基于大数据驱动的智能设备故障预测与健康管理（PHM）技术应用研究

郭旭周 南京熊猫信息产业有限公司/南京航空航天大学

引言：对制造型企业来讲，产品质量关系着企业发展命脉，是其追求的首要目标，它不仅会影响到企业的形象及经济利益，也是保障国家财产、人身安全以及公共财产不受损失的重要前提。虽然在应对产品质量缺陷、售后服务响应等方面已经有很多措施和方案，比如组建维保团队、开通服务热线、制定快速响应机制等等，但是如何能够从根本上降低故障率、减少产品质量缺陷，尤其是如何能够在产品发生故障之前进行有效预测，并对产品进行全生命周期的健康管理，以及通过智能感知分析出质量缺陷根源从而促进产品研发的升级，是摆在我们面前的亟待解决的问题。

1 故障预测与健康管理概述

故障预测与健康管理PHM（Prognostics Health Management）是一种先进的管理理论，其核心内容是事前预警，利用是设备监控的方式，使设备能够自主感知、自主保障、自主诊断，该管理模式是基于状态的维修CBM (视情维修，condition based maintenance)的升级发展。其目的在于提升运营管理效率，通过分析故障频发区域与周期等数据，进行故障发生预测。

PHM技术作为一种基于状态的维修（CBM）的新兴技术，能够通过自主式保障、设备管理感知与系统响应等实现信息技术条件，该技术受到国外强国的高度重视和推广应用。在国内，PHM系统也正在成为新一代的飞机、舰船、车辆、大坝等大型工程项目的系统设计和使用中的一个重要组成部分。PHM技术包括两层含义，即故障预测和健康管理，前者主要负责通过对设备的监控，发生异常状况产生的风险，体检进行预警；后者测试利用实时监控，观测设备运行状态，为设备管理决策提供参考依据，从而构建一个基于产品全生命周期的综合性管理平台。

2 大数据驱动PHM应用的思考

PHM的首要特点是，必须对海量数据进行处理分析和健康判断。如何获取数据是一方面问题，而更主要的问题是，如何处理已获取的海量数据。一直以来，在实际工程中也注重MTBF、MCBF、MTTR等一系列产品可靠性设计的参数指标，但是都没有升级为可预测性、全生命周期性的PHM系统应用。模型建立首要难题，除了需考虑健康模型的评价标准，更要选择故障预测模型建立方式。而恰恰这就是智能制造的工业技术体系的核心，如何将专家经验和实践经验相结合，如何将实时发生的产品状态数据与故障征兆模型相结合，进一步来推动产品的智能生产制造，这正是工业4.0的核心。

要实现PHM，除了扎实的基础条件保障，还需要充足的理论依据做指导，不仅需要进行大数据分析的硬件设备，更要整合相关的经验、模型等知识。与此同时，随着新一代信息技术的发展，PHM体系得到了更大的驱动力和技术支撑，在智慧城市、智能制造领域相关设备运营上，具有十分广泛的发展前景。

预期设计目标是在设备运行、运营过程中就采集数据，实时传输数据，通过云平台完成数据加工处理，通过维修辅助平台发送激励信号，采集重点部件数据，平台具有实时分析与故障预测功能，从而实现设备故障的预测和防范，降低设备的故障率，提高客户满意度。

3 PHM平台架构与功能描述

3.1 PHM的两个关键转变

PHM理论应用于我们传统的制造领域，具有两个明显的理念和思路的转变：

（1）传统的基于单个传感器的诊断向基于智能系统的预测转变；

（2）基于事件驱动的维修（事后维修）、时间驱动的维修（定期维修）向基于状态的预测维修（CBM）转变。

它的目标是仅仅对有证据表明需要维修的，才进行维修，从而确保有效提高设备、系统运行的安全性、可靠性、可维修性；减少设备停机维修时间、降低设备的整个寿命周期成本。

3.2 大数据驱动的PHM系统功能描述

PHM技术是通过传感器进行数据采集，不断获取设备的运行状态，并进行基础分析，一旦发现异常情况，就发出预警。这种技术不仅解放了人力资源，不需要人为对设备进行定期维修，而且检测效率高，精度准。PHM理论体系中将该过程分为六个阶段。

第一是数据采集：该阶段的任务主要是进行数据采集，即利用传感器获取相应设备运行过程中的各种运行参数，抽取有效信息，进行信息预筛选与传输。

第二信息处理：根据行业专业知识、数据模型的约束条件对数据进行补充/限制，完成基于故障征兆的模型拟合的数据抽样。

第三设备状态监测：接受来自传感器、数据处理以及其它状态监测模块的数据。根据数据模型将回传数据进行综合考虑，期间进行“标准化”、“欧氏距离”等计算，形成状态监控数据的可视化展现。

第四健康评估：根据专家建议、故障预测和判断的模型，不断优化、自学习，产生并应用不同的规则参数。制定最合理的设备评估水平，以达到多级预警的目的。

第五故障预测：故障预测作为PHM系统最有价值的核心技术，可综合利用前述各部分的数据信息和预测模型，评估和预测被监测系统未来健康状态，并做出判断，建议，决策采取相应措施。

第六保障决策：主要包括人-机接口和机-机接口。人-机接口包括状态监测模块的警告信息显示以及健康评估、预测和决策支持模块的数据信息的表示等。

4 智能设备应用案例分析

（1）对设备和各模块健康度建模

针对设备运行数据进行建模，将所有采集到的设备运营监控数据降维整合为“健康度曲线”这样的一维数据展现；利用低维度数据分析，可简化数据分析的难度，实时操作性强，评估结果简单，便于理解。

（2）建立故障特征多级预警

将预警根据分级，以健康度指标为依据，来检测持续异常报警和周期性瞬间预警。制定基于不同级别的维保方案，降低维保成本。

（3）异常故障定位

设备的每次预警时间将伴有预警起始时间，以及预警周期；提供自动报警和可视化工具，根据预警期内表值曲线，以及健康度模型可清晰定位异常参数，对设备故障给出预警。

（4）多维度关联分析

将各个维度的部件数据进行融合分析，比如打印机故障与电源电压之间的关系、维护频次与用户使用量之间的关系、设备布点与交易量的关系等等。通过挖掘各部分异常之间的关联度，为全方位智能感知提供决策依据。

通过对设备的整机健康管理分析，监测设备运行实时状态，及时发现设备异常和即将异常，对设备故障征兆、已发故障给出预警和报警。实现了对设备的整体监测，识别设备和系统整体性能下降或与期望的正常状态偏离，及时发现设备的异常状态；实现了预测设备未来的可靠性和性能突变进行告警。

5 结论

本文介绍了故障预测与健康管理的概念，引入大数据的概念，思考大数据在PHM中的应用，抓住PHM的两个关键转变，从而获取PHM平台的功能需求，并由此构建PHM平台架构。最终利用发表人所在公司的设备等对PHM技术进行了初步应用。