裝備智能健康管理技術

胡昌華

當前，國家正經歷從制造大國向制造強國轉型的過程中，2023 年10 月，中國工程院院士周濟在國家制造強國論壇指出：“新一代智能制造的基本特征是數字化、網絡化和智能化，智能貫穿于裝備的生產、產品、服務全壽命周期”。裝備健康管理重點解決的是裝備的運行服務智能化問題。

裝備健康管理是通過各類傳感器和測試裝備實時監測裝備運行狀態和參數；借助各種智能推理模型算法，預測裝備故障的時機，評估裝備的健康狀態；是結合各種可利用的維修信息和資源，進行維護維修決策，實現基于狀態的維修。裝備健康管理包括3 個核心要素：一是狀態監測，通過各類傳感器和測試裝備，獲取反應裝備健康狀態的技術指標及參量；二是模型預測，基于狀態檢測所獲取的數據，采取數據驅動的方法，建立裝備故障預報/壽命預測模型；三是管理決策，基于故障預報/壽命預測模型，預測裝備的剩余壽命，進而進行維修時機、備件訂購計劃、維護維修及退役報廢方案制定等管理決策。裝備健康管理的架構包括信息感知、信息處理和管理決策，其中信息感知包括傳感和測試兩個方面。

裝備健康狀態傳感、測試技術首先通過光纖光柵、應力應變、溫度等傳感器，傳感力、熱、電、磁、振動等反映對象健康狀態的有關信息，然后通過專用測試裝備、通用測試裝備、嵌入式測試/機內測試技術、有線/無線分布式網絡化測試技術，將傳感器感知的裝備健康狀態信息變換為表征裝備健康狀態的數字信號。

裝備健康狀態預測能力是健康管理的顯著特征，支撐裝備健康狀態預測的核心技術是裝備故障預報技術和裝備壽命預測技術。裝備故障預報即通過綜合利用裝備的各種歷史數據信息（如監測參數、使用狀況、當前環境、早期經驗），建立裝備性能退化規律回歸預測模型，預測裝備達到失效閾值對應的時間（預測故障時間/壽命時間）。裝備故障預報的核心和關鍵是建立裝備故障預報模型。現有的裝備故障預報模型建模方法主要有：時間序列預測模型建模（自回歸滑動平均模型、灰色預測），融合主客觀信息的回歸預測模型建模（貝葉斯、D-S 理論、推理模糊），基于機器學習的回歸預測模型（神經網絡、支持向量機、粒子濾波、遺傳進化算法、免疫算法）建模。

裝備壽命預測的目的是基于裝備的壽命相關數據，建立裝備的壽命預測模型，預測裝備的壽命。裝備壽命相關數據主要包括機理知識、經驗知識、失效時間、性能退化數據4 類。對應的壽命預測方法有基于機理分析的壽命預測方法，基于經驗知識的壽命預測方法（專家系統、模糊邏輯、D-S 理論、BRB），基于失效數據統計分析的壽命預測方法，基于退化建模的壽命預測方法。對于連續運行的裝備，隨著時間的積累，可得到關于裝備運行性能指標的海量觀測數據，能否從這些海量觀測數據中自動提取裝備壽命規律信息呢？我們結合深度學習和退化方法建立了一種融合深度置信網絡與擴散過程的裝備剩余壽命預測方法——智能數據驅動的壽命預測。

裝備健康管理決策是一種精準維修決策技術（在正確的時間、正確的部位采取正確的維修活動）。根據健康傳感測試所獲得的數據，采用故障預報和壽命預測建模方法，建立裝備的故障預報或壽命預測模型，來預測裝備故障時間或壽命時間，進而超前制定裝備維修計劃、備件訂購方案，實現裝備的預測維護。裝備的健康管理決策本質上是一個多約束條件下的多目標優化決策問題。

裝備健康管理技術的主要發展趨勢有：機理建模與深度學習混合驅動的裝備健康狀態數字孿生建模與仿真，嵌入式實時健康監測，健康監測、壽命預測、管理決策集成一體化，設計芯片化微系統。