论文部分内容阅读
摘 要 寿命预测和预防性维护是设备全生命周期管理中的重要内容。本文主要研究了寿命预测中的基于物理模型的预测方法和数据驱动的预测方法，以及预防性维护中的基于时间的维护和基于状态的维护。随着现代企业对于设备的运维要求越来越高，寿命预测和预防性维护将能够极大地帮助企业降低运维成本。
关键词 寿命预测；剩余寿命；预防性维护
中图分类号 TH17 文献标识码 A 文章编号 2095-6363（2017）15-0027-02
机械系统已经被广泛运用于各个行业，在国民经济建设中起着重要作用。特别是对于机加工企业或者机加工行业来说，随着现代机械系统自动化程度的提高，机械系统的可靠性、安全性和经济性受到的关注越来越多。同时，随着制造业转型，很多机械制造商逐步由以制造为中心转向以服务为中心，机械设备的智能诊断和智能维护决策已逐渐成为设备全生命周期管理和企业追求效益的重要途径。
对机械设备进行有效的维护维修是研究如何在维护成本、维护资源与生产效益等限制条件下，制定最优的维护策略，以达到提高系统的可靠性要求并以减少损失为目的。在机械设备的运行阶段，要保障系统的可靠的安全运行，需要对其状态进行监测，获取的监测信息来预测其剩余寿命，而对于剩余寿命的预测将成为预防性维护的重要依据，能够为制定合理的维护策略提供有效的支持。
1 寿命预测与预防性维护
1.1 概述
随着嵌入式技术、传感器技术和现代测量技术的迅速发展，工業现场可以获得相关的监测数据用于过程监控与剩余寿命的预测。通过采集现场设备的运行数据、系统运行过程中的特征量等基础数据，并将其输入到监测系统，监测系统对与退化过程相关的信息进行分析[1]，若直接发生了故障报警，则对设备进行相应的维护（事后维护）；若发现设备偏离正常运行状态但未达到功能失效的异常点时，则对异常点之后的退化数据进行建模分析，预测剩余寿命。对系统的当前状态和寿命预测的结果制定预防性维护决策，统筹规划机械系统的维护。
1.2 寿命预测
剩余寿命预测的方法包括基于物理模型（Physical Model）的预测方法和数据驱动（Data Driven）的预测方法等。
对于基于物理模型的寿命预测方法，Paris提出了一个著名的Paris公式[2]，他用断裂力学的方法表达机械设备裂纹扩展规律，为裂纹扩展寿命预测的研究提供了新方法。由于物理学模型是针对特定设备或功能模块的，需要供应商或厂家做许多复杂的统计与建模，而且模型的通用性很差，因此在实际运用中，针对不同复杂机械系统建立精确的物理模型在通常情况下是一件非常困难的事情。
基于数据驱动的预测方法能很好地解决上述问题。部件或系统设计、仿真、运行和维护等各个阶段的测试、传感器的数据就成为掌握系统性能下降的主要依据，从这些大量接收到的表征系统性能的数据中提取有用的信息，进行剩余寿命预测。
数据驱动的剩余寿命分布预测主要基于统计学理论和人工智能理论进行剩余寿命预测建模，在剩余寿命预测领域内被广泛使用的数据驱动的剩余寿命预测方法主要包括基于比例风险模型的剩余寿命预测、基于连续退化过程的剩余寿命预测、基于神经网络的剩余寿命
预测。
基于比例风险模型建模考虑的是监测的状态是影响系统失效概率的因素，该方法的思路是建立起系统失效概率与系统监测状态及系统运行时间之间的函数，预测其剩余寿命。Gebraeel等提出了一种基于条件的剩余寿命分布的退化模型框架，这个模型框架是利用安装有传感器的组件作为基础的退化数据来源，同时加入可捕捉的环境因素数据，计算剩余寿命并实时更新。
基于连续退化过程的剩余寿命预测是在已知系统退化状态故障阈值的基础上将系统的健康状态建模为连续的退化过程进行寿命预测。Wang等[3]提出了一种基于自适应漂移布朗运动的剩余寿命预测模型，可以方便的编程为一个软件包，方便使用，同时不需要历史的故障数据来测试模型。
基于神经网络的剩余寿命预测方法是通过在系统的输入和输出之间构建特定的函数关系，从而预测剩余寿命。Tian等[4]用一个改进的递归网络预测剩余寿命，该模型基于收集到的振动数据来预测设备健康状况。
1.3 预防性维护
使用预防性维护方式对于提高机械系统的安全性和可靠性有着重要意义，现有的预防性维护主要包括两种方式，分别是基于时间的维护和基于状态的维护。
1.3.1 基于时间的维修
基于时间的维修是依据系统运行时间或其失效状况对系统做出维修决策。对机械系统故障的发生与工作时间的延长相关，且无法进行监测的机械零部件可采用此维修方式。它包括周期性的对系统的检测，零部件的清洗及润滑，以减少系统在使用过程中可能出现的故障，降低系统停机损失。
基于时间的维修是依据著名的浴池曲线。设备的失效率可以被分成3个阶段：早起故障期、偶然故障期、损耗故障期。
基于时间的维修决策包括两个过程：失效数据分析/模型建立、维护决策。其中，第一个过程，收集故障时间数据，再做进一步分析，通过统计/可靠性建模（统计/可靠性建模可以使用各种统计工具，包括比较流行的可靠性理论，韦伯分布模型等[5]），以确定设备的故障特性和对剩余寿命的预测。第二个过程，这个过程的主要目标是确定最佳的维护策略，旨在以尽可能低的维护成本提供最佳的系统可靠性或可用性和安全
性能。
1.3.2 基于状态的维护
基于状态的维护是通过接收到的表征机械系统性能的监测数据，对接收到的监测信息进行分析，获得当前系统的健康状态，在部件出现退化后合理地确定系统的维修计划以及维修时间的维修策略。
1）七层模型。美国机械信息管理开发系统联盟等一些组织联合提出CBM开放系统结构，OSA-CBM将CBM系统分成了7层不同的技术模块，包括数据采集模块（Data Acquisition）、数据处理模块（Data Manipulation）、状态监测模块（Condition Monitoring）等。在数据采集、数据处理、状态监控和健康评估层这几层中，有相关的标准可供参考，例如OSA CBM标准，同时也包括IEEE1451系列标准、IEEE1232系列标准、MIMOSA CRIS标准等。一个完整的CBM系统结构应当具有从数据采集到具体维护建议等一系列功能。CBM的主要功能包括传感和数据获取、信号处理和特征提取、产生警告、失效或故障诊断和状态评估、预诊断（预测未来健康概况和估计剩余寿命）、辅助决策（维护建议，预防性维护）等[6]。 2）五大考虑因素。（1）维护目标。模型的建立是基于相关的维护目标，包括维护费用最小，系统可靠度最高，系统平均可用度最大等。（2）维护方式。模型的建立是基于相关的维护方式，如周期预防性维护，控制限维护等。（3）维护效果。模型的建立是基于相关的维护效果，包括完美维护效果和非完美维护等。（4）维护限制。模型的建立是基于相关的维护限制，如维护费用、维护时间等的限制。（5）退化模型。退化模型是描述系统退化过程的模型。
2 结论
寿命预测和预防性维护是一个复杂的系统建模与决策问题，涉及到诸如运筹学、大数据、可靠性工程等多种学科领域的交叉。通过异常检测，进行剩余寿命预测，并根据结果来进行预防性维护决策，这一套系统性解决方法将能在工程应用方面发挥巨大作用。
现代装备日趋精密化、复杂化，因此在实际应用中，进行预防性维护决策时需要考虑的因素将会增加，比如如何解决零部件维护时的干扰问题，模块化的设备在维护时，故障模块和正常模块之间可能会相互干扰，因此，在进行维护决策时还需要统筹考虑。但正因为这样，设备的维护成本将会是企业开支的很大一部分，因此，进行预防性维护是有效减少企业设备维护成本的重要手段。
参考文献
[1]廖雯竹.基于设备衰退机制的预知性维护策略及生产排程集成研究[D].上海：上海交通大学，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系统体系结构[EB/OL].[2014-11-04].http：//book.51cto.com/art/201411/456193.htm.
关键词 寿命预测；剩余寿命；预防性维护
中图分类号 TH17 文献标识码 A 文章编号 2095-6363（2017）15-0027-02
机械系统已经被广泛运用于各个行业，在国民经济建设中起着重要作用。特别是对于机加工企业或者机加工行业来说，随着现代机械系统自动化程度的提高，机械系统的可靠性、安全性和经济性受到的关注越来越多。同时，随着制造业转型，很多机械制造商逐步由以制造为中心转向以服务为中心，机械设备的智能诊断和智能维护决策已逐渐成为设备全生命周期管理和企业追求效益的重要途径。
对机械设备进行有效的维护维修是研究如何在维护成本、维护资源与生产效益等限制条件下，制定最优的维护策略，以达到提高系统的可靠性要求并以减少损失为目的。在机械设备的运行阶段，要保障系统的可靠的安全运行，需要对其状态进行监测，获取的监测信息来预测其剩余寿命，而对于剩余寿命的预测将成为预防性维护的重要依据，能够为制定合理的维护策略提供有效的支持。
1 寿命预测与预防性维护
1.1 概述
随着嵌入式技术、传感器技术和现代测量技术的迅速发展，工業现场可以获得相关的监测数据用于过程监控与剩余寿命的预测。通过采集现场设备的运行数据、系统运行过程中的特征量等基础数据，并将其输入到监测系统，监测系统对与退化过程相关的信息进行分析[1]，若直接发生了故障报警，则对设备进行相应的维护（事后维护）；若发现设备偏离正常运行状态但未达到功能失效的异常点时，则对异常点之后的退化数据进行建模分析，预测剩余寿命。对系统的当前状态和寿命预测的结果制定预防性维护决策，统筹规划机械系统的维护。
1.2 寿命预测
剩余寿命预测的方法包括基于物理模型（Physical Model）的预测方法和数据驱动（Data Driven）的预测方法等。
对于基于物理模型的寿命预测方法，Paris提出了一个著名的Paris公式[2]，他用断裂力学的方法表达机械设备裂纹扩展规律，为裂纹扩展寿命预测的研究提供了新方法。由于物理学模型是针对特定设备或功能模块的，需要供应商或厂家做许多复杂的统计与建模，而且模型的通用性很差，因此在实际运用中，针对不同复杂机械系统建立精确的物理模型在通常情况下是一件非常困难的事情。
基于数据驱动的预测方法能很好地解决上述问题。部件或系统设计、仿真、运行和维护等各个阶段的测试、传感器的数据就成为掌握系统性能下降的主要依据，从这些大量接收到的表征系统性能的数据中提取有用的信息，进行剩余寿命预测。
数据驱动的剩余寿命分布预测主要基于统计学理论和人工智能理论进行剩余寿命预测建模，在剩余寿命预测领域内被广泛使用的数据驱动的剩余寿命预测方法主要包括基于比例风险模型的剩余寿命预测、基于连续退化过程的剩余寿命预测、基于神经网络的剩余寿命
预测。
基于比例风险模型建模考虑的是监测的状态是影响系统失效概率的因素，该方法的思路是建立起系统失效概率与系统监测状态及系统运行时间之间的函数，预测其剩余寿命。Gebraeel等提出了一种基于条件的剩余寿命分布的退化模型框架，这个模型框架是利用安装有传感器的组件作为基础的退化数据来源，同时加入可捕捉的环境因素数据，计算剩余寿命并实时更新。
基于连续退化过程的剩余寿命预测是在已知系统退化状态故障阈值的基础上将系统的健康状态建模为连续的退化过程进行寿命预测。Wang等[3]提出了一种基于自适应漂移布朗运动的剩余寿命预测模型，可以方便的编程为一个软件包，方便使用，同时不需要历史的故障数据来测试模型。
基于神经网络的剩余寿命预测方法是通过在系统的输入和输出之间构建特定的函数关系，从而预测剩余寿命。Tian等[4]用一个改进的递归网络预测剩余寿命，该模型基于收集到的振动数据来预测设备健康状况。
1.3 预防性维护
使用预防性维护方式对于提高机械系统的安全性和可靠性有着重要意义，现有的预防性维护主要包括两种方式，分别是基于时间的维护和基于状态的维护。
1.3.1 基于时间的维修
基于时间的维修是依据系统运行时间或其失效状况对系统做出维修决策。对机械系统故障的发生与工作时间的延长相关，且无法进行监测的机械零部件可采用此维修方式。它包括周期性的对系统的检测，零部件的清洗及润滑，以减少系统在使用过程中可能出现的故障，降低系统停机损失。
基于时间的维修是依据著名的浴池曲线。设备的失效率可以被分成3个阶段：早起故障期、偶然故障期、损耗故障期。
基于时间的维修决策包括两个过程：失效数据分析/模型建立、维护决策。其中，第一个过程，收集故障时间数据，再做进一步分析，通过统计/可靠性建模（统计/可靠性建模可以使用各种统计工具，包括比较流行的可靠性理论，韦伯分布模型等[5]），以确定设备的故障特性和对剩余寿命的预测。第二个过程，这个过程的主要目标是确定最佳的维护策略，旨在以尽可能低的维护成本提供最佳的系统可靠性或可用性和安全
性能。
1.3.2 基于状态的维护
基于状态的维护是通过接收到的表征机械系统性能的监测数据，对接收到的监测信息进行分析，获得当前系统的健康状态，在部件出现退化后合理地确定系统的维修计划以及维修时间的维修策略。
1）七层模型。美国机械信息管理开发系统联盟等一些组织联合提出CBM开放系统结构，OSA-CBM将CBM系统分成了7层不同的技术模块，包括数据采集模块（Data Acquisition）、数据处理模块（Data Manipulation）、状态监测模块（Condition Monitoring）等。在数据采集、数据处理、状态监控和健康评估层这几层中，有相关的标准可供参考，例如OSA CBM标准，同时也包括IEEE1451系列标准、IEEE1232系列标准、MIMOSA CRIS标准等。一个完整的CBM系统结构应当具有从数据采集到具体维护建议等一系列功能。CBM的主要功能包括传感和数据获取、信号处理和特征提取、产生警告、失效或故障诊断和状态评估、预诊断（预测未来健康概况和估计剩余寿命）、辅助决策（维护建议，预防性维护）等[6]。 2）五大考虑因素。（1）维护目标。模型的建立是基于相关的维护目标，包括维护费用最小，系统可靠度最高，系统平均可用度最大等。（2）维护方式。模型的建立是基于相关的维护方式，如周期预防性维护，控制限维护等。（3）维护效果。模型的建立是基于相关的维护效果，包括完美维护效果和非完美维护等。（4）维护限制。模型的建立是基于相关的维护限制，如维护费用、维护时间等的限制。（5）退化模型。退化模型是描述系统退化过程的模型。
2 结论
寿命预测和预防性维护是一个复杂的系统建模与决策问题，涉及到诸如运筹学、大数据、可靠性工程等多种学科领域的交叉。通过异常检测，进行剩余寿命预测，并根据结果来进行预防性维护决策，这一套系统性解决方法将能在工程应用方面发挥巨大作用。
现代装备日趋精密化、复杂化，因此在实际应用中，进行预防性维护决策时需要考虑的因素将会增加，比如如何解决零部件维护时的干扰问题，模块化的设备在维护时，故障模块和正常模块之间可能会相互干扰，因此，在进行维护决策时还需要统筹考虑。但正因为这样，设备的维护成本将会是企业开支的很大一部分，因此，进行预防性维护是有效减少企业设备维护成本的重要手段。
参考文献
[1]廖雯竹.基于设备衰退机制的预知性维护策略及生产排程集成研究[D].上海：上海交通大学，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系统体系结构[EB/OL].[2014-11-04].http：//book.51cto.com/art/201411/456193.htm.