基于狀態的裝備故障預測技術綜述

郭 建，徐宗昌，張文俊

(1.中國人民解放軍96853部隊，遼寧 沈陽 110000；2.陸軍裝甲兵學院 裝備保障與再制造系，北京 100072)

隨著監測技術和信號處理技術的不斷發展，獲取裝備健康狀態技術的逐漸提高，加之對復雜裝備和重要裝備可靠性、安全性和經濟性的要求不斷提高，視情維修(Condition-based Maintenance，CBM)已逐漸成為可能，其成功應用不僅提高了裝備可靠性，減少意外停機，而且大大地減少了維修費用。

視情維修作為預防性維修的高級形式，其成功應用改變了以往僅僅依靠以事件為主導的修復性維修和以時間為主導的定時維修的方式，使獲得裝備狀態實施準確的維修活動成為可能。視情維修是在裝備狀態監測的基礎上，對裝備進行故障預測并依據結果制定合理的維修計劃，并主動實施的維修。這樣可以最大化地減少裝備維修的費用、增加裝備可用度、提高裝備的可靠性。

1 裝備故障預測的主要方法

復雜技術的應用帶來了裝備的結構復雜化、功能集成化以及技術綜合化，與此同時，也突顯出裝備故障的多樣化、致命化、隨機化等特點，人與裝備故障的長期斗爭中積累了大量裝備維修方面的實踐和經驗。隨著裝備維修水平的不斷提高，人們不僅希望能夠在裝備發生故障之后能夠進行快速的診斷和制定合理的預防性維修計劃，還更加迫切地需要監測裝備的狀態，預測裝備的剩余壽命，掌握裝備的健康情況。裝備故障預測技術能夠準確的預測裝備的剩余壽命，既是對狀態監控數據有效的使用，又可以作為制定維修決策的重要依據，通過采取及時有效的維修措施來提高裝備的可靠性，減少發生故障導致的意外停機，是提高裝備使用可用度和減少壽命周期費用的有效手段，因此大力開展裝備故障預測研究有著非常重要的意義。可用于故障預測的方法有很多，具體來說可以分為基于傳統可靠性的預測方法、基于數據驅動的預測方法、基于統計的預測方法和基于失效物理的預測方法。

1.1 基于傳統可靠性的故障預測方法

基于傳統可靠性的預測方法主要可分為基于故障樹分析和基于壽命分布模型兩種。

基于故障樹分析的故障預測方法是通過建立故障樹模型，進行故障樹定性和定量分析來達到故障預測的目的，對于無故障征兆的情況，根據總體壽命期望值進行預測；對于有故障征兆的情況，通過分析系統內部關系來確定影響因素和容易導致的故障。陳濤等[1]通過研究風電齒輪箱傳動系統，將故障樹模型分解為幾個單元，并利用灰色關聯理論建立可靠性聯系，提高了故障樹分析在預測中的準確度。

基于壽命分布模型的預測是根據同類裝備壽命服從的分布來對故障時間進行預測，常見壽命分布有指數分布、威布爾分布、正態分布和對數正態分布。這類方法的優點是不需要對裝備進行狀態監測，以及可以對同類設備的使用壽命進行大概的估計，缺點是只能針對同類裝備進行預測，對于單個裝備無法進行準確的預測。以往開展的很多關于維修策略的文獻中，假設存在退化趨勢的機電產品的壽命分布服從威布爾分布，電子產品的壽命服從指數分布。

1.2 基于數據驅動的故障預測方法

基于數據驅動的故障預測方法優點是不需要建立物理模型，無需假設參數和經驗性估計，通常來說復雜系統建立物理模型是相當困難的，建立數學模型進行故障預測相對簡單，但是通常需要大量準確的歷史數據。

典型的方法有基于人工神經網絡的預測方法，它不僅能用于故障診斷，還能很好地應用于故障預測，經過長期的發展與應用，人工神經網絡的主要類型有BP神經網絡、RBF神經網絡和小波神經網絡等。其主要的優點在于它具有其他常規算法和專家系統不具備的自學習和自適應功能，能夠處理多變量分析，提供非線性預測，并且不需要先驗知識。神經網絡經常與其他方法結合使用，可以取得更好的預測效果，黨香俊等[2]研究了基于BP神經網絡和小波神經網絡結合對產品退化軌跡進行預測，不僅實現了較長距離的預測，而且提高了預測的精度。

基于濾波器的預測方法也是一種基于數據驅動的故障預測方法，常見的有卡爾曼濾波器、擴展式卡爾曼濾波器、強跟蹤濾波器和粒子濾波器。卡爾曼濾波器是最佳的線性估計器，可實現極小化系統狀態估計誤差，存在的不足是需要精確的數學模型并且對模型不確定性的魯棒性較差。強跟蹤濾波器對模型的不確定性的魯棒性較強，且對緩變和突變狀態都有極強的跟蹤能力，但是只能用于解決高斯噪聲系統的故障預測。粒子濾波器與強跟蹤濾波器相反，其具有解決非高斯系統的濾波和預測的能力，但是對于突變狀態的跟蹤能力較差。杜黨波等[3]研究了在復雜系統存在缺失數據時，如何采用改進的小波-卡爾曼濾波解決故障預測問題，并進行了數值仿真和實例驗證，證明了算法的有效性和可行性。

1.3 基于統計的故障預測方法

基于統計的預測方法的最大優點在于可以通過觀察到的統計數據建立所需的概率密度函數，這些概率密度函數能夠給出足夠的預測結果置信區間，主要包括貝葉斯網絡、隱馬爾可夫和隱半馬爾可夫模型、回歸分析方法等。

貝葉斯網絡是利用對象個體的狀態監控數據代替事件數據，進行可靠性評估，準確性強烈依賴對各種趨勢特征閾值的準確確定。蔡志強等[4]將故障模式、影響及危害性分析(FMECA)與貝葉斯網絡結合用于故障預測，經過實驗表明其在不確定性和定量分析方面具有優勢，能夠準確地預測復雜裝備的故障。

隱馬爾可夫模型(HMM)是由馬爾可夫模型發展而來的，是一種描述隨機過程統計特性的概率模型，與馬爾可夫模型不同，HMM是雙重隨機過程，一個隨機過程描述狀態轉移，另一個描述狀態與觀察值之間的統計對應關系。隱馬爾可夫模型根據觀察信號性質不同，可分為連續隱馬爾可夫模型和離散隱馬爾可夫模型，隱半馬爾可夫模型(HSMM)是HMM的一種擴展形式，介于連續和離散HMM的半連續HMM。馮輔周等[5]為解決微弱信號特征提取問題和故障預測精度不高的問題，提出一種將小波相關濾波和排列熵結合的特征提取方法，并將HMM用于故障預測，最后通過軸承數據驗證了算法的有效性和優越性。徐宇亮等[6]為解決電子設備的故障預測問題，提出一種改進流形學習與HSMM結合的健康評估與故障預測方法，并應用與某型導彈電子設備，驗證了算法的有效性。

回歸分析方法的主要步驟是根據預測目標確定自變量和因變量，建立回歸預測模型，進行相關分析，模型檢驗與修改，計算預測值。可以分為一元線性回歸分析預測法、多元線性回歸分析預測法和非線性回歸分析預測法。其主要特點是預測過程簡單、技術成熟，存在的不足之處是誤差較大，外推特性差，且要求大量樣本數據。鄧力等[7]提出一種將網絡中單組件的故障率多項式轉換成多元線性回歸模型進行求解，給出的預測區間具有較高的預測精度。另外，基于時間序列也是一種重要的預測方法，這種方法具有計算方便快捷，能夠提供線性平穩預測的優點，但是在解決非線性問題時受到局限，而且模型識別需要確定很多參數，常用的時間序列模型有自回歸(AR)模型、滑動平均(MA)模型和自回歸滑動平均(ARMA)模型，李向前[8]提出基于自回歸滑動平均模型與人工神經網絡的狀態預測方法，克服了自回歸滑動平均模型無法解決復雜非線性問題預測的局限。杜占龍等[9]將卡爾曼濾波與自相關模型融合用于故障預測，提出帶有次優漸消因子的強跟蹤平方根容積卡爾曼濾波方法，解決了非線性復雜系統參數不易測量的問題。

1.4 基于失效物理的故障預測方法

基于失效物理的預測方法是利用裝備壽命周期的載荷和故障的失效機理來評估裝備的可靠性以及預測故障，其優勢在于需要的數據量少。基于失效物理的預測方法主要有基于帕里斯法則裂紋擴展建模、基于Forman規律的裂紋擴展建模、疲勞剝落擴展模型和基于剛度的損傷規律模型等。

基于帕里斯法則裂紋擴展建模,利用有限元分析使得基于部件幾何特征、缺陷、載荷與速度等材料應力計算成為可能，但是計算的成本過高。鄭戰光等[10]推導了一種基于損傷力學的一般損傷演化過程，并結合帕里斯公式，以有效當量應力幅和材料損傷特性參數為控制變量得到了新的疲勞損傷演化模型。

基于Forman規律的裂紋擴展建模,能夠將部件的狀態監測數據和缺陷擴展物理特性與壽命關聯起來，但是該方法的簡化假設需要驗證，對于復雜狀況，模型中的參數仍需確定。劉文光等[11]將廣義的Forman方程模擬疲勞裂紋擴展應用到懸梁臂表面裂紋上，研究了裂紋面摩擦效應對裂紋疲勞擴展的影響。薛飛等[12]使用簡化的四參數全范圍Forman模型表征國產壓水堆核電站主管道母材與焊材全范圍的疲勞擴展規律。王愛紅等[13]人運用Forman公式估算橋式起重機的疲勞剩余壽命，為橋式起重機的工作安全提供了保證。

疲勞剝落模型和疲勞剝落擴展模型可計算剝落發生時間以及失效時間，主要用于研究循環應力作用下的非金屬夾雜物、組織不均勻、碳化物等金屬內部發生的裂紋，在接觸表面下發生并不斷擴展就導致了剝離。王艷等[14]在確定材料在受到反復沖擊條件下的疲勞磨損表現為疲勞剝離后，采用膜層來提高材料表面硬度，增加耐磨性。趙新澤等[15]研究了鋼絲鋁絞線在干燥和酸性兩種典型的氣候條件下的微動磨損行為，在觀察試樣的表面外貌和磨損微粒的外貌后，發現磨損機理為黏著和疲勞剝落。

基于剛度的損傷規律模型可將軸承的頻率、加速與運行和失效時間關聯，計算時也需要確定材料常數。馮培鋒等[16]研究了復合材料在疲勞作用下的剩余強度衰退模型和剩余剛度衰退模型以及二者之間的關系，并用實驗對模型進行了驗證。顧怡[17]研究了纖維樹脂復合材料的剩余強度隨疲勞載荷加載次數的退化規律，提出了纖維樹脂復合材料剩余強度退化模型，并得到了大量實驗結果的支持。蘇小萍[18]針對復合材料損傷機理復雜性和損傷形式多樣性，采用試驗方法來評價損傷困難的問題，研究了采用電阻變化來反映層板結構疲勞損傷的方法。

以上文獻綜述了基于失效物理的故障預測研究，對于復雜裝備來說，考慮到裝備的復雜性和故障隨機性很難建模，因此對于大部分復雜裝備來說，基于失效物理并不是首選的故障預測方法。

2 綜合集成故障預測方法

隨著裝備結構的復雜化和故障模式的多樣化，使用單一的故障預測方法的預測精度很難滿足需求，另外不同的故障預測方法都有其局限性和適用條件，因此，若能融合多種預測方法共同進行故障預測，則能在克服傳統預測方法不足的同時提高預測的精確度。趙建忠等[19-20]針對故障預測時中數據采樣間隔不均勻、采樣難度大、數據不足的問題，提出了一種基于數據融合和改進的灰色模型結合的故障預測方法，并且用實例證明了方法的有效性。高甜容等[21]針對現有的數控機床主軸傳動系統故障預測的不足，以及故障的多發性，提出了一種基于故障先兆判定模型和動態置信度匹配的主軸潤滑故障預測方法，該方法能夠將數控機床的歷史故障數據用于定義故障先兆狀態序列，并利用小波分析和概率神經網絡構建預測模型，實驗證明，該方法能夠對數控機床主軸傳動系統的故障進行預測。曾慶虎等[22]為了消除數據冗余，獲得高維的故障數據，對信號進行小波相關濾波處理，并構建了小波相關特征尺度熵向量，結合隱半馬爾可夫模型(HSMM)對設備的退化狀態進行識別并預測故障。費勝巍等[23]為了對變壓器進行故障預測，提出了一種結合粗糙集和灰色模型的故障預測方法，這種方法可以結合預測對象的狀態特征和診斷規則，盡早發現潛在的故障，及時地采取應對措施，避免造成經濟損失。文獻[24]提出了一種基于神經網絡和威布爾分布的剩余壽命預測方法，將軸承的振動信號用于預測并將軸承的狀態分為健康狀態和6個退化狀態來表征軸承的健康程度，實驗結果表明此方法可以準確地對剩余壽命進行預測，并且可以應用于除軸承外的其他機械設備中。文獻[25]針對離散事件后勤系統仿真模型對剩余壽命預測不可靠的問題，提出了兩步剩余壽命預測評估離散事件后勤系統仿真模型的規則和操作方法，并且通過實驗證明兩步剩余壽命預測方法比傳統的單步預測方法更加有效。文獻[26]描述了一種結合粒子群算法與支持向量機的飛機發動機剩余壽命預測方法，這種基于粒子群算法與支持向量機的混合模型的優點在于其不需要發動機的歷史狀態數據，并且用實驗證明了這種方法的實用性。文獻[27]運用關聯向量機對鋰電池進行剩余壽命預測，但是預測過程中樣本量少和精確度低的問題限制了關聯向量機在鋰電池故障預測中的應用，要提高預測的精度，就要提高動態訓練和在線學習能力;并提出了通過增加靈活性和增值優化關聯向量機算法來對鋰電池進行更加準確的剩余壽命預測。

3 裝備故障預測中的不確定性

裝備故障預測中的不確定性不僅會直接導致預測準確度下降，還會間接地影響到維修策略的制定。造成故障預測不確定的因素很多，主要的因素有獲取的退化狀態參數不準確、考慮導致故障的因素不全面、模型參數的不確定性、模型結構的不確定性等。孫強等[28]對近年來的基于不確定性的故障預測方法進行了綜述，并且通過不確定屬性的不同將故障預測分為基于隨機性、模糊性、灰性及混合不確定性4類，綜述了每一類方法的研究現狀和不足。

模型參數和性能參數的不確定是最常見的引起不確定性的因素，許喆平等[29]針對由于飛機性能參數包含噪聲和非線性而造成故障預測不確定性的問題，采用增加線性約束的方式來解決噪聲對故障預測精度的影響，仿真結果證明，這種方法能夠降低噪聲，提高故障預測的準確性，從而增加飛機的安全性。鄧宏琛等[30]將動態不確定因果圖理論模型應用于核電站的故障預測中，該方法能夠得到關注的假設事件及狀態概率表達，并實現了推理機軟件和算法優化。張磊等[31]提出了一種基于關聯向量機回歸的故障預測算法，預測過程采用多步時間序列預測中的遞推計算的思路，將每一步預測中的不確定性作為下一步預測迭代的輸入因素充分考慮，并用仿真實驗證明改進的算法優于傳統的故障預測算法。

除參數造成的不確定性，環境因素也可能對故障預測的結果帶來不確定性，由于裝備通常需要在多變的復雜環境中作業，因此考慮環境因素對裝備壽命產生的影響是非常必要的。蔡志強等[32]針對不確定環境下設備故障的傳播推理問題，提出了一種基于貝葉斯網絡的故障推理模型，利用網絡結構與概率分布有效表達裝備中各部件故障狀態、關聯關系及傳播方式。徐宇亮等[33]針對導彈電子設備故障預測問題，提出了一種基于綜合環境加速退化試驗和粒子濾波的故障預測的新方法，并且考慮到環境應力帶來的不確定因素對故障預測帶來的影響，定義了電子設備退化度的概念。文獻[34]將貝葉斯框架運用于復雜多變的隨機環境中飛機發動機壽命預測，提出用4種疲勞模型來驗證貝葉斯框架，通過更新數據參數，貝葉斯框架能夠提供有用的性能信息和不確定約束，結果顯示預測的疲勞壽命分布符合實驗結果。

另外，同時考慮隨機和動態因素產生的不確定性，以及主觀不確定性和客觀不確定性，采用綜合量化的方法來盡量消除不確定性對故障預測產生的影響也是常見的一類方法。文獻[35]研究了發動機故障和可靠性預測中的隨機和動態不確定性，采用最小二乘法支持向量機和非線性迭代濾波來更新可靠性數據的準確性，并且用兩個例子來比較先前文獻中的神經網絡和支持向量機模型與此方法，實驗結果證明提出的新方法在可靠性預測有更高的準確性。文獻[36]研究了在不確定條件下飛機渦輪的疲勞壽命預測，預測包含了出現在框架結構完整性評估中的不確定因素，采用綜合不確定量化方法來量化多種類型的不確定因素，通過實驗結果證明預測模型具有很高的預測精度。

4 結束語

通過總結分析以上文獻可知，在故障預測領域,很多機構已經開展了大量研究并取得了豐碩的研究成果，并且很多研究成果已經應用到實際。故障預測技術在解決復雜裝備的維修問題中起到了越來越重要的作用，遺憾的是故障預測的準確度和預測方法的適用性還有待提高，急需發展新的裝備故障預測技術或綜合多種有效的預測手段來一起解決這個難題。在剩余壽命預測中，使用預測壽命區間代替預測壽命值能更加符合實際情況，給出預測壽命值的置信區間可能成為未來壽命預測的發展方向。

筆者綜述了在視情維修背景下的故障預測的相關文獻，重點介紹了故障預測的主要方法及研究現狀。并對所綜述的文獻進行了分析總結，對故障預測與維修決策未來發展方向進行了展望。高新技術在裝備上的廣泛應用在帶動裝備發展的同時也增加了維修保障的難度，裝備“買得起，用不起”的難題也日益突出，亟待提出更加有效的故障預測技術，盡量發揮裝備的最大效能。