涂粵強　劉廣杰　王雅婷

摘 要 壽命預測和預防性維護是設備全生命周期管理中的重要內容。本文主要研究了壽命預測中的基于物理模型的預測方法和數據驅動的預測方法，以及預防性維護中的基于時間的維護和基于狀態(tài)的維護。隨著現(xiàn)代企業(yè)對于設備的運維要求越來越高，壽命預測和預防性維護將能夠極大地幫助企業(yè)降低運維成本。

關鍵詞 壽命預測；剩余壽命；預防性維護

中圖分類號 TH17 文獻標識碼 A 文章編號 2095-6363（2017）15-0027-02

機械系統(tǒng)已經被廣泛運用于各個行業(yè)，在國民經濟建設中起著重要作用。特別是對于機加工企業(yè)或者機加工行業(yè)來說，隨著現(xiàn)代機械系統(tǒng)自動化程度的提高，機械系統(tǒng)的可靠性、安全性和經濟性受到的關注越來越多。同時，隨著制造業(yè)轉型，很多機械制造商逐步由以制造為中心轉向以服務為中心，機械設備的智能診斷和智能維護決策已逐漸成為設備全生命周期管理和企業(yè)追求效益的重要途徑。

對機械設備進行有效的維護維修是研究如何在維護成本、維護資源與生產效益等限制條件下，制定最優(yōu)的維護策略，以達到提高系統(tǒng)的可靠性要求并以減少損失為目的。在機械設備的運行階段，要保障系統(tǒng)的可靠的安全運行，需要對其狀態(tài)進行監(jiān)測，獲取的監(jiān)測信息來預測其剩余壽命，而對于剩余壽命的預測將成為預防性維護的重要依據，能夠為制定合理的維護策略提供有效的支持。

1 壽命預測與預防性維護

1.1 概述

隨著嵌入式技術、傳感器技術和現(xiàn)代測量技術的迅速發(fā)展，工業(yè)現(xiàn)場可以獲得相關的監(jiān)測數據用于過程監(jiān)控與剩余壽命的預測。通過采集現(xiàn)場設備的運行數據、系統(tǒng)運行過程中的特征量等基礎數據，并將其輸入到監(jiān)測系統(tǒng)，監(jiān)測系統(tǒng)對與退化過程相關的信息進行分析[1]，若直接發(fā)生了故障報警，則對設備進行相應的維護（事后維護）；若發(fā)現(xiàn)設備偏離正常運行狀態(tài)但未達到功能失效的異常點時，則對異常點之后的退化數據進行建模分析，預測剩余壽命。對系統(tǒng)的當前狀態(tài)和壽命預測的結果制定預防性維護決策，統(tǒng)籌規(guī)劃機械系統(tǒng)的維護。

1.2 壽命預測

剩余壽命預測的方法包括基于物理模型（Physical Model）的預測方法和數據驅動（Data Driven）的預測方法等。

對于基于物理模型的壽命預測方法，Paris提出了一個著名的Paris公式[2]，他用斷裂力學的方法表達機械設備裂紋擴展規(guī)律，為裂紋擴展壽命預測的研究提供了新方法。由于物理學模型是針對特定設備或功能模塊的，需要供應商或廠家做許多復雜的統(tǒng)計與建模，而且模型的通用性很差，因此在實際運用中，針對不同復雜機械系統(tǒng)建立精確的物理模型在通常情況下是一件非常困難的事情。

基于數據驅動的預測方法能很好地解決上述問題。部件或系統(tǒng)設計、仿真、運行和維護等各個階段的測試、傳感器的數據就成為掌握系統(tǒng)性能下降的主要依據，從這些大量接收到的表征系統(tǒng)性能的數據中提取有用的信息，進行剩余壽命預測。

數據驅動的剩余壽命分布預測主要基于統(tǒng)計學理論和人工智能理論進行剩余壽命預測建模，在剩余壽命預測領域內被廣泛使用的數據驅動的剩余壽命預測方法主要包括基于比例風險模型的剩余壽命預測、基于連續(xù)退化過程的剩余壽命預測、基于神經網絡的剩余壽命

預測。

基于比例風險模型建模考慮的是監(jiān)測的狀態(tài)是影響系統(tǒng)失效概率的因素，該方法的思路是建立起系統(tǒng)失效概率與系統(tǒng)監(jiān)測狀態(tài)及系統(tǒng)運行時間之間的函數，預測其剩余壽命。Gebraeel等提出了一種基于條件的剩余壽命分布的退化模型框架，這個模型框架是利用安裝有傳感器的組件作為基礎的退化數據來源，同時加入可捕捉的環(huán)境因素數據，計算剩余壽命并實時更新。

基于連續(xù)退化過程的剩余壽命預測是在已知系統(tǒng)退化狀態(tài)故障閾值的基礎上將系統(tǒng)的健康狀態(tài)建模為連續(xù)的退化過程進行壽命預測。Wang等[3]提出了一種基于自適應漂移布朗運動的剩余壽命預測模型，可以方便的編程為一個軟件包，方便使用，同時不需要歷史的故障數據來測試模型。

基于神經網絡的剩余壽命預測方法是通過在系統(tǒng)的輸入和輸出之間構建特定的函數關系，從而預測剩余壽命。Tian等[4]用一個改進的遞歸網絡預測剩余壽命，該模型基于收集到的振動數據來預測設備健康狀況。

1.3 預防性維護

使用預防性維護方式對于提高機械系統(tǒng)的安全性和可靠性有著重要意義，現(xiàn)有的預防性維護主要包括兩種方式，分別是基于時間的維護和基于狀態(tài)的維護。

1.3.1 基于時間的維修

基于時間的維修是依據系統(tǒng)運行時間或其失效狀況對系統(tǒng)做出維修決策。對機械系統(tǒng)故障的發(fā)生與工作時間的延長相關，且無法進行監(jiān)測的機械零部件可采用此維修方式。它包括周期性的對系統(tǒng)的檢測，零部件的清洗及潤滑，以減少系統(tǒng)在使用過程中可能出現(xiàn)的故障，降低系統(tǒng)停機損失。

基于時間的維修是依據著名的浴池曲線。設備的失效率可以被分成3個階段：早起故障期、偶然故障期、損耗故障期。

基于時間的維修決策包括兩個過程：失效數據分析/模型建立、維護決策。其中，第一個過程，收集故障時間數據，再做進一步分析，通過統(tǒng)計/可靠性建模（統(tǒng)計/可靠性建?？梢允褂酶鞣N統(tǒng)計工具，包括比較流行的可靠性理論，韋伯分布模型等[5]），以確定設備的故障特性和對剩余壽命的預測。第二個過程，這個過程的主要目標是確定最佳的維護策略，旨在以盡可能低的維護成本提供最佳的系統(tǒng)可靠性或可用性和安全

性能。

1.3.2 基于狀態(tài)的維護

基于狀態(tài)的維護是通過接收到的表征機械系統(tǒng)性能的監(jiān)測數據，對接收到的監(jiān)測信息進行分析，獲得當前系統(tǒng)的健康狀態(tài)，在部件出現(xiàn)退化后合理地確定系統(tǒng)的維修計劃以及維修時間的維修策略。

1）七層模型。美國機械信息管理開發(fā)系統(tǒng)聯(lián)盟等一些組織聯(lián)合提出CBM開放系統(tǒng)結構，OSA-CBM將CBM系統(tǒng)分成了7層不同的技術模塊，包括數據采集模塊（Data Acquisition）、數據處理模塊（Data Manipulation）、狀態(tài)監(jiān)測模塊（Condition Monitoring）等。在數據采集、數據處理、狀態(tài)監(jiān)控和健康評估層這幾層中，有相關的標準可供參考，例如OSA CBM標準，同時也包括IEEE1451系列標準、IEEE1232系列標準、MIMOSA CRIS標準等。一個完整的CBM系統(tǒng)結構應當具有從數據采集到具體維護建議等一系列功能。CBM的主要功能包括傳感和數據獲取、信號處理和特征提取、產生警告、失效或故障診斷和狀態(tài)評估、預診斷（預測未來健康概況和估計剩余壽命）、輔助決策（維護建議，預防性維護）等[6]。endprint

2）五大考慮因素。（1）維護目標。模型的建立是基于相關的維護目標，包括維護費用最小，系統(tǒng)可靠度最高，系統(tǒng)平均可用度最大等。（2）維護方式。模型的建立是基于相關的維護方式，如周期預防性維護，控制限維護等。（3）維護效果。模型的建立是基于相關的維護效果，包括完美維護效果和非完美維護等。（4）維護限制。模型的建立是基于相關的維護限制，如維護費用、維護時間等的限制。（5）退化模型。退化模型是描述系統(tǒng)退化過程的模型。

2 結論

壽命預測和預防性維護是一個復雜的系統(tǒng)建模與決策問題，涉及到諸如運籌學、大數據、可靠性工程等多種學科領域的交叉。通過異常檢測，進行剩余壽命預測，并根據結果來進行預防性維護決策，這一套系統(tǒng)性解決方法將能在工程應用方面發(fā)揮巨大作用。

現(xiàn)代裝備日趨精密化、復雜化，因此在實際應用中，進行預防性維護決策時需要考慮的因素將會增加，比如如何解決零部件維護時的干擾問題，模塊化的設備在維護時，故障模塊和正常模塊之間可能會相互干擾，因此，在進行維護決策時還需要統(tǒng)籌考慮。但正因為這樣，設備的維護成本將會是企業(yè)開支的很大一部分，因此，進行預防性維護是有效減少企業(yè)設備維護成本的重要手段。

參考文獻

[1]廖雯竹.基于設備衰退機制的預知性維護策略及生產排程集成研究[D].上海：上海交通大學，2011.

[2]Paris P C， Erdogan F. A critical analysis of crack propagation laws[J].Journal of Basic Engineering，1963，85（4）：528-533.

[3]Wang W， Carr M， Xu W， et al. A model for residual life prediction based on Brownian motion with an adaptive drift[J].Microelectronics Reliability，2011，51（2）：285-293.

[4]Tian Z， Zuo M J. Health Condition Prediction of Gears Using a Recurrent Neural Network Approach[J]. Reliability IEEE Transactions on，2010，59（4）：700-705.

[5]Jozwiak I J. An introduction to the studies of reliability of systems using the Weibull proportional hazards model[J]. Microelectronics Reliability，1997，37（6）：915-918.

[6]趙炯，周奇才，熊肖磊，等.CBM系統(tǒng)體系結構[EB/OL].[2014-11-04].http：//book.51cto.com/art/201411/456193.htm.endprint