jù)進行整合，可以處理多源時間序列，通過將原始數(shù)據(jù)下采樣到不同的時間尺度使其不僅能夠提取不同尺度的低級特征，而且能夠提取更高級的特征。

第4層：決策融合。根據(jù)智能設(shè)備的狀態(tài)的發(fā)展趨勢，采用專家知識庫、黑板理論等數(shù)據(jù)融合算法，也可采用基于決策樹與擴展D矩陣的故障隔離方法[28]等對智能設(shè)備的電子器件進行故障預(yù)測與診斷，并得到設(shè)備故障預(yù)測與診斷結(jié)果。

需要指出是，數(shù)據(jù)驅(qū)動模式對設(shè)備或系統(tǒng)進行故障預(yù)測并非每次都要遍歷這4個層次，如果故障特征十分明顯，則可以直接做出判斷。

復(fù)雜設(shè)備采集的數(shù)據(jù)會有若干項，而每項數(shù)據(jù)對故障的影響權(quán)重不同。在進行故障預(yù)測時，為數(shù)據(jù)項賦予不同權(quán)重并組合進行預(yù)測的模式稱為組合預(yù)測模式。例如，機電設(shè)備故障預(yù)測時除了根據(jù)設(shè)備震動數(shù)據(jù)外，還可結(jié)合設(shè)備的工作時發(fā)出的聲音預(yù)測故障。數(shù)據(jù)驅(qū)動預(yù)測模式的關(guān)鍵是數(shù)據(jù)的準確性與數(shù)據(jù)處理算法及流程的合理性。

4 智能設(shè)備壽命預(yù)測

設(shè)備的剩余使用壽命(Remaining Useful Life,RUL)是在設(shè)備需要維修或更換之前的預(yù)期壽命或剩余使用時間。根據(jù)系統(tǒng)數(shù)據(jù)預(yù)測剩余使用壽命是預(yù)測維護算法的主要目標。在整機壽命管理方面，Manuel、Smarsly等[29-31]分別采用統(tǒng)計法和集成監(jiān)測法進行風(fēng)電機組使用壽命預(yù)測與管理。由此可見，對于不同智能設(shè)備的壽命預(yù)測有不同的方法。在壽命預(yù)測的基礎(chǔ)上，應(yīng)制定設(shè)備維護計劃。利用邊云協(xié)同中的云分布式儲存技術(shù)，同步更新并保存所有在線設(shè)備在使用期間的歷史數(shù)據(jù)，確保數(shù)據(jù)可追溯，并為設(shè)備的正常運行實時提供數(shù)據(jù)對比，從而及時發(fā)現(xiàn)設(shè)備隱患。另一方面，不同廠商設(shè)備運行積累的數(shù)據(jù)在做壽命預(yù)測時可相互借鑒。通過互聯(lián)網(wǎng)將獲得的設(shè)備數(shù)據(jù)發(fā)布到云計算平臺，與設(shè)備供應(yīng)鏈的各節(jié)點企業(yè)共享，通過人機交互界面可以讓企業(yè)內(nèi)外部供應(yīng)鏈相關(guān)人員實時與數(shù)字孿生系統(tǒng)進行信息交互，及時獲取設(shè)備工作狀態(tài)，協(xié)同設(shè)備生產(chǎn)企業(yè)進行產(chǎn)品升級換代。

數(shù)據(jù)驅(qū)動模式是從以往積累的數(shù)據(jù)中識別或?qū)W習(xí)設(shè)備的健康/非健康行為，將原始監(jiān)測數(shù)據(jù)轉(zhuǎn)作為檢測或建模的基礎(chǔ)，結(jié)合當前運行狀態(tài)，對設(shè)備的未來狀態(tài)進行預(yù)測。數(shù)據(jù)驅(qū)動模式，尤其是結(jié)合大數(shù)據(jù)技術(shù)、云計算技術(shù)后，以其靈活的適應(yīng)性和易用性獲得了廣泛的應(yīng)用。但也存在因獲取精確數(shù)據(jù)難而影響預(yù)測效果的問題，以及不同類型設(shè)備感知數(shù)據(jù)對設(shè)備狀態(tài)影響權(quán)重?zé)o法精確認定等問題。在采用邊云協(xié)同機制建立企業(yè)內(nèi)設(shè)備故障預(yù)測系統(tǒng)后，企業(yè)除可建立統(tǒng)一設(shè)備故障預(yù)測系統(tǒng)外，還可以借助于云計算有針對性地為設(shè)備建立不同的預(yù)測模式，從而提高預(yù)測有效性。

5 結(jié)束語

智能設(shè)備或系統(tǒng)預(yù)測性維護目前處于探索階段，筆者基于預(yù)測性維護技術(shù)、邊云協(xié)同技術(shù)、大數(shù)據(jù)處理技術(shù)，對智能設(shè)備或系統(tǒng)預(yù)測性維護做了探討。

由于智能設(shè)備具有企業(yè)地域廣、設(shè)備分散、設(shè)備種類多而雜的特點，采用邊緣計算與云計算協(xié)同框架進行智能設(shè)備預(yù)測性維護工作比較合適。預(yù)測驅(qū)動模式選用基于多層級數(shù)據(jù)融合故障預(yù)測模式，但不能完全依賴某一種模式，在大數(shù)據(jù)和云計算技術(shù)的支撐下，可以采用多種驅(qū)動模式相結(jié)合的方式，以適應(yīng)企業(yè)中不同智能設(shè)備的故障預(yù)測與診斷。這是邊云協(xié)同的優(yōu)勢，也突破了設(shè)備故障預(yù)測與診斷研究慣性思維。

雖然數(shù)字孿生和概率數(shù)字孿生模式是一種比較新的驅(qū)動模式，但還存在虛實一致，孿生數(shù)據(jù)的故障特征提取及融合，故障過程建模及傳播機理，自組織、自學(xué)習(xí)、自優(yōu)化機制，需求的捕捉與精準解析，基于虛擬驗證的服務(wù)精準執(zhí)行等方面的問題，有待進一步研究。