机电设备服役寿命预测分析及研究

陶清宝 刘永红

摘  要：为提升设备可靠性并降低维护成本，需要对设备状态进行实时检测。在此基础上对设备的故障种类以及退化状态进行分析及预测，指定相应维修策略。考虑到设备服役寿命的关键问题为寿命预测以及故障维修决策，引入状态检测频率、检验检修方案、故障预测算法等相关概念来对设备寿命及维修成本进行分析。通过建立数据驱动的服役寿命预测模型对故障阶段进行有效分类，通过数值仿真的方式说明基于设备状态采集信息分析寿命预测效果并且对所提出决策方法的可靠性进行阐述。

关键词：机电设备  故障分类  服役寿命预测  维修决策  灵敏度分析

中图分类号：TH215                              文献标识码：A                    文章编号：1674-098X（2020）08（b）-0071-04

Abstract： In order to improve the reliability of equipment and reduce the maintenance cost， it is necessary to detect the equipment status in real time. On this basis， the failure types and degradation states of the equipment are analyzed and predicted， and the corresponding maintenance strategies are specified. Considering that the key problem of equipment service life is life prediction and fault maintenance decision， the paper introduces the concepts of state detection frequency， inspection and maintenance scheme， fault prediction algorithm and so on to analyze the equipment life and maintenance cost. Through the establishment of data-driven service life prediction model to effectively classify the fault stages， through the way of numerical simulation， the analysis of life prediction effect based on the equipment status acquisition information and the reliability of the proposed decision-making method are described.

Key Words： Electromechanical equipment; Fault classification; Service life prediction; Maintenance decision; Sensitivity analysis

隨着工业4.0的持续推进，装备制造业在推动工业化、现代化、信息化的进程中发挥着举足轻重的作用。为了能准确掌握复杂机电设备的工作情况，智能运维思路的建立为预测性维修（PredictiveMaintenance，PdM）提供了新思路[1-2]。

Alaswad，Sakib，Miao等有针对性地分析了基于状态维护（CBM）的结构框架，并结合相关技术进行了思路梳理，其中重点分类讨论了剩余有效寿命（RUL）的相关预测方法。Lei，Pan等则介绍了PHM技术中相应的RUL预测方法。不仅如此，Liang等[9]在对滚珠轴承进行研究时，虽然面对的是缺乏先验信息的时变增长系统，但依靠RUL自适应预测方法就取得了可靠的预测结果。

本文基于上述研究，针对设备在服役期间的剩余寿命以及在不同服役阶段可能发生的故障模式进行分析，根据所建立模型对设备服役期间故障模式的描述，重点研究偶然故障与非偶然故障的维修决策方法，优化设备退化阈值与维修执行时间，最后通过数值仿真进行模型对比以及灵敏度分析，对所建立维修决策进行评估验证。

1  设备服役剩余寿命模型构造

为分析机电设备故障发生过程，可以采用非齐次泊松过程（NHPP）作为典型类型进行讨论，但是需要进行如下假设。

基于上述NHPP模型，可以针对系统进行RUL预测。此时，假设从时刻开始进行相应预测，设表示从时刻开始，到下次故障发生时的周期长度，通过推导得到的相应分布。

当第个故障发生时，此时时刻为，至个故障发生时构成一个故障间隔周期（平均RUL），可以获得此时周期长度的对应期望：

式中，表示两个阶段的故障强度参数; 表示两个阶段的故障判别尺度参数;为调整因子，为服役周期内区分不同阶段的临界点。

提出临界时间与调整因子可以得到：

此时如果能确定和，可以对临界时间和调整因子进行直接求解。

2  服役过程RUL分段模型参数估计

上文种对模型参数和进行了相关说明，因此这里采用的改进MLE方法，将统计过程控制与模糊聚类方法相结合，并对其进行改进，从而达到简化计算，提高估计精度的目的，如图1所示。

3  故障过程预测

中期偶发性故障阶段对于工业生产连续高效率作业有着重要影响，在此划分为突发性故障和退化性故障两种故障模式进行分别讨论。

3.1 突发性故障

假定时刻发生突发性故障，此时故障强度满足：

式中，是状态监测所采集故障特征所构成的多维度向量;为时刻的基本强度函数;用来描述状态变量和变量映射之间的函数关系。

带入模型参数可以得到：

因此，基于概率密度函数进行推导，系统发生突发性故障概率可以进行如下描述：

3.2 退化性故障

时刻系统退化性故障发生的概率为：

式中，为对应的状态退化现状， 为退化过程种的伴随变量，用来描述退化过程中的随机现象。维纳过程可以用来对该退化过程进行有效描述。

假设伴随变量满足维纳过程，因此可以描述为：

式中，为初始时刻下的系统状态（假定从该时刻开始发生退化过程）;为系统状态的退化速率;为退化过程中的退化过程扩散系数;为中的标准布朗运动。

基于维纳过程，故障累计分布函数描述为：

4  维修决策建模优化

为分析中期偶发性故障阶段的故障特征以及维修需求，在此结合控制图进行维修决策的建模优化。

基于不同情形的分析，单位时间的故障维修预期成本可以描述为：

此时，各种情形下的预期维修成本如表1所示。

表中，表示不同情形下维修更新的于其成本;不同情形维修更新周期的预期长度;为PM行为平均成本;为CM行为平均成本;为单位时间内对设备系统状态变量的监控及数据采集成本;为相关准备费用。

不同情形下具有不同的状态变量数，因此需要进行分别计算才能得到对应的。因此，在定期检测时，需要选择决策变量UCL*和*来降低单位时间内的预期维修更新成本，可以描述为：

5 灵敏度分析和数值分析

结合模型参数，通过一个数值案例给出相应的标准效应正态分布图如图2所示。从图中可以看出，和预期故障成本成正相关，而与之成负相关[11]。

6  结论

分析机电设备服役寿命对于设备维护以及降低维护成本具有重要意义。

（1）基于机电设备故障特征和退化趋势准确描述了不同阶段的故障过程以及包括浴盆曲线在內的退化趋势。（2）建立了故障强度分段模型，为服役期间不同阶段的机械设备建立相应考量指标。（3）针对偶发性故障阶段，说明本位所提策略具有更低的成本，并且找到了能够影响故障维修成本的最重要因素。

参考文献

[1] Zhao W， Tao T， Zio E， et al. A novel hybrid method of parameters tuning in support vector regression for reliability prediction： particle swarm optimization combined with analytical selection[J]. IEEE Transactions on Reliability， 2016，65（3）： 1393-1405.

[2] Alaswad S， Xiang Y. A review on condition-based maintenance optimization models for stochastically deteriorating system[J]. Reliability Engineering & System Safety， 2017（157）： 54-63.

[3] Sakib N， Wuest  T. Challenges and Opportunities of  Condition-based Predictive Maintenance： A Review[J]. Procedia CIRP， 2018（78）： 267-272.

[4] Zhang Z， Si X， Hu C， et al. Degradation data analysis and remaining useful life estimation： A review on Wiener-process-based  methods[J]. European Journal  of Operational Research， 2018，271（3）： 775-796.

[5] Miao Q， Liu D. Recent progress on  electro-mechanical system prognostics and health management[J]. Microelectronics Reliability， 2017（75）：195-196.

[6] Lei Y G， Li N， Guo L， et al. Machinery health  prognostics： A systematic review from data acquisition  to RUL prediction[J]. Mechanical Systems and Signal  Processing， 2018（104）： 799-834.

[7] Pan D， Liu J B， Cao J. Remaining useful life estimation using an inverse Gaussian degradation model[J]. Neurocomputing， 2016（185）： 64-72.

[8] Guan Q， Tang Y， Xu A. Objective Bayesian analysis accelerated degradation test based on Wiener process models[J]. Applied  Mathematical  Modelling，2016，40（4）： 2743-2755.

[9] 杜雪嬌.复杂机电系统服役过程的剩余寿命预测及维修决策方法研究[D].长春：吉林大学，2019.

[10] 车文龙.盾构机电气故障智能诊断及掘进参数优化研究[D].西安：西安理工大学，2019.