面向预测性维修的工程装备故障预测方法研究综述

陈兴玉，张红旗，黄 魁，苏 春

（1. 中国电子科技集团公司第三十八研究所，安徽 合肥 230088；2. 东南大学 机械工程学院，江苏 南京 211189）

关键字：工程装备；故障预测；预测性维修；剩余寿命预测

1 引言

近年来，随着物联网和信息技术的发展，集成电路封装设备、数控机床、工程机械等装备的结构和功能复杂程度不断增加，维修保障难度随之增加。修复性维修、预防性维修等传统维修方式已经难以满足工程装备智能保障和维修优化需求。预测性维修可以有效实现由被动维修向主动维修的转变，预先识别故障早期征兆，制定最佳维修方案，减少维修保障费用，提高系统安全性。目前，预测性维修技术及工程应用已经成为学术界和工程领域关注的焦点。

作为一种新兴的维修方式，预测性维修是以状态监测和故障诊断为基础，运用故障预测技术，科学评估装备的健康状态，准确预知装备的维修需求。

故障预测（Failure Prediction）是预测性维修的核心和前提。它根据装备的实际运行状态，结合装备的结构特点、历史数据和环境条件，对装备未来一段时间内可能发生的故障进行预报、分析和判断，在此基础上制定有效的维修策略，保证相关任务的顺利完成。本文系统分析前人的研究工作，从故障预测的基本步骤着手，阐述故障预测的内容，系统介绍已有的故障预测方法，分析各类方法的优缺点，展望故障预测的发展趋势。

2 故障预测步骤及内容

故障预测的基本步骤如下：① 分析装备故障，确定关键零部件；② 收集、分析与处理监测数据、环境条件等信息；③ 提取装备故障的关键特征参数；④ 选择合适的数学模型。根据故障预测内容的不同，故障预测的具体步骤会存在一定的差异。本文将故障预测研究划分为四个部分，即故障趋势预测（Failure Tendency Prediction，FTP）、 剩 余 寿 命 预 测（Remaining Life Prediction，RLP）、故障模式预测（Failure Mode Prediction，FMP）和故障率预测（Failure Rate Prediction，FRP）。

2.1 故障趋势预测

故障趋势预测根据装备历史运行状态及监测数据，建立相关数学模型，预测装备故障的演化规律。通过装备故障趋势预测，可以获取装备的潜在故障信息。Tran和Yang集成模糊理论与神经网络建立模糊神经网络模型，预测压缩机主轴承的故障趋势。文献[5]和[6]构建多源信息融合的故障趋势预测模型，提高装备故障预测的可靠性和准确性。

2.2 剩余寿命预测

剩余寿命预测是根据装备当前健康状态、退化趋势等信息，估计系统在正常使用状态下从当前时间到失效时的寿命。Fang等利用侵蚀磨损方程，建立基于物理模型的伺服阀磨损寿命预测模型，准确预估伺服阀的退化过程及剩余寿命。由于装备的工作环境、载荷环境、操作人员等因素的差异，装备的使用寿命各不相同，文献[9]和[10]从不同角度归纳装备剩余寿命预测方法。

2.3 故障模式预测

同一种类或不同种类的装备部件通常具有不同的故障模式。基于工程装备的故障类型、故障时间、故障因素等信息，按照一定规则划分装备故障模式，运用推理技术手段预测装备未来可能发生的故障模式，科学制定维修决策，合理调配维修资源。董继明采用混沌算法和果蝇算法优化模型的相关参数，建立混沌果蝇-最小二乘支持向量机的故障模式预测模型；Polo构建神经网络模型预测光伏电站的故障模式，完成光伏电站的动态维修任务。

2.4 故障率预测

工程装备故障具有随机性和不确定性。借助科学预测技术估计装备未来一段时间内的故障率，对指导装备预测性维修决策具有重要意义。故障率通常指某部件发生故障概率的大小。故障率预测可以在装备发生故障前及时准备维修资源，避免装备因故障停机。文献[13]和[14]运用神经网络模型分别预测供水系统、飞机轮胎的故障率；邵延君等建立灰色线性回归组合模型预测武器装备的故障率；针对故障率数据的非线性、非平稳特性，徐廷学等采用相关向量经验模态分解和数据处理组合法预测故障率。

3 故障预测方法

目前，关于故障预测方法的分类标准和命名规则各不相同，见表1。本文将按照模型原理将故障预测方法分为四类：基于物理模型的方法、基于统计模型的方法、基于计算智能的方法和组合预测方法。

表1 有关故障预测方法分类的综述性文献

3.1 基于物理模型的方法

基于物理模型的故障预测根据系统的工作机理，建立能够反映系统失效机理的数学模型，通过故障累积效应评估预测系统剩余寿命。该类方法分析实际特征参数和物理模型仿真参数之间的残差，检验当前状态与正常状态的偏离程度，深入系统本质进行状态预测，预测准确度较高。物理模型的参数与材料性能、应力水平等因素有关，通常是根据具体实验、有限元分析或其他技术确定。典型的物理模型包括失效物理模型和裂纹扩展模型。

Jin等考虑小样本环境下卫星动量轮的可靠性建模与评估，提出一种基于失效物理模型的卫星动量轮剩余寿命预测方法；裂纹扩展模型在文献[23]中首次被提出，随后广泛应用到故障预测领域；Erik等依据失效物理方法建立裂纹扩展模型，应用于涡轮推进系统的寿命预测。

基于物理模型的故障预测方法需要研究系统故障失效机理，选取反映故障特征的参数作为模型参数，及时修正调整预测模型，更好地实现故障预测。但是，工程装备系统的失效机理和故障模式繁杂，通常难以构建精确的物理模型。因此，基于物理模型的故障预测实际应用范围和效果受到限制，多用于电子系统领域。

3.2 基于统计模型的方法

基于统计模型的故障预测是针对装备的性能退化监测数据，以概率统计理论为基础，运用随机过程或统计方法分析数据隐含的装备状态信息，进而实现装备故障预测。此类方法能够反映装备故障发生的不确定性，为装备预防性维修提供有效支持。基于统计模型的方法主要包括：时间序列模型、卡尔曼滤波模型、隐马尔科夫模型、灰色模型、Wiener过程模型和Gamma过程模型。常用统计模型的优缺点见表2。

表2 基于统计模型的方法比较

（1）时间序列模型

时间序列模型作为一种处理动态数据的统计模型，通过分析装备某一变量的观测值数据序列的内在关系，寻找数据序列的发展变化趋势，采用趋势外推进行预测。常见的时间序列模型包括滑动平均（Moving Average，MA）模型、自回归（Auto Regression，AR）模型和自回归滑动平均（Auto Regression Moving Average，ARMA）模型等。

时间序列模型进行故障预测的基本步骤：①分析时间序列的自相关函数与偏相关函数，选取合适的模型；②估计模型参数，利用准则函数确定模型阶数；③对模型进行平滑性检验、残差检验等，构建最终预测模型。Qian和Yan运用AR模型预测轴承的退化过程。

（2）卡尔曼滤波模型

卡尔曼滤波（Kalman Filter，KF）模型是基于系统输入、输出监测数据，利用线性系统状态方程对系统状态进行最优估计的一种随机滤波模型，有效结合监测数据特征和系统物理模型。

基于KF模型的故障预测是一个动态过程，不断进行预测和修正，更好预估系统未来状态的变化。Song等采用KF模型优化物理退化模型参数，通过相关向量机模型进行迭代更新预测，提高航天器电池剩余寿命的预测精度。

（3）隐马尔科夫模型

马尔科夫模型（Markov Model，MM）是一个双重随机过程，状态的观测及转移均是随机的，利用状态转移概率密度函数表示系统状态的变化，利用退化状态的离散化实现故障预测。Liu等建立一种非齐次连续时间隐马尔科夫模型预测多态系统的剩余使用寿命，优化替换维修策略。

（4）灰色模型

灰色模型（Grey Model，GM）运用一阶微分方程揭示数列的发展规律，用于解决小样本、贫信息等不确定性问题。GM通过挖掘部分已知信息，提取有价值的信息，实现对系统运行行为、演化规律的正确描述和有效监控。

GM预测所需数据少，不需要考虑数据的分布特征。骆燕燕等基于加速寿命试验，利用GM实现航空电连接器的剩余寿命预测。针对传统灰色模型的不足，学者在预测精度和适用能力方面展开深入研究，提出众多改进灰色模型的方法。

（5）Wiener过程模型

Wiener过程模型用于描述连续的性能退化过程，适用于刻画由大量微小损失而导致设备表现增加或减小趋势的非单调退化过程。Wiener过程因具有直观的物理解释和良好的数学结构，被广泛应用于性能退化领域。

王小林等采用线性Wiener过程对电容器性能退化过程建模，实时预测电容器剩余寿命；Si等通过标准布朗运动描述退化过程时间的不确定性，建立非线性漂移Wiener过程模型，提供剩余寿命分布的近似表达式。

（6）Gamma过程模型

当研究对象的性能退化过程以单调递増的方式随时间演化时，往往通过Gamma过程进行性能退化建模。Gamma过程是独立增量的随机过程，由于有清晰的物理解释，受到性能退化领域研究者的青睐。

Yan等利用阶段Gamma过程设计退化概率密度函数，通过最大似然估计法更新建模参数，实现系统健康状态的预测。张英波等建立基于Gamma过程的剩余寿命预测模型，引入粒子滤波算法估计模型参数，应用于直升机行星架的剩余寿命预测。

3.3 基于计算智能的方法

基于计算智能的故障预测是装备故障预测领域的研究热点之一。该方法基于装备在线监测的性能退化数据，运用各种智能算法拟合性能退化变量的演化发展规律，采用趋势外推实现装备的故障预测。基于计算智能的故障预测方法主要包括人工神经网络、支持向量机、专家系统等，其优缺点比较见表3。

表3 基于计算智能的方法比较

（1）人工神经网络

人工神经网络（Artificial Neural Network，ANN）方法通过模拟生物的神经系统，将人脑神经系统处理信息的过程抽象化，运用数理分析方法建立简化模型。它是由大量的处理单元相互连接形成，具有较强的并行计算能力、非线性映射能力、分布式存储能力等优点，在模式识别、预测估计、非线性处理等方面有广泛应用。

ANN可以在非线性、非精确性的系统信息情况下，利用大量样本训练神经元网络，构建高效精准的预测模型。Tian等利用故障数据和状态监测数据，建立一种基于ANN模型的滚动轴承剩余寿命预测模型。

（2）支持向量机

支持向量机（Support Vector Machine，SVM）是一种基于统计学习理论及结构风险最小化原理建立的机器学习方法。它可以提升学习机的泛化能力，通过有限的训练样本获得较小的误差，克服了神经网络收敛速度慢、样本量大以及网络结构难以确定等问题。SVM综合考虑模型复杂度、样本误差、经验风险和置信范围，适合解决性能退化数据的非线性分类和预测等问题。SVM在预测小样本、非线性等特点的退化数据时具有独特优势。

（3）专家系统

专家系统（Expert System，ES）是应用大量专家知识和推理方法求解复杂问题的一种人工智能方法。它通过模拟专家的推理思维过程，运用专家丰富的知识和经验进行推理，做出判断和决策。在工程装备故障预测中，ES能够综合考虑研究对象的特殊性、未来发展的不确定性等因素，提高装备故障预测的能力。然而，专家知识通常难以获得，专家系统的研制也需要大量的资料积累、开发周期长。

3.4 组合预测方法

根据预测对象特性，选择恰当的预测方法是保证预测精度的有效手段，但是每一种预测方法有其优势所在，同时也有其不足之处。因此，为了提高装备的故障预测精度，根据单一预测方法的特点和适用范围，将两种及以上的预测方法相结合，构建组合预测方法，充分发挥各种方法的优点。

文献[4]集成模糊理论与神经网络建立模糊神经网络组合模型，实现压缩机主轴承的故障趋势预测。

4 故障预测的应用

工程装备的故障预测是实现“事后诊断维修”向“事前预测维护”转变的重要途径，可以提前预知装备运行状态，有效降低故障风险、节约维修资源和减少经济损失。装备故障预测的研究需求和研究对象主要集中于航空航天、铁路运输、武器装备、发电设备等领域，具体见表4。

表4 故障预测方法的应用

（续）

5 结束语

近年来，工程装备正朝着大型化、复杂化、综合化和智能化方向发展。利用科学预测技术实现工程装备的故障预测，对保证装备安全运行、提高经济效益具有重大意义。结合国内外故障预测领域的研究成果，故障预测技术涌现出不少新理念和新方法，形成较为系统的方法和理论体系。但是，故障预测技术仍面临众多现实挑战，需要在理论研究和工程应用方面进一步研究，主要表现在：

1）故障预测技术的不确定性研究。现有的故障预测技术对工程装备的运行环境、载荷问题、参数选取等因素考虑不够充分，难以正确有效建模，导致结果存在一定的误差和不确定性。此外，在实际运行中装备会受到各种不确定性因素的干扰，研究工程装备故障不确定性的内在机理是故障预测技术未来发展的一个方向。

2）故障预测技术的融合型研究。工程装备故障具有很强的随机性和非线性等特征，单一预测技术通常无法满足故障预测精度的要求，需要综合运用多种预测模型，充分发挥各种模型的优点，更好地实现装备的故障预测。因此，融合型预测技术研究是故障预测方法的重要发展趋势。