基于剩余使用壽命預測的替換時間和備件訂購時間聯合決策

蔣云鵬，郭天序，周東華

（1清華大學自動化系，北京 100084；2中國船舶工業系統工程研究院，北京 100094）

引 言

按照維修行為發生在設備失效之前還是之后，可將維修分為事后維修和預防性維修，而預防性維修按照其利用的信息特點，又可分為計劃性維修、視情維修和預測維修[1]。視情維修[2-3]相比計劃性維修，考慮了設備當前的實際運行狀況，在一定程度上減少了計劃性維修中維修過度和維修不足的問題；而預測維修[4-6]相比視情維修，強調更進一步利用預測信息來制定相應的維修計劃，如剩余使用壽命（remaining useful life，RUL）[7-8]，從而及早對設備失效開展應對措施。預測維修正在受到大家的重視，但目前的工作主要考慮如何基于預測信息對維修時間進行決策[9-13]，而忽略了備件供給和維修之間的影響關系[14]。Elwany等[15]將預測維修和備件訂購結合起來考慮，首先利用 Gebraeel等[16]提出的方法來預測RUL分布函數，再用預測結果來代替文獻[17]所提模型中的失效時間分布，對替換時間和備件訂購時間依次進行決策；Wang等[18]使用了不同的 RUL預測方法開展了類似的工作。

文獻[15，18]都只考慮了序貫決策，即先利用預測得到的 RUL分布函數進行替換時間決策，再依據替換時間決策結果對訂購時間進行決策。這種序貫決策不能做到對維修和備件供給的全局考量，只是一種局部最優；同時，如果序貫決策所得到的最優替換時間小于備件訂購的交付時間，那么將面臨著決策結果無法實施的風險。為了解決這些問題，本文基于 RUL分布函數的預測結果，考慮替換時間和備件訂購時間的聯合決策，并通過實際的軸承加速壽命實驗來驗證聯合決策的效果。

1 問題描述及優化模型

考慮帶有狀態監測的單部件系統，策略采用Armstrong等[17]所提出的經典聯合策略：系統從 0時刻投入運行，在到達訂購年齡to時訂購備件，經過恒定交付時間L后備件到達，其后在替換年齡tr(≥to+L)對部件進行預防性替換；在這期間，如果部件在to之前失效，則立即訂購備件并在到達后立即對其替換；如果在to和to+L之間失效，則等待備件到達后立即替換；如果部件在to+L和tr之間失效，此時備件已經到達，因此立即進行替換。

本文通過狀態監測量預測部件的 RUL分布函數，并依此得到替換時間和備件訂購時間的序貫決策和聯合決策優化模型。

1.1 RUL預測方法

Si等[19]提出了一種具有參數自適應估計能力的RUL預測方法，且得到了RUL分布函數的解析表達式，從而提高了預測的實時性和準確性。本節對文獻[19]所提的方法進行簡單介紹。

利用漂移布朗運動對部件的退化過程{X(t),t≥0}進行描述

式中，X(t)為t時刻的退化信號；?為初始退化量，θ和σ分別為漂移系數和擴散系數，B(t)為標準布朗運動。?和σ是固定量，表征某一批對象的共性部分，且認為?已知而σ未知；而θ是隨機量，其概率分布p(θ)服從均值為μ0方差為σ20的正態分布，用來表征不同個體之間的差異性，且θ和B(t)相互獨立。通常令?=0，即在每個監測時刻將監測量減去初始退化量X(0)。

用xt表示X(t)在時刻t的監測值，則部件從開始時刻t1(t1=0)到tk時刻的監測序列可表示為X1:k={x1,x2,…,xk}。在X1:k={x1,x2,…,xk}時刻部件的剩余使用壽命Lk定義為退化過程從當前時刻開始首達失效閾值w的時間，即

且令Lk的概率密度函數（PDF）和分布函數（CDF）分別記為fLk∣X1:k(lk∣X1:k)和FLk∣X1:k(lk∣X1:k)。因為θ是隨機量，則Lk的PDF為

可見，為了得到fLk∣X1:k(lk∣X1:k)，需要知道fLk∣θ,X1:k(lk∣θ,X1:k)、p(θ∣X1:k)，以及未知參數σ。文獻[12]中給出的具體計算步驟如下。

（1）確定X1:k={x1,x2,…,xk}的先驗分布

（2）確定θ的后驗分布

其中

這里θ的后驗分布仍然為正態分布，均值和方差分別為μθ,k和。

（4）根據步驟（3）估計的參數，利用式（11）、式（12）計算RUL的PDF和CDF

式中，lk表示自變量，而σ、μθ,k和分別為步驟（3）中估計得到的結果。

1.2 序貫優化模型

序貫決策采用文獻[15，18]的序貫優化模型。在時刻tk，首先以最小化長期平均維修費用率為目標對替換時間進行決策，相應的目標函數為

式中，cp為單次預防性替換費用，cf為單次失效替換費用。

然后，根據所確定的最優替換時間，再以最小化長期平均備件管理費用率為目標對訂購時間進行決策，相應的目標函數為

1.3 聯合優化模型

在進行聯合決策時，用t0和t0+L+t1來代替之前序貫策略中的訂購時間to和替換時間tr。

在時刻tk，以最小化長期平均總體費用率為目標，對訂購時間(≥0)和替換時間(≥0)進行決策，相應的目標函數為

2 實驗驗證

2.1 實驗環境

圖1 BPS軸承故障預測模擬實驗臺Fig.1 BPS bearing failure prediction simulation testbed

實驗在清華大學故障診斷與可靠性技術實驗室完成，所用的實驗平臺為BPS軸承故障預測模擬實驗臺，如圖1所示；實驗對象選用美國REXNORD ER16K-E1型軸承。

該實驗臺由美國SpectraQuest公司開發，可模擬滾動軸承在不同轉速和軸向/徑向負載情況下的疲勞磨損過程，進行滾動軸承的故障診斷實驗和全加速壽命實驗。在動力方面，該實驗臺配有一臺PC可編程變頻交流異步電動機用于驅動實驗臺轉動，并可提供高達6000 r·min?1的轉速；動力通過聯軸器、傳動軸和兩組支撐軸承傳送到實驗端；在實驗端，被測軸承安裝于軸承座內，軸向負載和徑向負載可通過軸承座傳遞給被測軸承；實驗臺提供了 2個液壓加載系統，可以分別實現軸向和徑向加載，且每個加載系統能夠提供最大約27 kN的負載；在數據采集方面，可提供1個速度傳感器和3個加速度傳感器，并通過一個4通道USB數據采集器將傳感器數據傳送到上位機；在上位機，通過SpectraQuest公司所提供的VQPro軟件，對數據進行存儲和輸出。

2.2 實驗數據

在實驗中，轉速設定為 2400 r·min?1（40 Hz），徑向負載設定為300 Pa，軸向負載為0 Pa。采樣頻率設為51200 Hz，采樣時間設為10.2 s，采樣間隔為2 min。通道4對應的加速度傳感器直接安裝在軸承座上，最靠近被測軸承，因此選用其信號作為監測信號。在本次實驗中，共做了3組軸承加速壽命實驗，分別記為Rexnord No4，Rexnord No6和Rexnord No7，相應的原始信號分別如圖2～圖4中所示。

圖2 Rexnord No4的原始信號Fig.2 Original signal of Rexnord No4

圖3 Rexnord No6的原始信號Fig.3 Original signal of Rexnord No6

圖4 Rexnord No7的原始信號Fig.4 Original signal of Rexnord No7

圖5 Rexnord No4的RMS值Fig.5 RMS value of Rexnord No4

圖6 Rexnord No6的RMS值Fig.6 RMS value of Rexnord No6

圖7 Rexnord No7的RMS值Fig.7 RMS value of Rexnord No7

均方根值（RMS）反映了振動信號的能量，是常用的時域特征指標，3組原始數據對應的RMS值隨著時間的變化關系如圖5～圖7所示。可以看到，RMS信號的退化趨勢明顯，因此選取RMS值作為反映軸承退化過程的退化信號X(t)。

將Rexnord No6和Rexnord No7作為訓練數據，而將Rexnord No4作為測試數據。通過觀察訓練數據，將失效閾值定為w=0.06，3組數據對應此失效閾值的失效時間見表1，其中失效時間單位為2 min（采樣間隔）。

表1 系統參數Table 1 System parameters

關于閾值的選擇需要說明的是：①實際使用過程中很少將系統跑到完全失效，實驗時在原始信號最大振幅超過0.3后就認為系統處于不正常狀態而停止；因此，失效閾值通常指軟失效閾值[20]，依據相應工業標準或者工程經驗來確定；②閾值的選擇不是本文考慮的主要問題，選擇0.06是因為此時原始信號的最大振幅接近0.3，同時也為了照顧每組數據都跑到了失效閾值。

2.3 RUL預測

圖8 剩余使用壽命的PDF預測結果Fig.8 Prediction PDF results of RUL

圖9 退化路徑估計結果Fig.9 Estimation results of degradation path

2.4 序貫決策和聯合決策結果

選擇文獻[15]所使用的仿真參數：cp=25，cf=100，cs=350，ch=0.1，L=4。按照2.2節所給的序貫優化模型進行序貫決策。首先，對替換時間進行決策：在不同監測時刻，費用率與替換時間的關系見圖10，可以看到隨著監測時刻越接近失效時刻，最優的替換時間逐漸減小；隨后，根據決策得到的最優替換時間，對訂購時間進行決策：在不同監測時刻，費用率與替換時間的關系見圖11，可以看到隨著監測時刻越接近失效時刻，最優的訂購時間也是逐漸減小。

圖10 不同監測時刻的替換時間序貫決策結果Fig.10 Sequential decision results of replacement time at different monitoring time

圖11 不同監測時刻的訂購時間序貫決策結果Fig.11 Sequential decision results of ordering time at different monitoring time

同樣，按照2.3節所給的聯合優化模型同時對訂購時間和替換時間進行決策：在不同監測時刻所得的最優解和對應費用率見表 2，為了能夠與序貫決策的結果進行比較，將聯合決策的結果和轉換為序貫決策對應的時間量和

表2 序貫優化和聯合優化結果及比較Table 2 Comparison between sequential and joint optimization

在表2中的最后一列，統計了序貫決策比聯合決策在最優費用率上高出的比例，可以發現：①聯合決策的結果比序貫決策的結果要好，在幾個監測時刻中，最多能夠減少費用率10.21%，這是因為聯合決策是同時對訂購時間和替換時間進行決策，相比序貫決策來說是全局的最優結果；②序貫決策產生了最優的替換時間無法實現的問題，如表中監測時刻tk=603時，最優替換時刻是0，而系統存在交付周期L=4，此時最優替換時間小于交付周期而無法實現，但是聯合決策對訂購時間和替換時間同時進行決策，有效避開了這個問題。

3 結 論

本文基于預測的 RUL分布函數，考慮了替換時間和備件訂購時間的聯合決策，并利用軸承加速壽命實驗對序貫決策和聯合決策的結果進行了比較。所得結果表明，聯合決策相比序貫決策能產生更小的費用率，驗證了研究聯合決策的效果；同時，通過聯合決策還可以避免序貫決策中決策結果無法實現的問題。

符 號 說 明

B(t)——標準布朗運動

cp,cf,cs,ch——分別為單次預防性替換費用、單次失效替換費用、單位時間內的備件短缺損失、單位時間內的備件存儲費用

L——備件交付時間

tk——第k個監測時刻

to, tr——分別為序貫決策的訂購時間、替換時間

t0,t1——分別為聯合決策的訂購時間、替換時間

,——分別為監測時刻tk時，序貫決策的替換時間、訂購時間

——分別為監測時刻tk時，聯合決策的訂購時間、替換時間

w——失效閾值

X(t),xt——分別為退化信號、t時刻退化信號的監測值

?,θ,σ——分別為X(t)的初始退化量、漂移系數和擴散系數

μ0,——分別為θ的均值和方差

μθ,k,——分別為θ均值和方差在監測時刻tk時的估計值

[1]Fan Hongdong(樊紅東). Research on maintenance decision modeling and optimization methods for complex repairable systems [D]. Xi’an:The Second Artillery Engineering College, 2012

[2]Jardine A K, Lin D, Banjevic D. A review on machinery diagnostics and prognostics implementing condition-based maintenance[J].Mechanical Systems and Signal Processing, 2006, 20(7):1483-1510

[3]van Noortwijk J. A survey of the application of gamma processes in maintenance[J].Reliability Engineering & System Safety, 2009,94(1):2-21

[4]Lu S, Tu Y, Lu H. Predictive condition-based maintenance for continuously deteriorating systems[J].Quality and Reliability Engineering International, 2007, 23(1):71-81

[5]Sun J, Li L, Xi L. Modified two-stage degradation model for dynamic maintenance threshold calculation considering uncertainty[J].IEEE Transactions on Automation Science and Engineering, 2012, 9(1):209-212

[6]Djurdjanovic D, Lee J, Ni J. Watchdog agent—an infotronics-based prognostics approach for product performance degradation assessment and prediction[J].Advanced Engineering Informatics,2003, 17(3): 109-125

[7]Si X, Wang W, Hu C,et al. Remaining useful life estimation — a review on the statistical data driven approaches[J].European Journal of Operational Research, 2011, 213(1): 1-14

[8]Gebraeel N. Sensory-updated residual life distributions for components with exponential degradation patterns[J].IEEE Transactions on Automation Science and Engineering, 2006, 3(4):382-393

[9]Christer A, Wang W, Sharp J. A state space condition monitoring model for furnace erosion prediction and replacement[J].European Journal of Operational Research, 1997, 101(1): 1-14

[10]Cadini F, Zio E, Avram D. Model-based Monte Carlo state estimation for condition-based component replacement[J].Reliability Engineering & System Safety, 2009, 94(3): 752-758

[11]Kaiser K A, Gebraeel N Z. Predictive maintenance management using sensor-based degradation models[J].IEEE Transactions on Systems,Man and Cybernetics, Part A:Systems and Humans, 2009, 39(4):840-849

[12]You M, Li L, Meng G,et al. Cost-effective updated sequential predictive maintenance policy for continuously monitored degrading systems[J].IEEE Transactions on Automation Science and Engineering,2010, 7(2): 257-265

[13]Fan H, Hu C, Chen M,et al. Cooperative predictive maintenance of repairable systems with dependent failure modes and resource constraint[J].IEEE Transactions on Reliability, 2011, 60(1): 144-157

[14]van Horenbeek A, Bure J, Cattrysse D,et al. Joint maintenance and inventory optimization systems: a review[J].International Journal of Production Economics, 2013, 143(2): 499-508

[15]Elwany A H, Gebraeel N Z. Sensor-driven prognostic models for equipment replacement and spare parts inventory[J].IIE Transactions,2008, 40(7): 629-639

[16]Gebraeel N Z, Lawley M A, Li R,et al. Residual-life distributions from component degradation signals: a Bayesian approach[J].IIE Transactions, 2005, 37(6): 543-557

[17]Armstrong M J, Atkins D R. Joint optimization of maintenance and inventory policies for a simple system[J].IIE Transactions, 1996,28(5): 415-424

[18]Wang W, Wang Z, Hu C,et al. An integrated decision model for critical component spare parts ordering and condition-based replacement with prognostic information[J].Chemical Engineering,2013, 33: 1063-1068

[19]Si X, Wang W, Chen M,et al.A degradation path-dependent approach for remaining useful life estimation with an exact and closed-form solution[J].European Journal of Operational Research,2013, 226(1): 53-66

[20]Xu Z, Ji Y, Zhou D. Real-time reliability prediction for a dynamic system based on the hidden degradation process identification[J].IEEE Transactions on Reliability, 2008, 57(2): 230-242