前言：數(shù)網(wǎng)星工業(yè)互聯(lián)網(wǎng)平臺是針對企業(yè)生產(chǎn)運營等各類業(yè)務(wù)的工業(yè)應(yīng)用服務(wù)平臺，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)，使用了包括云計算技術(shù)、物聯(lián)網(wǎng)技術(shù)等多種*技術(shù)。同時，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)平臺中得到很好的應(yīng)用。現(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現(xiàn)真正的智能化。
?
 

PHM典型預(yù)測方法

關(guān)于故障預(yù)測方法的分類，目前不同研究機構(gòu)和組織的提法不盡一致，故障預(yù)測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)用研究工作綜合來看，主要可以分為：
1) 基于模型的故障預(yù)測技術(shù)；
2) 基于數(shù)據(jù)驅(qū)動的故障預(yù)測技術(shù)；
3) 基于統(tǒng)計可靠性的故障預(yù)測技術(shù)。

圖1 故障預(yù)測方法的分類

1.1 基于模型的故障預(yù)測方法
基于模型的故障預(yù)測方法假定可以獲得對象系統(tǒng)的數(shù)學(xué)模型。這種方法通過對功能損傷的計算來評估關(guān)鍵零部件的損傷程度，通過建立物理模型或隨機過程建模，用來評估部件剩余壽命。通常情況下，對象系統(tǒng)的故障特征通常與所用模型的參數(shù)緊密聯(lián)接，隨著對設(shè)備或系統(tǒng)故障演化機理研究的逐步深入，可以逐漸修正和調(diào)整模型以提高其預(yù)測精度。基于模型的故障預(yù)測技術(shù)具有能夠深入對象系統(tǒng)本質(zhì)的性質(zhì)和實現(xiàn)實時故障預(yù)測的優(yōu)點。物理模型方法、卡爾曼/擴展卡爾曼濾波/粒子濾波以及基于專家經(jīng)驗的方法等均可劃為基于模型的故障預(yù)測技術(shù)。
采用物理模型進行故障預(yù)測時，根據(jù)預(yù)測對象系統(tǒng)的穩(wěn)態(tài)或瞬態(tài)負載、溫度或其他在線測試信息構(gòu)建預(yù)測模型框架，并統(tǒng)計系統(tǒng)或設(shè)備歷史運行情況或預(yù)期運行狀態(tài)，進行系統(tǒng)將來運行狀態(tài)的仿真預(yù)測。通常情況下，對象系統(tǒng)的故障特征通常與所用模型的參數(shù)緊密聯(lián)接，隨著對設(shè)備或系統(tǒng)故障演化機理研究的逐步深入，可以逐漸修正和調(diào)整模型以提高其預(yù)測精度。而且，在實際工程應(yīng)用中也往往要求對象系統(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，通常難以針對復(fù)雜動態(tài)系統(tǒng)建立的數(shù)學(xué)模型。因此，基于模型的故障預(yù)測技術(shù)的實際應(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)測問題中，如：電子系統(tǒng)故障預(yù)測，很難或者幾乎不可能建立預(yù)測對象的數(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)機構(gòu)等機電系統(tǒng)中，而對于復(fù)雜電子系統(tǒng)，由于其故障模式和失效機理相對復(fù)雜，其故障預(yù)測的模型化研究相對滯后。

1.2 基于數(shù)據(jù)驅(qū)動的故障預(yù)測方法
在許多情況下， 對于由很多不同的信號引發(fā)的歷史故障數(shù)據(jù)或者統(tǒng)計數(shù)據(jù)集， 很難確認何種預(yù)測模型適用于預(yù)測。或者在研究許多實際的故障預(yù)測問題時， 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、仿真、運行和維護等各個階段的測試、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。基于測試或者傳感器數(shù)據(jù)進行預(yù)測的方法稱為數(shù)據(jù)驅(qū)動的故障預(yù)測技術(shù)。典型的基于數(shù)據(jù)驅(qū)動的故障預(yù)測方法有：人工神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)和其他人工智能計算方法。

基于數(shù)據(jù)的故障預(yù)測技術(shù)不需要對象系統(tǒng)的先驗知識(數(shù)學(xué)模型和專家經(jīng)驗)， 以采集的數(shù)據(jù)為基礎(chǔ)，通過各種數(shù)據(jù)分析處理方法挖掘其中的隱含信息進行預(yù)測操作， 從而避免了基于模型和基于知識的故障預(yù)測技術(shù)的缺點， 成為了一種較為實用的故障預(yù)測方法。但是， 實際應(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)以及仿真實驗數(shù)據(jù))的獲取代價通常十分高昂; 而且即使對于所獲得的數(shù)據(jù)來說， 往往其具有很強的不確定性和不完整性這些問題都增加了故障預(yù)測技術(shù)的實現(xiàn)難度。

1.3 基于概率統(tǒng)計的故障預(yù)測方法
如果無法確定一個完整的動態(tài)模型或給出輸入和輸出之間的系統(tǒng)微分方程，那么可以通過從過去故障歷史數(shù)據(jù)的統(tǒng)計特性角度進行故障預(yù)測，這種方法稱為基于概率統(tǒng)計的故障預(yù)測方法。基于概率的故障預(yù)測方法包括時間序列預(yù)測法、回歸預(yù)測法、模糊邏輯等。
時間序列預(yù)測法是把預(yù)測對象的歷史數(shù)據(jù)按一定的時間間隔進行排列，構(gòu)成一個隨時間變化的統(tǒng)計序列，建立相應(yīng)的數(shù)據(jù)隨時間變化的模型，并將該模型外推到未來進行預(yù)測。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)測對象隨時間變化的趨勢。按照變化趨勢曲線，對于未來的某一時刻，從曲線上可以估計出該時刻的預(yù)測值。此方法有效的前提是過去的發(fā)展模式會延續(xù)到未來，因而這種方法對短期預(yù)測效果比較好。
回歸預(yù)測法是根據(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。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。回歸分析法的主要特點是預(yù)測過程簡單，將預(yù)測對象的影響因素分解，考察各因素的變化情況，從而估計預(yù)測對象未來的數(shù)量狀態(tài)。回歸分析法要求的樣本量大并且有較好的分布規(guī)律，當預(yù)測的長度大于占有的原始數(shù)據(jù)長度時，采用該方法進行預(yù)測在理論上不能保證預(yù)測結(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)對象的健康信息、各種診斷資源進行綜合管理，以獲得有關(guān)對象健康與否的決策過程。
2.1 基于知識的健康管理方法
基于知識的問題求解過程是針對給定的問題、問題的環(huán)境和主體目標，有效地獲得與問題合環(huán)境相關(guān)的信息，恰當?shù)靥幚磉@些信息生成相應(yīng)的知識，在主體目標的引導(dǎo)下由知識生成求解問題的策略，根據(jù)策略獲得問題解，以解決實際的問題的過程，智能性是其大的特點。如圖2是基于知識的健康管理問題求解原理圖。
 

圖2 基于知識的健康管理問題求解原理圖

如圖可知：基于知識的健康管理在控制策略的調(diào)度下，由對象的狀態(tài)與健康管理任務(wù)目標獲得狀態(tài)知識以及任務(wù)知識，通過廣義知識庫提供相應(yīng)的診斷方法和工具知識，將健康管理任務(wù)的解映射到解空間。綜合評價對健康管理的解進行評價，與健康管理任務(wù)目標之間的距離作為評價指標來不斷調(diào)整控制策略，直到健康管理的解達到任務(wù)目標，將終健康管理結(jié)果提供給用戶。

可見，在整個基于知識的健康管理系統(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，完成具體的健康管理任務(wù)。基于知識的健康管理的核心就是通過自組織與專家干預(yù)相結(jié)合的的方式形成能解決問題的控制策略知識，形成有關(guān)健康管理任務(wù)的主動知識鏈。

2.1.1 健康管理知識鏈
知識鏈是知識基在健康管理過程的轉(zhuǎn)移、組合而實現(xiàn)的知識的獲取、選擇、組織、應(yīng)用、評價等系統(tǒng)知識處理的結(jié)構(gòu)模式，是基于知識的健康管理系統(tǒng)的核心，是系統(tǒng)運用知識處理健康管理問題的能力，是系統(tǒng)靜態(tài)知識和動態(tài)知識的統(tǒng)一。

圖 3 健康管理知識鏈知識處理模型

由圖可見，在基于知識的健康管理系統(tǒng)工作過程中，知識鏈是由各個環(huán)節(jié)銜接而成，各個環(huán)節(jié)之間相互傳遞信息。知識鏈是由領(lǐng)域?qū)＜覅⑴c評價進行知識完善與優(yōu)化的循環(huán)維護的過程，健康管理知識在知識鏈的不斷循環(huán)過程中形成有關(guān)健康管理的更佳任務(wù)知識，由智能主體依據(jù)任務(wù)知識實現(xiàn)健康管理任務(wù)。

2.1.2基于知識的健康管理任務(wù)配置
健康管理的問題求解過程是以任務(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分解為任務(wù)與子任務(wù)，通過對任務(wù)的推理和配置獲得有關(guān)解決的問題的知識，由不同的主體活動執(zhí)行子任務(wù)形成任務(wù)執(zhí)行過程。健康管理系統(tǒng)按照任務(wù)分解的過程以及任務(wù)執(zhí)行過程，按照活動過程的性質(zhì)可以劃分為兩個層次：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)目標層所設(shè)定的目標，將目標分解為各個任務(wù)過程以及子任務(wù)過程，通過各個任務(wù)以及子任務(wù)之間的相互補充與協(xié)調(diào)來完成目標。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程中的若干系統(tǒng)行為，包括健康管理目標的任務(wù)分解，相關(guān)任務(wù)劃分，解決方案的選擇、優(yōu)化等過程，每個系統(tǒng)過程彼此相互銜接、交互，形成一套完整的活動序列，從而實現(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)可分解為信號采集、信號處理、異常監(jiān)測、故障診斷以及結(jié)果顯示等，每一項任務(wù)又可以具體化進一步分解為細粒度的任務(wù)單元。任務(wù)單元是任務(wù)分解的終一級，也是基礎(chǔ)的任務(wù)。

（2）健康管理任務(wù)執(zhí)行層：任務(wù)的具體實施在這一層實現(xiàn)，任務(wù)的執(zhí)行過程也是對任務(wù)請求進行響應(yīng)的過程，任務(wù)過程按照任務(wù)的性質(zhì)、特征，劃分為若干個任務(wù)單元來進行，在此過程中，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)行每一項任務(wù)單元，終完成任務(wù)，通過智能主體之間的相互協(xié)作，共同完成健康管理目標所要完成的任務(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、多方面的處理過程，是對多個信息源、多傳感器信息、多參數(shù)以及歷史與經(jīng)驗信息綜合處理的過程，主要完成對來自多個信息源的數(shù)據(jù)或信息的自動監(jiān)測、關(guān)聯(lián)、估計、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

同一個健康管理系統(tǒng)的不同區(qū)域同時應(yīng)用分別屬于上述三個層次的融合方法。數(shù)據(jù)層融合，用于融合傳感器信號生成有用信息并創(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)級的分類、診斷、預(yù)測推理和維修決策。

（2）瀑布模型

瀑布模型是一個遞階形式的信息融合功能模型，數(shù)據(jù)流式從信號層向決策層流動的。傳感器系統(tǒng)可以通過決策模塊產(chǎn)生的控制反饋作用，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。來自不同信息源的數(shù)據(jù)以分層遞階方式在各個融合中心處理。該模型明確指出了多傳感器集成和融合的區(qū)別，認為多傳感器集成是利用多個傳感器信息協(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程中需要進行傳感器數(shù)據(jù)組合的任一環(huán)節(jié)。信息輔助系統(tǒng)為融合過程提供了必要的數(shù)據(jù)庫和知識信息。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層次。