面向預測性維修的工程裝備故障預測方法研究綜述

陳興玉，張紅旗，黃 魁，蘇 春

（1. 中國電子科技集團公司第三十八研究所，安徽 合肥 230088；2. 東南大學 機械工程學院，江蘇 南京 211189）

關鍵字：工程裝備；故障預測；預測性維修；剩余壽命預測

1 引言

近年來，隨著物聯網和信息技術的發(fā)展，集成電路封裝設備、數控機床、工程機械等裝備的結構和功能復雜程度不斷增加，維修保障難度隨之增加。修復性維修、預防性維修等傳統維修方式已經難以滿足工程裝備智能保障和維修優(yōu)化需求。預測性維修可以有效實現由被動維修向主動維修的轉變，預先識別故障早期征兆，制定最佳維修方案，減少維修保障費用，提高系統安全性。目前，預測性維修技術及工程應用已經成為學術界和工程領域關注的焦點。

作為一種新興的維修方式，預測性維修是以狀態(tài)監(jiān)測和故障診斷為基礎，運用故障預測技術，科學評估裝備的健康狀態(tài)，準確預知裝備的維修需求。

故障預測（Failure Prediction）是預測性維修的核心和前提。它根據裝備的實際運行狀態(tài)，結合裝備的結構特點、歷史數據和環(huán)境條件，對裝備未來一段時間內可能發(fā)生的故障進行預報、分析和判斷，在此基礎上制定有效的維修策略，保證相關任務的順利完成。本文系統分析前人的研究工作，從故障預測的基本步驟著手，闡述故障預測的內容，系統介紹已有的故障預測方法，分析各類方法的優(yōu)缺點，展望故障預測的發(fā)展趨勢。

2 故障預測步驟及內容

故障預測的基本步驟如下：① 分析裝備故障，確定關鍵零部件；② 收集、分析與處理監(jiān)測數據、環(huán)境條件等信息；③ 提取裝備故障的關鍵特征參數；④ 選擇合適的數學模型。根據故障預測內容的不同，故障預測的具體步驟會存在一定的差異。本文將故障預測研究劃分為四個部分，即故障趨勢預測（Failure Tendency Prediction，FTP）、 剩 余 壽 命 預 測（Remaining Life Prediction，RLP）、故障模式預測（Failure Mode Prediction，FMP）和故障率預測（Failure Rate Prediction，FRP）。

2.1 故障趨勢預測

故障趨勢預測根據裝備歷史運行狀態(tài)及監(jiān)測數據，建立相關數學模型，預測裝備故障的演化規(guī)律。通過裝備故障趨勢預測，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網絡建立模糊神經網絡模型，預測壓縮機主軸承的故障趨勢。文獻[5]和[6]構建多源信息融合的故障趨勢預測模型，提高裝備故障預測的可靠性和準確性。

2.2 剩余壽命預測

剩余壽命預測是根據裝備當前健康狀態(tài)、退化趨勢等信息，估計系統在正常使用狀態(tài)下從當前時間到失效時的壽命。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測模型，準確預估伺服閥的退化過程及剩余壽命。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[9]和[10]從不同角度歸納裝備剩余壽命預測方法。

2.3 故障模式預測

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。基于工程裝備的故障類型、故障時間、故障因素等信息，按照一定規(guī)則劃分裝備故障模式，運用推理技術手段預測裝備未來可能發(fā)生的故障模式，科學制定維修決策，合理調配維修資源。董繼明采用混沌算法和果蠅算法優(yōu)化模型的相關參數，建立混沌果蠅-最小二乘支持向量機的故障模式預測模型；Polo構建神經網絡模型預測光伏電站的故障模式，完成光伏電站的動態(tài)維修任務。

2.4 故障率預測

工程裝備故障具有隨機性和不確定性。借助科學預測技術估計裝備未來一段時間內的故障率，對指導裝備預測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。故障率預測可以在裝備發(fā)生故障前及時準備維修資源，避免裝備因故障停機。文獻[13]和[14]運用神經網絡模型分別預測供水系統、飛機輪胎的故障率；邵延君等建立灰色線性回歸組合模型預測武器裝備的故障率；針對故障率數據的非線性、非平穩(wěn)特性，徐廷學等采用相關向量經驗模態(tài)分解和數據處理組合法預測故障率。

3 故障預測方法

目前，關于故障預測方法的分類標準和命名規(guī)則各不相同，見表1。本文將按照模型原理將故障預測方法分為四類：基于物理模型的方法、基于統計模型的方法、基于計算智能的方法和組合預測方法。

表1 有關故障預測方法分類的綜述性文獻

3.1 基于物理模型的方法

基于物理模型的故障預測根據系統的工作機理，建立能夠反映系統失效機理的數學模型，通過故障累積效應評估預測系統剩余壽命。該類方法分析實際特征參數和物理模型仿真參數之間的殘差，檢驗當前狀態(tài)與正常狀態(tài)的偏離程度，深入系統本質進行狀態(tài)預測，預測準確度較高。物理模型的參數與材料性能、應力水平等因素有關，通常是根據具體實驗、有限元分析或其他技術確定。典型的物理模型包括失效物理模型和裂紋擴展模型。

Jin等考慮小樣本環(huán)境下衛(wèi)星動量輪的可靠性建模與評估，提出一種基于失效物理模型的衛(wèi)星動量輪剩余壽命預測方法；裂紋擴展模型在文獻[23]中首次被提出，隨后廣泛應用到故障預測領域；Erik等依據失效物理方法建立裂紋擴展模型，應用于渦輪推進系統的壽命預測。

基于物理模型的故障預測方法需要研究系統故障失效機理，選取反映故障特征的參數作為模型參數，及時修正調整預測模型，更好地實現故障預測。但是，工程裝備系統的失效機理和故障模式繁雜，通常難以構建精確的物理模型。因此，基于物理模型的故障預測實際應用范圍和效果受到限制，多用于電子系統領域。

3.2 基于統計模型的方法

基于統計模型的故障預測是針對裝備的性能退化監(jiān)測數據，以概率統計理論為基礎，運用隨機過程或統計方法分析數據隱含的裝備狀態(tài)信息，進而實現裝備故障預測。此類方法能夠反映裝備故障發(fā)生的不確定性，為裝備預防性維修提供有效支持。基于統計模型的方法主要包括：時間序列模型、卡爾曼濾波模型、隱馬爾科夫模型、灰色模型、Wiener過程模型和Gamma過程模型。常用統計模型的優(yōu)缺點見表2。

表2 基于統計模型的方法比較

（1）時間序列模型

時間序列模型作為一種處理動態(tài)數據的統計模型，通過分析裝備某一變量的觀測值數據序列的內在關系，尋找數據序列的發(fā)展變化趨勢，采用趨勢外推進行預測。常見的時間序列模型包括滑動平均（Moving Average，MA）模型、自回歸（Auto Regression，AR）模型和自回歸滑動平均（Auto Regression Moving Average，ARMA）模型等。

時間序列模型進行故障預測的基本步驟：①分析時間序列的自相關函數與偏相關函數，選取合適的模型；②估計模型參數，利用準則函數確定模型階數；③對模型進行平滑性檢驗、殘差檢驗等，構建最終預測模型。Qian和Yan運用AR模型預測軸承的退化過程。

（2）卡爾曼濾波模型

卡爾曼濾波（Kalman Filter，KF）模型是基于系統輸入、輸出監(jiān)測數據，利用線性系統狀態(tài)方程對系統狀態(tài)進行最優(yōu)估計的一種隨機濾波模型，有效結合監(jiān)測數據特征和系統物理模型。

基于KF模型的故障預測是一個動態(tài)過程，不斷進行預測和修正，更好預估系統未來狀態(tài)的變化。Song等采用KF模型優(yōu)化物理退化模型參數，通過相關向量機模型進行迭代更新預測，提高航天器電池剩余壽命的預測精度。

（3）隱馬爾科夫模型

馬爾科夫模型（Markov Model，MM）是一個雙重隨機過程，狀態(tài)的觀測及轉移均是隨機的，利用狀態(tài)轉移概率密度函數表示系統狀態(tài)的變化，利用退化狀態(tài)的離散化實現故障預測。Liu等建立一種非齊次連續(xù)時間隱馬爾科夫模型預測多態(tài)系統的剩余使用壽命，優(yōu)化替換維修策略。

（4）灰色模型

灰色模型（Grey Model，GM）運用一階微分方程揭示數列的發(fā)展規(guī)律，用于解決小樣本、貧信息等不確定性問題。GM通過挖掘部分已知信息，提取有價值的信息，實現對系統運行行為、演化規(guī)律的正確描述和有效監(jiān)控。

GM預測所需數據少，不需要考慮數據的分布特征。駱燕燕等基于加速壽命試驗，利用GM實現航空電連接器的剩余壽命預測。針對傳統灰色模型的不足，學者在預測精度和適用能力方面展開深入研究，提出眾多改進灰色模型的方法。

（5）Wiener過程模型

Wiener過程模型用于描述連續(xù)的性能退化過程，適用于刻畫由大量微小損失而導致設備表現增加或減小趨勢的非單調退化過程。Wiener過程因具有直觀的物理解釋和良好的數學結構，被廣泛應用于性能退化領域。

王小林等采用線性Wiener過程對電容器性能退化過程建模，實時預測電容器剩余壽命；Si等通過標準布朗運動描述退化過程時間的不確定性，建立非線性漂移Wiener過程模型，提供剩余壽命分布的近似表達式。

（6）Gamma過程模型

當研究對象的性能退化過程以單調遞増的方式隨時間演化時，往往通過Gamma過程進行性能退化建模。Gamma過程是獨立增量的隨機過程，由于有清晰的物理解釋，受到性能退化領域研究者的青睞。

Yan等利用階段Gamma過程設計退化概率密度函數，通過最大似然估計法更新建模參數，實現系統健康狀態(tài)的預測。張英波等建立基于Gamma過程的剩余壽命預測模型，引入粒子濾波算法估計模型參數，應用于直升機行星架的剩余壽命預測。

3.3 基于計算智能的方法

基于計算智能的故障預測是裝備故障預測領域的研究熱點之一。該方法基于裝備在線監(jiān)測的性能退化數據，運用各種智能算法擬合性能退化變量的演化發(fā)展規(guī)律，采用趨勢外推實現裝備的故障預測。基于計算智能的故障預測方法主要包括人工神經網絡、支持向量機、專家系統等，其優(yōu)缺點比較見表3。

表3 基于計算智能的方法比較

（1）人工神經網絡

人工神經網絡（Artificial Neural Network，ANN）方法通過模擬生物的神經系統，將人腦神經系統處理信息的過程抽象化，運用數理分析方法建立簡化模型。它是由大量的處理單元相互連接形成，具有較強的并行計算能力、非線性映射能力、分布式存儲能力等優(yōu)點，在模式識別、預測估計、非線性處理等方面有廣泛應用。

ANN可以在非線性、非精確性的系統信息情況下，利用大量樣本訓練神經元網絡，構建高效精準的預測模型。Tian等利用故障數據和狀態(tài)監(jiān)測數據，建立一種基于ANN模型的滾動軸承剩余壽命預測模型。

（2）支持向量機

支持向量機（Support Vector Machine，SVM）是一種基于統計學習理論及結構風險最小化原理建立的機器學習方法。它可以提升學習機的泛化能力，通過有限的訓練樣本獲得較小的誤差，克服了神經網絡收斂速度慢、樣本量大以及網絡結構難以確定等問題。SVM綜合考慮模型復雜度、樣本誤差、經驗風險和置信范圍，適合解決性能退化數據的非線性分類和預測等問題。SVM在預測小樣本、非線性等特點的退化數據時具有獨特優(yōu)勢。

（3）專家系統

專家系統（Expert System，ES）是應用大量專家知識和推理方法求解復雜問題的一種人工智能方法。它通過模擬專家的推理思維過程，運用專家豐富的知識和經驗進行推理，做出判斷和決策。在工程裝備故障預測中，ES能夠綜合考慮研究對象的特殊性、未來發(fā)展的不確定性等因素，提高裝備故障預測的能力。然而，專家知識通常難以獲得，專家系統的研制也需要大量的資料積累、開發(fā)周期長。

3.4 組合預測方法

根據預測對象特性，選擇恰當的預測方法是保證預測精度的有效手段，但是每一種預測方法有其優(yōu)勢所在，同時也有其不足之處。因此，為了提高裝備的故障預測精度，根據單一預測方法的特點和適用范圍，將兩種及以上的預測方法相結合，構建組合預測方法，充分發(fā)揮各種方法的優(yōu)點。

文獻[4]集成模糊理論與神經網絡建立模糊神經網絡組合模型，實現壓縮機主軸承的故障趨勢預測。

4 故障預測的應用

工程裝備的故障預測是實現“事后診斷維修”向“事前預測維護”轉變的重要途徑，可以提前預知裝備運行狀態(tài)，有效降低故障風險、節(jié)約維修資源和減少經濟損失。裝備故障預測的研究需求和研究對象主要集中于航空航天、鐵路運輸、武器裝備、發(fā)電設備等領域，具體見表4。

表4 故障預測方法的應用

（續(xù)）

5 結束語

近年來，工程裝備正朝著大型化、復雜化、綜合化和智能化方向發(fā)展。利用科學預測技術實現工程裝備的故障預測，對保證裝備安全運行、提高經濟效益具有重大意義。結合國內外故障預測領域的研究成果，故障預測技術涌現出不少新理念和新方法，形成較為系統的方法和理論體系。但是，故障預測技術仍面臨眾多現實挑戰(zhàn)，需要在理論研究和工程應用方面進一步研究，主要表現在：

1）故障預測技術的不確定性研究。現有的故障預測技術對工程裝備的運行環(huán)境、載荷問題、參數選取等因素考慮不夠充分，難以正確有效建模，導致結果存在一定的誤差和不確定性。此外，在實際運行中裝備會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在機理是故障預測技術未來發(fā)展的一個方向。

2）故障預測技術的融合型研究。工程裝備故障具有很強的隨機性和非線性等特征，單一預測技術通常無法滿足故障預測精度的要求，需要綜合運用多種預測模型，充分發(fā)揮各種模型的優(yōu)點，更好地實現裝備的故障預測。因此，融合型預測技術研究是故障預測方法的重要發(fā)展趨勢。