故障预测与健康管理技术综述

第24卷第1期电子测量与仪器学报Vol.24No.12010年1月JOURNALOFELECTRONICMEASUREMENTANDINSTRUMENT·1·*基金项目:装备预研重点基金(编号:9140A17040409HT01)资助项目;教育部高等学校博士学科点专项科研基金(编号:20092302110013)资助项目。DOI:10.3724/SP.J.1187.2010.00001故障预测与健康管理技术综述彭宇刘大同彭喜元(哈尔滨工业大学电气工程及自动化学院,哈尔滨150080)摘要:本文介绍了故障预测与健康管理技术(prognosticsandhealthmanagement,PHM)的基本概念和研究内涵,重点对故障预测体系结构、方法、相关标准以及国内外研究现状进行了综合论述和分析,总结了当前的研究热点和存在的技术难点,展望了未来研究发展趋势。关键词:故障预测与健康管理；故障预测；剩余寿命；预测中图分类号:TP391文献标识码:A国家标准学科分类代码:460.4030Areview:PrognosticsandhealthmanagementPengYuLiuDatongPengXiyuan(SchoolofElectricalEngineeringandAutomation,HarbinInstituteofTechnology,Harbin150080,China)Abstract:Thebasicconceptionsandresearchtopicsofprognosticsandhealthmanagement(PHM)technologyareintroduced.Furthermore,thearchitectureofprognostics,methods,standardsandcurrentstatusinPHMresearchfieldareanalyzed.Afterconcludingthehotspotsandtechnicaldifficulties,weindicatethechallengesfromacademicandtechnicalresearch,andthedevelopingtrendofprognosticsandhealthmanagement.Keywords:prognosticsandhealthmanagement;prognostics;remainingusefullife;prediction1引言随着现代科技工业技术尤其是信息技术的迅速发展,在航空、航天、通信、工业应用等各个领域的工程系统日趋复杂,大量复杂系统的复杂性、综合化、智能化程度不断提高。伴随着复杂系统的发展,其研制、生产尤其是维护和保障的成本越来越高。同时,由于组成环节和影响因素的增加,发生故障和功能失效的几率逐渐加大,因此,复杂系统故障诊断和维护逐渐成为研究者关注的焦点。基于复杂系统可靠性、安全性、经济性考虑,以预测技术为核心的故障预测和健康管理(prognosticsandhealthmanagement,PHM)[1-2]策略获得越来越多的重视和应用,发展为自主式后勤保障系统的重要基础。PHM的概念和技术首先出现在军用装备中,并在航天飞行器、飞机、核反应堆等复杂系统和装备中获得应用,随着PHM技术的不断发展,目前在很多工业领域逐渐受到重视,在电子、汽车、船舶、工程结构安全等方面的应用也不断增加[3-5]。PHM是对复杂系统传统使用的机内测试(build-intest,BIT)和状态(健康)监控能力的进一步扩展,它是从状态监控向健康管理的转变,这种转变引入了对系统未来可靠性的预测能力,借助这种能力识别和管理故障的发生、规划维修和供应保障,其主要目的是降低使用与保障费用,提高装备系统安全性、完好性和任务成功性,从而以较少的维修投入,实现基于状态的维修或视情维修[6](condition-basedmaintenance,CBM)和自主式保障。从故障预测和健康管理技术的基本概念和内涵入手,通过分析其研究现状及重点研究内容,揭示PHM技术的研究思路、体系和方法,并针对与之相关的标准化问题、研究挑战和发展趋势进行探讨与·2·电子测量与仪器学报第24卷分析。2PHM概念和内涵2.1PHM基本概念PHM包含两方面的内容,即预测(prognostics)和健康管理(healthmanagement),健康是指与期望的正常性能状态相比较的性能下降或偏差程度;故障预测是指根据系统现在或历史性能状态预测性地诊断部件或系统完成其功能的状态(未来的健康状态),包括确定部件或者系统的剩余寿命或正常工作的时间长度;健康管理是根据诊断/预测信息、可用维修资源和使用要求对维修活动做出适当决策的能力。PHM代表了一种方法的转变,一种维护策略和概念上的转变,实现了从传统基于传感器的诊断向基于智能系统的预测的转变,从而为在准确的时间,对准确的部位,进行准确而主动的维护活动提供了技术基础。PHM技术也使得事后维修或定期维修策略被视情维修所取代。这种转变能够为现实装备保障带来如下提升[7]:1)提供系统失效的高级告警;2)提供视情维护能力;3)能够为将来的设计、评估和系统分析获得历史数据及知识;4)通过维护周期的延长或及时的维修活动提高系统的可用性;5)通过缩减检查成本、故障时间和库存,降低全寿命周期的成本;6)减少间歇性故障和无故障发现(nofaultfounds,NFF)的发生。2.2PHM内涵PHM系统一般应具备如下功能[8]:故障检测、故障隔离、故障诊断、故障预测、健康管理和寿命追踪。对于复杂装备和系统,PHM应能实现不同层次、不同级别的综合诊断、预测和健康管理。PHM技术采用先进的传感器技术获取和采集与系统属性有关的特征参数,然后将这些特征参数和有用的信息关联,借助智能算法和模型进行检测、分析、预测,并管理系统或设备的工作状态。目前应用较为成熟的PHM技术体系是美军F-35飞机上机载智能实时监控系统和地面飞机综合管理的双层体系结构。多级系统实现信息综合,传给地面的联合分布式信息系统[9-10](jointdistributioninformationsystem,JDIS),从而对飞机安全性进行有效判断,实施技术状态管理和维护保障。3PHM的主要研究内容3.1PHM体系结构PHM技术体系框架如图1所示。通过传感器从对象系统的各个层次获取监测数据,然后通过相关的数据处理和分析过程,形成诊断和预测分析,最后,给出目标系统的剩余寿命分布、性能退化程度或任务失效的概率,从而为维护计划提供决策信息。图1PHM技术体系框架Fig.1FrameworkforPHMPHM技术的方法体系如图2所示[8]。首先进行虚拟寿命评估,输入设计数据、期望全寿命周期工作条件、故障模式及失效影响分析(FMMEA)和失效物理(physics-of-failure,PoF)模型等,以实现可靠性(或虚拟寿命)评估。图2PHM一般方法[8]Fig.2GeneralmethodologyofPHM[8]第1期故障预测与健康管理技术综述·3·基于虚拟寿命评估,可以确定需优先考虑的主要失效模式和失效机理,已有的传感器数据、监测数据、维护和检查记录也可以用来识别异常条件和参数。在整个方法体系中,预测是实现系统性能退化状态和剩余寿命预测的核心方法和研究内容。3.2故障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3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[8,11]:1)基于模型(model-driven)的故障预测技术;2)基于数据驱动(data-driven)的故障预测技术;3)基于统计可靠性(reliabilityandstatisticsbased或probability-based)的故障预测技术。图3故障预测方法分类Fig.3Algorithmsoffaultprognostics3.2.1基于模型的故障预测技术基于模型的故障预测指采用动态模型或过程的预测方法,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[8]。基于模型的故障预测技术一般要求对象系统的数学模型是已知的,这类方法提供了一种掌握被预测组件或系统的故障模式过程的技术手段,在系统工作条件下通过对功能损伤的计算来评估关键零部件的损耗程度,并实现在有效寿命周期内评估部件使用中的故障累积效应,通过集成物理模型和随机过程建模,可以用来评估部件剩余寿命(remainingusefullife,RUL)的分布状况,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。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系,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精确的数学模型。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精确的数学模型。Adams[12]在结构性动力学系统中提出一/二阶非线性微分方程的损伤累积模型,Chelidze[13]将性能退化用缓慢时变过程间的模型表达,并与子系统的快速时变过程相对应。该模型用于跟踪电池退化(电压)。文献[14]提出了一种非线性随机模型对机械结构进行建模,该模型通过使用广义卡尔曼滤波器来在线实时估计系统当前的故障情况以及预测系统的剩余使用寿命。文献[15-16]介绍了通过对轴承荷重机械模型估算两个缺陷传播模型进行剩余寿命估计。Luo等人[17]利用标称和退化状态下基于模型的仿真数据,提出了基于数据的综合预测过程。文献[18]开发了一种层次化的系统仿真建模方法进行系统剩余寿命估计。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。3.2.2基于数据驱动的故障预测技术在许多情况下,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·4·电子测量与仪器学报第24卷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(artificialneuralnetworks,ANN)、模糊系统(fuzzysystems)和其他计算智能方法。相比于传统统计学范畴内的回归分析以及时间序列分析方法[19],神经网络是一类在故障预测方法和应用研究中最多的一种方法,与基于模型的方法不同,神经网络是基于数据驱动的方法且是可以实现对于数据的自适应,它们可以从样本中学习并且尝试捕捉样本数据之间内在的函数关系。Zhang和Ganesan[20]应用自组织神经网络进行多变量趋势预测,并应用到轴承系统的剩余使用寿命预测。文献[21]采用了回归神经网络(recurrentneuralnetworks,RNN)预测系统故障趋势。而且随着研究工作的进展,产生了很多改进的或者特殊形式的神经网络算法,比如小波神经网络[22](waveletneuralnetworks,WNN)、模糊神经网络[23](fuzzyneuralnetworks,FNN)等,这些改进的神经网络算法也在故障诊断和预测中取得很好的应用效果。随着人工智能技术的发