陳興玉，張紅旗，黃 魁，蘇 春

（1. 中國(guó)電子科技集團(tuán)公司第三十八研究所，安徽 合肥 230088；2. 東南大學(xué) 機(jī)械工程學(xué)院，江蘇 南京 211189）

關(guān)鍵字：工程裝備；故障預(yù)測(cè)；預(yù)測(cè)性維修；剩余壽命預(yù)測(cè)

1 引言

近年來(lái)，隨著物聯(lián)網(wǎng)和信息技術(shù)的發(fā)展，集成電路封裝設(shè)備、數(shù)控機(jī)床、工程機(jī)械等裝備的結(jié)構(gòu)和功能復(fù)雜程度不斷增加，維修保障難度隨之增加。修復(fù)性維修、預(yù)防性維修等傳統(tǒng)維修方式已經(jīng)難以滿足工程裝備智能保障和維修優(yōu)化需求。預(yù)測(cè)性維修可以有效實(shí)現(xiàn)由被動(dòng)維修向主動(dòng)維修的轉(zhuǎn)變，預(yù)先識(shí)別故障早期征兆，制定最佳維修方案，減少維修保障費(fèi)用，提高系統(tǒng)安全性。目前，預(yù)測(cè)性維修技術(shù)及工程應(yīng)用已經(jīng)成為學(xué)術(shù)界和工程領(lǐng)域關(guān)注的焦點(diǎn)。

作為一種新興的維修方式，預(yù)測(cè)性維修是以狀態(tài)監(jiān)測(cè)和故障診斷為基礎(chǔ)，運(yùn)用故障預(yù)測(cè)技術(shù)，科學(xué)評(píng)估裝備的健康狀態(tài)，準(zhǔn)確預(yù)知裝備的維修需求。

故障預(yù)測(cè)（Failure Prediction）是預(yù)測(cè)性維修的核心和前提。它根據(jù)裝備的實(shí)際運(yùn)行狀態(tài)，結(jié)合裝備的結(jié)構(gòu)特點(diǎn)、歷史數(shù)據(jù)和環(huán)境條件，對(duì)裝備未來(lái)一段時(shí)間內(nèi)可能發(fā)生的故障進(jìn)行預(yù)報(bào)、分析和判斷，在此基礎(chǔ)上制定有效的維修策略，保證相關(guān)任務(wù)的順利完成。本文系統(tǒng)分析前人的研究工作，從故障預(yù)測(cè)的基本步驟著手，闡述故障預(yù)測(cè)的內(nèi)容，系統(tǒng)介紹已有的故障預(yù)測(cè)方法，分析各類方法的優(yōu)缺點(diǎn)，展望故障預(yù)測(cè)的發(fā)展趨勢(shì)。

2 故障預(yù)測(cè)步驟及內(nèi)容

故障預(yù)測(cè)的基本步驟如下：① 分析裝備故障，確定關(guān)鍵零部件；② 收集、分析與處理監(jiān)測(cè)數(shù)據(jù)、環(huán)境條件等信息；③ 提取裝備故障的關(guān)鍵特征參數(shù)；④ 選擇合適的數(shù)學(xué)模型。根據(jù)故障預(yù)測(cè)內(nèi)容的不同，故障預(yù)測(cè)的具體步驟會(huì)存在一定的差異。本文將故障預(yù)測(cè)研究劃分為四個(gè)部分，即故障趨勢(shì)預(yù)測(cè)（Failure Tendency Prediction，F(xiàn)TP）、 剩 余 壽 命 預(yù) 測(cè)（Remaining Life Prediction，RLP）、故障模式預(yù)測(cè)（Failure Mode Prediction，F(xiàn)MP）和故障率預(yù)測(cè)（Failure Rate Prediction，F(xiàn)RP）。

2.1 故障趨勢(shì)預(yù)測(cè)

故障趨勢(shì)預(yù)測(cè)根據(jù)裝備歷史運(yùn)行狀態(tài)及監(jiān)測(cè)數(shù)據(jù)，建立相關(guān)數(shù)學(xué)模型，預(yù)測(cè)裝備故障的演化規(guī)律。通過(guò)裝備故障趨勢(shì)預(yù)測(cè)，可以獲取裝備的潛在故障信息。Tran和Yang集成模糊理論與神經(jīng)網(wǎng)絡(luò)建立模糊神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)壓縮機(jī)主軸承的故障趨勢(shì)。文獻(xiàn)[5]和[6]構(gòu)建多源信息融合的故障趨勢(shì)預(yù)測(cè)模型，提高裝備故障預(yù)測(cè)的可靠性和準(zhǔn)確性。

2.2 剩余壽命預(yù)測(cè)

剩余壽命預(yù)測(cè)是根據(jù)裝備當(dāng)前健康狀態(tài)、退化趨勢(shì)等信息，估計(jì)系統(tǒng)在正常使用狀態(tài)下從當(dāng)前時(shí)間到失效時(shí)的壽命。Fang等利用侵蝕磨損方程，建立基于物理模型的伺服閥磨損壽命預(yù)測(cè)模型，準(zhǔn)確預(yù)估伺服閥的退化過(guò)程及剩余壽命。由于裝備的工作環(huán)境、載荷環(huán)境、操作人員等因素的差異，裝備的使用壽命各不相同，文獻(xiàn)[9]和[10]從不同角度歸納裝備剩余壽命預(yù)測(cè)方法。

2.3 故障模式預(yù)測(cè)

同一種類或不同種類的裝備部件通常具有不同的故障模式?；诠こ萄b備的故障類型、故障時(shí)間、故障因素等信息，按照一定規(guī)則劃分裝備故障模式，運(yùn)用推理技術(shù)手段預(yù)測(cè)裝備未來(lái)可能發(fā)生的故障模式，科學(xué)制定維修決策，合理調(diào)配維修資源。董繼明采用混沌算法和果蠅算法優(yōu)化模型的相關(guān)參數(shù)，建立混沌果蠅-最小二乘支持向量機(jī)的故障模式預(yù)測(cè)模型；Polo構(gòu)建神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)光伏電站的故障模式，完成光伏電站的動(dòng)態(tài)維修任務(wù)。

2.4 故障率預(yù)測(cè)

工程裝備故障具有隨機(jī)性和不確定性。借助科學(xué)預(yù)測(cè)技術(shù)估計(jì)裝備未來(lái)一段時(shí)間內(nèi)的故障率，對(duì)指導(dǎo)裝備預(yù)測(cè)性維修決策具有重要意義。故障率通常指某部件發(fā)生故障概率的大小。故障率預(yù)測(cè)可以在裝備發(fā)生故障前及時(shí)準(zhǔn)備維修資源，避免裝備因故障停機(jī)。文獻(xiàn)[13]和[14]運(yùn)用神經(jīng)網(wǎng)絡(luò)模型分別預(yù)測(cè)供水系統(tǒng)、飛機(jī)輪胎的故障率；邵延君等建立灰色線性回歸組合模型預(yù)測(cè)武器裝備的故障率；針對(duì)故障率數(shù)據(jù)的非線性、非平穩(wěn)特性，徐廷學(xué)等采用相關(guān)向量經(jīng)驗(yàn)?zāi)B(tài)分解和數(shù)據(jù)處理組合法預(yù)測(cè)故障率。

3 故障預(yù)測(cè)方法

目前，關(guān)于故障預(yù)測(cè)方法的分類標(biāo)準(zhǔn)和命名規(guī)則各不相同，見表1。本文將按照模型原理將故障預(yù)測(cè)方法分為四類：基于物理模型的方法、基于統(tǒng)計(jì)模型的方法、基于計(jì)算智能的方法和組合預(yù)測(cè)方法。

表1 有關(guān)故障預(yù)測(cè)方法分類的綜述性文獻(xiàn)

3.1 基于物理模型的方法

基于物理模型的故障預(yù)測(cè)根據(jù)系統(tǒng)的工作機(jī)理，建立能夠反映系統(tǒng)失效機(jī)理的數(shù)學(xué)模型，通過(guò)故障累積效應(yīng)評(píng)估預(yù)測(cè)系統(tǒng)剩余壽命。該類方法分析實(shí)際特征參數(shù)和物理模型仿真參數(shù)之間的殘差，檢驗(yàn)當(dāng)前狀態(tài)與正常狀態(tài)的偏離程度，深入系統(tǒng)本質(zhì)進(jìn)行狀態(tài)預(yù)測(cè)，預(yù)測(cè)準(zhǔn)確度較高。物理模型的參數(shù)與材料性能、應(yīng)力水平等因素有關(guān)，通常是根據(jù)具體實(shí)驗(yàn)、有限元分析或其他技術(shù)確定。典型的物理模型包括失效物理模型和裂紋擴(kuò)展模型。

Jin等考慮小樣本環(huán)境下衛(wèi)星動(dòng)量輪的可靠性建模與評(píng)估，提出一種基于失效物理模型的衛(wèi)星動(dòng)量輪剩余壽命預(yù)測(cè)方法；裂紋擴(kuò)展模型在文獻(xiàn)[23]中首次被提出，隨后廣泛應(yīng)用到故障預(yù)測(cè)領(lǐng)域；Erik等依據(jù)失效物理方法建立裂紋擴(kuò)展模型，應(yīng)用于渦輪推進(jìn)系統(tǒng)的壽命預(yù)測(cè)。

基于物理模型的故障預(yù)測(cè)方法需要研究系統(tǒng)故障失效機(jī)理，選取反映故障特征的參數(shù)作為模型參數(shù)，及時(shí)修正調(diào)整預(yù)測(cè)模型，更好地實(shí)現(xiàn)故障預(yù)測(cè)。但是，工程裝備系統(tǒng)的失效機(jī)理和故障模式繁雜，通常難以構(gòu)建精確的物理模型。因此，基于物理模型的故障預(yù)測(cè)實(shí)際應(yīng)用范圍和效果受到限制，多用于電子系統(tǒng)領(lǐng)域。

3.2 基于統(tǒng)計(jì)模型的方法

基于統(tǒng)計(jì)模型的故障預(yù)測(cè)是針對(duì)裝備的性能退化監(jiān)測(cè)數(shù)據(jù)，以概率統(tǒng)計(jì)理論為基礎(chǔ)，運(yùn)用隨機(jī)過(guò)程或統(tǒng)計(jì)方法分析數(shù)據(jù)隱含的裝備狀態(tài)信息，進(jìn)而實(shí)現(xiàn)裝備故障預(yù)測(cè)。此類方法能夠反映裝備故障發(fā)生的不確定性，為裝備預(yù)防性維修提供有效支持?；诮y(tǒng)計(jì)模型的方法主要包括：時(shí)間序列模型、卡爾曼濾波模型、隱馬爾科夫模型、灰色模型、Wiener過(guò)程模型和Gamma過(guò)程模型。常用統(tǒng)計(jì)模型的優(yōu)缺點(diǎn)見表2。

表2 基于統(tǒng)計(jì)模型的方法比較

（1）時(shí)間序列模型

時(shí)間序列模型作為一種處理動(dòng)態(tài)數(shù)據(jù)的統(tǒng)計(jì)模型，通過(guò)分析裝備某一變量的觀測(cè)值數(shù)據(jù)序列的內(nèi)在關(guān)系，尋找數(shù)據(jù)序列的發(fā)展變化趨勢(shì)，采用趨勢(shì)外推進(jìn)行預(yù)測(cè)。常見的時(shí)間序列模型包括滑動(dòng)平均（Moving Average，MA）模型、自回歸（Auto Regression，AR）模型和自回歸滑動(dòng)平均（Auto Regression Moving Average，ARMA）模型等。

時(shí)間序列模型進(jìn)行故障預(yù)測(cè)的基本步驟：①分析時(shí)間序列的自相關(guān)函數(shù)與偏相關(guān)函數(shù)，選取合適的模型；②估計(jì)模型參數(shù)，利用準(zhǔn)則函數(shù)確定模型階數(shù)；③對(duì)模型進(jìn)行平滑性檢驗(yàn)、殘差檢驗(yàn)等，構(gòu)建最終預(yù)測(cè)模型。Qian和Yan運(yùn)用AR模型預(yù)測(cè)軸承的退化過(guò)程。

（2）卡爾曼濾波模型

卡爾曼濾波（Kalman Filter，KF）模型是基于系統(tǒng)輸入、輸出監(jiān)測(cè)數(shù)據(jù)，利用線性系統(tǒng)狀態(tài)方程對(duì)系統(tǒng)狀態(tài)進(jìn)行最優(yōu)估計(jì)的一種隨機(jī)濾波模型，有效結(jié)合監(jiān)測(cè)數(shù)據(jù)特征和系統(tǒng)物理模型。

基于KF模型的故障預(yù)測(cè)是一個(gè)動(dòng)態(tài)過(guò)程，不斷進(jìn)行預(yù)測(cè)和修正，更好預(yù)估系統(tǒng)未來(lái)狀態(tài)的變化。Song等采用KF模型優(yōu)化物理退化模型參數(shù)，通過(guò)相關(guān)向量機(jī)模型進(jìn)行迭代更新預(yù)測(cè)，提高航天器電池剩余壽命的預(yù)測(cè)精度。

（3）隱馬爾科夫模型

馬爾科夫模型（Markov Model，MM）是一個(gè)雙重隨機(jī)過(guò)程，狀態(tài)的觀測(cè)及轉(zhuǎn)移均是隨機(jī)的，利用狀態(tài)轉(zhuǎn)移概率密度函數(shù)表示系統(tǒng)狀態(tài)的變化，利用退化狀態(tài)的離散化實(shí)現(xiàn)故障預(yù)測(cè)。Liu等建立一種非齊次連續(xù)時(shí)間隱馬爾科夫模型預(yù)測(cè)多態(tài)系統(tǒng)的剩余使用壽命，優(yōu)化替換維修策略。

（4）灰色模型

灰色模型（Grey Model，GM）運(yùn)用一階微分方程揭示數(shù)列的發(fā)展規(guī)律，用于解決小樣本、貧信息等不確定性問(wèn)題。GM通過(guò)挖掘部分已知信息，提取有價(jià)值的信息，實(shí)現(xiàn)對(duì)系統(tǒng)運(yùn)行行為、演化規(guī)律的正確描述和有效監(jiān)控。

GM預(yù)測(cè)所需數(shù)據(jù)少，不需要考慮數(shù)據(jù)的分布特征。駱燕燕等基于加速壽命試驗(yàn)，利用GM實(shí)現(xiàn)航空電連接器的剩余壽命預(yù)測(cè)。針對(duì)傳統(tǒng)灰色模型的不足，學(xué)者在預(yù)測(cè)精度和適用能力方面展開深入研究，提出眾多改進(jìn)灰色模型的方法。

（5）Wiener過(guò)程模型

Wiener過(guò)程模型用于描述連續(xù)的性能退化過(guò)程，適用于刻畫由大量微小損失而導(dǎo)致設(shè)備表現(xiàn)增加或減小趨勢(shì)的非單調(diào)退化過(guò)程。Wiener過(guò)程因具有直觀的物理解釋和良好的數(shù)學(xué)結(jié)構(gòu)，被廣泛應(yīng)用于性能退化領(lǐng)域。

王小林等采用線性Wiener過(guò)程對(duì)電容器性能退化過(guò)程建模，實(shí)時(shí)預(yù)測(cè)電容器剩余壽命；Si等通過(guò)標(biāo)準(zhǔn)布朗運(yùn)動(dòng)描述退化過(guò)程時(shí)間的不確定性，建立非線性漂移Wiener過(guò)程模型，提供剩余壽命分布的近似表達(dá)式。

（6）Gamma過(guò)程模型

當(dāng)研究對(duì)象的性能退化過(guò)程以單調(diào)遞増的方式隨時(shí)間演化時(shí)，往往通過(guò)Gamma過(guò)程進(jìn)行性能退化建模。Gamma過(guò)程是獨(dú)立增量的隨機(jī)過(guò)程，由于有清晰的物理解釋，受到性能退化領(lǐng)域研究者的青睞。

Yan等利用階段Gamma過(guò)程設(shè)計(jì)退化概率密度函數(shù)，通過(guò)最大似然估計(jì)法更新建模參數(shù)，實(shí)現(xiàn)系統(tǒng)健康狀態(tài)的預(yù)測(cè)。張英波等建立基于Gamma過(guò)程的剩余壽命預(yù)測(cè)模型，引入粒子濾波算法估計(jì)模型參數(shù)，應(yīng)用于直升機(jī)行星架的剩余壽命預(yù)測(cè)。

3.3 基于計(jì)算智能的方法

基于計(jì)算智能的故障預(yù)測(cè)是裝備故障預(yù)測(cè)領(lǐng)域的研究熱點(diǎn)之一。該方法基于裝備在線監(jiān)測(cè)的性能退化數(shù)據(jù)，運(yùn)用各種智能算法擬合性能退化變量的演化發(fā)展規(guī)律，采用趨勢(shì)外推實(shí)現(xiàn)裝備的故障預(yù)測(cè)。基于計(jì)算智能的故障預(yù)測(cè)方法主要包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、專家系統(tǒng)等，其優(yōu)缺點(diǎn)比較見表3。

表3 基于計(jì)算智能的方法比較

（1）人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）方法通過(guò)模擬生物的神經(jīng)系統(tǒng)，將人腦神經(jīng)系統(tǒng)處理信息的過(guò)程抽象化，運(yùn)用數(shù)理分析方法建立簡(jiǎn)化模型。它是由大量的處理單元相互連接形成，具有較強(qiáng)的并行計(jì)算能力、非線性映射能力、分布式存儲(chǔ)能力等優(yōu)點(diǎn)，在模式識(shí)別、預(yù)測(cè)估計(jì)、非線性處理等方面有廣泛應(yīng)用。

ANN可以在非線性、非精確性的系統(tǒng)信息情況下，利用大量樣本訓(xùn)練神經(jīng)元網(wǎng)絡(luò)，構(gòu)建高效精準(zhǔn)的預(yù)測(cè)模型。Tian等利用故障數(shù)據(jù)和狀態(tài)監(jiān)測(cè)數(shù)據(jù)，建立一種基于ANN模型的滾動(dòng)軸承剩余壽命預(yù)測(cè)模型。

（2）支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）是一種基于統(tǒng)計(jì)學(xué)習(xí)理論及結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理建立的機(jī)器學(xué)習(xí)方法。它可以提升學(xué)習(xí)機(jī)的泛化能力，通過(guò)有限的訓(xùn)練樣本獲得較小的誤差，克服了神經(jīng)網(wǎng)絡(luò)收斂速度慢、樣本量大以及網(wǎng)絡(luò)結(jié)構(gòu)難以確定等問(wèn)題。SVM綜合考慮模型復(fù)雜度、樣本誤差、經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍，適合解決性能退化數(shù)據(jù)的非線性分類和預(yù)測(cè)等問(wèn)題。SVM在預(yù)測(cè)小樣本、非線性等特點(diǎn)的退化數(shù)據(jù)時(shí)具有獨(dú)特優(yōu)勢(shì)。

（3）專家系統(tǒng)

專家系統(tǒng)（Expert System，ES）是應(yīng)用大量專家知識(shí)和推理方法求解復(fù)雜問(wèn)題的一種人工智能方法。它通過(guò)模擬專家的推理思維過(guò)程，運(yùn)用專家豐富的知識(shí)和經(jīng)驗(yàn)進(jìn)行推理，做出判斷和決策。在工程裝備故障預(yù)測(cè)中，ES能夠綜合考慮研究對(duì)象的特殊性、未來(lái)發(fā)展的不確定性等因素，提高裝備故障預(yù)測(cè)的能力。然而，專家知識(shí)通常難以獲得，專家系統(tǒng)的研制也需要大量的資料積累、開發(fā)周期長(zhǎng)。

3.4 組合預(yù)測(cè)方法

根據(jù)預(yù)測(cè)對(duì)象特性，選擇恰當(dāng)?shù)念A(yù)測(cè)方法是保證預(yù)測(cè)精度的有效手段，但是每一種預(yù)測(cè)方法有其優(yōu)勢(shì)所在，同時(shí)也有其不足之處。因此，為了提高裝備的故障預(yù)測(cè)精度，根據(jù)單一預(yù)測(cè)方法的特點(diǎn)和適用范圍，將兩種及以上的預(yù)測(cè)方法相結(jié)合，構(gòu)建組合預(yù)測(cè)方法，充分發(fā)揮各種方法的優(yōu)點(diǎn)。

文獻(xiàn)[4]集成模糊理論與神經(jīng)網(wǎng)絡(luò)建立模糊神經(jīng)網(wǎng)絡(luò)組合模型，實(shí)現(xiàn)壓縮機(jī)主軸承的故障趨勢(shì)預(yù)測(cè)。

4 故障預(yù)測(cè)的應(yīng)用

工程裝備的故障預(yù)測(cè)是實(shí)現(xiàn)“事后診斷維修”向“事前預(yù)測(cè)維護(hù)”轉(zhuǎn)變的重要途徑，可以提前預(yù)知裝備運(yùn)行狀態(tài)，有效降低故障風(fēng)險(xiǎn)、節(jié)約維修資源和減少經(jīng)濟(jì)損失。裝備故障預(yù)測(cè)的研究需求和研究對(duì)象主要集中于航空航天、鐵路運(yùn)輸、武器裝備、發(fā)電設(shè)備等領(lǐng)域，具體見表4。

表4 故障預(yù)測(cè)方法的應(yīng)用

（續(xù)）

5 結(jié)束語(yǔ)

近年來(lái)，工程裝備正朝著大型化、復(fù)雜化、綜合化和智能化方向發(fā)展。利用科學(xué)預(yù)測(cè)技術(shù)實(shí)現(xiàn)工程裝備的故障預(yù)測(cè)，對(duì)保證裝備安全運(yùn)行、提高經(jīng)濟(jì)效益具有重大意義。結(jié)合國(guó)內(nèi)外故障預(yù)測(cè)領(lǐng)域的研究成果，故障預(yù)測(cè)技術(shù)涌現(xiàn)出不少新理念和新方法，形成較為系統(tǒng)的方法和理論體系。但是，故障預(yù)測(cè)技術(shù)仍面臨眾多現(xiàn)實(shí)挑戰(zhàn)，需要在理論研究和工程應(yīng)用方面進(jìn)一步研究，主要表現(xiàn)在：

1）故障預(yù)測(cè)技術(shù)的不確定性研究?，F(xiàn)有的故障預(yù)測(cè)技術(shù)對(duì)工程裝備的運(yùn)行環(huán)境、載荷問(wèn)題、參數(shù)選取等因素考慮不夠充分，難以正確有效建模，導(dǎo)致結(jié)果存在一定的誤差和不確定性。此外，在實(shí)際運(yùn)行中裝備會(huì)受到各種不確定性因素的干擾，研究工程裝備故障不確定性的內(nèi)在機(jī)理是故障預(yù)測(cè)技術(shù)未來(lái)發(fā)展的一個(gè)方向。

2）故障預(yù)測(cè)技術(shù)的融合型研究。工程裝備故障具有很強(qiáng)的隨機(jī)性和非線性等特征，單一預(yù)測(cè)技術(shù)通常無(wú)法滿足故障預(yù)測(cè)精度的要求，需要綜合運(yùn)用多種預(yù)測(cè)模型，充分發(fā)揮各種模型的優(yōu)點(diǎn)，更好地實(shí)現(xiàn)裝備的故障預(yù)測(cè)。因此，融合型預(yù)測(cè)技術(shù)研究是故障預(yù)測(cè)方法的重要發(fā)展趨勢(shì)。