PHM典型预测方法

前言：数网星工业互联网平台是针对企业生产运营等各类业务的工业应用服务平台，为企业用户提供承载精益流程管理、覆盖核心业务全流程的工业APP集。它采用*的微服务架构，使用了包括云计算技术、物联网技术等多种*技术。同时，作为现今为*的工业大数据，也在数网星工业互联网平台中得到很好的应用。现在，我们将与大家逐一分享工业大数据的应用技术，一起探讨如何让制造实现真正的智能化。
​
 

PHM典型预测方法

关于故障预测方法的分类，目前不同研究机构和组织的提法不尽一致，故障预测方法的总体分类情况如图1所示。从目前主流的技术和应用研究工作综合来看，主要可以分为：
1) 基于模型的故障预测技术；
2) 基于数据驱动的故障预测技术；
3) 基于统计可靠性的故障预测技术。

图1 故障预测方法的分类

1.1 基于模型的故障预测方法
基于模型的故障预测方法假定可以获得对象系统的数学模型。这种方法通过对功能损伤的计算来评估关键零部件的损伤程度，通过建立物理模型或随机过程建模，用来评估部件剩余寿命。通常情况下，对象系统的故障特征通常与所用模型的参数紧密联接，随着对设备或系统故障演化机理研究的逐步深入，可以逐渐修正和调整模型以提高其预测精度。基于模型的故障预测技术具有能够深入对象系统本质的性质和实现实时故障预测的优点。物理模型方法、卡尔曼/扩展卡尔曼滤波/粒子滤波以及基于专家经验的方法等均可划为基于模型的故障预测技术。
采用物理模型进行故障预测时，根据预测对象系统的稳态或瞬态负载、温度或其他在线测试信息构建预测模型框架，并统计系统或设备历史运行情况或预期运行状态，进行系统将来运行状态的仿真预测。通常情况下，对象系统的故障特征通常与所用模型的参数紧密联接，随着对设备或系统故障演化机理研究的逐步深入，可以逐渐修正和调整模型以提高其预测精度。而且，在实际工程应用中也往往要求对象系统的数学模型具有较高的精度。但是，与之相矛盾的问题是，通常难以针对复杂动态系统建立的数学模型。因此，基于模型的故障预测技术的实际应用和效果受到了很大限制，尤其是在复杂系统的故障预测问题中，如：电子系统故障预测，很难或者几乎不可能建立预测对象的数学模型。

目前，基于模型的方法大多应用于飞行器、旋转机构等机电系统中，而对于复杂电子系统，由于其故障模式和失效机理相对复杂，其故障预测的模型化研究相对滞后。

1.2 基于数据驱动的故障预测方法
在许多情况下， 对于由很多不同的信号引发的历史故障数据或者统计数据集， 很难确认何种预测模型适用于预测。或者在研究许多实际的故障预测问题时， 建立复杂部件或者系统的数学模型是很困难的甚至是不可能的， 因此， 部件或者系统设计、仿真、运行和维护等各个阶段的测试、传感器历史数据就成为掌握系统性能下降的主要手段。基于测试或者传感器数据进行预测的方法称为数据驱动的故障预测技术。典型的基于数据驱动的故障预测方法有：人工神经网络、模糊系统和其他人工智能计算方法。

基于数据的故障预测技术不需要对象系统的先验知识(数学模型和专家经验)， 以采集的数据为基础，通过各种数据分析处理方法挖掘其中的隐含信息进行预测操作， 从而避免了基于模型和基于知识的故障预测技术的缺点， 成为了一种较为实用的故障预测方法。但是， 实际应用中一些关键设备的典型数据(历史工作数据、故障注入数据以及仿真实验数据)的获取代价通常十分高昂; 而且即使对于所获得的数据来说， 往往其具有很强的不确定性和不完整性这些问题都增加了故障预测技术的实现难度。

1.3 基于概率统计的故障预测方法
如果无法确定一个完整的动态模型或给出输入和输出之间的系统微分方程，那么可以通过从过去故障历史数据的统计特性角度进行故障预测，这种方法称为基于概率统计的故障预测方法。基于概率的故障预测方法包括时间序列预测法、回归预测法、模糊逻辑等。
时间序列预测法是把预测对象的历史数据按一定的时间间隔进行排列，构成一个随时间变化的统计序列，建立相应的数据随时间变化的模型，并将该模型外推到未来进行预测。也可以根据己知的历史数据拟合一条曲线，使得这条曲线能反映预测对象随时间变化的趋势。按照变化趋势曲线，对于未来的某一时刻，从曲线上可以估计出该时刻的预测值。此方法有效的前提是过去的发展模式会延续到未来，因而这种方法对短期预测效果比较好。
回归预测法是根据历史数据的变化规律，寻找自变量与因变量之间的回归方程式，确定模型参数，据此做出预测。根据自变量的多少可以将回归问题分为一元和多元回归。按照回归方程的类型可分为线性和非线性回归。回归分析法的主要特点是预测过程简单，将预测对象的影响因素分解，考察各因素的变化情况，从而估计预测对象未来的数量状态。回归分析法要求的样本量大并且有较好的分布规律，当预测的长度大于占有的原始数据长度时，采用该方法进行预测在理论上不能保证预测结果的精度。
 

PHM典型的健康管理方法

健康管理本质上是将有关对象的健康信息、各种诊断资源进行综合管理，以获得有关对象健康与否的决策过程。
2.1 基于知识的健康管理方法
基于知识的问题求解过程是针对给定的问题、问题的环境和主体目标，有效地获得与问题合环境相关的信息，恰当地处理这些信息生成相应的知识，在主体目标的引导下由知识生成求解问题的策略，根据策略获得问题解，以解决实际的问题的过程，智能性是其大的特点。如图2是基于知识的健康管理问题求解原理图。
 

图2 基于知识的健康管理问题求解原理图

如图可知：基于知识的健康管理在控制策略的调度下，由对象的状态与健康管理任务目标获得状态知识以及任务知识，通过广义知识库提供相应的诊断方法和工具知识，将健康管理任务的解映射到解空间。综合评价对健康管理的解进行评价，与健康管理任务目标之间的距离作为评价指标来不断调整控制策略，直到健康管理的解达到任务目标，将终健康管理结果提供给用户。

可见，在整个基于知识的健康管理系统中，控制策略是指挥者和组织者，体现了系统的智能性，使系统可以任务组织管理和调度知识，完成具体的健康管理任务。基于知识的健康管理的核心就是通过自组织与专家干预相结合的的方式形成能解决问题的控制策略知识，形成有关健康管理任务的主动知识链。

2.1.1 健康管理知识链
知识链是知识基在健康管理过程的转移、组合而实现的知识的获取、选择、组织、应用、评价等系统知识处理的结构模式，是基于知识的健康管理系统的核心，是系统运用知识处理健康管理问题的能力，是系统静态知识和动态知识的统一。

图 3 健康管理知识链知识处理模型

由图可见，在基于知识的健康管理系统工作过程中，知识链是由各个环节衔接而成，各个环节之间相互传递信息。知识链是由领域专家参与评价进行知识完善与优化的循环维护的过程，健康管理知识在知识链的不断循环过程中形成有关健康管理的更佳任务知识，由智能主体依据任务知识实现健康管理任务。

2.1.2基于知识的健康管理任务配置
健康管理的问题求解过程是以任务而展开的，依据健康管理的内容，将健康管理的总体目标分解为任务与子任务，通过对任务的推理和配置获得有关解决的问题的知识，由不同的主体活动执行子任务形成任务执行过程。健康管理系统按照任务分解的过程以及任务执行过程，按照活动过程的性质可以划分为两个层次：健康管理任务配置层和健康管理任务执行层。

（1）健康管理任务配置层：根据目标层所设定的目标，将目标分解为各个任务过程以及子任务过程，通过各个任务以及子任务之间的相互补充与协调来完成目标。任务层包括由用户提出的健康管理需求到终的解决方案这一过程中的若干系统行为，包括健康管理目标的任务分解，相关任务划分，解决方案的选择、优化等过程，每个系统过程彼此相互衔接、交互，形成一套完整的活动序列，从而实现健康管理任务的配置。在结构健康管理中，健康管理任务可分解为信号采集、信号处理、异常监测、故障诊断以及结果显示等，每一项任务又可以具体化进一步分解为细粒度的任务单元。任务单元是任务分解的终一级，也是基础的任务。

（2）健康管理任务执行层：任务的具体实施在这一层实现，任务的执行过程也是对任务请求进行响应的过程，任务过程按照任务的性质、特征，划分为若干个任务单元来进行，在此过程中，任务的完成需要使用相关的资源，包括硬件设备、工具、软件、算法等。在健康管理系统的支持下，通过系统中的智能主体，按照一定的系统规则，利用系统中的相关资源，执行每一项任务单元，终完成任务，通过智能主体之间的相互协作，共同完成健康管理目标所要完成的任务。

2.2 基于信息融合的健康管理方法
信息融合是一种多层次、多方面的处理过程，是对多个信息源、多传感器信息、多参数以及历史与经验信息综合处理的过程，主要完成对来自多个信息源的数据或信息的自动监测、关联、估计、和组合等处理。目的是充分利用已有的全部信息，提取出有价值的信息。

信息融合结构模型包括以下三种类型：

（1）按区域划分信息融合模型

同一个健康管理系统的不同区域同时应用分别属于上述三个层次的融合方法。数据层融合，用于融合传感器信号生成有用信息并创造特征；特征层融合，常用于特征的智能融合以便去获得更好的诊断信息；决策层融合，通常用于系统级的分类、诊断、预测推理和维修决策。

（2）瀑布模型

瀑布模型是一个递阶形式的信息融合功能模型，数据流式从信号层向决策层流动的。传感器系统可以通过决策模块产生的控制反馈作用，调整自身的工作模式，布局等。

（3）多传感器集成融合模型

一种基于多传感器的通用信息融合模型。来自不同信息源的数据以分层递阶方式在各个融合中心处理。该模型明确指出了多传感器集成和融合的区别，认为多传感器集成是利用多个传感器信息协助完成某一特定任务，而多传感器融合指的是在多传感器集成过程中需要进行传感器数据组合的任一环节。信息辅助系统为融合过程提供了必要的数据库和知识信息。此外，多传感器集成融合模型的融合层次从低到高分别为数据层、特征层和决策层等三个层次。