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(lián)網(wǎng)和信息技術的發(fā)展，集成電路封裝設備、數(shù)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(tǒng)維修方式已經(jīng)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(xiàn)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(tǒng)安全性。目前，預測性維修技術及工程應用已經(jīng)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(jù)裝備的實際運行狀態(tài)，結合裝備的結構特點、歷史數(shù)據(jù)和環(huán)境條件，對裝備未來一段時間內(nèi)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(tǒng)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(nèi)容，系統(tǒng)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(nèi)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(shù)據(jù)、環(huán)境條件等信息；③ 提取裝備故障的關鍵特征參數(shù)；④ 選擇合適的數(shù)學模型。根據(jù)故障預測內(nèi)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，F(xiàn)TP）、 剩 余 壽 命 預 測（Remaining Life Prediction，RLP）、故障模式預測（Failure Mode Prediction，F(xiàn)MP）和故障率預測（Failure Rate Prediction，F(xiàn)RP）。

2.1 故障趨勢預測

故障趨勢預測根據(jù)裝備歷史運行狀態(tài)及監(jiān)測數(shù)據(jù)，建立相關數(shù)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(jīng)網(wǎng)絡建立模糊神經(jīng)網(wǎng)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(jù)裝備當前健康狀態(tài)、退化趨勢等信息，估計系統(tǒng)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?；诠こ萄b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(diào)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(shù)，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(jīng)網(wǎng)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(nèi)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(jīng)網(wǎng)絡模型分別預測供水系統(tǒng)、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(shù)據(jù)的非線性、非平穩(wěn)特性，徐廷學等采用相關向量經(jīng)驗模態(tài)分解和數(shù)據(jù)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(tǒng)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(jù)系統(tǒng)的工作機理，建立能夠反映系統(tǒng)失效機理的數(shù)學模型，通過故障累積效應評估預測系統(tǒng)剩余壽命。該類方法分析實際特征參數(shù)和物理模型仿真參數(shù)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(tǒng)本質進行狀態(tài)預測，預測準確度較高。物理模型的參數(shù)與材料性能、應力水平等因素有關，通常是根據(jù)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(jù)失效物理方法建立裂紋擴展模型，應用于渦輪推進系統(tǒng)的壽命預測。

基于物理模型的故障預測方法需要研究系統(tǒng)故障失效機理，選取反映故障特征的參數(shù)作為模型參數(shù)，及時修正調(diào)整預測模型，更好地實現(xiàn)故障預測。但是，工程裝備系統(tǒng)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(tǒng)領域。

3.2 基于統(tǒng)計模型的方法

基于統(tǒng)計模型的故障預測是針對裝備的性能退化監(jiān)測數(shù)據(jù)，以概率統(tǒng)計理論為基礎，運用隨機過程或統(tǒng)計方法分析數(shù)據(jù)隱含的裝備狀態(tài)信息，進而實現(xiàn)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?；诮y(tǒng)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(tǒng)計模型的優(yōu)缺點見表2。

表2 基于統(tǒng)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(shù)據(jù)的統(tǒng)計模型，通過分析裝備某一變量的觀測值數(shù)據(jù)序列的內(nèi)在關系，尋找數(shù)據(jù)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(shù)與偏相關函數(shù)，選取合適的模型；②估計模型參數(shù)，利用準則函數(shù)確定模型階數(shù)；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(tǒng)輸入、輸出監(jiān)測數(shù)據(jù)，利用線性系統(tǒng)狀態(tài)方程對系統(tǒng)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(shù)據(jù)特征和系統(tǒng)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(tǒng)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(shù)，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(shù)表示系統(tǒng)狀態(tài)的變化，利用退化狀態(tài)的離散化實現(xiàn)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(tǒng)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(shù)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(xiàn)對系統(tǒng)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(shù)據(jù)少，不需要考慮數(shù)據(jù)的分布特征。駱燕燕等基于加速壽命試驗，利用GM實現(xiàn)航空電連接器的剩余壽命預測。針對傳統(tǒng)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(xiàn)增加或減小趨勢的非單調(diào)退化過程。Wiener過程因具有直觀的物理解釋和良好的數(shù)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(diào)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(shù)，通過最大似然估計法更新建模參數(shù)，實現(xiàn)系統(tǒng)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(shù)，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(shù)據(jù)，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(xiàn)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(jīng)網(wǎng)絡、支持向量機、專家系統(tǒng)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(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）方法通過模擬生物的神經(jīng)系統(tǒng)，將人腦神經(jīng)系統(tǒng)處理信息的過程抽象化，運用數(shù)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(tǒng)信息情況下，利用大量樣本訓練神經(jīng)元網(wǎng)絡，構建高效精準的預測模型。Tian等利用故障數(shù)據(jù)和狀態(tài)監(jiān)測數(shù)據(jù)，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(tǒng)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(jīng)網(wǎng)絡收斂速度慢、樣本量大以及網(wǎng)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(jīng)驗風險和置信范圍，適合解決性能退化數(shù)據(jù)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(shù)據(jù)時具有獨特優(yōu)勢。

（3）專家系統(tǒng)

專家系統(tǒng)（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(jīng)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(tǒng)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(jù)預測對象特性，選擇恰當?shù)念A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(jù)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(jīng)網(wǎng)絡建立模糊神經(jīng)網(wǎng)絡組合模型，實現(xiàn)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(xiàn)“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(jīng)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(xiàn)工程裝備的故障預測，對保證裝備安全運行、提高經(jīng)濟效益具有重大意義。結合國內(nèi)外故障預測領域的研究成果，故障預測技術涌現(xiàn)出不少新理念和新方法，形成較為系統(tǒng)的方法和理論體系。但是，故障預測技術仍面臨眾多現(xiàn)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(xiàn)在：

1）故障預測技術的不確定性研究?，F(xiàn)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(shù)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(nèi)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(xiàn)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。