基于狀態(tài)監(jiān)測的壽命預(yù)測與預(yù)防維護(hù)規(guī)劃研究綜述

基于狀態(tài)監(jiān)測的壽命預(yù)測與預(yù)防維護(hù)規(guī)劃研究綜述

該設(shè)備是否能夠持續(xù)有效地開展工作，以及是否能夠及時有效地實施，與當(dāng)局、公司乃至國家的競爭力密切相關(guān)。如今,越來越復(fù)雜精巧的設(shè)備使其有效運行的可靠性成為突出問題;另一方面,競爭激烈的市場又要求設(shè)備能更可靠高效地工作。由此,高效、經(jīng)濟的維護(hù)策略的重要性就顯而易見了。1981年,美國國內(nèi)工廠針對重要設(shè)備的維護(hù)費用為6000億美元。20年內(nèi),這一數(shù)字翻了20倍。一個更驚人的事實是,由于無效、低效的維護(hù),有1/3至1/2的維護(hù)費用被浪費了。因此,就需要不斷發(fā)展與改進(jìn)現(xiàn)有的維護(hù)策略。如今,設(shè)備維護(hù)策略已由事后維護(hù)(correctivemaintenance),基于時間的預(yù)防維護(hù)(time-basedpreventivemaintenance),逐步發(fā)展為基于狀態(tài)的維護(hù)(condition-basedmaintenance(CBM))。對于維護(hù)費用的分析顯示,設(shè)備失效后維護(hù)的費用往往數(shù)倍于采用CBM策略的維護(hù)費用。另一份調(diào)查顯示,對狀態(tài)監(jiān)測投入1萬美元-2萬美元,每年有望節(jié)省50萬美元的維護(hù)費用。CBM的益處不僅是維護(hù)費用的降低,還包括:設(shè)備失效時間的減少(設(shè)備可用度的提高),庫存的削減,和后勤與供應(yīng)鏈的改善。例如:美國“智能維護(hù)系統(tǒng)”中心(centerforintelligentmaintenancesystems)估計,僅在美國國內(nèi),若采用CBM策略,僅因設(shè)備可用度提高這一項,每年就可節(jié)省50億美元。CBM對維護(hù)決策的支持主要有兩方面:診斷(diagnostics)與預(yù)測(prognostics)。Diagnostics致力于失效發(fā)生后的發(fā)現(xiàn)、隔離與鑒定;Prognostics致力于預(yù)測、防止失效的發(fā)生。雖然無法完全代替diagnostics,prognostics在預(yù)防失效發(fā)生方面更為有效。然而,相對diagnostics而言,prognostics方面的研究較少。Prognostics主要有兩大方面的研究:壽命預(yù)測與預(yù)防維護(hù)規(guī)劃。文獻(xiàn)總結(jié)了至2008年壽命預(yù)測方面的一些工作,文獻(xiàn)總結(jié)了至2005年壽命預(yù)測和預(yù)防維護(hù)規(guī)劃兩大方面的主要研究。然而,一方面prognostics的研究日新月異,新的方法、模型不斷涌現(xiàn),需要及時總結(jié);另一方面需要對prognostics的各種方法、模型進(jìn)行分類和歸納,將有助于掌握各類方法的特點及其適用性,并發(fā)現(xiàn)新的研究方向。本文對目前為止主要的壽命預(yù)測方法和預(yù)防維護(hù)規(guī)劃模型進(jìn)行總結(jié)、分類和簡單的比較,進(jìn)而探討一些必要的、有價值的研究方向。1狀態(tài)監(jiān)測數(shù)據(jù)基于狀態(tài)監(jiān)測的設(shè)備壽命預(yù)測,具體而言,是在設(shè)備A運行的某一時刻t,根據(jù)監(jiān)測的(至?xí)r刻t的)設(shè)備A的運行狀態(tài)和/或同類設(shè)備的歷史數(shù)據(jù),預(yù)測設(shè)備A由當(dāng)前至失效的剩余壽命(residuallife)(或剩余有效壽命(remainingusefullife))。這里,歷史數(shù)據(jù)可以是同類設(shè)備從運行到失效過程中的狀態(tài)監(jiān)測數(shù)據(jù)(conditionmonitoringdata),可以是失效時間數(shù)據(jù)、維護(hù)時間數(shù)據(jù)等事件數(shù)據(jù)(eventdata),也可以是兩者的綜合。Jardine等將剩余壽命表述為:Τ-t|Τ＞t,Ζ(t)(1)式中,T為表示失效時刻的隨機變量,t為當(dāng)前時刻,向量Z(t)為至當(dāng)前的狀態(tài)數(shù)據(jù)。更全面地,可將式(1)拓展為:Τ-t|Τ＞t,Ζ(u),(Ζhj(v),Ehj)(2)式中,向量Zhj(v)為同類設(shè)備j在運行時刻ν的狀態(tài)監(jiān)測數(shù)據(jù),向量Ehj為同類設(shè)備j的事件數(shù)據(jù)(尤其是失效時間,預(yù)防維護(hù)時間等數(shù)據(jù)),u∈[0,t],ν∈[0,Thj],j=1,2,…,L,L表示可獲得歷史數(shù)據(jù)的同類設(shè)備的個數(shù),Thj為同類設(shè)備j的最終失效或不再服役的時刻。壽命預(yù)測,既指預(yù)測變量T-t的分布,有時也指預(yù)測T-t的期望,即:E[Τ-t|Τ＞t,Ζ(u),(Ζhj(v),Ehj)](3)文獻(xiàn)中,設(shè)備壽命預(yù)測的方法主要可以分為:基于物理(第一原理)的方法和基于經(jīng)驗的方法,下文1.1節(jié)和1.2節(jié)總結(jié)近年來關(guān)于這兩類方法的主要工作。1.1基于狀態(tài)約束的轉(zhuǎn)軸裂紋關(guān)聯(lián)研究基于物理的方法試圖結(jié)合:①設(shè)備特定的機械動力學(xué)知識(如:損傷增長模型);②設(shè)備在線狀態(tài)監(jiān)測數(shù)據(jù),以預(yù)測設(shè)備的剩余壽命。文獻(xiàn)中常見的基于物理的方法主要使用裂紋擴展模型,碎裂增長模型等。Ray與Tangirala提出了裂紋擴展的非線性隨機模型,結(jié)合實測傳感器信號估計裂紋長度、裂紋擴展速率及材料的剩余壽命。Li等提出了一個滾動軸承壽命預(yù)測的框架,該框架包括一個確定性損傷擴展模型,一個診斷模型和一個自適應(yīng)算法。其中,診斷模型用于從傳感性信號中估計缺陷尺寸;由此估計,損傷擴展模型可計算得缺陷擴展率,并預(yù)測下一時刻的損傷尺寸;自適應(yīng)算法根據(jù)預(yù)測值和實際值的偏差在線更新?lián)p傷擴展模型的參數(shù),這就抓住了損傷擴展的動態(tài)特性?？墒?診斷模型并未予以詳細(xì)討論,在文獻(xiàn)的實驗中,直接使用了實測的損傷尺寸。在后續(xù)的工作中,Li等將確定性損傷擴展模型推廣到隨機損傷擴展模型。Glodez等提出了一個齒輪壽命的確定性計算模型,該模型以應(yīng)變-壽命方法計算裂紋萌生所需的應(yīng)力循環(huán)數(shù),以Paris方程模擬裂紋擴展過程,以位移相關(guān)法計算應(yīng)力強度因子與裂紋長度的函數(shù)關(guān)系,最后估計齒輪的壽命。基于振動響應(yīng)分析和損傷力學(xué),Qiu等提出了一個基于剛度的軸承系統(tǒng)預(yù)測模型。在文獻(xiàn)中,軸承系統(tǒng)作為單自由度振動系統(tǒng),因此其固有頻率和加速度幅值可與系統(tǒng)剛度相關(guān)聯(lián)。另一方面,通過損傷力學(xué),可將失效時間,服役時間和剛度變化聯(lián)系起來。這樣,一個軸承系統(tǒng)的固有頻率和加速度幅值便可與失效時間和服役時間聯(lián)系起來。因此,可以通過振動測量在線預(yù)測軸承系統(tǒng)的失效時間。Oppenheimer和Loparo提出了一個基于物理的轉(zhuǎn)軸裂紋診斷與預(yù)測方法,該方法包括監(jiān)測器和壽命模型。假設(shè)可由實測信號計算軸端速度和軸端力,根據(jù)轉(zhuǎn)軸的動力學(xué)模型,監(jiān)測器可估計裂紋的長度。而后,壽命模型基于線彈性斷裂力學(xué)Forman裂紋增長原理計算轉(zhuǎn)軸的剩余壽命?；诤喕凝X輪動力學(xué)方程,Wang提出了在線估計、更新齒輪嚙合剛度、嚙合系數(shù)的方法。而后,根據(jù)齒輪嚙合剛度和嚙合系數(shù)的變化就可判斷齒輪的健康狀態(tài),并預(yù)測其剩余壽命。不過,文獻(xiàn)指出仍需要一個裂紋擴展模型來預(yù)測齒輪的剩余壽命。針對飛機發(fā)動機的油濕部件,Orsagh等討論了信息融合框架,融合方法等一系列有關(guān)故障診斷和預(yù)測的概念。文獻(xiàn)中以軸承為例討論了軸承接觸失效情況下的壽命預(yù)測方法,在碎裂(spall)萌生前使用Yu-Harris模型,在碎裂萌生后則使用碎裂擴展模型。同時,文獻(xiàn)也討論了將Yu-Harris模型和碎裂擴展模型隨機化的方法,該方法考慮了載荷、不對中、潤滑和制造過程中的不確定因素。Chelidze和Cusumano等將失效過程視為分級動態(tài)系統(tǒng),其中損傷擴展的過程遠(yuǎn)慢于可觀測的系統(tǒng)動態(tài)特性,并假設(shè)快速的、可觀測的系統(tǒng)動態(tài)特性由某常微分方程控制,但并不需要知道該方程的具體模型。另一方面,若需進(jìn)行壽命預(yù)測,則需要知道損傷擴展的數(shù)學(xué)模型。這方面類似的研究還有文獻(xiàn)。文獻(xiàn)可視為對文獻(xiàn)的進(jìn)一步擴展,將狀態(tài)監(jiān)測數(shù)據(jù)與具體的物理模型結(jié)合以提高壽命預(yù)測的精確度。以H-60直升機中級齒輪箱的主動齒輪為例,文獻(xiàn)將疲勞失效分為裂紋形成與裂紋擴展階段。在裂紋形成階段,用Neuber原理估計裂紋萌生的循環(huán)數(shù);在裂紋擴展階段,則使用Paris公式計算裂紋擴展至失效的循環(huán)數(shù)。(這樣的思路與文獻(xiàn)中相似。)文獻(xiàn)中建議,當(dāng)基于狀態(tài)監(jiān)測數(shù)據(jù)的裂紋長度估計模型建立后,可用該模型取代Paris公式以估計裂紋擴展至失效長度的概率分布。Li和Lee提出了一個直齒輪壽命預(yù)測方法,該方法包括一個基于有限元法的齒輪裂紋長度估計模型,一個齒輪動力學(xué)仿真器(以估計齒輪載荷),一個計算應(yīng)力強度因子的仿真器,和一個基于Paris公式的壽命預(yù)測模型。文獻(xiàn)中方法考慮了在裂紋擴展過程中,齒輪剛度變化造成的動態(tài)載荷。試驗證明,該方法具有較高的預(yù)測精度。若事先將齒輪載荷與應(yīng)力強度因子在各種情況下的值制成查詢表,文獻(xiàn)中的方法則適用于現(xiàn)場應(yīng)用。Marble和Morton就軸承碎裂擴展進(jìn)行了一系列實驗研究,他們指出碎裂形成的過程是多個小裂紋萌生和聚結(jié)的結(jié)果,而非單一主裂紋擴展的過程。因此,傳統(tǒng)的裂紋擴展模型(例如Paris公式)并不適用于軸承。文獻(xiàn)中提出了碎裂擴展公式,結(jié)合有限元方法計算公式中需要的碎裂周圍的應(yīng)力,進(jìn)而預(yù)測軸承壽命。同時,文獻(xiàn)也討論了根據(jù)在線診斷結(jié)果更新模型的方法。Ramakrishana和Pecht根據(jù)線性損傷理論(Palmgren-Miner理論)估計印刷電路板上焊點在振動和溫度載荷下的損傷累計,并以同樣的方法估計焊點僅在熱循環(huán)(thermalcycling)下的剩余壽命。試驗結(jié)果表明,線性損傷理論能較好地估計一批樣本的剩余壽命均值,但文獻(xiàn)中未討論如何對單個樣本的剩余壽命做出較好地預(yù)測。類似地,Gu等用應(yīng)變計檢測振動載荷下印刷電路板的響應(yīng)(彎曲曲率),以解析模型進(jìn)一步計算焊點的應(yīng)變,然后以Miner原理估計焊點損傷的累積并預(yù)測焊點的剩余壽命。類似的研究還有文獻(xiàn)?；谖锢淼膲勖A(yù)測方法,由于具備設(shè)備特定的物理學(xué)模型,往往不需要大量同類設(shè)備的歷史數(shù)據(jù)即可獲得較精確的預(yù)測結(jié)果。但是,該方法有時需要進(jìn)行停機檢查,這往往是不經(jīng)濟的甚至為生產(chǎn)所不允許。更重要的是,對于復(fù)雜設(shè)備,建立完備的物理學(xué)模型往往非常復(fù)雜。這就催生了直接基于設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù),而不使用具體的物理學(xué)模型的方法:基于經(jīng)驗的方法。1.2a在線預(yù)測設(shè)備剩余壽命n基于經(jīng)驗的方法,又稱數(shù)據(jù)驅(qū)動的(data-driven)方法,試圖直接從狀態(tài)監(jiān)測數(shù)據(jù)(及同類設(shè)備的歷史數(shù)據(jù))在線預(yù)測設(shè)備的剩余壽命。對基于經(jīng)驗的方法,在一些文獻(xiàn)中有進(jìn)一步的分類,但往往各小類之間有所重疊,如:基于狀態(tài)外推的方法和基于人工智能的方法。我們認(rèn)為,按照“監(jiān)測狀態(tài)-失效/剩余壽命”之間的不同聯(lián)系,可將目前主要的基于經(jīng)驗的方法進(jìn)一步分為:基于狀態(tài)預(yù)測/外推的方法,基于統(tǒng)計回歸的方法,和基于相似性的方法。(1)剩余壽命vd基于狀態(tài)預(yù)測/外推的方法,認(rèn)為設(shè)備失效可直接定義于狀態(tài)空間,即可用確定性的失效閥值(單變量情況)或失效面(多變量情況)定義設(shè)備失效。在設(shè)備A運行的當(dāng)前時刻t,基于狀態(tài)預(yù)測/外推的方法試圖預(yù)測其狀態(tài)的進(jìn)一步發(fā)展,并將預(yù)測的未來狀態(tài)與失效閥值(或失效面)進(jìn)行比較以預(yù)測設(shè)備的剩余壽命分布,并估計剩余壽命。以一個附有張力的鋼帶為例,Swanson等以Kalman濾波器跟蹤鋼帶的固有頻率。給定一個固有頻率的失效閥值,Swanson等進(jìn)而給出了預(yù)測失效時間及計算預(yù)測不確定性的模型。Engel等以多項式模型外推特征變量以預(yù)測直升機齒輪箱的剩余壽命。文獻(xiàn)中提出了以壽命預(yù)測為目標(biāo),評估多個特征變量的一種方法,而目前文獻(xiàn)中大多數(shù)評估的方法則以故障的早期發(fā)現(xiàn)或故障診斷為目標(biāo)。文獻(xiàn)中也指出,一個有效的壽命預(yù)測方法,不僅需要考察預(yù)期剩余壽命,也需考慮該預(yù)測的不確定性(以置信區(qū)間表達(dá))。Cheng和Pecht討論了將基于物理的方法和基于經(jīng)驗的方法融合的預(yù)測框架。其中基于物理的方法主要用于確定關(guān)鍵參數(shù),確定潛在的失效機制并為其排序,確定失效模型,定義失效;基于經(jīng)驗的方法主要用于從監(jiān)測變量中提取特征,建立健康基準(zhǔn),異常監(jiān)測,預(yù)測參數(shù)的變化趨勢等。從壽命預(yù)測的角度講,文獻(xiàn)中的方法主要還是基于經(jīng)驗的。Vachtsevanos和Wang介紹了基于動態(tài)小波神經(jīng)網(wǎng)絡(luò)(dynamicwaveletneuralnetwork)的預(yù)測方法,并以一個滾動軸承為例展示了該方法的可行性。示例中,以軸承振動信號的功率譜密度(PSD)為特征變量。在預(yù)測剩余壽命時,需假設(shè)基于PSD的失效閥值。Chinnam和Baruach指出在一些情況下無法在特征變量空間定義失效(即找到確定性的失效閥值或失效面),卻可以根據(jù)專家知識(expertknowledge)或操作經(jīng)驗來定義失效。這樣的情況下,他們建議采用focusedtime-laggedfeed-forward神經(jīng)網(wǎng)絡(luò)預(yù)測特征變量,采用Sugeno模糊推理模型來定義失效,進(jìn)而預(yù)測設(shè)備的性能可靠性。文獻(xiàn)中以鉆頭為例描述了其方法的可行性,但是限于其神經(jīng)網(wǎng)絡(luò)的預(yù)測步長較短而無法估計剩余壽命。但是,文獻(xiàn)中對失效定義的處理方法仍有借鑒意義,結(jié)合能進(jìn)行長程預(yù)測的預(yù)測模型,可以繼續(xù)探討在此失效定義下,剩余壽命預(yù)測的精確性。給定失效閥值,Orchard和Vachtsevanos使用粒子濾波方法預(yù)測行星載板的剩余壽命,并給出該預(yù)測的置信區(qū)間。試驗結(jié)果顯示文獻(xiàn)中的方法具有對系統(tǒng)加載條件和特征變量信噪比的“魯棒性”。文獻(xiàn)中,Gebraeel等以Bayes方法在線更新指數(shù)衰退模型的參數(shù),結(jié)合失效閥值得到設(shè)備剩余壽命分布的封閉形式,并將該方法應(yīng)用于軸承的加速壽命試驗中監(jiān)測的振動幅值數(shù)據(jù)。文獻(xiàn)中方法的推廣、改進(jìn)有文獻(xiàn)。Gebraeel和Pan考慮了設(shè)備運行環(huán)境是時變的情形。Gebraeel等考慮了同類設(shè)備歷史數(shù)據(jù)中失效時間數(shù)據(jù)可得,但沒有失效過程中的狀態(tài)監(jiān)測數(shù)據(jù)的情形。Chakraborty等考慮了設(shè)備性能衰退模型的隨機參數(shù)不呈正態(tài)分布的情形,發(fā)展了性能衰退模型的隨機參數(shù)符合更普遍分布形式時設(shè)備剩余壽命分布的預(yù)測方法。由以上文獻(xiàn)可見,基于狀態(tài)預(yù)測/外推的方法往往采用各類時間序列的預(yù)測方法。因此,文獻(xiàn)中大量其他的時間序列預(yù)測方法(例如,在線支持向量回歸方法,指數(shù)平滑算法等)也可以在類似的框架下應(yīng)用,并可能取得更好的預(yù)測效果。(2)基于hmm的熱負(fù)荷壽命預(yù)測基于統(tǒng)計回歸的方法,認(rèn)為監(jiān)測的狀態(tài)是影響設(shè)備失效概率的因素。該方法往往需根據(jù)同類設(shè)備的歷史數(shù)據(jù)建立起“設(shè)備失效概率,設(shè)備監(jiān)測狀態(tài)及設(shè)備運行時間”之間的函數(shù)(簡稱函數(shù)B)。在設(shè)備A運行的當(dāng)前時刻t,基于統(tǒng)計的方法一般也需預(yù)測設(shè)備狀態(tài)的進(jìn)一步發(fā)展,并將該預(yù)測代入函數(shù)B,進(jìn)而以設(shè)備失效概率分布的期望值預(yù)測設(shè)備A的剩余壽命。相比于基于狀態(tài)預(yù)測/外推的方法,基于統(tǒng)計回歸的方法往往無需定義確定性的失效閥值。Goode等指出許多設(shè)備(如:熱軋鋼廠的水泵)的失效過程可分為穩(wěn)態(tài)過程和非穩(wěn)態(tài)過程。其中,穩(wěn)態(tài)過程對應(yīng)于設(shè)備正常運行的階段,而非穩(wěn)態(tài)過程對應(yīng)于發(fā)現(xiàn)故障到設(shè)備最終失效的階段。Goode等建議用統(tǒng)計過程控制的方法區(qū)分這兩個過程。在穩(wěn)態(tài)過程,文獻(xiàn)中使用可靠性數(shù)據(jù)(即穩(wěn)態(tài)過程和非穩(wěn)態(tài)過程長度的分布)進(jìn)行壽命預(yù)測。進(jìn)入非穩(wěn)態(tài)過程,文獻(xiàn)假設(shè)設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)呈指數(shù)型增長,并同時利用狀態(tài)監(jiān)測數(shù)據(jù)和可靠性數(shù)據(jù)進(jìn)行壽命預(yù)測。當(dāng)然,文獻(xiàn)中方法的有效性很大程度上取決于模型的假設(shè)是否成立,以及狀態(tài)檢測數(shù)據(jù)的質(zhì)量。Wang等將專家建議(關(guān)于水泵是否需要維護(hù))分為四等,同時假設(shè)水泵軸承與造紙機軸承的壽命分布具有相同的形狀函數(shù)(shapeparameter)和不同的尺度函數(shù)(scaleparameter),并以此計算水泵中關(guān)鍵軸承的風(fēng)險函數(shù),進(jìn)而對單個水泵進(jìn)行壽命預(yù)測。Kwan等提出了一個基于隱馬爾科夫模型(HMM)的診斷與預(yù)測框架,并以軸承實驗數(shù)據(jù)驗證該框架的有效性。但是,文獻(xiàn)中認(rèn)為預(yù)測主要是失效后對設(shè)備狀態(tài)變化過程的估計,而并未討論如何在設(shè)備失效前預(yù)測其剩余壽命的方法。在文獻(xiàn)的基礎(chǔ)上,Zhang等提出了軸承失效診斷與預(yù)測的集成方法,該方法包括主成分分析,HMM,和一個自適應(yīng)隨機預(yù)測模型。其中,用PCA提取監(jiān)測信號的主要特征,用HMM診斷軸承當(dāng)前的狀態(tài)(即:失效類型和當(dāng)前處于HMM中最終失效狀態(tài)的概率(健康指標(biāo))),用自適應(yīng)隨機預(yù)測模型預(yù)測并更新健康指標(biāo)的發(fā)展趨勢,在此基礎(chǔ)上進(jìn)行壽命預(yù)測。Baruach和Chinnam也建議使用HMM進(jìn)行診斷與預(yù)測,對設(shè)備失效過程中的每個健康狀態(tài)都單獨建立一個HMM,再估計每個樣本的狀態(tài)轉(zhuǎn)變點,進(jìn)而估計狀態(tài)轉(zhuǎn)變點的條件分布,但文獻(xiàn)中并未具體討論如何預(yù)測剩余壽命。Camci和Chinnam將分級HMM(hierarchicalHMM)視為動態(tài)貝葉斯網(wǎng)絡(luò)進(jìn)行診斷和預(yù)測。相比于文獻(xiàn)的方法,文獻(xiàn)中的方法可以直接估計設(shè)備健康狀態(tài)之間的轉(zhuǎn)移概率。文獻(xiàn)中假設(shè)每個健康狀態(tài)的區(qū)間為指數(shù)分布,采用MonteCarlo仿真的方法估計設(shè)備的剩余壽命及其置信區(qū)間,并以鉆頭為例展示了其方法的有效性。類似的研究還有文獻(xiàn)。Dong和He指出傳統(tǒng)的HMM的不足在于隱含地以指數(shù)分布刻畫各健康狀態(tài)的區(qū)間長度,而這往往并不符合實際。因此,就有必要明確刻畫各狀態(tài)的區(qū)間長度。文獻(xiàn)使用隱半馬爾科夫模型(hiddensemi-Markovmodel(HSMM))以克服此不足之處。在水泵試驗中,HSMM較傳統(tǒng)的HMM取得更優(yōu)的狀態(tài)識別率。Peng和Dong在的基礎(chǔ)上進(jìn)一步考慮了狀態(tài)區(qū)間長度與設(shè)備老化相關(guān)的情況,在HSMM中引入老化因子以刻畫不同時刻各狀態(tài)區(qū)間長度的分布。在水泵試驗中,在接近水泵失效時,文獻(xiàn)中的方法較文獻(xiàn)中的方法能更精確地預(yù)測水泵的剩余壽命。Yan等建議使用logisticregression來建立設(shè)備的特征變量與其失效概率之間的聯(lián)系,同時建議采用ARMA模型對特征變量進(jìn)行預(yù)測,將預(yù)測值輸入經(jīng)訓(xùn)練的logistic模型進(jìn)行剩余壽命預(yù)測。但是,文獻(xiàn)中僅給出剩余壽命預(yù)測的示意圖,并未給出具體的方法。Volk等建議使用比例強度模型(proportionalintensitymodel,PIM)預(yù)測設(shè)備的壽命,并以此評價預(yù)防維護(hù)的效果。文獻(xiàn)中同時介紹了可修系統(tǒng)與不可修系統(tǒng)壽命預(yù)測的PIM。Banjevic和Jardine使用比例風(fēng)險模型(proportionalhazardsmodel,PHM)預(yù)測設(shè)備的可靠性函數(shù)與剩余壽命。文獻(xiàn)中將內(nèi)部和(或)外部協(xié)變量的發(fā)展過程刻畫為Markov過程,以此在某一時刻對協(xié)變量未來的發(fā)展趨勢進(jìn)行預(yù)測,并結(jié)合PHM預(yù)測設(shè)備的剩余壽命。文獻(xiàn)中以運輸機的轉(zhuǎn)動機構(gòu)為例展示了方法的主要概念。但是,將協(xié)變量發(fā)展過程刻畫為Markov過程往往需要對一“連續(xù)”的協(xié)變量進(jìn)行區(qū)間劃分,進(jìn)而以有限個數(shù)的“狀態(tài)”描述協(xié)變量的發(fā)展過程。區(qū)間劃分的得當(dāng)與否將很大程度上決定文獻(xiàn)中模型的預(yù)測效果。因此,在實際應(yīng)用中,必須仔細(xì)尋找適當(dāng)?shù)膮^(qū)間劃分方案(區(qū)間個數(shù),各區(qū)間范圍)。以軸承為例,Liao等比較了Logisticregression方法和PHM模型在預(yù)測單個設(shè)備剩余時的表現(xiàn)。文獻(xiàn)中以監(jiān)測振動信號的均方根值和翹度值作為PHM中的協(xié)變量進(jìn)行壽命預(yù)測,試驗結(jié)果表明PHM的預(yù)測精度好于Logisticregression模型。Ghasemi等認(rèn)為PHM的協(xié)變量應(yīng)為系統(tǒng)的真實狀態(tài),他們假設(shè)在一CBM計劃中系統(tǒng)的狀態(tài)不直接可見,但可以觀察到一些特征信號,這些特征信號與系統(tǒng)狀態(tài)隨機相關(guān)。于是,隱馬爾科夫模型(HMM)便可用于描述特征信號-系統(tǒng)狀態(tài)的映射。在此基礎(chǔ)上,將系統(tǒng)狀態(tài)作為PHM的協(xié)變量用于估計系統(tǒng)的條件可靠性函數(shù)和預(yù)測剩余壽命。Wang假設(shè)設(shè)備的狀態(tài)監(jiān)測信號是其剩余壽命的函數(shù)(而與之前的狀態(tài)監(jiān)測信號無關(guān)),在此基礎(chǔ)上利用隨機濾波方法(stochasticfiltering)建立設(shè)備剩余壽命的概率密度函數(shù)。文獻(xiàn)中以滾動軸承為例比較了真實的剩余壽命與預(yù)測的剩余壽命分布,結(jié)果較佳。根據(jù)文獻(xiàn)的方法,Carr和Wang繼而考察了系統(tǒng)有多個失效模式時的情況。文獻(xiàn)中指出,在系統(tǒng)存在多種失效模式時,識別系統(tǒng)的失效模式,進(jìn)而根據(jù)具體失效模式建立相應(yīng)的壽命預(yù)測模型相對于不考慮失效模式的廣義模型能去的更高的預(yù)測精度。Tian等建議同時利用失效和刪失樣本的數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò),進(jìn)而預(yù)測設(shè)備的剩余壽命。文獻(xiàn)中的神經(jīng)網(wǎng)路,以設(shè)備的壽命(運行時間)和狀態(tài)監(jiān)測信號為輸入,以設(shè)備的壽命百分比為輸出。文獻(xiàn)中以水泵軸承的振動信號數(shù)據(jù)驗證了其方法較傳統(tǒng)的不使用刪失樣本的神經(jīng)網(wǎng)絡(luò)能取得更精確、可靠的預(yù)測結(jié)果。(3)基于神經(jīng)網(wǎng)絡(luò)的壽命預(yù)測方法在正伺服系統(tǒng)剩余壽命計算上的應(yīng)用基于相似性的方法,認(rèn)為某正在服役的設(shè)備A的剩余壽命可預(yù)測為同類設(shè)備(又稱參考設(shè)備)在某一時刻剩余壽命的“加權(quán)平均”。其中,權(quán)值根據(jù)設(shè)備A與各參考設(shè)備之間的相似性計算,而相似性則需進(jìn)一步根據(jù)各設(shè)備在失效過程中的狀態(tài)監(jiān)測數(shù)據(jù)確定。相比于基于狀態(tài)預(yù)測/外推的方法和基于統(tǒng)計回歸的方法,基于相似性的方法有時無需進(jìn)行狀態(tài)預(yù)測。Zio和Maio提出了一個基于相似性的壽命預(yù)測方法。文獻(xiàn)中以基于模糊邏輯的“距離值”刻畫①正服役系統(tǒng)的特征變量與②參照集中系統(tǒng)的特征變量之間的相似程度,進(jìn)而計算權(quán)重值,并以參照集中系統(tǒng)的剩余壽命的加權(quán)平均預(yù)測正服役系統(tǒng)的剩余壽命。文獻(xiàn)以一核電系統(tǒng)的應(yīng)用展示了改方法的有效性。試驗顯示,該方法具有較高的預(yù)測精度。類似的研究還有文獻(xiàn),但文獻(xiàn)中使用了不同的刻畫相似程度和加權(quán)平均剩余壽命的方法。以上兩篇文獻(xiàn)根據(jù)監(jiān)測狀態(tài)直接計算相似性,也有一些文獻(xiàn)以監(jiān)測狀態(tài)估計設(shè)備當(dāng)前運行時間等參數(shù),進(jìn)而根據(jù)估計值與實際值之間的誤差計算相似性和權(quán)重值,總結(jié)如下。Gebraeel等采用軸承的損傷頻率及其六次諧波處的振動幅值為特征變量,提出兩種基于神經(jīng)網(wǎng)絡(luò)的壽命預(yù)測方法,取得較佳的預(yù)測精度。兩種方法中,均以歷史數(shù)據(jù)(訓(xùn)練集)為基礎(chǔ)建立起多個前饋反向傳播神經(jīng)網(wǎng)絡(luò),估計某正服役軸承的服役時間,進(jìn)而根據(jù)各神經(jīng)網(wǎng)絡(luò)對服役時間的預(yù)測誤差確定權(quán)重值。不同的是,第一種方法將正服役軸承的壽命計算為訓(xùn)練集中各軸承壽命的加權(quán)平均;第二種方法則以加權(quán)平均的方法估計服役軸承指數(shù)性能衰減模型的參數(shù),以進(jìn)一步計算軸承壽命。文獻(xiàn)中以一振動幅值的閥值來定義軸承失效。Huang等提出了一個基于自組織映射(self-organizingmap)的振動信號特征提取方法,在此基礎(chǔ)上以文獻(xiàn)中的神經(jīng)網(wǎng)絡(luò)方法預(yù)測球軸承的服役時間,進(jìn)而預(yù)測其剩余壽命。Gebraeel和Lawley使用前饋反向轉(zhuǎn)播神經(jīng)網(wǎng)絡(luò)估計軸承特征變量指數(shù)衰退模型的參數(shù),結(jié)合失效閥值預(yù)測軸承的失效時間。同時,文獻(xiàn)中以Bayes方法依據(jù)某軸承的在線特征變量更新剩余壽命的分布。與其他兩類不使用更新的基準(zhǔn)方法比較,文獻(xiàn)中方法的平均預(yù)測誤差較小。2維護(hù)規(guī)劃模型回顧Prognostics的目的就是要為維護(hù)方案的制定提供決策支持(decisionsupport)。因此,很自然地,需要在設(shè)備狀態(tài)預(yù)測的過程中考慮下一步的維護(hù)方案。上一部分中總結(jié)的設(shè)備壽命預(yù)測的方法提供了設(shè)備剩余壽命的估計,而維護(hù)規(guī)劃主要是在此基礎(chǔ)上進(jìn)一步確定恰當(dāng)?shù)膱?zhí)行維護(hù)的時間?？梢?比起壽命預(yù)測,維護(hù)規(guī)劃更直接地決定了維護(hù)策略的有效與否,更直接地影響了一個企業(yè)的產(chǎn)能。但是,維護(hù)規(guī)劃問題往往較壽命預(yù)測更為復(fù)雜。總結(jié)目前相關(guān)文獻(xiàn),一個預(yù)防維護(hù)規(guī)劃模型一般包含五大因素,即:①目標(biāo),如:維護(hù)費用最小化,維護(hù)費用率最小化,系統(tǒng)平均可用度最大化等;②維護(hù)方案,刻畫了維護(hù)執(zhí)行的特點(框架),如:周期性(periodic)維護(hù),順序型(sequential)維護(hù),控制限度(control-limit)維護(hù)等;③維護(hù)質(zhì)量(或維護(hù)效果),刻畫了維護(hù)行動將設(shè)備性能提升的程度,有:修復(fù)如新(perfectmaintenance),修復(fù)非新(imperfectmaintenance),修復(fù)如舊(minimalmaintenance)等;④退化模型,刻畫了設(shè)備退化的過稱,有:傳統(tǒng)的壽命分布(lifetimedistribution),Gamma過程,馬爾科夫過程等;⑤維護(hù)限制,如:部件間的維護(hù)沖突,維護(hù)零件有限等。下面總結(jié)近年來主要的相關(guān)模型。基于狀態(tài)監(jiān)測的維護(hù)規(guī)劃模型分類方法多樣,例如,Jardine等將之分為完全可見系統(tǒng)和部分可見系統(tǒng)。其中,對于完全可見系統(tǒng),狀態(tài)監(jiān)測變量完全體現(xiàn)了系統(tǒng)的真實狀態(tài);對于部分可見系統(tǒng),狀態(tài)監(jiān)測變量不能完全體現(xiàn)系統(tǒng)的真實狀態(tài),但與之相關(guān)。我們將各種維護(hù)規(guī)劃模型分類為離線預(yù)防維護(hù)規(guī)劃模型和在線預(yù)防維護(hù)規(guī)劃模型。2.1實際運行設(shè)備狀態(tài)監(jiān)測數(shù)據(jù)離線預(yù)防維護(hù)規(guī)劃模型指依據(jù)反映系統(tǒng)群體特征的衰退信息建立的維護(hù)模型。維護(hù)策略一旦確定(如:確定最優(yōu)維護(hù)狀態(tài)閥值),并不隨某一實際運行設(shè)備的實時監(jiān)測數(shù)據(jù)改變。在應(yīng)用離線預(yù)防維護(hù)規(guī)劃模型時,某一實際運行設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)往往用于觀測其狀態(tài)值是否達(dá)到了先前確定的最優(yōu)維護(hù)狀態(tài)閥值。若未達(dá)到,則允許設(shè)備繼續(xù)運行;一旦達(dá)到,則執(zhí)行預(yù)防維護(hù)。目前文獻(xiàn)中的離線預(yù)防維護(hù)規(guī)劃模型,主要使用的估計設(shè)備失效概率的衰退模型有:PHM,幾類隨機衰退/損傷累計模型,馬爾科夫衰退過程等。(1)狀態(tài)監(jiān)測和周期狀態(tài)下的換重要Makis和Jardine假設(shè)系統(tǒng)的失效概率不僅依賴于其工作時間(age)也依賴于一診斷隨機過程(diagnosticstochasticprocess),并使用PHM描述系統(tǒng)的失效概率,在此基礎(chǔ)上建立了一個替換策略以最小化長期期望費用率。文獻(xiàn)中,Makis和Jardine假設(shè)只在離散時刻可以觀察到系統(tǒng)診斷隨機過程的值,并以階躍函數(shù)近似計算離散觀測點間的隨機過程。Kumar和Westberg提出了一個基于狀態(tài)監(jiān)測的替換策略。其中,用PHM確定系統(tǒng)失效是否與監(jiān)測變量有關(guān),進(jìn)一步使用PHM估計系統(tǒng)的可靠性,在此基礎(chǔ)上建立系統(tǒng)的預(yù)防維護(hù)模型以求取最優(yōu)替換時刻。值得指出的是,文獻(xiàn)中的監(jiān)測變量指的是壓力等常值環(huán)境變量。Banjevic等考察了一個基于狀態(tài)監(jiān)測的控制限度替換策略,以最小化長期期望費用率。文獻(xiàn)中以PHM估計系統(tǒng)的失效率,同時假設(shè)監(jiān)測的狀態(tài)符合非齊次Markov過程,進(jìn)而估計系統(tǒng)的失效概率以估計長期期望費用率,最后求得最優(yōu)維護(hù)限度。文獻(xiàn)中也討論了收集、預(yù)處理和使用實際油樣、振動信號的一些經(jīng)驗。類似的基于PHM的替換策略及其應(yīng)用還有文獻(xiàn)。Ghasemi等提出了一個基于周期狀態(tài)監(jiān)測的替換模型以最小化長期期望費用率。文獻(xiàn)中考察了監(jiān)測變量不能直接反映系統(tǒng)真實狀態(tài),但與系統(tǒng)狀態(tài)隨機相關(guān)的情況,以PHM估計系統(tǒng)的失效概率,進(jìn)而建立系統(tǒng)費用率模型。Ghasemi等在文獻(xiàn)的基礎(chǔ)上進(jìn)一步考察了非周期監(jiān)測的情況。(2)狀態(tài)狀態(tài)下的維護(hù)策略Barbera等提出了一個基于狀態(tài)檢測的預(yù)防維護(hù)模型,以最小化長期期望費用。在該模型中,預(yù)防維護(hù)在系統(tǒng)狀態(tài)值達(dá)到某一閥值時進(jìn)行,并且預(yù)防維護(hù)可完全恢復(fù)系統(tǒng)的狀態(tài)。文獻(xiàn)中假設(shè)系統(tǒng)的狀態(tài)為非減函數(shù),在任一時刻,系統(tǒng)損傷的增長為一與累計損傷無關(guān),且概率密度函數(shù)已知的隨機變量,同時系統(tǒng)的可靠性為系統(tǒng)狀態(tài)的指數(shù)函數(shù)。在文獻(xiàn)中,使用與文獻(xiàn)中類似的建模方法,Barbera等又考查了一個由兩個串聯(lián)部件組成的系統(tǒng)級維護(hù)模型。Shahanaghi等在文獻(xiàn)的基礎(chǔ)上考察了修復(fù)非新的情況,認(rèn)為修復(fù)后系統(tǒng)的狀態(tài)隨機地處于全新與修復(fù)前的狀態(tài)之間。Aven以計數(shù)過程方法建立了一個基于狀態(tài)監(jiān)測的替換策略,以最小化長期期望費用率。在文獻(xiàn)的模型中,預(yù)防維護(hù)在系統(tǒng)失效率達(dá)到某一閥值時進(jìn)行,替換之后系統(tǒng)恢復(fù)全新的狀態(tài)。文獻(xiàn)中假設(shè)在某一時刻系統(tǒng)的失效率是其狀態(tài)的確定性函數(shù),但并未做具體的討論。Hontelez等考察了漂移衰退過程的基于狀態(tài)監(jiān)測的維護(hù)策略以最小化一段時間內(nèi)的平均維護(hù)費用。文獻(xiàn)中將漂移衰退過程分成(N+1)段,并建模成馬爾科夫過程。文獻(xiàn)中使用控制控制限度維護(hù)策略,假設(shè)維修之后系統(tǒng)恢復(fù)全新的狀態(tài),確定了最優(yōu)監(jiān)測時間間隔與最優(yōu)維修時間。類似的研究有文獻(xiàn)。Wang提出了一個基于狀態(tài)監(jiān)測的替換模型。文獻(xiàn)中基于隨機參數(shù)增長模型估計系統(tǒng)在某一時刻的失效概率,在此基礎(chǔ)上進(jìn)行建模,進(jìn)而確定最優(yōu)監(jiān)測區(qū)間和最優(yōu)維護(hù)限度,以優(yōu)化系統(tǒng)的長期期望費用率,失效時間率或可靠性。Grall等提出了一個針對隨機衰減系統(tǒng)的基于狀態(tài)監(jiān)測的替換模型,求取最優(yōu)維護(hù)閥值和最優(yōu)監(jiān)測時間間隔,以最小化系統(tǒng)的長期期望費用率。文獻(xiàn)中假設(shè)系統(tǒng)的狀態(tài)衰退在任一時刻非負(fù),且狀態(tài)衰退增長程度的概率密度函數(shù)已知,同時系統(tǒng)的確定性失效閥值已知,在此基礎(chǔ)上估計系統(tǒng)在某一時刻的失效概率。值得指出的是,文獻(xiàn)中考慮了監(jiān)測時間間隔非常數(shù)的情況,根據(jù)系統(tǒng)的狀態(tài)實時地確定下一個最優(yōu)監(jiān)測時間間隔。類似的研究還有文獻(xiàn)。文獻(xiàn)的基礎(chǔ)上的進(jìn)一步的研究有文獻(xiàn)。Deloux等考察了單部件系統(tǒng)存在兩種失效形式的情況,其中一種為累計損傷失效,另一種為應(yīng)力環(huán)境下的沖擊失效,進(jìn)而優(yōu)化系統(tǒng)長期期望費用率。Zhao等考察了系統(tǒng)狀態(tài)非單調(diào)衰退且受環(huán)境因素影響的情況下的最優(yōu)監(jiān)測、替換策略,以最小化長期期望費用率。文獻(xiàn)中以類似PHM的方式刻畫環(huán)境因素對系統(tǒng)狀態(tài)衰退的影響。Nakagawa和Ito考察了多部件系統(tǒng)的情況,他們假設(shè)系統(tǒng)受到的外界的隨機沖擊(各沖擊間隔長度符合同一概率函數(shù),各沖擊造成的損傷大小而造成損傷累積符合同一概率函數(shù)),當(dāng)累積的損傷超過一定值時系統(tǒng)失效。在次基礎(chǔ)上,他們建立了系統(tǒng)預(yù)防維護(hù)模型,計算最優(yōu)維護(hù)閥值(累積損傷值)以最小化長期期望費用率。Wang等提出一個基于狀態(tài)監(jiān)測的訂貨-替換模型,考慮了維修部件需提前預(yù)定的情況。文獻(xiàn)中假設(shè)系統(tǒng)衰退符合隨機衰退模型,衰退增量單調(diào)遞增,各時刻增量互相獨立且符合同樣的統(tǒng)計分布。文獻(xiàn)中考察了系統(tǒng)的長期期望費用率,預(yù)防替換率和系統(tǒng)平均可用度指標(biāo),根據(jù)這些指標(biāo)以優(yōu)化訂貨限度,預(yù)防替換限度和監(jiān)測周期長度。Wang等考察了基于馬爾科夫衰退過程的預(yù)防替換模型及另一種庫存機制。Wang等在文獻(xiàn)的基礎(chǔ)上考察了系統(tǒng)失效閥值不確定的情況。Liao等提出了一個連續(xù)監(jiān)測的單部件系統(tǒng)的預(yù)防維護(hù)模型,尋找最優(yōu)控制限度(定義于系統(tǒng)的狀態(tài)空間)以最大化系統(tǒng)平均可用度。文獻(xiàn)中基于隨機衰退模型(如Gamma過程)計算系統(tǒng)的失效概率,認(rèn)為系統(tǒng)在預(yù)防維護(hù)后的狀態(tài)分布于全新與修復(fù)前的狀態(tài)之間,且其密度符合某概率函數(shù)。(3)狀態(tài)閥值的確定Marseguerra等考察了一個多部件串并聯(lián)系統(tǒng)的基于狀態(tài)監(jiān)測的維護(hù)模型。該模型以同時優(yōu)化系統(tǒng)利潤與可用度為目標(biāo),在系統(tǒng)的馬爾科夫衰退模型中考慮了非完全維護(hù)因素,以遺傳算法確定各部件的最優(yōu)維護(hù)狀態(tài)閥值。為了描述更復(fù)雜的情況,如系統(tǒng)衰退與外界載荷相關(guān),維護(hù)人員有限等情況,文獻(xiàn)又建議使用MonteCarlo仿真的方法。在系統(tǒng)馬爾科夫衰退模型已建立的情況下,文獻(xiàn)中模型針對的主要是系統(tǒng)設(shè)計階段,而未考慮實際運行中對某一個系統(tǒng)的實時維護(hù)。類似的研究還有文獻(xiàn),但文獻(xiàn)中采用最小化一段時間內(nèi)的期望費用為目標(biāo),并采用隨機衰退模型。基于一個連續(xù)-離散隨機衰退模型,Makis和Jiang提出了一個基于狀態(tài)監(jiān)測的優(yōu)化框架以最小化長期期望費用率。文獻(xiàn)中,隱藏的設(shè)備狀態(tài)發(fā)展由連續(xù)馬爾科夫過程描述,監(jiān)測變量與設(shè)備狀態(tài)有關(guān)且由離散隨機過程描述。(4)失效概率的動態(tài)特性Zhou等提出了一個基于狀態(tài)監(jiān)測的單部件系統(tǒng)可靠性限度維護(hù)策略,以最小化長期期望費用率。文獻(xiàn)通過混合概率模型刻畫修復(fù)非新的預(yù)防維護(hù)效果。但文獻(xiàn)中未詳述如何刻畫系統(tǒng)的衰退過程以求取其在某一時刻的失效概率,未考慮到實時運行系統(tǒng)失效概率的動態(tài)特性。Camci提出了一個多部件系統(tǒng)的基于狀態(tài)監(jiān)測的維護(hù)模型,考慮了一些維護(hù)限制(如部件之間的維護(hù)沖突,維護(hù)資源有限等),以最小化一段時間內(nèi)的系統(tǒng)期望維護(hù)費用。文獻(xiàn)指出,由于系統(tǒng)各部件之間的聯(lián)系,優(yōu)化各部件的維護(hù)策略不一定導(dǎo)致最優(yōu)系統(tǒng)維護(hù)策略,因此就有必要進(jìn)行系統(tǒng)級的維護(hù)時序規(guī)劃。但是,文獻(xiàn)中假設(shè)系統(tǒng)的失效概率已知,并未考慮實際運行系統(tǒng)不斷變化的狀態(tài)。類似的研究還有文獻(xiàn)。2.2基于狀態(tài)空間模型的仿真研究與離線預(yù)防維護(hù)模型不同,在線預(yù)防維護(hù)模型依據(jù)某一實際運行系統(tǒng)的在線狀態(tài)監(jiān)測數(shù)據(jù)不斷更新最優(yōu)預(yù)防維護(hù)策略,并在恰當(dāng)?shù)臅r機執(zhí)行預(yù)防維護(hù)。在線預(yù)防維護(hù)模型針對每個設(shè)備制定不同的預(yù)防維護(hù)策略,而在離線預(yù)防維護(hù)模型中所有設(shè)備均使用同一預(yù)防維護(hù)策略。Christer等發(fā)展了一個感應(yīng)電爐的感應(yīng)器的替換策略。文獻(xiàn)中,由于感應(yīng)電爐的結(jié)構(gòu)限制,感應(yīng)器裂紋的尺寸無法直接測量,文獻(xiàn)使用可以測量的“傳導(dǎo)率”為特征變量,通過狀態(tài)空間模型估計實際裂紋尺寸。文獻(xiàn)中采用卡爾曼濾波方法預(yù)測和更新感應(yīng)器的失效概率,在此基礎(chǔ)上計算最優(yōu)替換時間,以最小化期望費用率。Pedregal和Carnero描述了一個案例研究,對一個石