【PHM】PHM算法与智能分析技术——智能维护技术引述
PHM算法與智能分析技術——智能維護技術引述
- 智能維護技術的發展與問題
- PHM概念與方法論
- PHM系統的設計
本系列來自于北京天澤智云科技有限公司的PHM算法與智能分析技術公開課，內容非常有助于研究者對PHM的理解和學習，因此整理為文字版，方便閱讀和筆記。
公開課視頻地址
本堂課的主要介紹了三方面的內容，首先介紹PHM技術產生的背景，這里面介紹了一個維護的總體愿景與目標以及維護技術的演進。第二部分介紹了PHM里的一些基本概念與基方法。最后簡要介紹設計一個PHM系統需要遵循哪些步驟？
智能維護技術的發展與問題
維護的目標
對于PHM這門技術產生的背景，我們知道維護的一個目是要解決生產制造中的問題。 這些問題包括設備的停機部件的損壞，質量的不良，甚至是能效的一些利用低利用率或者浪費。要解決這些問題，不能單單從這些問題產生的表象入手，而是要關注產生它們的原因，這些原因通常是潛藏在表象問題的背后的不可見問題，例如零件的磨損、腐蝕、泄露，或是一些人為操作的不良、環境因素，這些因素有多種多樣的表征形式，并且很可能互相耦合交叉共同作用，最后產生了失效。
對于這種情況，要從源頭入手，能夠避免這些問題。因此，維護的一個終極目標并不僅發現這些失效，而是要解決和避免它們。就是要利用監控分析，甚至決策支持這樣的手段來去解決和避免看不見的問題。這其實是一個宏觀的對維護技術的愿景。如何能夠避免不可見問題的發生，很重要的一點就是要做預測。
維護策略的演進
維護策略的演進歷程與維護的方向是非常吻合的。傳統的反應式的維護方式是等待設備壞掉后再去維修。后來人們發現對于一些高可靠性的設備，它的可靠性要求不能夠被原有的傳統的維護方式所滿足。因此要做的預防性的過維護，它純粹是基于時間的維修方式，通常對高可靠性的這樣的零部件進行過度的維護，頻繁的更換可能仍然能夠用一段時間的零件。這種維護方式的成本是非常高昂的。
后來出現基于狀態監測的維護CBM，它不再單純依賴于時間，而是通過從設備里面采出來的實際的物理量來發現故障的一些早期現象，從而避免嚴重的故障發生。既然能對設備進行數據的收集，為什么不做進一步做預測呢？PHM就在這樣的背景下產生了，有人又叫它CBM+，其實就是能夠在狀態監測的基礎上，再更進一步預測設備的剩余使用壽命。
隨著維護技術的發展，整個設備生命周期里面的維護成本是逐漸降低的，但是模型的復雜程度會逐漸升高。也就是說系統的智能化程度是不斷增大的。以上是PHM技術產生的背景。
PHM概念與方法論
PHM本身是一門工程的學科，是很多在不同工程領域的總結并且融合形成了一套理論體系，本身就是來源于工程，因此它是一門應用，聚焦的是對復雜工程系統健康狀態的一個監測預測與管理。因此它是針對最終的維護目標，精準最優化維護策略所誕生的學科。
PHM關心的問題可以概括成為一下幾個方面：首先是降低成本，其實是通過對非預期的停機事件進行預測，減少過度維護，同時最大化部件設備的使用壽命，并且減少生產制造中不良的產品。
另外是提高設備的可靠性。在這里提到一個新的概念：MTBD（Mean-Time-Before-Degradation），它對應著可靠性理論里面一個非常重要的概念：失效發生的平均時間。這種概念針對的通常是設備重復性比較大，并且能夠被大批量生產的設備，能夠單純基于時間就能夠統計出它的一個可靠性指標。另外是提高設備的可靠性。
如果做PHM的話，其實我們更關心的不是它到失效的時間，而是失效發生之前它發生衰退的時間。這其實是做PHM的時候可以針對復雜系統做到的預測，它什么時候衰退到一個嚴重程度的技術。所以PHM所關心的是更精細的可靠性的分析。
首先是PHM里面P，在工業領域叫做故障診斷，在PHM這個學科里面狹義的故障預測指的是對設備剩余使用壽命的預測，也就是RUL的預測。RUL的預測需要具備幾個條件，首先是要知道設備什么時候失效，并且通常要有全生命周期的數據，失效的標準如果能夠被量化，與失效的全生命周期的過程的數據對應起來，就可以做建立RUL預測的模型。
但有時往往拿不到全生命周期的數據，而且對失效的標準定義也非常模糊，其實在工業領域是非常常見的。如果失效的標準定義都非常模糊，那就別提我們說對它的量化，所以更常做的是對健康趨勢的一個判斷，我們稱為健康預測。健康預測就是說在近期的時間段內預測設備的健康值的走向，也就是如果它發展到一定程度的時候，看它發展的速度在當下的情況是不是需要關注，所以說是起到趨勢預測的作用，還達不到對完整的剩余使用壽命的預測。
對于失效這個概念，什么是失效？通常大家認為的失效是發生了停機事件，我們稱這樣的失效為硬失效，通常是組件損壞或設備的停機，甚至可以廣義的指產品的不良發生了。軟失效指的是我們說設備的可靠性降低，它可能仍然能夠運轉，但是我們說它已經發生了衰退，可能已經有一些風險了。或者是在生產制造過程中發現out of control，還沒有out of spack。要做RUL預測需要得到一個能夠被量化失效標準，可能是閾值或是基于歷史的失效的事件而得出來的時間段，要根據不同的情況做具體的歸類。
第三個概念的是全生命周期數據，對于做RUL預測是必不可少的。這個數據其實是做很多工業場景項目的時候，比較難拿到的，成本也比較高的數據。
從拿到原始數據也就是測量值到特征，再到最后得到健康值，是一個維度不斷降低的過程。也就是拿到原始數據時，直接從設備里采出了一些物理量，這些值可以被凝煉成特征信息，這些特征能夠表征故障的模態與變化趨勢。對這些特征在做機器學習也好，或者是一些建模的處理也好，我們可以把它轉化成一個一維的健康值或稱cv值，它能夠表征對系統衰退情況的變化以及趨勢。所以，針對健康值做預測，其實就能夠進行健康預測或者是故障預測。
PHM系統的設計
除了數據驅動的方式，還有其他三種不同的方式，有基于機理建模的，這個其實是控制學科里面衍生出來的一些對故障的檢測跟分類技術，也有機理跟數據驅動相結合的方式，同時也存在用傳統的可靠性統計分析方式來做故障的預測。
接下來這門課的重點是基于數據驅動的方式來做建模的。基本的示意圖如下，在特征空間里面能夠看到，如果設備處在健康狀態，它會存在于特定的一個分布范圍內。如果失效的話，會在這個特征空間里面發生一定的漂移。如果對設備的狀態進行監測，就可以預測它什么時候會跑出失效的邊界，從而預測它的剩余使用壽命，其實就是用數據驅動的方法做剩余使用壽命預測的方法。
做使用壽命預測有一定的前提條件，我們拿到的數據可能是在機器健康正常運轉下的數據，能夠利用它的歷史基線建立一個機械模型，對于機械模型跟現實的狀態的對比的話，我們能夠評估它的健康狀態。如果我們能夠拿到一些故障狀態的數據，可以對故障的數據建立歷史基線，同時用一個分類模型就可以對故障進行自動的診斷。再進一步，如果有針對不同故障模式的全生命周期的數據，就可以進行故障預測。
不管是實現哪一個層次的PHM的建模方式，步驟的是基本相似的。首先對數據進行采集后，要對信號進行處理，降噪清洗，之后要進行特征提取與特征選擇。接下來對系統進行一個健康評估，對它的失效模式進行分類，并且進行健康趨勢的使用壽命預測。不管是實現哪一個層次的PHM的建模方式，步驟的是基本相似的。首先對數據進行采集后，要對信號進行處理，降噪清洗，之后要進行特征提取與特征選擇。接下來對系統進行一個健康評估，對它的失效模式進行分類，并且進行健康趨勢的使用壽命預測。
設計一個PHM系統有七個主要步驟，首先，要做一個PHM系統，其實是要判別所面臨的對象適不適合做PHM，如果適合，要關注它的哪一類故障模式，是什么樣的具體的問題。這個是前期非常重要的要定義出來的需求，這個需求通常是做PHM的數據科學家與終端的用戶，甚至要帶上設備的制造商一塊兒來研討定義需求。這個需求被定義之后，就要定義監控層次，具體是要做組件級的還是設備級的，是產線級還是工程級的？之后要選擇模型，在這個層級的模型選擇要定義場景到底是要是強數據弱機理，還是弱機理強數據，甚至是機理跟數據都強，取決于要用哪一個類型的模型。舉例來說：機理比較強，但是數據很少，這個時候就要借鑒一些領域知識，盡量用基于機理的模型做數據的分析；有的時候數據量很大，但是對系統不是很了解，這樣就比較適合用純粹的數據驅動的方式來做。接下來就要選擇一些關鍵的參數，這個跟前面定義的需求、業務目標、選擇的要監控的關鍵參數是有非常緊密的關聯的。在這一步是要定義到底采集哪些數據，如果沒有這樣的數據，要外加傳感器。如果不能加傳感器，就要回到我們的需求定義層次，減少功能。接下來就要做部署策略跟實驗設計，也就是說要開始采集一些能夠進行可行性分析的數據了。這些數據要能夠支撐我們盡量采集完整的工況，并且能夠盡量覆蓋到不同的失效模式。如果能有全生命周期的數據的話，其實是最好的。第六步，要對技術和經濟性的可行性進行一個研究，這個時候已經建完模了，對數據有一定程度的理解跟分析結果后，是能夠進行一些對標的分析，然后對應到我們經濟性上，分析我們的項目的可行性。如果被證明可行，就要進行實際的線上的技術開發，與上線的應用等部署。設計一個PHM系統有七個主要步驟，首先，要做一個PHM系統，其實是要判別所面臨的對象適不適合做PHM，如果適合，要關注它的哪一類故障模式，是什么樣的具體的問題。這個是前期非常重要的要定義出來的需求，這個需求通常是做PHM的數據科學家與終端的用戶，甚至要帶上設備的制造商一塊兒來研討定義需求。這個需求被定義之后，就要定義監控層次，具體是要做組件級的還是設備級的，是產線級還是工程級的？之后要選擇模型，在這個層級的模型選擇要定義場景到底是要是強數據弱機理，還是弱機理強數據，甚至是機理跟數據都強，取決于要用哪一個類型的模型。舉例來說：機理比較強，但是數據很少，這個時候就要借鑒一些領域知識，盡量用基于機理的模型做數據的分析；有的時候數據量很大，但是對系統不是很了解，這樣就比較適合用純粹的數據驅動的方式來做。接下來就要選擇一些關鍵的參數，這個跟前面定義的需求、業務目標、選擇的要監控的關鍵參數是有非常緊密的關聯的。在這一步是要定義到底采集哪些數據，如果沒有這樣的數據，要外加傳感器。如果不能加傳感器，就要回到我們的需求定義層次，減少功能。接下來就要做部署策略跟實驗設計，也就是說要開始采集一些能夠進行可行性分析的數據了。這些數據要能夠支撐我們盡量采集完整的工況，并且能夠盡量覆蓋到不同的失效模式。如果能有全生命周期的數據的話，其實是最好的。第六步，要對技術和經濟性的可行性進行一個研究，這個時候已經建完模了，對數據有一定程度的理解跟分析結果后，是能夠進行一些對標的分析，然后對應到我們經濟性上，分析我們的項目的可行性。如果被證明可行，就要進行實際的線上的技術開發，與上線的應用等部署。
總結
以上是生活随笔為你收集整理的【PHM】PHM算法与智能分析技术——智能维护技术引述的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： PhotoSwipe添加caption
- 下一篇： 【信号分解】基于LMD算法和ELMD算法