典型的故障预测方法

基于统计过程控制(SPC)的故障预测技术统计过程控制(StatisticalPI’OCes8Control，SPC)是一种有效的数据统计方法，将SPC理论和计算机技术相结合，对机械制造、产品加工等生产过程的产品进行质量管理，以改进生产技术，提高产品质量，具有对生产过程预防和监控的能力。统计过程控制技术运用休哈特(W.A.Shewhart)的过程控制理论即控制图来判断设备是否处于稳定可靠状态，根据控制图上的特征值点分布状况，分析对象系统特性的趋势，并采取预防措施确保对象系统特性始终处于统计控制状态，从而达到改进与保证质量的目的。属于基于数据的故障预测中的一种。预置损伤标尺方法又称为“基于保险和预警装置的方法”，是通过在实际产品中增加保险或预警装置来提供故障的早期预警。性能状态检测方法又称为“基于故障预兆监控与推理的方法”、“数据驱动方法”，是利用可以测量的产品性能或者状态变量的变化趋势、故障征兆等进行故障的预测。环境应力检测方法又称为“基于失效物理模型的方法”，是基于产品的失效物理模型，对产品的环境应力和工作应力进行监测和累计损伤计算，进而推断出产品的剩余寿命。2．3．1基于失效寿命数据的故障预测失效寿命数据包括失效时间、无故障数据和截尾数据。根据失效寿命数据的分类，KM估计对三类数据的处理过程如下:①观测到故障的失效寿命数据，在故障发生前可靠度为1，在故障发生后可靠度为0。其表达式为:②未观测到故障的样本数据，可靠度估计恒为1，即r(t)=1。③截尾数据。在截尾之前可靠度为1，截尾后采用KM估计。其表达式为:2．3．3基于多输出支持向量机(SVM)的故障预测构造的多输出SVM故障预测模型如图4所示。故障预测模型的输入为样本的性能退化数据序列(每个样本序列均以时间先后为序排列)，输出为对应样本的可靠度。故障预测模型的工作原理就是，通过训练多输出SVM来拟合性能退化数据和可靠度间的非线性关系，用训练好的SVM预测组件将来时刻的可靠度。2)故障预测技术现有用于机电设备故障/失效预测的方法可归纳分为以下5个主要类别:传统的可靠性方法-基于事件数据(EventData)的预测;预测学(Prognostics)方法-基于状态数据(ConditionMonitoring)的预测;综合集成的方法(IntegratedAp-proaches)-基于事件数据和状态数据的预测;基于定性知识的故障预测方法;其他故障预测方法从目前研究工作综合来看，故障预测方法分类很多，最常见的可以分为:①基于模型的故障预测技术;②基于数据驱动的故障预测技术;③基于概率统计的故障预测技术。3．1基于模型的故障预测技术基于模型的故障预测方法假定可以获得对象系统精确的数学模型。这种方法通过对功能损伤的计算来评估关键零部件的损伤程度，通过建立物理模型或随机过程建模，用来评估部件剩余寿命。通常情况下，对象系统的故障特征通常与所用模型的参数紧密联系，随着对设备或系统故障演化机理研究的逐步深入，可以逐渐修正和调整模型以提高其预测精度。灰色模型(GreyModel)是1952年由我国邓聚龙教授提出，是目前常用的预测模型之一，通过一阶微分方程揭示数列的发展规律。灰色预测按灰色系统理论建立预测模型，根据系统的普遍发展规律，建立一般性的灰色微分方程，通过对数据序列的拟合，求得微分方程的系数，从而获得灰色预测模型。该模型用于故障短期预测效果比较好。基于滤波器的算法主要包括卡尔曼滤波器和粒子滤波器两种。卡尔曼滤波器基本思想是通过对含有噪声的观测信号的处理，得到被观测系统状态的统计估计信息。粒子滤波器方法通过非参数化的蒙特卡罗模拟方法来实现贝叶斯滤波，用样本形式对先验信息和后验信息进行描述。基于滤波器的方法要求系统模型己知，当模型比较精确时，通过比较滤波器的输出与实际输出值的残差，实时调整滤波器的参数，能够较好地估计系统的状态，同时，也能对系统的状态做短期预报。但一旦模型不准确，滤波器估计值就可能发生较大偏差。3．2基于数据驱动的故障预测技术如果不同信号引发的故障数据或依据统计得来的数据集，难以确定准确的数学模型，在故障预测时容易造成过大偏差，装备在测试或传感器数据也能成为故障预测的一种手段。基于测试或者传感器数据进行预测的方法称为数据驱动的故障预测技术。典型的基于数据驱动的故障预测方法有:人工神经网络、模糊系统和其他人工智能计算方法。数据驱动方法的具体划分如图1。人工神经网络具有模仿连续非线性函数的能力，并且能够从样本进行学习，因而在故障预测中得到了广泛的应用。人工神经网络通过样本的学习可以掌握系统规律，无需对测量信号作模型假设。由于神经网络具有很强的自适应性学习能力和非线性映射能力，适合于实现预测器的设计。但是神经网络训练时需要大量数据样本，且存在收敛速度慢、局部极小点、网络结构难·以确定等不足。支持向量机(SVM)是一种建立在统计学习理论的VC维理论和结构风险最小化原则基础上的机器学习方法。它针对小样本有很强的泛化能力，有效地克服了局部极小点、维数灾难以及过拟合等传统算法所不可避免的问题。基于数据的故障预测技术不需要对象系统的先验知识，以采集的数据为基础，通过各种数据分析处理方法挖掘其中的隐含信息进行预测操作，从而避免了基于模型和基于知识的故障预测技术的缺点，成为了一种较为实用的故障预测方法3．3基于概率统计的故障预测技术如果无法确定一个完整的动态模型或给出输入和输出之间的系统微分方程，那么可以通过从过去故障历史数据的统计特性角度进行故障预测，这种方法称为基于概率统计的故障预测方法。基于概率的故障预测方法包括时间序列预测法、回归预测法、模糊逻辑等。时间序列预测法是把预测对象的历史数据按一定的时间间隔进行排列，构成一个随时间变化的统计序列，建立相应的数据随时间变化的模型，并将该模型外推到未来进行预测。也可以根据己知的历史数据拟合一条曲线，使得这条曲线能反映预测对象随时间变化的趋势。按照变化趋势曲线，对于未来的某一时刻，从曲线上可以估计出该时刻的预测值。此方法有效的前提是过去的发展模式会延续到未来，因而这种方法对短期预测效果比较好。回归预测法是根据历史数据的变化规律，寻找自变量与因变量之间的回归方程式，确定模型参数，据此做出预测。根据自变量的多少可以将回归问题分为一元和多元回归。按照回归方程的类型可分为线性和非线性回归。回归分析法的主要特点是预测过程简单，将预测对象的影响因素分解，考察各因素的变化情况，从而估计预测对象未来的数量状态。回归分析法要求的样本量大并且有较好的分布规律，当预测的长度大于占有的原始数据长度时，采用该方法进行预测在理论上不能保证预测结果的精度。通过对大量的工程产品和系统的可靠性分析，一般产品或系统的失效与时间数据趋势很好地服从威布尔分布，见图2。