機電設備服役壽命預測分析及研究

陶清寶 劉永紅

摘? 要：為提升設備可靠性并降低維護成本，需要對設備狀態進行實時檢測。在此基礎上對設備的故障種類以及退化狀態進行分析及預測，指定相應維修策略?？紤]到設備服役壽命的關鍵問題為壽命預測以及故障維修決策，引入狀態檢測頻率、檢驗檢修方案、故障預測算法等相關概念來對設備壽命及維修成本進行分析。通過建立數據驅動的服役壽命預測模型對故障階段進行有效分類，通過數值仿真的方式說明基于設備狀態采集信息分析壽命預測效果并且對所提出決策方法的可靠性進行闡述。

關鍵詞：機電設備? 故障分類? 服役壽命預測? 維修決策? 靈敏度分析

中圖分類號：TH215? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2020）08（b）-0071-04

Abstract： In order to improve the reliability of equipment and reduce the maintenance cost， it is necessary to detect the equipment status in real time. On this basis， the failure types and degradation states of the equipment are analyzed and predicted， and the corresponding maintenance strategies are specified. Considering that the key problem of equipment service life is life prediction and fault maintenance decision， the paper introduces the concepts of state detection frequency， inspection and maintenance scheme， fault prediction algorithm and so on to analyze the equipment life and maintenance cost. Through the establishment of data-driven service life prediction model to effectively classify the fault stages， through the way of numerical simulation， the analysis of life prediction effect based on the equipment status acquisition information and the reliability of the proposed decision-making method are described.

Key Words： Electromechanical equipment; Fault classification; Service life prediction; Maintenance decision; Sensitivity analysis

隨著工業4.0的持續推進，裝備制造業在推動工業化、現代化、信息化的進程中發揮著舉足輕重的作用。為了能準確掌握復雜機電設備的工作情況，智能運維思路的建立為預測性維修（PredictiveMaintenance，PdM）提供了新思路[1-2]。

Alaswad，Sakib，Miao等有針對性地分析了基于狀態維護（CBM）的結構框架，并結合相關技術進行了思路梳理，其中重點分類討論了剩余有效壽命（RUL）的相關預測方法。Lei，Pan等則介紹了PHM技術中相應的RUL預測方法。不僅如此，Liang等[9]在對滾珠軸承進行研究時，雖然面對的是缺乏先驗信息的時變增長系統，但依靠RUL自適應預測方法就取得了可靠的預測結果。

本文基于上述研究，針對設備在服役期間的剩余壽命以及在不同服役階段可能發生的故障模式進行分析，根據所建立模型對設備服役期間故障模式的描述，重點研究偶然故障與非偶然故障的維修決策方法，優化設備退化閾值與維修執行時間，最后通過數值仿真進行模型對比以及靈敏度分析，對所建立維修決策進行評估驗證。

1? 設備服役剩余壽命模型構造

為分析機電設備故障發生過程，可以采用非齊次泊松過程（NHPP）作為典型類型進行討論，但是需要進行如下假設。

基于上述NHPP模型，可以針對系統進行RUL預測。此時，假設從時刻開始進行相應預測，設表示從時刻開始，到下次故障發生時的周期長度，通過推導得到的相應分布。

當第個故障發生時，此時時刻為，至個故障發生時構成一個故障間隔周期（平均RUL），可以獲得此時周期長度的對應期望：

式中，表示兩個階段的故障強度參數; 表示兩個階段的故障判別尺度參數;為調整因子，為服役周期內區分不同階段的臨界點。

提出臨界時間與調整因子可以得到：

此時如果能確定和，可以對臨界時間和調整因子進行直接求解。

2? 服役過程RUL分段模型參數估計

上文種對模型參數和進行了相關說明，因此這里采用的改進MLE方法，將統計過程控制與模糊聚類方法相結合，并對其進行改進，從而達到簡化計算，提高估計精度的目的，如圖1所示。

3? 故障過程預測

中期偶發性故障階段對于工業生產連續高效率作業有著重要影響，在此劃分為突發性故障和退化性故障兩種故障模式進行分別討論。

3.1 突發性故障

假定時刻發生突發性故障，此時故障強度滿足：

式中，是狀態監測所采集故障特征所構成的多維度向量;為時刻的基本強度函數;用來描述狀態變量和變量映射之間的函數關系。

帶入模型參數可以得到：

因此，基于概率密度函數進行推導，系統發生突發性故障概率可以進行如下描述：

3.2 退化性故障

時刻系統退化性故障發生的概率為：

式中，為對應的狀態退化現狀， 為退化過程種的伴隨變量，用來描述退化過程中的隨機現象。維納過程可以用來對該退化過程進行有效描述。

假設伴隨變量滿足維納過程，因此可以描述為：

式中，為初始時刻下的系統狀態（假定從該時刻開始發生退化過程）;為系統狀態的退化速率;為退化過程中的退化過程擴散系數;為中的標準布朗運動。

基于維納過程，故障累計分布函數描述為：

4? 維修決策建模優化

為分析中期偶發性故障階段的故障特征以及維修需求，在此結合控制圖進行維修決策的建模優化。

基于不同情形的分析，單位時間的故障維修預期成本可以描述為：

此時，各種情形下的預期維修成本如表1所示。

表中，表示不同情形下維修更新的于其成本;不同情形維修更新周期的預期長度;為PM行為平均成本;為CM行為平均成本;為單位時間內對設備系統狀態變量的監控及數據采集成本;為相關準備費用。

不同情形下具有不同的狀態變量數，因此需要進行分別計算才能得到對應的。因此，在定期檢測時，需要選擇決策變量UCL*和*來降低單位時間內的預期維修更新成本，可以描述為：

5 靈敏度分析和數值分析

結合模型參數，通過一個數值案例給出相應的標準效應正態分布圖如圖2所示。從圖中可以看出，和預期故障成本成正相關，而與之成負相關[11]。

6? 結論

分析機電設備服役壽命對于設備維護以及降低維護成本具有重要意義。

（1）基于機電設備故障特征和退化趨勢準確描述了不同階段的故障過程以及包括浴盆曲線在內的退化趨勢。（2）建立了故障強度分段模型，為服役期間不同階段的機械設備建立相應考量指標。（3）針對偶發性故障階段，說明本位所提策略具有更低的成本，并且找到了能夠影響故障維修成本的最重要因素。

參考文獻

[1] Zhao W， Tao T， Zio E， et al. A novel hybrid method of parameters tuning in support vector regression for reliability prediction： particle swarm optimization combined with analytical selection[J]. IEEE Transactions on Reliability， 2016，65（3）： 1393-1405.

[2] Alaswad S， Xiang Y. A review on condition-based maintenance optimization models for stochastically deteriorating system[J]. Reliability Engineering & System Safety， 2017（157）： 54-63.

[3] Sakib N， Wuest? T. Challenges and Opportunities of? Condition-based Predictive Maintenance： A Review[J]. Procedia CIRP， 2018（78）： 267-272.

[4] Zhang Z， Si X， Hu C， et al. Degradation data analysis and remaining useful life estimation： A review on Wiener-process-based? methods[J]. European Journal? of Operational Research， 2018，271（3）： 775-796.

[5] Miao Q， Liu D. Recent progress on? electro-mechanical system prognostics and health management[J]. Microelectronics Reliability， 2017（75）：195-196.

[6] Lei Y G， Li N， Guo L， et al. Machinery health? prognostics： A systematic review from data acquisition? to RUL prediction[J]. Mechanical Systems and Signal? Processing， 2018（104）： 799-834.

[7] Pan D， Liu J B， Cao J. Remaining useful life estimation using an inverse Gaussian degradation model[J]. Neurocomputing， 2016（185）： 64-72.

[8] Guan Q， Tang Y， Xu A. Objective Bayesian analysis accelerated degradation test based on Wiener process models[J]. Applied? Mathematical? Modelling，2016，40（4）： 2743-2755.

[9] 杜雪嬌.復雜機電系統服役過程的剩余壽命預測及維修決策方法研究[D].長春：吉林大學，2019.

[10] 車文龍.盾構機電氣故障智能診斷及掘進參數優化研究[D].西安：西安理工大學，2019.