機械系統剩余壽命預測及預防性維修決策研究

謝志敏

（頤中（濰坊）實業有限公司，山東濰坊 262500）

1 機械系統預防性維修決策的研究

隨著我國科學技術不斷發展和應用，很多機械系統設備在實際運轉過程中出現故障的規律和基本模式逐漸趨于復雜化。要進一步加強機械系統的運轉效率，就要充分利用系統剩余壽命，確保機械系統在可靠性較強的基礎上提升可使用效率，實現精確化保障，不斷降低設備系統的維修費用。以下是對機械系統預防性維修決策的研究。

通常，機械系統的維修主要是指在保證機械系統處于正常執行功能狀態下所進行的技術和管理操作。對于已發現異常的機械系統不僅要采取維修操作，還要不斷加強對于維修成本、維修所需要資源的消耗、生產效益之間的決策研究。通過研究來確定最佳且效率最高的維修方式，保證維修的損失控制在合理范圍內。依據機械系統的維修發生時機可對其進行分類，主要包含2 個方面。

（1）修復性維修就是日常所說的事后維修，也就是機械系統在出現異常之后的維修，該部分工作的實際研究內容不是很多。

（2）預防性維修是較為重要的關注部分，分為計劃性維修和視情況進行維修兩種情況。這兩種中較為理想的方式就是從機械系統的健康狀態檢測來進行視情況的維修操作，以及在此情況下拓展而來的預測維修。

目前，已有的預防性維護維修會從時間和狀態兩個方面來對機械系統進行維修和維護。其中，從時間角度進行維修主要指在給定的時間期限內，對機械系統中還沒有失效的部分進行維修和維護，從而降低系統在實際使用過程中出現故障的概率，避免系統因失效而造成不必要損失。在機械系統較為復雜部分的壽命已知的情況下會采用定時維修方式。此外，從狀態角度進行維修主要指依據對機械系統狀態的實時檢測情況信息而施行的預防性維修操作，也就是一旦發現機械系統存在功能障礙的提前征兆，就要對其采取合理化針對性的維護操作。但現今很多機械設備的狀態維護方式都是采用假設已知的方式來建設退化狀態下的分布函數。該建設方式在實際運轉過程中會存在運行數據不足的情況，也會受到機械系統運行周圍環境和負載的影響，使得退化分布存在困難，需要進一步進行探究。

2 機械系統的剩余壽命預測研究

一般，機械系統的剩余壽命是對設備技術運行狀態參數的重要表征，剩余壽命的預測是對CBM 實施的重要性依據。系統剩余壽命的預測會結合系統機械設備的綜合運轉情況，將系統相關的歷史數據當作主要參數，借助于設備的運轉狀態對其剩余壽命進行預測。機械系統剩余壽命的預測方法主要包括：基于數理統計理論的預測方式、基于數據驅動的預測方式、基于模型的預測方式等部分。以下是對機械系統的剩余壽命預測的具體研究。

2.1 從數理統計角度對機械系統剩余壽命預測的研究

從數理統計角度預測剩余壽命的方式主要是指在具備重組的數理統計基礎上，結合已有歷史數據來擬合失效的分布，之后借助于回歸分析的基本數學模型來預測機械系統的剩余壽命。有的研究者采用對橋梁的不同時刻檢測結果來使用回歸分析的模型，建立橋梁的結構損傷和使用時間的關系，之后對橋梁結構的剩余壽命進行預測；還有的學者對道面狀況的指數建立預測模型，研究對象為機場的瀝青混凝土跑道；還有學者在進行大數量的資料和實驗分析之后，使用回歸分析建立混凝土與凍循環次數之間的數學模型，并采用該模型對高寒地區的機場跑道進行剩余壽命預測。由此可得，從數理統計角度對機械系統的剩余壽命進行預測的方法并不需要傳感器，也不需要對機械系統的故障類型進行確定后才可預測，該方法操作較為簡單方便。但需要具有數量龐大的歷史數據作為主要的研究基礎，還要依據主要的變量建立函數關系，實際預測的精確化程度并不是很高，屬于機械系統剩余壽命預測的粗略方法。

2.2 從數據驅動角度對機械系統剩余壽命預測的研究

該類方法主要應用于現今的狀態化數據監測，主要包含的方法有神經網路方法、支持向量機等一類方法，來對機械系統的剩余壽命進行預測，以下是對不同方法的具體研究。

（1）神經網路的方法可通過對人體腦部神經的學習及判別和推理進行模擬，可對已有歷史數據進行自動化更新，具有相對較好的容納錯誤性能，廣泛應用于機械系統剩余壽命的預測。現有學者以機械系統的狀態監測數據為基本內容，采用動態化的小波神經網絡進行訓練并建立機械系統出現故障特征的時間變化基本模型，該研究內容的對象為軸承的剩余壽命；還有學者將機械裝備的剩余壽命和基本的檢測數據當作預測系統的輸入量，利用神經網絡對水泵軸承的剩余壽命進行預測；還有學者使用人工網絡的方式對起重機的剩余壽命進行預測并實際驗證；有的學者采用反向傳播和自組織映射方式的神經網絡對球軸承的剩余壽命系統進行預測。

（2）20 世紀末，有研究者首次提出了支持向量機理論的機器學習理論，該方法可將空間輸入部分映射到維度較高的空間。針對非線性問題可轉化為線性問題來提升機械系統剩余壽命預測的精確程度。其中，基于最小二乘法的支持向量機將最小二乘數學方法加入到SVM 中，實現了對SVM 的拓展。主要研究內容涉及以下方面，例如，為探究實驗區水質的腐蝕情況，有研究者使用SVM 建立了支持向量機的剩余壽命預測模型，主要研究對象為注水管道；還有學者借助于關聯向量機回歸的方式對機械系統的剩余壽命進行預測，證明仿真的實驗效果要優于傳統預測方法；還有學者提出了火炮特性預測模型，主要將量子和離子群算法應用于模型進行反演，證明了該方法具有很好的實用性價值。

2.3 從模型角度對機械系統剩余壽命預測的研究

研究表明可利用數學模型對機械系統的剩余壽命進行預測，該部分常使用的數學模型包括比例故障模型、濾波模型、馬爾可夫模型，以下是對不同模型的具體介紹。

（1）比例故障模型最早出現于20 世紀70 年代，該模型屬于多元線性回歸的基本方法，主要針對概率表征的劣化程度進行分布，將多種因素都考慮在內。主要研究涉及以下方面，有的學者建立威布爾比例的故障模型，以發動機的某一軸承為研究對象進行了維修決策的基本研究；還有的學者建立了狀態信息的故障率模型，對機械系統的剩余壽命進行預測；還有的學者對比例故障模型進行了修正后借助于比例強度，對軸承的剩余壽命進行預測，還評估了對于預防維修的影響作用。

（2）濾波模型主要建立在延遲時間的概念理論上，將所需狀態信息當作條件，對剩余壽命分布進行推測。該概念可把機械系統的運行分為正確及故障延遲兩個階段，可通過監測數據建立不同階段的狀態分布情況。有的研究者使用粒子相關理論預測了行星載板的剩余壽命，還有通過建立概率密度函數對軸承的剩余壽命進行預測，還借助于基本濾波模型推導極大似然估計法的預測模型等。

（3）馬爾可夫模型屬于隨機過程的預測模型，在已知系統的條件下建立模型，模型與系統的未來和過去發展并沒有太大關系。該模型建立時可將動態的貝葉斯網絡使用起來，對狀態轉移概率進行了解，之后使用蒙特卡洛方法進行仿真預測，有學者將狀態指標設置為隨機預測模型，采用馬爾可夫對失效概率進行檢測。該模型相較于其他預測模型，精確程度較高，但實際預測過程需要工程模型的支撐，復雜程度也會相對較高，可適用于與假設系統相關的機械系統預測。

3 機械系統剩余壽命和維修決策相關研究展望

通過對不同預測系統的研究可發現，現有系統研究具有待改進的部分，可從以下方面進行改善。

（1）可將多種模型進行組合之后對機械系統進行預測，已有機械系統剩余壽命和維修決策預測的方法模型包含很多種類，不同方法有其適用范圍。同時，對剩余壽命產生影響的因素有很多，如非線性、不確定性和時間變化性等，要對較為復雜的系統進行預測，就要將多種模型進行組合，針對不同層次的特征需要來強化對不同特征機械系統的預測。

（2）可進一步加強對不完備條件下機械系統剩余壽命的預測研究。由于對機械系統剩余壽命和維修決策研究要應用于實踐，故對機械系統進行預測時，要將實際運轉情況考慮在內。但實際工程會受到很多方面限制，不能得到很完整的設備信息。在進行剩余壽命預測可采用不完備條件下的預測方式，結合實際工程情況，建立適合的模型，解決實踐應用的情況。

（3）強化對RUL（residual useful life，剩余壽命）動態化預測的研究。已知現階段的RUL 研究得到的預測結果都為處于靜止狀態的數值，并沒有考慮到設備實際運行的影響因素，因此，要改變靜態預測研究，就要不斷強化對于RUL 動態預測的研究，考慮到設備實際運行狀態的影響。使用RUL 動態化預測的方式可增強系統剩余壽命預測的自動更新能力，進一步提升系統預測精確度，確保所得到的數據更加真實有效。

4 結語

機械系統的剩余壽命預測及預防性維修決策研究具有很重要的意義和作用，不僅可以總結已有研究情況，還可通過總結進一步強化不同預測方法需要改進的方面。目前，已有的預防性維護維修會從時間和狀態兩個方面來對機械系統進行維修和維護。機械系統的剩余壽命預測涉及到數理統計、數據驅動、模型等不同方法和模型。要進一步提升機械系統的剩余壽命預測及預防性維修決策，就要將多種模型進行組合，進一步加強對不完備條件下機械系統剩余壽命的預測研究，強化對RUL 動態化預測的研究等。