什么是PHM？

與數(shù)學(xué)、物理等這些傳統(tǒng)從哲學(xué)演化出來(lái)的學(xué)科不同，PHM是從工程領(lǐng)域提煉，并且不斷系統(tǒng)化、體系化的一門系統(tǒng)工程學(xué)科，聚焦于復(fù)雜工程健康狀態(tài)的監(jiān)測(cè)、預(yù)測(cè)和管理。

PHM的實(shí)現(xiàn)需要狀態(tài)監(jiān)測(cè)、故障檢測(cè)診斷、預(yù)測(cè)、運(yùn)維優(yōu)化等多項(xiàng)技術(shù)的支撐，其目標(biāo)是降低成本，減少浪費(fèi)，提高效率，讓機(jī)器設(shè)備更安全、可靠地運(yùn)行。

新概念：MTBD

為了更好的理解PHM，我們先來(lái)介紹個(gè)新的概念—MTBD (Mean-Time-Before-Degradation)，衰退發(fā)生前的平均時(shí)間。與之對(duì)標(biāo)的MTBF，是可靠性領(lǐng)域另外一個(gè)非常重要的概念，指的是機(jī)器從這次失效到下次失效的平均時(shí)間，即平均壽命是多長(zhǎng)。

傳統(tǒng)基于時(shí)間可靠性分析的方式，一般先統(tǒng)計(jì)零部件使用的壽命，假設(shè)大概服從正態(tài)分布，通過(guò)求解壽命的期望值，估計(jì)該部件的有效使用時(shí)間。

這種方式有一定的局限性。首先是其只基于時(shí)間一個(gè)維度，無(wú)法把其他變量（如環(huán)境、自身機(jī)理狀態(tài)等）整合到壽命預(yù)測(cè)里，本質(zhì)上信息的缺陷導(dǎo)致預(yù)測(cè)結(jié)果的精確度欠佳；其次該方法只適用于大批量生產(chǎn)的同類型的簡(jiǎn)單組件（如燈泡、軸承），而對(duì)于一些結(jié)構(gòu)復(fù)雜、數(shù)量不多的設(shè)備很難做預(yù)測(cè)。

而PHM本質(zhì)上是信息的融合，它把運(yùn)行過(guò)程中不同維度的數(shù)據(jù)整合到模型中，再量化成能夠反映系統(tǒng)衰退的健康值指標(biāo)，能夠?qū)Y(jié)構(gòu)、過(guò)程復(fù)雜的對(duì)象做更為精準(zhǔn)的預(yù)測(cè)。同時(shí)由于它是基于自身的歷史數(shù)據(jù)或機(jī)理做分析，所以可以進(jìn)行個(gè)性化的處理，并不完全依賴于研究對(duì)象的存在數(shù)量。

為什么需要PHM？

新一代的維護(hù)系統(tǒng)需要重點(diǎn)關(guān)注以下三個(gè)共通問(wèn)題：

設(shè)備智能化

未來(lái)的設(shè)備將越來(lái)越智能化，具備狀態(tài)自知覺(jué)、趨勢(shì)可預(yù)測(cè)、以及洞察可傳承等能力。

信息同步性的智能化

未來(lái)維護(hù)系統(tǒng)的另一個(gè)關(guān)鍵組成部分是信息同步性的智能化。對(duì)于信息同步性的智能化，李杰教授曾提出OHIO（Only Handle Information Once）的概念，即只對(duì)信息做一次處理。自動(dòng)化協(xié)同傳遞出來(lái)的信息，并且直接推送給所有需要知道這些信息的用戶，給不同用戶以最合適的方式展示最合適的信息，最大化信息的對(duì)稱性。

我們現(xiàn)在用的很多手機(jī)APP（比如“航旅縱橫”）起到的就是這樣的作用：信息（比如前序航班起降時(shí)間）與終端（比如已經(jīng)買了機(jī)票的人）直接相連，無(wú)論用戶在何時(shí)何地，都可以看到與自己相關(guān)的第一手的信息（比如航班是否延誤），根據(jù)該信息可以直接作出決策（比如機(jī)票的退改簽），最大限度避免意外情況造成的損失。

運(yùn)維技術(shù)智能化

操作設(shè)備的智能信息及同步的狀態(tài)等信息都需要傳遞到運(yùn)維這個(gè)層面，讓用戶能夠?qū)崿F(xiàn)運(yùn)維決策優(yōu)化，并對(duì)運(yùn)維任務(wù)的優(yōu)先級(jí)進(jìn)行排序，最終實(shí)現(xiàn)整個(gè)系統(tǒng)時(shí)長(zhǎng)可用性的提高（All-Time Readiness）。

我們通常只能看到設(shè)備故障的一些表象問(wèn)題（如失效、瑕疵、缺陷等），但并不清楚具體是磨損、腐蝕還是其他什么因素導(dǎo)致了這些結(jié)果，這就需要智能技術(shù)來(lái)識(shí)別并預(yù)測(cè)其發(fā)展趨勢(shì)，并將這些信息傳遞給客戶來(lái)做決策。

簡(jiǎn)言之，把不確定的信息確定化，并為客戶節(jié)約成本、提高效率就是我們維護(hù)的最終目標(biāo)。

降本、增效的宗旨始終體現(xiàn)在維護(hù)策略的演進(jìn)過(guò)程：從最開始的東西壞了再修的修復(fù)性維護(hù)，到預(yù)防性維護(hù)，再到基于狀態(tài)的維護(hù)，然后發(fā)展為現(xiàn)在的PHM。

其中修復(fù)性維護(hù)整體花費(fèi)最高；預(yù)防性維護(hù)對(duì)于高可靠性系統(tǒng)，很有可能在其還沒(méi)壞的時(shí)候就換掉，造成很大的浪費(fèi)；基于狀態(tài)的維護(hù)相對(duì)來(lái)說(shuō)更有針對(duì)性且更精準(zhǔn)，但仍有一定的局限性，它只能反映當(dāng)前狀態(tài)，而沒(méi)有辦法對(duì)未來(lái)進(jìn)行預(yù)測(cè)，管控未來(lái)的風(fēng)險(xiǎn)；所以PHM技術(shù)的出現(xiàn)就是要預(yù)測(cè)并管理系統(tǒng)未來(lái)可能出現(xiàn)的風(fēng)險(xiǎn)，進(jìn)而降低系統(tǒng)運(yùn)維成本。

不同維護(hù)策略的詳細(xì)介紹可參考天澤智云之前的文章《從修復(fù)性維護(hù)到預(yù)測(cè)性維護(hù) 風(fēng)機(jī)維護(hù)策略的發(fā)展趨勢(shì)》。

PHM技術(shù)相關(guān)名詞解釋

故障預(yù)測(cè)（Prognostics）

故障預(yù)測(cè)的狹義定義是指監(jiān)測(cè)某一類故障的早期現(xiàn)象，并能預(yù)測(cè)故障距離失效還有多長(zhǎng)時(shí)間，即預(yù)測(cè)剩余使用時(shí)間（RUL）。

PHM與傳統(tǒng)的CBM（基于狀態(tài)的監(jiān)測(cè)）最大的區(qū)別是，要做到能夠預(yù)測(cè)它最后的剩余使用壽命到底有多少。

健康預(yù)測(cè)（Health Prediction）

健康預(yù)測(cè)是另外一個(gè)維度，是一個(gè)更廣泛的概念，指近期剩余使用壽命的健康值趨勢(shì)走向如何，與RUL不同的是在做健康預(yù)測(cè)時(shí)可能不清楚失效的標(biāo)準(zhǔn)，不知道設(shè)備到底什么時(shí)候會(huì)壞。

失效（Failure）

失效并不是指被監(jiān)測(cè)對(duì)象完全不能用了，而是諸如設(shè)備仍在運(yùn)轉(zhuǎn)，但精度下降且對(duì)最終生產(chǎn)產(chǎn)品造成不良損失，或者系統(tǒng)出現(xiàn)不穩(wěn)定的狀態(tài)等我們都認(rèn)為是失效，分為硬失效和軟失效兩類。

硬失效/絕對(duì)失效（Hard failure）：完全損壞的組件。

軟失效/相對(duì)失效（Soft failures）：對(duì)系統(tǒng)可靠性的信心度下降，在工業(yè)場(chǎng)景中更為常見。這種失效由用戶定義，用戶通常知道某設(shè)備或部件可能會(huì)出現(xiàn)故障，只是不確定什么時(shí)候發(fā)生。

特征（Features）

從原始信號(hào)中提取出的關(guān)鍵信息，和應(yīng)用直接相關(guān)、緊耦合的信息，通過(guò)數(shù)學(xué)運(yùn)算、統(tǒng)計(jì)計(jì)算得到，從數(shù)據(jù)分析的角度直接提取的能夠描述數(shù)據(jù)狀態(tài)的一些凝練信息。

健康值（Health Index）

和系統(tǒng)的健康狀況直接對(duì)標(biāo)的量，可以是機(jī)理相關(guān)的（如橋梁的裂紋長(zhǎng)度），也可以是概率相關(guān)的（如失效的可能性），或者是虛擬的（如機(jī)器學(xué)習(xí)得到的擬合度或者距離）等，能夠直接反應(yīng)系統(tǒng)衰退狀態(tài)的一些值。

數(shù)據(jù)驅(qū)動(dòng)的PHM方法簡(jiǎn)介

故障預(yù)測(cè)包括基于數(shù)據(jù)驅(qū)動(dòng)、基于機(jī)理、基于混合模型，及基于可靠性、統(tǒng)計(jì)分析等多種方法，下面我們主要介紹數(shù)據(jù)驅(qū)動(dòng)的PHM建模方法，有以下幾種不同的思維方式：

模型與機(jī)理模型對(duì)比。將對(duì)比后產(chǎn)生的不同偏移量化成健康值。

與自身歷史趨勢(shì)對(duì)比。將歷史狀態(tài)做一個(gè)基線，認(rèn)為它是健康的，用當(dāng)前狀態(tài)與基線對(duì)比，如果有漂移我們則認(rèn)為該狀態(tài)發(fā)生衰退。

對(duì)等相較。假設(shè)多數(shù)同類設(shè)備是健康的，通過(guò)對(duì)比找到不健康的設(shè)備，并分析失效模式。

數(shù)據(jù)驅(qū)動(dòng)的PHM技術(shù)的分析流程通過(guò)5S方法論指導(dǎo)工業(yè)智能化的落地。

Streamline：數(shù)據(jù)排序、過(guò)濾、優(yōu)先級(jí)劃分；

Smart Processing：選擇合適的特征和正確的建模工具做智能分析；

Synchronize & See：將結(jié)論通過(guò)可視化界面同步給用戶；

Standardize：將以上信息標(biāo)準(zhǔn)化并形成組織里的知識(shí)；

Sustain：標(biāo)準(zhǔn)化后的知識(shí)組成模型中的智能資產(chǎn)，最終實(shí)現(xiàn)可傳承的洞察與知識(shí)。

輔助PHM對(duì)象選擇的關(guān)鍵性分析

PHM并不是適用于所有的對(duì)象，我們可以參照下圖進(jìn)行判斷（縱軸代表發(fā)生頻率，橫軸表示故障發(fā)生后的影響），PHM適用于發(fā)生頻率不高、但一旦發(fā)生影響很大的故障。

資料來(lái)源：美國(guó)IMS中心

頻率低、影響大：PHM

頻率低、影響?。簜鹘y(tǒng)維護(hù)方式

頻率高、影響?。簻?zhǔn)備更多備件

頻率高、影響大：系統(tǒng)設(shè)計(jì)的問(wèn)題，需改進(jìn)設(shè)計(jì)

PHM系統(tǒng)設(shè)計(jì)

具體到PHM系統(tǒng)設(shè)計(jì)，其流程共分為以下七步：

1、需求定義

與傳統(tǒng)互聯(lián)網(wǎng)思維不同，工業(yè)智能的應(yīng)用是收斂式的，所以在設(shè)計(jì)PHM系統(tǒng)時(shí)首先要定義有哪些問(wèn)題，做問(wèn)題的拆解，與用戶一起探討他們面臨哪些挑戰(zhàn)（如運(yùn)維、質(zhì)量、能效等），并對(duì)其進(jìn)行完整的調(diào)研。

2、監(jiān)控層次定義

第二步是確定監(jiān)控層次，包括確定是要做組件級(jí)的分析，還是機(jī)器、產(chǎn)線或者系統(tǒng)級(jí)的分析，要選擇哪些關(guān)鍵的組件、部件進(jìn)行建模，以及需要關(guān)心哪些特定的故障模式等等，這些都要在這個(gè)層面定義好。

3、模型選擇

第三步是模型選擇，考慮到底應(yīng)該采集哪些信號(hào)，是用數(shù)據(jù)驅(qū)動(dòng)式的建模方式，還是機(jī)理式的，或者混合式的。當(dāng)選定了一種建模方式后（如數(shù)據(jù)驅(qū)動(dòng)），再進(jìn)一步確定哪些關(guān)鍵因素對(duì)建模目標(biāo)有決定性影響，并將這些信息提取出來(lái)。

4、關(guān)鍵參數(shù)選擇

第四步是傳感器及采集策略的選擇，此時(shí)需要有專業(yè)的數(shù)據(jù)采集團(tuán)隊(duì)根據(jù)數(shù)據(jù)科學(xué)家的需求來(lái)做信號(hào)采集。

5、部署策略和實(shí)驗(yàn)設(shè)計(jì)

接下來(lái)是部署策略和實(shí)驗(yàn)設(shè)計(jì)，即模型最終是人工觸發(fā)的還是在線一直運(yùn)行的，要嵌入系統(tǒng)還是部署在云端等等。我們?cè)诮Ｖ靶枰堰@些問(wèn)題考慮清楚，之后就可以做一些實(shí)驗(yàn)，如果有條件的話可以從實(shí)驗(yàn)臺(tái)上獲得我們需要的一些數(shù)據(jù)。

6、技術(shù)和經(jīng)濟(jì)性可行性研究

之后通過(guò)示范項(xiàng)目，驗(yàn)證整個(gè)系統(tǒng)從硬件到軟件再到算法是否能夠有機(jī)結(jié)合，算法能否閉環(huán)用戶需求并實(shí)際傳遞給用戶一些可執(zhí)行的信息，同時(shí)對(duì)投資回報(bào)率（ROI）進(jìn)行分析，判斷我們現(xiàn)在這種方式能否在成本可控范圍內(nèi)最小程度定制化地推廣。

7、技術(shù)開發(fā)與上線應(yīng)用

確定可以實(shí)施之后進(jìn)行技術(shù)上線，并且平行展開規(guī)?；膽?yīng)用。

作者簡(jiǎn)介

金超 博士

天澤智云技術(shù)研發(fā)副總裁

美國(guó)辛辛那提大學(xué)智能維護(hù)系統(tǒng)中心機(jī)械工程博士。在李杰教授指導(dǎo)下，自2012年開始，在智能維護(hù)系統(tǒng)中心參與負(fù)責(zé)十五個(gè)以上世界級(jí)企業(yè)與研究機(jī)構(gòu)的科研項(xiàng)目，涉及領(lǐng)域包括半導(dǎo)體制造、能源、航運(yùn)、旋轉(zhuǎn)機(jī)械，以及電氣設(shè)備，具有豐富的工程實(shí)踐經(jīng)驗(yàn)。

根據(jù)李杰教授CPS理論撰寫的“賽博制造（Cybermanufacturing）”提案獲美國(guó)NSF研究獎(jiǎng)金資助。金超博士的研究興趣包括時(shí)間序列模態(tài)識(shí)別增強(qiáng)的特征工程，基于振動(dòng)信號(hào)的故障早期檢測(cè)，以及系統(tǒng)級(jí)預(yù)診斷與健康管理。

金超博士參與的科研項(xiàng)目合作方包括應(yīng)用材料Applied Materials、伊頓電氣Eaton、日立、電裝、Flanders Make，以及高盛精密機(jī)電等等。