浅谈复杂装备故障预测的优势与挑战

王江波，昝少东

（中国西安卫星测控中心，陕西 西安 710004）

1 前言

故障预测与健康管理（PHM）概念最早出现于医学领域，随后被引入机械科学的研究范畴。与医学侧重于潜在疾病的预测和患者健康管理相类似，机械科学中的PHM旨在为故障预测和机械维护提供一个集成框架，通过将预测技术与维护策略相结合实现对维护策略的深入研究，具体包括基于状态的维护、预测维护和实时维护等策略。PHM可以在装备实际寿命周期内实时评估系统可靠性，以及预测故障可能发生的时间地点，从而降低系统运行风险和维护成本。而故障预测则是通过集成传感器数据和预测模型来实现，可对装备偏离预期正常运行状态的程度进行评估。近年来，PHM已经成为实现系统可靠性、安全性、可维护性、可支持性和经济可承受性的关键推动力。

有效的PHM框架通常包括故障预测和维护管理。在故障预测方面，越来越多专业仪器（如智能传感器、仪表、控制器和计算设备）被用于收集和分析单个机器的数据，而振动监测、油液分析、温度检测和超声波检测等技术则被广泛应用于测量机器状态。此外，研究者提出许多预测方法对剩余使用寿命（RUL）或潜在退化过程进行估计。在维护管理方面，复杂系统已采用大规模定制、可重构制造、可持续制造和服务型制造等先进制造模式进行装配和操作。因此，系统级维护策略面临着来自结构性、随机性和经济性相关的多重挑战。

在现代制造业中，一个制造系统通常由各种不同的机器组成，这些机器会随着老化而不断退化和磨损。从结构依赖性角度来看，一台机器若出现故障或进行维护将会影响上下游机器，进而增加并行系统的潜在不可用性。目前，关于故障预测方法的相关研究较为丰富，包括数据驱动方法、基于模型的方法、融合预测方法等，其主要的关注点是将PHM整合到不同类型系统中。例如，Hardman提出了基于振动数据的算法技术，用于船舶推进和动力驱动系统中压缩机的故障预测。徐东等人通过经验模态分解和相关诊断信息，对深沟球轴承疲劳进行预测。通过结合线性回归和二次回归，Li等人预测了燃气涡轮发动机的剩余使用寿命。结合数据驱动和基于模型的预测方法，佐磊等人提出一种混合遗传算法与最小二乘支持向量机融合方法，用于可编程逻辑门阵列焊接点失效故障评估，该研究解决了传统方法无法提供准确信息、样本数据少、时效性不高等问题。

然而，电子器件（包括微、纳米级元件）结构复杂、元件种类繁多、对故障前兆认识有限等问题严重阻碍了故障预测技术的发展，导致该领域仍处于起步阶段。因此，对于PHM的实际工程应用，有必要清楚了解其带来的优势和挑战。本文解释了PHM的一些关键优势，然后讨论开发和实现PHM系统时所涉及的一些障碍和技术挑战。

2 PHM的优势

通过PHM用户能够随时监测系统的运行状况，估计和预测系统的RUL，并及时采取纠正措施。PHM的部分优势如图1所示，而这些优势则与系统设计和开发、可靠性、安全性、可维护性、物流和生命周期成本直接相关。

图1 PHM的潜在优势

2.1 提高系统安全性

故障预测目的是识别即将发生的装备故障，并对系统用户、维护人员、支持人员和后勤人员预警。一般来说，装备运行故障只在发生后才能被识别，但是PHM具备在组件或子系统出现故障前加以预测的能力，从而实现准确的RUL预测和更积极的系统健康管理。通过跟踪组件的生命周期数据，PHM能够预测系统中将会出现的问题，并在这些问题导致系统性故障前为维护提供前置时间。图2为退化参数和累积损伤预测的示意图。如图2所示，通过PHM可以得到维护前置时间，即PHM预警与实际出现故障之间的时间差。

图2 PMH故障预警

不同类型的预测方法提供不同类型的结果，包括RUL、故障概率、可靠性和累积损伤率。为了预测故障并为实施解决方案留出前置时间，PHM方法必须在故障发生前通过实时的机载诊断和预测提供有效的引导时间和反应时间。在故障前准备时间上，无论采用何种预测方法，时间跨度都可能从几分钟或几小时到几天或几周不等。针对预警问题的紧迫程度来看，需要进行部件更换的预警一般会确保几个小时的前置时间；而腐蚀维修的预警前置时间则可能达到几个月。尽管有时故障预警的提前期仅有几分钟，但是这短暂的前置时间却尤为重要，它能够有效提高系统的整体安全性，特别是对于可能带来系统性损伤的关键设备。

2.2 提高系统可维护性

传统意义上，设备维护主要通过两种方式进行：一是固定时间间隔（即计划或预防性维护）；二是作为纠正措施（反应性维护）进行。其中，计划性维护本质上是主动的，即使故障还未发生也会按预定时间间隔进行，而反应性维护本质上是被动的，在故障发生后进行。预测维护通过考虑系统中各部件的健康状况进行健康管理，其本质也是主动的。但是，传统预防性维护在部件正常且尚有RUL条件下进行部件替换，与之相比，PHM作为预测性维护实现了基于系统状态的维护，能够根据装备健康状况采取维护措施，从而有效地减少维护频率以及延长维护周期。总的来说，作为基于状态维护的重要驱动力，PHM具有以下优势：减少计划外维护、消除冗余检查、延长维护周期、提高维护效率和降低维护成本。

2.3 降低寿命周期成本

系统的总寿命周期成本通常是未知的，系统运行、维护、支持和后勤成本难以确定，而与研究、设计、采购、生产和测试相关的成本却仅占整个装备寿命周期成本中的小部分。PHM在降低系统的总寿命周期成本方面具有巨大的价值，因为其允许基于状态的维护。下面将讨论PHM在成本规避方面的一些优势：（1）减少常规检查费用。如前文所述，定期检查需要以足够高的频率进行以便提前发现不符合标准的部件。但PHM通过提供预警，则可降低前置时间内的检查频率，从而降低人工和检测成本。（2）避免因停机而产生的成本。PHM能够准确识别故障位置和故障组件，从而有利于快速替换故障部件，这在一定程度上改进了系统恢复力、提高了系统可用性。（3）降低备件成本。准确的故障预测能够根据部件的实际状况安排更换。此外，提前了解所需备件数量可以提高交付效率并降低库存水平。（4）节省具有剩余使用寿命的部件。传统的预防性维护在执行时，系统多数情况下仍处于良好运行状态，部件更换或维护只是机械式的依据固定计划进行，但其问题在于被替换的部件可能仍具有很长的剩余使用寿命。与预防性维护不同，预测诊断方法能够减少正常零件浪费进而降低维护成本。（5）降低人力成本。在系统维护时拆卸的部件越少，地面检查、故障检测、故障隔离和设备维修的时间就会越短，使得维修人员和地面检测设备的需求也会减少，从而降低系统运行和维护的人力成本。

2.4 提高系统可靠性

理论上，合理的装备设计和有效的生产过程控制能够得到较高的系统可靠性。但在实际操作过程中，如果装备未在适宜环境和运行条件下运行，其系统可靠性将大打折扣。PHM利用传感器对环境和使用负载（如温度、振动、电压和电流等）进行监测，使用户能够针对系统环境和运行状态采取主动措施，以减少部件消耗，延长装备使用时间。另外，PHM可以监控和记录组件的使用情况，在部件使用寿命结束前加以更换，从而提高系统可靠性。

2.5 协助后勤保障系统设计

PHM可以协助构建后勤支持系统。对于电子系统，目前维护部门的中心思想是电子故障无法预测只能在发生时处理。这一思想导致备件库分散、检查与维护设备复杂、人员和其他支持资源冗余等问题。因此，要使后勤支持系统能够动态运行，则必须对相应的运输和供应链进行有效的管理，而PHM的运用则有望显著降低后勤支持系统的冗余。

2.6 提高可靠性预测精度

在设计阶段，常用的可靠性预测方法（如MILHDBK-217、GJB-299等）往往不能准确反映设备的生命周期环境，因此其寿命预测结果往往与现实情况差别较大。传统方法往往会受到对故障模型、操作过程和环境条件设置不足的限制。此外，某些故障是间歇性的，在特定环境条件下发生，在其他条件下自愈，使得传统方法难以预测，导致供应链和维护链出现“无法复制”和“重新测试正常”问题。相比之下，PHM利用传感器在实际应用条件下对系统环境和使用负荷进行现场监测，收集到的数据能够反映设备的实际使用状况，从而有助于进行更佳的损伤评估和RUL预测。

3 PHM面临的挑战

PHM的实现通常包括如下过程和技术：数据采集、数据处理、状态监测、健康评估、故障诊断、故障预测、维护决策。而PHM系统本身则需经历设计与开发、测试与评估、验证与确认、生产与应用等阶段。在系统实现过程中所涉及的每个过程或技术以及每个阶段都会面临一些挑战，本文以下各小节则进一步讨论PHM实施过程中面临的一些挑战。

3.1 预测方法的选择

基于状态监测的故障预测可以辅助系统的实时维护，避免意外故障带来的经济损失。作为PHM最基本的任务，故障预测主要目标是预测部件在未来时间的可靠性或失效概率。一般来说，故障预测方法分为三类：基于物理的方法、数据驱动的方法以及二者混合的方法。基于物理的方法假设可以对部件的损伤过程进行物理建模，并且可以根据观测数据获得模型参数。数据驱动方法依赖于观测数据来映射损伤或退化状态以预测未来状态变化。混合方法则综合了基于物理的和数据驱动的方法优势。对于不同类型的装备和故障模式，适宜的预测方法可能十分不同，因此恰当的预测方法的选择成为影响PHM系统有效性的关键因素。

基于物理的方法利用模型来描述部件的退化过程，这些模型根据第一性原理、领域经验、失效机理和一系列必要假设来建立，常见的方法主要包括：物理建模、结构分析、接触分析、累积损伤分析、循环疲劳分析、裂纹扩展分析、生长和剥落估计等。根据构件的具体类型或失效模式，基于物理的方法可以通过数学模型直接反映构件的退化过程。但此类方法需要根据领域经验确定模型参数，并根据机器的实时状态不断更新模型参数。表1给出了不同的基于物理的方法的优缺点。

表1 基于物理的方法的优缺点

基于机器学习和统计模型，数据驱动方法可在系统、子系统或组件级别进行算法实现。机器学习方法通常只处理已知的故障类型，其故障“模型”须先利用已知的原型故障模式（数据）进行训练，常见的机器学习方法包括神经网络、朴素贝叶斯、支持向量机、隐马尔可夫模型和关联分析等。一般来说，这些学习方法可分为有监督、无监督和半监督学习方法。有监督和半监督学习所使用的训练数据需要预处理，并且不易利用测试数据进行算法验证，这在一定程度上影响了算法的可信度。机器学习方法经常使用优化和搜索策略，其计算复杂度和可处理性会在很大程度上影响算法执行效率。此外，根据数据分布是否被预先假定，统计模型则被分为参数方法和非参数方法。经过多年发展，统计方法相较于机器学习方法更为成熟且更易实施，但是此类方法的缺陷是未考虑到实际环境、操作条件和故障机制。表2给出了各种数据驱动方法的优缺点比较。

表2 数据驱动方法的优缺点

数据驱动方法和基于物理的方法对于复杂系统并不总是准确或有效的，因此研究人员开发了基于物理与数据驱动相结合的混合方法，从而将数据趋势与故障机制关联起来并隔离故障根本原因。使用数据驱动技术和物理知识能够隔离导致异常行为的参数并识别失效机制，因此混合方法提供了更准确的RUL诊断以及故障参数信息，从而有利于进行故障根本原因分析。混合方法可分为两种类型：一种是融合基于物理的方法的预测结果和数据驱动的方法的预测结果；另一种是使用数据驱动方法来估计装备当前或未来的健康状态，然后使用基于物理的方法来预测退化或RUL。

3.2 不确定性

由于不确定性将导致故障预测性能退化，所以故障预测的另一个挑战是如何处理不确定性。复杂装备故障预测的不确定性来源通常分为三类：（1）模型不确定性；（2）测量不确定性；（3）装备参数不确定性。为了建立和量化PHM系统的置信水平，故障预测后的准确性评估毋庸置疑是必要的，并且需要采取科学有效的方法评价PHM的有效性和准确性。不确定性会导致失效时间预测结果表示为一个分布区间而不是一个确定的单点值，并且因为几何参数和材料参数无法逐一测量，未来负荷无法确定，所以寿命预测结果也被表示为一个分布区间。

3.3 多目标权衡

实施成本在决定PHM系统的成本效益方面发挥重要作用，而成本效益分析则对于评估PHM系统有效性方面至关重要。关于PHM系统的成本效益分析被称为投资回报率分析，主要包括对PHM引致的成本规避和PHM实施成本进行分析。为了评估和确定PHM的投资回报率，需要明确定义的绩效衡量标准，但如何量化PHM实施效益通常却是一个挑战。PMH的成本效益不仅与故障预测时机、预警前置时间以及用户实际需求有关，还与可承受成本和可接受风险有关。此外，物流支持、备件供应、供应链管理和相关支持资源也影响着PHM的成本效益，从而带来一个多目标权衡的复杂决策问题。

4 可能的研究方向

尽管学者们做出了许多努力，但在PHM这个新兴跨学科领域中仍存在诸多方法和技术问题亟需处理。本文认为今后的研究可在如下几个方向开展：第一，PHM系统设计标准的制定，包括传感器选择、无线或有线数据传输、预测和决策算法。研究将PHM与现有系统集成的最佳方法，以及将PHM系统设计与装备设计相结合的方法。第二，根据装备类型开发混合方法以提高预测能力和准确性。第三，制定衡量评估PHM系统性能的指标和方法。第四，进行详细的成本效益分析，并开发基于不确定性的决策方法以最小化风险与最大化投资回报率。