故障诊断系统 何为PHM？设备故障预测的过去与将来

在过去，PHM技术的发展是一个自我学习和提高的过程，即从被动维护设备故障和故障，到定期维护和主动预防，再到提前预测和综合规划管理。美军早期装备的直升机健康和使用监控系统是PHM最原始的形式。20世纪60年代，航空空航天领域极其复杂的环境和使用条件推动了初始可靠性理论、环境试验、系统试验和质量方法的诞生。随着航天系统的日益复杂，由设计不当、制造错误、维护错误和计划外事件引起的故障概率不断增加，迫使人们在20世纪70年代提出航天器综合健康管理的概念来监控系统状态。随着故障监测与维修技术的快速发展，飞机状态监测系统、发动机监测系统、综合诊断与预测系统和海军综合状态评估系统相继得到开发和应用。这些故障源诊断和状态检测技术出现的较晚，最终导致了故障预测方法PHM的诞生。

PHM技术的发展经历了从外部测试到内部测试(BIT)，再到测试独立成为一门学科，再到综合诊断的提出和应用，最后是预测与健康管理(PHM)技术。

航空空航天、国防、军事、工业领域应用的不同类型的PHM系统，基本思路是相似的，区别主要表现在不同领域具体应用技术和方法的不同。

PHM系统主要由六部分组成—

数据采集

利用各种传感器检测和采集被测系统的相关参数信息，并将采集到的数据进行有效的转换和传输。

信息归纳处理

从传感器和其他数据处理模块接收信号和数据信息，并将数据信息处理成可由后续组件处理的有效形式或格式。该部分的输出结果包括经过滤波和压缩的传感器数据、光谱数据和其他特征数据。

状态监控

从传感器、数据处理和其他状态监控模块接收数据。其功能是将这些数据与预定的故障标准进行比较，以监控系统的当前状态，并根据各种参数的预定极限值/阈值提供故障报警能力。

健康评估

接收来自不同状态监控模块和其他健康评估模块的数据。主要评估健康状况(如是否有参数降级等。)被监控系统(或子系统、组件等)的)，并能生成故障诊断记录和确定故障的可能性。故障诊断应基于健康状态、工作状态和维护历史的各种历史数据。

故障预测决策

故障预测能力是PHM系统的显著特征之一。该组件由两部分组成，可以综合利用各部分的数据信息，对被监测系统未来的健康状况进行评估和预测，并做出判断、建议和决策，采取相应的措施。该组件可以在被监控系统出现故障之前的适当时间采取维护措施。这一部分实现了PHM系统管理的能力，这是另一个显著的特点。

担保决定

主要包括人机界面和人机界面。人机界面包括状态监测模块的预警信息显示和健康评估、预测和决策支持模块的数据信息表示。机器-机器接口使上述模块之间以及PHM系统与其他系统之间的数据信息能够传输和交换。需要指出的是，上述架构中的组件之间没有明显的边界，存在数据信息的交叉反馈。

PHM模型的分类:

基于模型的故障诊断和预测

故障诊断和预测一般需要先在系统模型上进行测试和验证，以最小的代价获得直观有效的数据信息。基于故障诊断和预测技术的系统模型通常由某一领域的专家给出，经过大量的数据验证，通常是真实可靠的。基于模型的故障诊断和预测技术可以深入到对象系统的本质，实现实时故障预测，对象系统的故障特征通常与模型参数接近或密切相关。随着对设备故障演化机理认识的逐步深入，可以逐步对模型进行修正，提高其预测精度。

然而，实际工程应用要求对象系统的数学模型精度高、动态系统复杂，建立准确的数学模型往往是一个困难的矛盾。因此，基于模型的故障诊断和预测技术的实际应用范围和效果往往有限。通过大量的研究和论证，人们逐渐提出了许多相关的解决方案。例如，基于随机滤波理论的故障预测技术是基于模型的故障预测技术的典型代表，包括卡尔曼滤波、扩展卡尔曼滤波、无味滤波和粒子滤波。

基于状态信息的故障诊断与预测

目前基于状态的维修方法直接采用被观察对象的功能和性能信息进行故障诊断，是一种置信度较高的故障诊断维修方法，并已成功应用。CBM方法是通过实时监测设备的工作状态和环境，借助人工智能等先进计算手段，对设备未来的维修调度时间进行诊断、预测和合理安排。CBM方法根据设备的实际运行状态确定设备的最小维护时间，降低设备的生命周期成本，增加设备的稳定性。CBM的思想是只有在设备需要维护的时候，才进行必要的维护，大大降低了不必要的维护和诊断成本。

基于知识的故障诊断与预测

在实际工程应用中，往往无法获得对象系统的精确数学模型，这极大地限制了基于模型的故障诊断和预测方法的实施。然而，基于知识的故障诊断和预测不需要对象系统的精确数学模型，能够有效表达与对象相关的领域专家的经验知识，是一种很有前途的方法。基于知识的故障诊断和预测技术最大的优点是可以充分利用领域专家的经验和与对象系统相关的知识。

但是，由于基于知识的故障诊断和预测技术更适合定性推理而不是定量计算，其实际应用仍然困难，单独使用专家系统或模糊逻辑进行故障诊断和预测的例子很少。由于基于知识的访问是一种半定量的方法，所以它在表达知识和推理方面有其独特的特点。

所以一般都是和其他技术结合，才能获得更好的应用效果。基于知识的故障诊断和预测的一般原则是:

A.数理统计模型，通过系统现象对应的关键参数集，根据历史数据建立各参数变化和故障破坏的概率模型(退化概率轨迹)，与当前多参数概率状态空，判断当前健康状态，分析趋势。通过当前参数概率空与已知损伤状态概率空之间的干扰，进行定量损伤判断，并基于过去的历史信息进行趋势分析和故障预测。

B.神经网络模型利用神经网络的非线性变换特性及其智能学习机制，建立被监测故障现象与产品故障损伤状态之间的关系。通过使用已知的“异常特征-故障损伤”退化轨迹，或者通过故障注入建立与特征分析结果相关联的退化轨迹，来“训练/学习”人工神经网络模型。然后利用“训练/学习”后的ANN，根据当前的产品特征，判断产品的故障损伤状态。BP算法是该模型中应用最广泛的网络。此外，还有专家系统模型和模糊综合评价模型。

PHM技术的发展经历了故障诊断、故障预测和系统集成三个日益完善的阶段。它在组件级和系统级经历了不同的开发过程，在机械产品和电子产品中也是如此。目前，PHM技术的发展体现在系统级集成应用的牵引，提高故障诊断和预测的准确性，扩大健康监测的应用范围，支持CBM和AL的发展。PHM技术作为一种新生力量，已经成功应用于军事、民航空和电子领域，大大提高了各个应用领域的作战效率，具有广阔的发展前景。

更多关于PHM和设备故障预测的话题，请访问汇都科技网站与我们交流。