预测与健康管理研究现状

ｆｏｒ Ａｄｖａｎｃｅｄ Ｌｉｆｅ Ｃｙｃｌｅ
Ｅｎｇｉｎｅｅｒｉｎｇ，ＣＡＬＣＥ）以失效机理方法为基础，对电子产品的
ＰＨＭ技术进行了大量深入研究工作¨Ｊ。特别地，装备ＰＨＭ系统、具备隐形性能的目前最先进的联合攻 击机Ｆ一３５在２００６年首飞成功，标志着ＰＨＭ技术向工程应用方面前进了一大步，其ＰＨＭ系统也代表着 当前技术水平最高的应用。 在国内，ＰＨＭ的研究起步较晚。文献［２］，结合ＰＨＭ技术的发展过程，阐述了ＰＨＭ的应用价值，论 述了ＰＨＭ技术系统级应用问题，指出了ＰＨＭ技术发展中的几个主要技术问题，其中关键就是通过状态 监测数据进行性能演化规律建模和剩余寿命预测。清华大学、北京航空航天大学、上海交通大学等科研 院所都已开始了ＰＨＭ相关技术的研究工作Ｈ Ｊ。 １．２统计数据驱动的剩余寿命预测 对于剩余寿命预测方法的研究，国内外学者近几年给予了广泛的关注，已提出了多种预测方法。 Ｐｅｃｈｔ【８１在关于ＰＨＭ的专著中，将现有的剩余寿命预测方法分为三类：基于机理模型的方法、数据驱动 的方法和前两者相融合的方法。随着科学技术的发展和进步，现代工业过程、生产制造系统、航空航天 系统、武器系统等的现代化水平不断提高，系统的复杂性和不确定性也增加，因此难以建立准确的机理 模型。文献［９］指出“复杂的工业过程往往具有多变量、强耦合、强非线性、大时延、生产边界条件变化
ａｎｄ Ｈｅａｌｔｈ
Ｍａｎａｇｅｍｅｎｔ，ＰＨＭ）作为新兴的技术已被工程实践证明，可以减少维修保障费用、
提高设备的可靠性和安全性、降低失效事件发生的风险，对安全性和可靠性要求较高的领域有着至关重
收稿Ｅｔ期：２０１１一Ｏｌ一３１ 修回日期：２０１１—０３—０１
基金项目：国家自然科学基金（６０７３６０２６；６１０２５０１４；６１００４０６９） 作者简介：司小胜（１９８４一），男，博士生，主要研究方向：故障预测与健康管理，剩余寿命预测，可靠性建模，证据理 论，预测维护，Ｅ－ｍａｉｌ：ｓｘｓ０９＠ｍａｉｌｓ．ｔｓｉｎｇｈｕａ．ｅｄｕ．ｃｎ；通讯作者：周东华（１９６２一），男，博士，教授，主要研 究方向：故障诊断与容错控制，Ｅ－ｍａｉｌ：ｚｄｈ＠ｍａｉｌ．ｔｓｉｎｇｈｕａ．ｅｄｕ．ｃｎ。
第３５卷增刊 ２０１ １年７月
南京理工大学学报
Ｊｏｕｒｎａｌ ｏｆ Ｎ柚ｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ
Ｖ０１．３５
Ｓｕｐ
Ｊｕｌ．２０ｌ １
预测与健康管理研究现状
司小胜Ⅵ，胡昌华１，陈茂２５；２．清华大学自动化系，北京１０００８４）
摘要：为了进一步阐明预测与健康管理（Ｐｒｏｇｎｏｓｔｉｃｓ
ａｎｄ Ｈｅａｌｔｈ
Ｍａｎａｇｅｍｅｎｔ，ＰＨＭ）在工程实践
中的重要性和意义，该文对ＰＨＭ相关的研究现状进行了分析，重点讨论了统计数据驱动的剩余 寿命预测和预测维护方法。最后探讨了ＰＨＭ研究中存在的问题和未来发展方向，表明ＰＨＭ相 关的研究仍处于初级阶段，具有很大的潜力。 关键词：可靠性；非线性；预测与健康管理；剩余寿命；退化；预测维护 中图分类号：ＴＰ２０２．１ 文章编号：１００５—９８３０（２０１ １）增刊一０１９０—０６
国内外研究现状
本节从ＰＨＭ系统、统计数据驱动的剩余寿命预测、预测维护等三个方面，简述和分析国内外相关研
究的现状。
１．１
ＰＨＭ技术 随着系统复杂性的增加，由设计不充分、制造误差、维修差错和非计划事件等各种原因导致故障的
机率也在增加，在上世纪７０年代提出了航天器综合健康管理的概念来监视系统状态。随后又出现了飞 机状态监测系统、综合诊断预测系统等Ｈ．５ Ｊ。上世纪末，随着美国、英国等国家的军方合作开发的联合 攻击机（Ｊｏｉｎｔ
Ｓｔｒｉｋｅ
Ｆｉｇｈｔｅｒ，ＪＳＦ）Ｆ－３５项目的启动，正式地提出了ＰＨＭ的概念【６Ｊ。目前，具备ＰＨＭ的能
力已成为美国国防部采购任何武器系统的一项要求。近几年，国外ＰＨＭ技术在应用方面取得了一系列 的进展。ＪＳＦ系统中都不同程度地采用监测那些能够反映产品故障或健康状态的性能（特征）参数来监 测电子产品的健康状态【『¨；美国航空航天局（ＮＡＳＡ）高级科学家Ｇｏｅｂｅｌ领导的ＰＨＭ中心（ｈｔｔｐ：ｌｉｆｔ． ａｒｃ．ｎａｓａ．ｇｏｖ／ｔｅｃｈ／ｄａｓｈ／ｐｃｏｅ／）对航天系统中电池系统的ＰＨＭ方法开展了大量的研究和验证工作，主 要采用Ｂａｙｅｓｉａｎ滤波的方法实现电池健康状态的预测；美国马里兰大学Ｐｅｅｈｔ教授创建的先进生命周 期工程中心（Ｃｅｎｔｅｒ
ａｎｄ
ｈａｓ ｇｒｅａｔ ｐｏｔｅｎｔｉａｌ ｉｎ ｆｕｔｕｒｅ．
ｗｏｒｄｓ：ｒｅｌｉａｂｉｌｉｔｙ；ｎｏｎｌｉｎｅａｒｉｔｙ；ｐｒｏｇｎｏｓｔｉｃｓ ｍａｉｎｔｅｎａｎｃｅ
ａｎｄ ｈｅａｌｔｈ ｍａｎａｇｅｍｅｎｔ；ｒｅｍａｉｎｉｎｇ ｌｉｆｅ；ｄｅｇｒａｄａｔｉｏｎ；
ｐｒｅｄｉｃｔｉｖｅ
随着高新技术的发展和人们探索自然领域的拓展，许多工程设备变得越来越复杂。这些设备的性 能及健康状态由于磨损、外部冲击、运行环境的变化，将不可避免的发生退化，进而造成设备最终的失 效。而一旦发生由于失效引起的事故，所造成的人员和财产损失往往是不可估量的。预测与健康管理 （Ｐｒｏｇｎｏｓｔｉｃｓ
１９２
南京理工大学学报
第３５卷增刊
和人工智能方法同属数据驱动的方法。最近，Ｓｉｋｏｒｓｋａ等¨２１从工业应用的角度综述了剩余寿命预测建 模方法的研究现状。在这些综述中，对各种方法的研究现状分析较为完整，但是从建模方法的角度看， 对如何有效进行剩余寿命预测建模，没有具体讨论。 对统计数据驱动的剩余寿命预测方法，ｓｉ等在文献［３］中进行了系统而完整的综述，根据状态监测 数据的类型，将获取到的数据分为直接数据和间接数据，基于此，将现有的方法划分为基于直接可观测 数据的方法和基于间接测量数据的方法，并且从剩余寿命建模的角度，对现有的各种预测方法进行了详 细的归纳和评述。直接数据主要指可以直接反映设备的性能或健康状态的监测数据，通常提到的退化 数据如磨损、疲劳裂纹数据等就属于这一类。因此，利用这类数据进行剩余寿命预测就是预测监测数据 首达失效阈值的时间。失效阈值通常依据对研究对象的运行性能要求、工业标准或通过优化的方法确 定。间接数据主要指只能间接或部分的反映设备的性能或健康状态的监测数据，这类数据主要包括振 动分析数据、油液分析数据等。利用这类数据进行剩余寿命预测时就需要失效时间数据将状态监测数 据与剩余寿命联系起来。如前所述，失效时间数据通常难以获取，对关键设备或代价昂贵的设备而言， 更是如此。值得注意的是，在工程实际中，问接数据可以通过傅里叶变换、小波变换等信号处理方法转 化为可以反映设备健康状态的直接数据，有时这一变换过程也被称为特征提取。Ｊａｒｄｉｎｅ等在文献［１１］ 中对常用的特征提取的方法进行了总结。统计数据驱动的剩余寿命预测涉及的主要方法这里不再一一 列出，详见文献［３］。目前，通过对退化数据的建模进行剩余寿命预测的研究得到了广泛的关注。 有关退化建模的研究，最早可以追溯到１９６９年，Ｇｅｒｔｓｂａｃｋｈ和Ｋｏｒｄｏｎｓｋｉｙ【１３１利用退化数据评定设 备的可靠性。随后出现了一些通过退化建模进行寿命分析的文献，但基本上都局限于较为简单的线性 模型【１４１。１９９３年，Ｌｕ和Ｍｅｅｋｅｒ【ｌ纠提出了一种一般的随机系数回归模型来描述退化测量数据，该文献 在退化建模及寿命分析领域具有重要的影响，基于该研究工作已出现了许多的扩展和变形Ｌ３ｊ。需要注 意的是这类方法适合于描述一类设备的总体寿命特征，但对于单个个体退化过程的描述来讲，采用该方 法就意味着确定的退化路径，即所有的模型系数是确定的，因此也被称为随机变量模型¨６。。Ｇｅｂｒａｅｅｌ 等Ⅲｏ通过Ｂａｙｅｓｉａｎ更新机制建立了历史数据与服役个体实时监测数据的关系，提出了一种指数型的随 机系数回归模型，实现了对服役个体设备剩余寿命的预测。之后Ｇｅｂｒａｅｅｌ课题组基于此模型开展了诸 多的扩展与应用研究”Ｊ。在Ｇｅｂｒａｅｅｌ等Ⅲｏ的模型中，假设随机系数服从一定的先验分布并且设备的历 史退化数据是可以获取的，而先验分布中的参数的确定依赖于历史退化数据，但是到目前为止并没有提 出如何确定这些参数的理论方法。再者，历史退化数据在实际中并不总是存在，而且该模型的有效性较 大程度的依赖于历史数据的质量。 近几年来，考虑到退化过程具有随机和动态的特征，许多的学者采用随机过程来描述退化过程。 Ａａｉｅｎ【ｌ驯等都提倡采用随机过程来描述退化过程，认为随机过程可以更好地描述动态运行环境的变化 和失效产生机理。目前采用的随机过程主要包括Ｗｉｅｎｅｒ过程、Ｇａｍｍａ过程、Ｍａｒｋｏｖ链等口Ｊ。这类方法 进行剩余寿命预测的主要原理是，通过随机过程对设备退化进行建模，然后定义剩余寿命为随机过程首 次达到失效阈值的时间（简称首达时间），通过求解首达时间的概率分布，实现剩余寿命的预测。然而， 现有的采用Ｇａｍｍａ过程、Ｍａｒｋｏｖ链描述的退化过程，基本上都假设了退化过程是单调的、不可逆的，但 是工程实际中，由于设备负载情况、系统内部状态的动态变化、外部环境的改变都有可能使得测量得到 的性能退化变量具有非单调的特性。Ｗｉｅｎｅｒ过程是由Ｂｒｏｗｉａｎ运动驱动的漂移系数与时间无关的一类 时齐扩散过程，其漂移系数为一常数口Ｊ。因此，Ｗｉｅｎｅｒ过程又被称为漂移Ｂｒｏｗｉａｎ运动，是一种适合描 述具有增加或减小趋势的非单调随机过程，已被广泛应用于退化建模和剩余寿命估计【３ Ｊ。然而，Ｗｉｅｎｅｒ 过程的漂移系数为一常数。因此，基于Ｗｉｅｎｅｒ过程进行退化建模及剩余寿命预测时，一个隐含的假设 就是退化过程的期望是时间的线性函数或者是可以线性化的。 １．３预测维护 预测维护主要指依据设备状态的历史监测数据以及实时监测信息，预测设备性能变化趋势，在设备 即将发生失效之前，就主动对设备进行维护、更换，显然，这种维护方式是一种防患于未然的预测性维护 方式０１９１。Ｈａｓｈｅｍｉａｎ闭１依据预测维护中利用的传感器监测数据的来源，按照传感器的类型对预测维护
Ｓｔａｔｅ－ｏｆ－ｔｈｅ－Ａｒｔ Ｐｒｏｇｎｏｓｔｉｃｓ ａｎｄ Ｈｅａｌｔｈ
Ｍａｎａｇｅｍｅｎｔ
ＳＩ Ｘｉａｏ－ｓｈｅｎ９１，２，ＨＵ Ｃｈａｎｇ．ｈｕａｌ，ＣＨＥＮ Ｍａｏ．Ｙｉｎ２，ＺＨＯＵ Ｄｏｎｇ—ｈｕａ３ （１．Ｄｅｐａｒｔｍｅｎｔ