前言：數(shù)網(wǎng)星工業(yè)互聯(lián)網(wǎng)平臺(tái)是針對(duì)企業(yè)生產(chǎn)運(yùn)營(yíng)等各類業(yè)務(wù)的工業(yè)應(yīng)用服務(wù)平臺(tái)，為企業(yè)用戶提供承載精益流程管理、覆蓋核心業(yè)務(wù)全流程的工業(yè)APP集。它采用*的微服務(wù)架構(gòu)，使用了包括云計(jì)算技術(shù)、物聯(lián)網(wǎng)技術(shù)等多種*技術(shù)。同時(shí)，作為現(xiàn)今為*的工業(yè)大數(shù)據(jù)，也在數(shù)網(wǎng)星工業(yè)互聯(lián)網(wǎng)平臺(tái)中得到很好的應(yīng)用?，F(xiàn)在，我們將與大家逐一分享工業(yè)大數(shù)據(jù)的應(yīng)用技術(shù)，一起探討如何讓制造實(shí)現(xiàn)真正的智能化。
?
 

PHM典型預(yù)測(cè)方法

關(guān)于故障預(yù)測(cè)方法的分類，目前不同研究機(jī)構(gòu)和組織的提法不盡一致，故障預(yù)測(cè)方法的總體分類情況如圖1所示。從目前主流的技術(shù)和應(yīng)用研究工作綜合來(lái)看，主要可以分為：
1) 基于模型的故障預(yù)測(cè)技術(shù)；
2) 基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)技術(shù)；
3) 基于統(tǒng)計(jì)可靠性的故障預(yù)測(cè)技術(shù)。

圖1 故障預(yù)測(cè)方法的分類

1.1 基于模型的故障預(yù)測(cè)方法
基于模型的故障預(yù)測(cè)方法假定可以獲得對(duì)象系統(tǒng)的數(shù)學(xué)模型。這種方法通過(guò)對(duì)功能損傷的計(jì)算來(lái)評(píng)估關(guān)鍵零部件的損傷程度，通過(guò)建立物理模型或隨機(jī)過(guò)程建模，用來(lái)評(píng)估部件剩余壽命。通常情況下，對(duì)象系統(tǒng)的故障特征通常與所用模型的參數(shù)緊密聯(lián)接，隨著對(duì)設(shè)備或系統(tǒng)故障演化機(jī)理研究的逐步深入，可以逐漸修正和調(diào)整模型以提高其預(yù)測(cè)精度?；谀Ｐ偷墓收项A(yù)測(cè)技術(shù)具有能夠深入對(duì)象系統(tǒng)本質(zhì)的性質(zhì)和實(shí)現(xiàn)實(shí)時(shí)故障預(yù)測(cè)的優(yōu)點(diǎn)。物理模型方法、卡爾曼/擴(kuò)展卡爾曼濾波/粒子濾波以及基于專家經(jīng)驗(yàn)的方法等均可劃為基于模型的故障預(yù)測(cè)技術(shù)。
采用物理模型進(jìn)行故障預(yù)測(cè)時(shí)，根據(jù)預(yù)測(cè)對(duì)象系統(tǒng)的穩(wěn)態(tài)或瞬態(tài)負(fù)載、溫度或其他在線測(cè)試信息構(gòu)建預(yù)測(cè)模型框架，并統(tǒng)計(jì)系統(tǒng)或設(shè)備歷史運(yùn)行情況或預(yù)期運(yùn)行狀態(tài)，進(jìn)行系統(tǒng)將來(lái)運(yùn)行狀態(tài)的仿真預(yù)測(cè)。通常情況下，對(duì)象系統(tǒng)的故障特征通常與所用模型的參數(shù)緊密聯(lián)接，隨著對(duì)設(shè)備或系統(tǒng)故障演化機(jī)理研究的逐步深入，可以逐漸修正和調(diào)整模型以提高其預(yù)測(cè)精度。而且，在實(shí)際工程應(yīng)用中也往往要求對(duì)象系統(tǒng)的數(shù)學(xué)模型具有較高的精度。但是，與之相矛盾的問題是，通常難以針對(duì)復(fù)雜動(dòng)態(tài)系統(tǒng)建立的數(shù)學(xué)模型。因此，基于模型的故障預(yù)測(cè)技術(shù)的實(shí)際應(yīng)用和效果受到了很大限制，尤其是在復(fù)雜系統(tǒng)的故障預(yù)測(cè)問題中，如：電子系統(tǒng)故障預(yù)測(cè)，很難或者幾乎不可能建立預(yù)測(cè)對(duì)象的數(shù)學(xué)模型。

目前，基于模型的方法大多應(yīng)用于飛行器、旋轉(zhuǎn)機(jī)構(gòu)等機(jī)電系統(tǒng)中，而對(duì)于復(fù)雜電子系統(tǒng)，由于其故障模式和失效機(jī)理相對(duì)復(fù)雜，其故障預(yù)測(cè)的模型化研究相對(duì)滯后。

1.2 基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)方法
在許多情況下， 對(duì)于由很多不同的信號(hào)引發(fā)的歷史故障數(shù)據(jù)或者統(tǒng)計(jì)數(shù)據(jù)集， 很難確認(rèn)何種預(yù)測(cè)模型適用于預(yù)測(cè)?；蛘咴谘芯吭S多實(shí)際的故障預(yù)測(cè)問題時(shí)， 建立復(fù)雜部件或者系統(tǒng)的數(shù)學(xué)模型是很困難的甚至是不可能的， 因此， 部件或者系統(tǒng)設(shè)計(jì)、仿真、運(yùn)行和維護(hù)等各個(gè)階段的測(cè)試、傳感器歷史數(shù)據(jù)就成為掌握系統(tǒng)性能下降的主要手段?；跍y(cè)試或者傳感器數(shù)據(jù)進(jìn)行預(yù)測(cè)的方法稱為數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)技術(shù)。典型的基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)方法有：人工神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)和其他人工智能計(jì)算方法。

基于數(shù)據(jù)的故障預(yù)測(cè)技術(shù)不需要對(duì)象系統(tǒng)的先驗(yàn)知識(shí)(數(shù)學(xué)模型和專家經(jīng)驗(yàn))， 以采集的數(shù)據(jù)為基礎(chǔ)，通過(guò)各種數(shù)據(jù)分析處理方法挖掘其中的隱含信息進(jìn)行預(yù)測(cè)操作， 從而避免了基于模型和基于知識(shí)的故障預(yù)測(cè)技術(shù)的缺點(diǎn)， 成為了一種較為實(shí)用的故障預(yù)測(cè)方法。但是， 實(shí)際應(yīng)用中一些關(guān)鍵設(shè)備的典型數(shù)據(jù)(歷史工作數(shù)據(jù)、故障注入數(shù)據(jù)以及仿真實(shí)驗(yàn)數(shù)據(jù))的獲取代價(jià)通常十分高昂; 而且即使對(duì)于所獲得的數(shù)據(jù)來(lái)說(shuō)， 往往其具有很強(qiáng)的不確定性和不完整性這些問題都增加了故障預(yù)測(cè)技術(shù)的實(shí)現(xiàn)難度。

1.3 基于概率統(tǒng)計(jì)的故障預(yù)測(cè)方法
如果無(wú)法確定一個(gè)完整的動(dòng)態(tài)模型或給出輸入和輸出之間的系統(tǒng)微分方程，那么可以通過(guò)從過(guò)去故障歷史數(shù)據(jù)的統(tǒng)計(jì)特性角度進(jìn)行故障預(yù)測(cè)，這種方法稱為基于概率統(tǒng)計(jì)的故障預(yù)測(cè)方法?；诟怕实墓收项A(yù)測(cè)方法包括時(shí)間序列預(yù)測(cè)法、回歸預(yù)測(cè)法、模糊邏輯等。
時(shí)間序列預(yù)測(cè)法是把預(yù)測(cè)對(duì)象的歷史數(shù)據(jù)按一定的時(shí)間間隔進(jìn)行排列，構(gòu)成一個(gè)隨時(shí)間變化的統(tǒng)計(jì)序列，建立相應(yīng)的數(shù)據(jù)隨時(shí)間變化的模型，并將該模型外推到未來(lái)進(jìn)行預(yù)測(cè)。也可以根據(jù)己知的歷史數(shù)據(jù)擬合一條曲線，使得這條曲線能反映預(yù)測(cè)對(duì)象隨時(shí)間變化的趨勢(shì)。按照變化趨勢(shì)曲線，對(duì)于未來(lái)的某一時(shí)刻，從曲線上可以估計(jì)出該時(shí)刻的預(yù)測(cè)值。此方法有效的前提是過(guò)去的發(fā)展模式會(huì)延續(xù)到未來(lái)，因而這種方法對(duì)短期預(yù)測(cè)效果比較好。
回歸預(yù)測(cè)法是根據(jù)歷史數(shù)據(jù)的變化規(guī)律，尋找自變量與因變量之間的回歸方程式，確定模型參數(shù)，據(jù)此做出預(yù)測(cè)。根據(jù)自變量的多少可以將回歸問題分為一元和多元回歸。按照回歸方程的類型可分為線性和非線性回歸?；貧w分析法的主要特點(diǎn)是預(yù)測(cè)過(guò)程簡(jiǎn)單，將預(yù)測(cè)對(duì)象的影響因素分解，考察各因素的變化情況，從而估計(jì)預(yù)測(cè)對(duì)象未來(lái)的數(shù)量狀態(tài)?；貧w分析法要求的樣本量大并且有較好的分布規(guī)律，當(dāng)預(yù)測(cè)的長(zhǎng)度大于占有的原始數(shù)據(jù)長(zhǎng)度時(shí)，采用該方法進(jìn)行預(yù)測(cè)在理論上不能保證預(yù)測(cè)結(jié)果的精度。
 

PHM典型的健康管理方法

健康管理本質(zhì)上是將有關(guān)對(duì)象的健康信息、各種診斷資源進(jìn)行綜合管理，以獲得有關(guān)對(duì)象健康與否的決策過(guò)程。
2.1 基于知識(shí)的健康管理方法
基于知識(shí)的問題求解過(guò)程是針對(duì)給定的問題、問題的環(huán)境和主體目標(biāo)，有效地獲得與問題合環(huán)境相關(guān)的信息，恰當(dāng)?shù)靥幚磉@些信息生成相應(yīng)的知識(shí)，在主體目標(biāo)的引導(dǎo)下由知識(shí)生成求解問題的策略，根據(jù)策略獲得問題解，以解決實(shí)際的問題的過(guò)程，智能性是其大的特點(diǎn)。如圖2是基于知識(shí)的健康管理問題求解原理圖。
 

圖2 基于知識(shí)的健康管理問題求解原理圖

如圖可知：基于知識(shí)的健康管理在控制策略的調(diào)度下，由對(duì)象的狀態(tài)與健康管理任務(wù)目標(biāo)獲得狀態(tài)知識(shí)以及任務(wù)知識(shí)，通過(guò)廣義知識(shí)庫(kù)提供相應(yīng)的診斷方法和工具知識(shí)，將健康管理任務(wù)的解映射到解空間。綜合評(píng)價(jià)對(duì)健康管理的解進(jìn)行評(píng)價(jià)，與健康管理任務(wù)目標(biāo)之間的距離作為評(píng)價(jià)指標(biāo)來(lái)不斷調(diào)整控制策略，直到健康管理的解達(dá)到任務(wù)目標(biāo)，將終健康管理結(jié)果提供給用戶。

可見，在整個(gè)基于知識(shí)的健康管理系統(tǒng)中，控制策略是指揮者和組織者，體現(xiàn)了系統(tǒng)的智能性，使系統(tǒng)可以任務(wù)組織管理和調(diào)度知識(shí)，完成具體的健康管理任務(wù)?；谥R(shí)的健康管理的核心就是通過(guò)自組織與專家干預(yù)相結(jié)合的的方式形成能解決問題的控制策略知識(shí)，形成有關(guān)健康管理任務(wù)的主動(dòng)知識(shí)鏈。

2.1.1 健康管理知識(shí)鏈
知識(shí)鏈?zhǔn)侵R(shí)基在健康管理過(guò)程的轉(zhuǎn)移、組合而實(shí)現(xiàn)的知識(shí)的獲取、選擇、組織、應(yīng)用、評(píng)價(jià)等系統(tǒng)知識(shí)處理的結(jié)構(gòu)模式，是基于知識(shí)的健康管理系統(tǒng)的核心，是系統(tǒng)運(yùn)用知識(shí)處理健康管理問題的能力，是系統(tǒng)靜態(tài)知識(shí)和動(dòng)態(tài)知識(shí)的統(tǒng)一。

圖 3 健康管理知識(shí)鏈知識(shí)處理模型

由圖可見，在基于知識(shí)的健康管理系統(tǒng)工作過(guò)程中，知識(shí)鏈?zhǔn)怯筛鱾€(gè)環(huán)節(jié)銜接而成，各個(gè)環(huán)節(jié)之間相互傳遞信息。知識(shí)鏈?zhǔn)怯深I(lǐng)域?qū)＜覅⑴c評(píng)價(jià)進(jìn)行知識(shí)完善與優(yōu)化的循環(huán)維護(hù)的過(guò)程，健康管理知識(shí)在知識(shí)鏈的不斷循環(huán)過(guò)程中形成有關(guān)健康管理的更佳任務(wù)知識(shí)，由智能主體依據(jù)任務(wù)知識(shí)實(shí)現(xiàn)健康管理任務(wù)。

2.1.2基于知識(shí)的健康管理任務(wù)配置
健康管理的問題求解過(guò)程是以任務(wù)而展開的，依據(jù)健康管理的內(nèi)容，將健康管理的總體目標(biāo)分解為任務(wù)與子任務(wù)，通過(guò)對(duì)任務(wù)的推理和配置獲得有關(guān)解決的問題的知識(shí)，由不同的主體活動(dòng)執(zhí)行子任務(wù)形成任務(wù)執(zhí)行過(guò)程。健康管理系統(tǒng)按照任務(wù)分解的過(guò)程以及任務(wù)執(zhí)行過(guò)程，按照活動(dòng)過(guò)程的性質(zhì)可以劃分為兩個(gè)層次：健康管理任務(wù)配置層和健康管理任務(wù)執(zhí)行層。

（1）健康管理任務(wù)配置層：根據(jù)目標(biāo)層所設(shè)定的目標(biāo)，將目標(biāo)分解為各個(gè)任務(wù)過(guò)程以及子任務(wù)過(guò)程，通過(guò)各個(gè)任務(wù)以及子任務(wù)之間的相互補(bǔ)充與協(xié)調(diào)來(lái)完成目標(biāo)。任務(wù)層包括由用戶提出的健康管理需求到終的解決方案這一過(guò)程中的若干系統(tǒng)行為，包括健康管理目標(biāo)的任務(wù)分解，相關(guān)任務(wù)劃分，解決方案的選擇、優(yōu)化等過(guò)程，每個(gè)系統(tǒng)過(guò)程彼此相互銜接、交互，形成一套完整的活動(dòng)序列，從而實(shí)現(xiàn)健康管理任務(wù)的配置。在結(jié)構(gòu)健康管理中，健康管理任務(wù)可分解為信號(hào)采集、信號(hào)處理、異常監(jiān)測(cè)、故障診斷以及結(jié)果顯示等，每一項(xiàng)任務(wù)又可以具體化進(jìn)一步分解為細(xì)粒度的任務(wù)單元。任務(wù)單元是任務(wù)分解的終一級(jí)，也是基礎(chǔ)的任務(wù)。

（2）健康管理任務(wù)執(zhí)行層：任務(wù)的具體實(shí)施在這一層實(shí)現(xiàn)，任務(wù)的執(zhí)行過(guò)程也是對(duì)任務(wù)請(qǐng)求進(jìn)行響應(yīng)的過(guò)程，任務(wù)過(guò)程按照任務(wù)的性質(zhì)、特征，劃分為若干個(gè)任務(wù)單元來(lái)進(jìn)行，在此過(guò)程中，任務(wù)的完成需要使用相關(guān)的資源，包括硬件設(shè)備、工具、軟件、算法等。在健康管理系統(tǒng)的支持下，通過(guò)系統(tǒng)中的智能主體，按照一定的系統(tǒng)規(guī)則，利用系統(tǒng)中的相關(guān)資源，執(zhí)行每一項(xiàng)任務(wù)單元，終完成任務(wù)，通過(guò)智能主體之間的相互協(xié)作，共同完成健康管理目標(biāo)所要完成的任務(wù)。

2.2 基于信息融合的健康管理方法
信息融合是一種多層次、多方面的處理過(guò)程，是對(duì)多個(gè)信息源、多傳感器信息、多參數(shù)以及歷史與經(jīng)驗(yàn)信息綜合處理的過(guò)程，主要完成對(duì)來(lái)自多個(gè)信息源的數(shù)據(jù)或信息的自動(dòng)監(jiān)測(cè)、關(guān)聯(lián)、估計(jì)、和組合等處理。目的是充分利用已有的全部信息，提取出有價(jià)值的信息。

信息融合結(jié)構(gòu)模型包括以下三種類型：

（1）按區(qū)域劃分信息融合模型

同一個(gè)健康管理系統(tǒng)的不同區(qū)域同時(shí)應(yīng)用分別屬于上述三個(gè)層次的融合方法。數(shù)據(jù)層融合，用于融合傳感器信號(hào)生成有用信息并創(chuàng)造特征；特征層融合，常用于特征的智能融合以便去獲得更好的診斷信息；決策層融合，通常用于系統(tǒng)級(jí)的分類、診斷、預(yù)測(cè)推理和維修決策。

（2）瀑布模型

瀑布模型是一個(gè)遞階形式的信息融合功能模型，數(shù)據(jù)流式從信號(hào)層向決策層流動(dòng)的。傳感器系統(tǒng)可以通過(guò)決策模塊產(chǎn)生的控制反饋?zhàn)饔?，調(diào)整自身的工作模式，布局等。

（3）多傳感器集成融合模型

一種基于多傳感器的通用信息融合模型。來(lái)自不同信息源的數(shù)據(jù)以分層遞階方式在各個(gè)融合中心處理。該模型明確指出了多傳感器集成和融合的區(qū)別，認(rèn)為多傳感器集成是利用多個(gè)傳感器信息協(xié)助完成某一特定任務(wù)，而多傳感器融合指的是在多傳感器集成過(guò)程中需要進(jìn)行傳感器數(shù)據(jù)組合的任一環(huán)節(jié)。信息輔助系統(tǒng)為融合過(guò)程提供了必要的數(shù)據(jù)庫(kù)和知識(shí)信息。此外，多傳感器集成融合模型的融合層次從低到高分別為數(shù)據(jù)層、特征層和決策層等三個(gè)層次。