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、預(yù)測和管理。

PHM的實現(xiàn)需要狀態(tài)監(jiān)測、故障檢測診斷、預(yù)測、運維優(yōu)化等多項技術(shù)的支撐，其目標是降低成本，減少浪費，提高效率，讓機器設(shè)備更安全、可靠地運行。

新概念：MTBD

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

傳統(tǒng)基于時間可靠性分析的方式，一般先統(tǒng)計零部件使用的壽命，假設(shè)大概服從正態(tài)分布，通過求解壽命的期望值，估計該部件的有效使用時間。

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

而PHM本質(zhì)上是信息的融合，它把運行過程中不同維度的數(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，能夠?qū)Y(jié)構(gòu)、過程復(fù)雜的對象做更為精準的預(yù)測。同時由于它是基于自身的歷史數(shù)據(jù)或機理做分析，所以可以進行個性化的處理，并不完全依賴于研究對象的存在數(shù)量。

為什么需要PHM？

新一代的維護系統(tǒng)需要重點關(guān)注以下三個共通問題：

設(shè)備智能化

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

信息同步性的智能化

未來維護系統(tǒng)的另一個關(guān)鍵組成部分是信息同步性的智能化。對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，即只對信息做一次處理。自動化協(xié)同傳遞出來的信息，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，最大化信息的對稱性。

我們現(xiàn)在用的很多手機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間）與終端（比如已經(jīng)買了機票的人）直接相連，無論用戶在何時何地，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（比如機票的退改簽），最大限度避免意外情況造成的損失。

運維技術(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維這個層面，讓用戶能夠?qū)崿F(xiàn)運維決策優(yōu)化，并對運維任務(wù)的優(yōu)先級進行排序，最終實現(xiàn)整個系統(tǒng)時長可用性的提高（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)來識別并預(yù)測其發(fā)展趨勢，并將這些信息傳遞給客戶來做決策。

簡言之，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的最終目標。

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

其中修復(fù)性維護整體花費最高；預(yù)防性維護對于高可靠性系統(tǒng)，很有可能在其還沒壞的時候就換掉，造成很大的浪費；基于狀態(tài)的維護相對來說更有針對性且更精準，但仍有一定的局限性，它只能反映當前狀態(tài)，而沒有辦法對未來進行預(yù)測，管控未來的風(fēng)險；所以PHM技術(shù)的出現(xiàn)就是要預(yù)測并管理系統(tǒng)未來可能出現(xiàn)的風(fēng)險，進而降低系統(tǒng)運維成本。

不同維護策略的詳細介紹可參考天澤智云之前的文章《從修復(fù)性維護到預(yù)測性維護 風(fēng)機維護策略的發(fā)展趨勢》。

PHM技術(shù)相關(guān)名詞解釋

故障預(yù)測（Prognostics）

故障預(yù)測的狹義定義是指監(jiān)測某一類故障的早期現(xiàn)象，并能預(yù)測故障距離失效還有多長時間，即預(yù)測剩余使用時間（RUL）。

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

健康預(yù)測（Health Prediction）

健康預(yù)測是另外一個維度，是一個更廣泛的概念，指近期剩余使用壽命的健康值趨勢走向如何，與RUL不同的是在做健康預(yù)測時可能不清楚失效的標準，不知道設(shè)備到底什么時候會壞。

失效（Failure）

失效并不是指被監(jiān)測對象完全不能用了，而是諸如設(shè)備仍在運轉(zhuǎn)，但精度下降且對最終生產(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)等我們都認為是失效，分為硬失效和軟失效兩類。

硬失效/絕對失效（Hard failure）：完全損壞的組件。

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

特征（Features）

從原始信號中提取出的關(guān)鍵信息，和應(yīng)用直接相關(guān)、緊耦合的信息，通過數(shù)學(xué)運算、統(tǒng)計計算得到，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)的健康狀況直接對標的量，可以是機理相關(guān)的（如橋梁的裂紋長度），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)動的PHM方法簡介

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

模型與機理模型對比。將對比后產(chǎn)生的不同偏移量化成健康值。

與自身歷史趨勢對比。將歷史狀態(tài)做一個基線，認為它是健康的，用當前狀態(tài)與基線對比，如果有漂移我們則認為該狀態(tài)發(fā)生衰退。

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

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

Streamline：數(shù)據(jù)排序、過濾、優(yōu)先級劃分；

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)論通過可視化界面同步給用戶；

Standardize：將以上信息標準化并形成組織里的知識；

Sustain：標準化后的知識組成模型中的智能資產(chǎn)，最終實現(xiàn)可傳承的洞察與知識。

輔助PHM對象選擇的關(guān)鍵性分析

PHM并不是適用于所有的對象，我們可以參照下圖進行判斷（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。

資料來源：美國IMS中心

頻率低、影響大：PHM

頻率低、影響?。簜鹘y(tǒng)維護方式

頻率高、影響?。簻蕚涓鄠浼?/p>

頻率高、影響大：系統(tǒng)設(shè)計的問題，需改進設(shè)計

PHM系統(tǒng)設(shè)計

具體到PHM系統(tǒng)設(shè)計，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PHM系統(tǒng)時首先要定義有哪些問題，做問題的拆解，與用戶一起探討他們面臨哪些挑戰(zhàn)（如運維、質(zhì)量、能效等），并對其進行完整的調(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的分析，還是機器、產(chǎn)線或者系統(tǒng)級的分析，要選擇哪些關(guān)鍵的組件、部件進行建模，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，是用數(shù)據(jù)驅(qū)動式的建模方式，還是機理式的，或者混合式的。當選定了一種建模方式后（如數(shù)據(jù)驅(qū)動），再進一步確定哪些關(guān)鍵因素對建模目標有決定性影響，并將這些信息提取出來。

4、關(guān)鍵參數(shù)選擇

第四步是傳感器及采集策略的選擇，此時需要有專業(yè)的數(shù)據(jù)采集團隊根據(jù)數(shù)據(jù)科學(xué)家的需求來做信號采集。

5、部署策略和實驗設(shè)計

接下來是部署策略和實驗設(shè)計，即模型最終是人工觸發(fā)的還是在線一直運行的，要嵌入系統(tǒng)還是部署在云端等等。我們在建模之前需要把這些問題考慮清楚，之后就可以做一些實驗，如果有條件的話可以從實驗臺上獲得我們需要的一些數(shù)據(jù)。

6、技術(shù)和經(jīng)濟性可行性研究

之后通過示范項目，驗證整個系統(tǒng)從硬件到軟件再到算法是否能夠有機結(jié)合，算法能否閉環(huán)用戶需求并實際傳遞給用戶一些可執(zhí)行的信息，同時對投資回報率（ROI）進行分析，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

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

作者簡介

金超 博士

天澤智云技術(shù)研發(fā)副總裁

美國辛辛那提大學(xué)智能維護系統(tǒng)中心機械工程博士。在李杰教授指導(dǎo)下，自2012年開始，在智能維護系統(tǒng)中心參與負責十五個以上世界級企業(yè)與研究機構(gòu)的科研項目，涉及領(lǐng)域包括半導(dǎo)體制造、能源、航運、旋轉(zhuǎn)機械，以及電氣設(shè)備，具有豐富的工程實踐經(jīng)驗。

根據(jù)李杰教授CPS理論撰寫的“賽博制造（Cybermanufacturing）”提案獲美國NSF研究獎金資助。金超博士的研究興趣包括時間序列模態(tài)識別增強的特征工程，基于振動信號的故障早期檢測，以及系統(tǒng)級預(yù)診斷與健康管理。

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