Прогностика — это инженерная дисциплина, направленная на прогнозирование времени, когда система или компонент перестанет выполнять свою запланированную функцию. [1] Отсутствие производительности чаще всего является сбоем, после которого система больше не может использоваться для достижения желаемой производительности. Тогда прогнозируемое время становится оставшимся сроком полезного использования ( RUL ), что является важным понятием при принятии решений по смягчению последствий непредвиденных обстоятельств. Прогнозирование прогнозирует будущую производительность компонента, оценивая степень отклонения или деградации системы от ожидаемых нормальных условий эксплуатации. [2] Наука прогнозирования основана на анализе режимов отказов, обнаружении ранних признаков износа и старения, а также состояний неисправностей. Эффективное прогностическое решение реализуется при наличии достоверных знаний о механизмах сбоев, которые могут вызвать ухудшение качества, приводящее к возможным сбоям в системе. Поэтому необходимо иметь исходную информацию о возможных сбоях (включая место, режим, причину и механизм) продукта. Такие знания важны для определения параметров системы, которые необходимо контролировать. Потенциальное использование прогнозов заключается в техническом обслуживании по состоянию . Дисциплину, которая связывает изучение механизмов отказов с управлением жизненным циклом системы, часто называют прогнозированием и управлением работоспособностью ( PHM ), иногда также управлением работоспособностью системы ( SHM ) или — в транспортных приложениях — управлением исправностью транспортных средств ( VHM ) или управлением исправностью двигателя (VHM). ЭХМ ). Технические подходы к построению моделей в прогностике можно разделить на подходы, основанные на данных, подходы на основе моделей и гибридные подходы.
Прогнозы, основанные на данных, обычно используют методы распознавания образов и машинного обучения для обнаружения изменений в состояниях системы. [3] Классические методы прогнозирования нелинейных систем, основанные на данных, включают использование стохастических моделей, таких как модель авторегрессии (AR), пороговая модель AR, билинейная модель, проекция, сплайны многомерной адаптивной регрессии и модель Вольтерра. расширение серии. С последнего десятилетия все больше интересов в прогнозировании состояния систем, управляемых данными, было сосредоточено на использовании гибких моделей, таких как различные типы нейронных сетей (NN) и нейронно-нечетких систем (NF). Подходы, основанные на данных, подходят, когда понимание основных принципов работы системы не является всесторонним или когда система достаточно сложна, поэтому разработка точной модели является непомерно дорогой. Таким образом, основные преимущества подходов, основанных на данных, заключаются в том, что их часто можно развернуть быстрее и дешевле по сравнению с другими подходами, а также в том, что они могут обеспечить охват всей системы (ср. модели, основанные на физике, которые могут быть довольно узкими по своему охвату). Основным недостатком является то, что подходы, основанные на данных, могут иметь более широкие доверительные интервалы, чем другие подходы, и что они требуют значительного объема данных для обучения. Подходы, основанные на данных, можно далее разделить на статистику на основе парка автомобилей и кондиционирование на основе датчиков. Кроме того, методы, основанные на данных, также включают в себя методы подсчета циклов, которые могут включать знания предметной области .
Две основные стратегии, основанные на данных, включают (1) моделирование совокупного ущерба (или, что то же самое, здоровья) с последующей экстраполяцией до порогового значения ущерба (или здоровья) или (2) изучение оставшегося срока полезного использования непосредственно на основе данных. [4] [5] Как уже упоминалось, основным узким местом является сложность получения данных о работе до отказа, особенно для новых систем, поскольку запуск систем до отказа может быть длительным и довольно дорогостоящим процессом. Когда будущее использование не такое, как в прошлом (как в большинстве нестационарных систем), сбор данных, включающих все возможные будущие использования (как нагрузку, так и условия окружающей среды), часто становится практически невозможным. Даже там, где данные существуют, эффективность подходов, основанных на данных, зависит не только от количества, но и от качества операционных данных системы. Эти источники данных могут включать температуру, давление, нефтяные остатки, токи, напряжения, мощность, вибрацию и акустический сигнал, спектрометрические данные, а также данные калибровки и калориметрии. Данные часто необходимо предварительно обработать, прежде чем их можно будет использовать. Обычно выполняются две процедуры: i) шумоподавление и ii) извлечение признаков. Под шумоподавлением понимается уменьшение или устранение влияния шума на данные. Извлечение признаков важно, поскольку в современном мире, нуждающемся в данных, с помощью датчиков собираются огромные объемы данных, которые нелегко использовать. Поэтому знания предметной области и статистическая обработка сигналов применяются для извлечения важных характеристик из (чаще всего) зашумленных многомерных данных. [6]
Прогноз, основанный на физике (иногда называемый прогнозом, основанным на моделях), пытается включить физическое понимание (физические модели) системы в оценку оставшегося срока полезного использования (RUL). Моделирование физики может осуществляться на разных уровнях, например, микро- и макроуровнях. На микроуровне (также называемом уровнем материала) физические модели воплощаются в виде серии динамических уравнений, которые определяют взаимосвязь в данный момент времени или цикла нагрузки между повреждением (или деградацией) системы/компонента и условиями окружающей среды и эксплуатации, при которых система/компонент эксплуатируются. Модели микроуровня часто называют моделью распространения ущерба. Например, модель усталостной долговечности шарикоподшипников Ю и Харриса, которая связывает усталостную долговечность подшипника с наведенным напряжением, [7] модель роста трещин Пэрис и Эрдогана [8] и стохастическая модель распространения дефектов [9] являются другими примеры моделей микроуровня. Поскольку измерения критических свойств повреждения (таких как напряжение или деформация механического компонента) редко доступны, для определения значений напряжения/деформации необходимо использовать измеренные параметры системы. Модели микроуровня должны учитывать при управлении неопределенностью допущения и упрощения, которые могут наложить существенные ограничения на этот подход.
Модели макроуровня — это математическая модель на уровне системы, которая определяет взаимосвязь между входными переменными системы, переменными состояния системы и переменными/выходными показателями системы, где модель часто представляет собой несколько упрощенное представление системы, например, модель с сосредоточенными параметрами. . Компромиссом является увеличение охвата с возможным снижением точности конкретного режима деградации. Там, где этот компромисс допустим, результатом может стать более быстрое прототипирование. Однако там, где системы сложны (например, газотурбинный двигатель), даже модель макроуровня может оказаться довольно трудоемким и трудоемким процессом. В результате модели макроуровня могут быть недоступны для всех подсистем. Полученные в результате упрощения необходимо учитывать при управлении неопределенностью.
Гибридные подходы пытаются использовать преимущества как подходов, основанных на данных, так и подходов, основанных на моделях. [10] [11] В действительности, полевые подходы редко полностью либо полностью основаны на данных, либо исключительно на моделях. Чаще всего подходы, основанные на моделях, включают в себя некоторые аспекты подходов, основанных на данных, а подходы, основанные на данных, собирают доступную информацию из моделей. Примером первого может служить настройка параметров модели с использованием полевых данных. Примером последнего является случай, когда заданное значение, смещение или коэффициент нормализации для подхода, основанного на данных, задаются моделями. Гибридные подходы можно разделить на две категории: 1) объединение до оценки и 2.) объединение после оценки.
Мотивом для предварительного агрегирования может быть отсутствие достоверных данных. Это может произойти в ситуациях, когда диагностика хорошо справляется с обнаружением неисправностей, которые устраняются (путем технического обслуживания) до того, как произойдет сбой системы. Поэтому данных о наработке до отказа практически нет. Однако есть стимул лучше знать, когда система не сможет лучше использовать оставшийся срок полезного использования, избегая при этом внепланового обслуживания (внеплановое обслуживание обычно обходится дороже, чем плановое обслуживание, и приводит к простою системы). Гарга и др. концептуально описать гибридный подход с предварительной агрегацией, в котором знания предметной области используются для изменения структуры нейронной сети, что приводит к более экономному представлению сети. [ нужна ссылка ] Другой способ выполнить предварительную агрегацию — это комбинирование автономного процесса и онлайн-процесса: в автономном режиме можно использовать симуляционную модель на основе физики, чтобы понять взаимосвязь реакции датчика. к состоянию неисправности; В онлайн-режиме можно использовать данные для определения текущего состояния повреждения, затем отслеживать данные для характеристики распространения повреждений и, наконец, применять индивидуализированную модель распространения на основе данных для прогнозирования оставшегося срока службы. Например, Хорасгани и др. [12] смоделировали физику разрушения электролитических конденсаторов. Затем они использовали подход фильтра частиц, чтобы получить динамическую форму модели деградации и оценить текущее состояние работоспособности конденсатора. Эта модель затем используется для более точной оценки оставшегося срока службы (RUL) конденсаторов, поскольку они подвергаются термическому стрессу.
Мотивацией для объединения результатов после оценки часто является рассмотрение вопросов управления неопределенностью. То есть объединение результатов после оценки помогает сузить интервалы неопределенности подходов, основанных на данных или моделях. При этом точность повышается. Основная идея заключается в том, что несколько источников информации могут помочь улучшить производительность оценщика. Этот принцип был успешно применен в контексте объединения классификаторов, где выходные данные нескольких классификаторов используются для получения лучшего результата, чем любой классификатор по отдельности. В контексте прогностики объединение может быть достигнуто путем использования оценок качества, которые назначаются отдельным оценщикам на основе различных входных данных, например, эвристики, априорно известной производительности, горизонта прогнозирования или надежности прогноза .
Прогнозная оценка производительности имеет ключевое значение для успешного развертывания системы PHM. Отсутствие на раннем этапе стандартизированных методов оценки эффективности и наборов контрольных данных привело к тому, что стали полагаться на традиционные показатели эффективности, заимствованные из статистики. Эти показатели были в первую очередь основаны на точности и точности, где производительность оценивается по окончанию срока службы, что обычно известно априори в автономной среде. Совсем недавно в усилиях по совершенствованию прогностических технологий значительное внимание было уделено стандартизации прогностических методов, в том числе методов оценки эффективности. Ключевым аспектом, отсутствующим в традиционных показателях, является возможность отслеживать производительность с течением времени. Это важно, поскольку прогнозирование — это динамический процесс, в котором прогнозы обновляются с соответствующей частотой по мере того, как из операционной системы становится доступно больше данных наблюдений. Аналогично, эффективность прогнозирования меняется со временем, что необходимо отслеживать и количественно оценивать. Другим аспектом, который отличает этот процесс в контексте PHM, является значение времени прогноза RUL. По мере того, как система приближается к отказу, временной интервал для принятия корректирующих мер сокращается, и, следовательно, точность прогнозов становится более важной для принятия решений. Наконец, случайность и шум в процессах, измерениях и моделях прогнозирования неизбежны, и, следовательно, прогнозирование неизбежно предполагает неопределенность в своих оценках. Надежная оценка эффективности прогнозирования должна учитывать эффекты этой неопределенности.
С учетом этих проблем были разработаны несколько показателей эффективности прогнозирования:
Визуальное представление этих показателей можно использовать для отображения прогностических показателей в долгосрочной перспективе.
Существует множество параметров неопределенности, которые могут повлиять на точность прогноза. Их можно разделить на следующие категории: [13]
Примеры количественной оценки неопределенности можно найти в [14] [15] [16] [17] [18]
Для большинства промышленных применений PHM обычно наиболее практичными и распространенными являются коммерческие готовые аппаратные средства и датчики сбора данных. Примеры коммерческих поставщиков оборудования для сбора данных включают National Instruments [19] и Advantech Webaccess; [20] однако для некоторых приложений аппаратное обеспечение может быть настроено или усилено по мере необходимости. Общие типы датчиков для приложений PHM включают акселерометры, датчики температуры, давления, измерения скорости вращения с помощью энкодеров или тахометров, электрические измерения напряжения и тока, акустическую эмиссию, тензодатчики для измерения силы, а также измерения смещения или положения. Существует множество производителей датчиков для этих типов измерений, причем некоторые из них имеют специальную линейку продуктов, которая больше подходит для мониторинга состояния и приложений PHM.
Алгоритмы анализа данных и технология распознавания образов в настоящее время предлагаются на некоторых коммерческих программных платформах или как часть комплексного программного решения. В настоящее время у National Instruments есть пробная версия (с коммерческим выпуском в следующем году) прогностического инструментария Watchdog Agent, который представляет собой набор управляемых данными алгоритмов PHM, разработанных Центром интеллектуальных систем обслуживания. [21] Этот набор из более чем 20 инструментов позволяет при необходимости настраивать и настраивать алгоритмы извлечения сигнатур, обнаружения аномалий, оценки работоспособности, диагностики сбоев и прогнозирования сбоев для конкретного приложения. Индивидуальные коммерческие решения для прогнозного мониторинга с использованием набора инструментов Watchdog Agent в настоящее время предлагаются недавно созданной компанией Predictronics Corporation [22] , основатели которой сыграли важную роль в разработке и применении этой технологии PHM в Центре интеллектуальных систем обслуживания. Другим примером является MATLAB и его Predictive Maintenance Toolbox [23] , который предоставляет функции и интерактивное приложение для исследования, извлечения и ранжирования функций с использованием методов, основанных на данных и моделях, включая статистический, спектральный анализ и анализ временных рядов. Этот набор инструментов также включает справочные примеры двигателей, коробок передач, аккумуляторов и других машин, которые можно повторно использовать для разработки индивидуальных алгоритмов профилактического обслуживания и мониторинга состояния. Другие предложения коммерческого программного обеспечения сосредоточены на нескольких инструментах для обнаружения аномалий и диагностики неисправностей и обычно предлагаются в виде пакетного решения, а не набора инструментов. Пример включает аналитический метод обнаружения аномалий Smart Signals, основанный на моделях автоассоциативного типа (моделирование на основе сходства), который ищет изменения в номинальных корреляционных отношениях в сигналах, вычисляет остатки между ожидаемыми и фактическими характеристиками, а затем выполняет проверку гипотезы на остатке. сигналы (последовательный тест отношения вероятностей). [24] Подобные методы анализа также предлагает компания Expert Microsystems, которая использует аналогичный метод автоассоциативного ядра для расчета остатков и имеет другие модули для диагностики и прогнозирования. [25]
[26] Хотя большинство подходов к прогнозированию сосредоточены на точном вычислении скорости деградации и оставшегося срока службы (RUL) отдельных компонентов, именно скорость, с которой ухудшается производительность подсистем и систем, представляет больший интерес для операторов и специалистов по техническому обслуживанию. Персонал этих систем.