故障预测与健康管理技术综述.pdf
- 文档编号:14659152
- 上传时间:2023-06-25
- 格式:PDF
- 页数:9
- 大小:683.81KB
故障预测与健康管理技术综述.pdf
《故障预测与健康管理技术综述.pdf》由会员分享,可在线阅读,更多相关《故障预测与健康管理技术综述.pdf(9页珍藏版)》请在冰点文库上搜索。
第24卷第1期2010年1月电子测量与仪器学报JoURNALoFELECTRoNICMEASUREM匮NTANDINsTRUMENT场24No1lDOI:
103724SPJ1187201000001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:
4604030Areview:
PrognosticsandhealthmanagementPengY,uLiuDatongPengXiyuan(SchoolofElectricalEngineeringandAutomation,HarbinInstituteofTeclmology,Harbin150080,China)Abstract:
Thebasicconceptionsandresearchtopicsofprognosticsandhealthmanagement(PHM)technologyareintroducedFurthermore,thearchitectureofprognostics,methods,standardsandcurrentstatusinPHMresearchfieldareanalyzedAfterconcludingthehotspotsandtechnicaldifficulties,weindicatethechallengesfromacademicandtechnicalresearch,andthedevelopingfiendofprognosticsandhealthmanagementKeywords:
prognosticsandhealthmanagement;prognostics;remainingusefullife;prediction1引言随着现代科技T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)B-21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p巧】。
PHM是对复杂系统传统使用的机内测试(buildintest,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16|(conditionbasedmaintenance,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。
万方数据万方数据2电子测量与仪器学报第24卷分析。
2PHM概念和内涵21PHM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哆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94)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。
22PHM内涵PHM系统一般应具备如下功能【81:
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F35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9lo(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31PHM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。
传感器I堑盂曲直I盖逝宜工佳历史数据lpe离I盟值!
主,缸塑佥堑一FMECA塑垂iJ丛叁熬掘壁芷丘蒸童遂i气荨计Lo三一j二_JCBM图lPHM技术体系框架Fig1FrameworkforPHMPHM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(physicsof-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】Fig2GeneralmethodologyofPHM【81万方数据万方数据第1期故障预测与健康管理技术综述基于虚拟寿命评估,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。
32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11:
1)基于模型(model-driven)的故障预测技术;2)基于数据驱动(datadriven)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。
蠡丁仪型J贝删(失效机理虚声黟拟传感、p能性J;物理模型萨黼剥鬟蓊鞘带(数据驱动、基二j7槿葙谬疆行罗默Z竺竺竺竺秀五笔:
!
j塑坠可靠性模型馨璧纂耋粪璧基于历兰器苔焉磊计算法函数极少传感器,。
“”。
”“”麒圳弋焉未磊图3故障预测方法分类Fig3Algorithmsoffaultprognostics嚣磐基憾鬈褒器321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【s】。
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。
AdamsIt21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,Chelidze13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1516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【l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。
322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、传感器历史数万方数据万方数据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【l91,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|201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。
而且随着研究丁作的进展,产生了很多改进的或者特殊形式的神经网络算法,比如小波神经网络瞄1(waveletneuralnetworks,wry)、模糊神经网络【231(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展,很多研究者也探索应用其他方法进行故障预测,文献24】提出了3种基于隐马尔可夫模型的识别算法,并将其应用到机械系统故障预测中的早期故障征兆的发现与识别问题中。
NASA的研究者们分别研究并对比了神经网络、决策树(decisiontrees)和支持向量机(supportvectormachines),并将这些方法综合应用于电池、旋转装置的故障预测和剩余寿命预计中【251。
Skormin26】等人提出了一种基于数据挖掘的故障预测算法,将设备的故障看作工作环境变量的函数,从历史数据中发掘设备故障与工作环境变量之间的联系,从而实现设备故障发展过程的预测。
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。
323基于统计可靠性的故障预测技术在某些情况下,确定一个完整的动态模型,给出输入和输出之间的系统微分方程,可能是不必要的,也可能是不现实的。
通常,基于统计可靠性或者说是基于概率的故障预测方法适用于从过去故障历史数据的统计特性角度进行故障预测。
相比于基于模型的方法,这种方法需要更少的细节信息,因为预测所需要的信息包含在一系列的不同概率密度函数(PDFs)中,而不需要动态微分方程的形式。
这种方法的优势就是所需要的概率密度函数可以通过对统计数据进行分析获得,而所获得的PDF能够对预测提供足够的支持。
另外,这种方法所给出的预测结果含有置信度,这个指标也能够很好的表征预测结果的准确度。
典型的基于统计可靠性的故障概率曲线就是著名的“浴盆曲线”。
即在设备或系统运行之初,故障率相对较高,经过一段时间稳定运行后,故障率一般可以保持在相对比较低的水准,而后,再经过一段时间的运转,故障率又开始增加,直到所有的部件或设备出现故障或失效。
设备的生产特性、历史任务的变化、寿命周期内的性能退化等因素,使得基于系统特性的故障预测变得更加复杂,所有这些因素均会对预测结果产生一定概率的影响。
另外还需要考虑减小和降低故障预测的虚警率。
基于统计可靠性的故障预测方法包括贝叶斯方法、Dempster-Shafer理论、模糊逻辑等。
所有这些方法一般都是基于贝叶斯定理估计故障的概率密度函划111。
通过对大量的工程产品和系统的可靠性分析,一般产品或系统的失效与时间数据趋势很好地服从威布尔分布【27(weibulldistribution),因此,Weibull模型被大量用于系统或设备的剩余寿命预计。
33与PHM相关的标准研究从本质上讲,预测是故障诊断的一种拓展和延伸。
目前,直接与PHM技术相关的标准还很少。
但是,由于预测与传统故障诊断和维护系统的内在关联性,有一些存在于测试、诊断和维护技术领域的标准可供借鉴,以发展PHM的标准化研究工作。
特别是现阶段,PHM还处于起步阶段,可以尽早地考虑相关的标准化研究,以为其良性发展提供必要条件万方数据万方数据第1期故障预测与健康管理技术综述和保证【2引。
从研究内涵角度分析,PHM涵盖了状态监测、状态评估、故障和失效诊断、失效过程分析、预测性诊断和维护保障。
因此这些功能必须被PHM类的标准所支持。
特别是PHM相关的标准必须要能够反映出目标系统与其运行环境的测量、观察和推理信息的交互性。
这些信息所表达的内容包括:
1)目标系统现在的工作状态;2)对一些未来状态的估计或者目标状态可能出现的时间:
3)目标系统运行和维护的历史信息;4)系统的各种模型化表达。
自20世纪70年代中期开始,IEEESCC20就已经开始了测试及诊断相关的标准化工作,初期主要集中于测试规范和测试程序设计,后期则更关注测试、诊断和维护系统的接口标准化问题,并形成了一系列电子系统的测试和诊断标准,其中也包含了信号和测试定义标准【291、自动测试标记语言标准族(automatictestmarkuplanguage,ATML)301、AIESTATE标准(IEEEStd1232)31】和SIMICA标准【32|。
现有的这些标准中已经初步体现了PHM的一些技术要素和特征。
AIESTATE标准描述了故障诊断领域所需的信息,例如:
与系统测试和诊断相关的信息。
这种描述确保了不同应用之间可以方便地实现诊断信息交互。
它还支持模块化诊断结构,以及与测试相关的软件互操作。
AIESTATE标准利用ISOEXPRESS建模语言实现信息建模过程。
另外,该标准还定义了一系列的软件服务。
以实现诊断推理机在测试系统中的集成。
在SIMICA标准中还包含了两个附加标准:
测试结果标准和维护活动信息标准(testresultsandmaintenanceactioninformationMAI)o”J。
SIMICA标准侧重于历史信息,并提供了一种利用历史信息提高诊断和预测效果的方法。
其中,MAI标准重点关注了维护过程,提供了一种XML方案和一种信息模型,因此能够比较方便地扩展到PHM领域中134】。
除了IEEE的相关标准化工作之外,非盈利性的信息标准化组织MIMOSA(machineryinformationmanagementopensystemsallianceMIMOSA)已经接纳了OSACBM标准(opensystemarchitectureconditionbasedmanagement)的开发和支持工作。
以提供一种CBM和PHM系统的标准体系结构。
它按照7层的层次化结构组织,分别包括:
传感器、数据采5集、数据处理、状态监测、健康评估、预测评估和决策生成。
目前,OSACBM标准提供一种基于UML的对象模犁表达,还没有融合系统部件I、日J信息交流的语义标准,这也是IEEESCC20下一步工作的重点。
除了这些,lS010303Part239为产品的全寿命周期保障(ProductLifeCycleSupport,PLCS)定义了一种“应用协议”以便于实现复杂工程装备的信息交互【35i。
这些标准虽然都不直接支持PHM过程,但是它们的一些特性却可以被用来实现一些PHM应用需要的操作。
如:
MAI文档中采集的信息可以用于数据挖掘和数据分析,在支持诊断与维护系统的同时,也可以用于开发预测模型和系统。
这些标准为测试和诊断过程的信息交互提供了有力的支持,但同时如何从这些标准出发向未来的PHM技术标准演进也是一个现实的挑战。
SCC20已开始对AIESTATE标准进行一些改进,以实现对“灰色”健康信息的采集,从而支持对当前性能退化和未来失效过程的灰色推理,并可用于潜在故障检测。
4PHM技术研究现状自20世纪90年代末以来,综合诊断系统向测试、监控、诊断、预测和维修管理一体化方向发展,并从最初侧重考虑的电子系统扩展到电子、机械、结构、动力等各种主要分系统,形成综合的故障诊断、预测与健康管理系统的时机已经成熟。
总的来说,PHM系统是在需求牵引、技术推动下,并借助高技术装备项目(如:
美国的JSF)的研制契机而诞生的。
41国外研究现状美军20世纪90年代末引入民用领域的视情维修,作为一项战略性的装备保障策略,其目的是对装备状态进行实时或近实时的监控,根据装备的实际状态确定最佳维修时机。
以提高装备的可用度和任务可靠性。
同时,高速数据采集、大容量数据存储、高速数据传输和处理、信息融合、MEMS和网络等信息技术和高新技术的迅速发展,意味着允许在装备中完成更多的数据存储和处理功能,以消除
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 故障 预测 健康 管理 技术 综述