Prognostics - это инженерная дисциплина, сфокусированная на прогнозировании времени, в течение которого система или компонент перестанут выполнять свои функции. Такое отсутствие производительности чаще всего является неисправностью, после которой система больше не может использоваться для достижения желаемой производительности. Прогнозируемое время затем становится оставшимся сроком полезного использования (ПРАВИЛО ), что является важной концепцией при принятии решений по смягчению последствий непредвиденных обстоятельств. Prognostics предсказывает будущую производительность компонента, оценивая степень отклонения или деградации системы от ожидаемых нормальных рабочих условий. Прогностическая наука основана на анализе видов отказов, обнаружении ранних признаков износа и старения, а также состояний отказа. Эффективное прогностическое решение реализуется, когда есть достоверные сведения о механизмах отказа, которые могут вызвать ухудшение характеристик, ведущее к возможным отказам в системе. Поэтому необходимо иметь исходную информацию о возможных сбоях (включая место, режим, причину и механизм) в продукте. Такие знания важны для определения параметров системы, которые необходимо контролировать. Возможное использование для прогнозирования находится в обслуживании на основе состояния. Дисциплина, которая связывает исследования механизмов сбоев с управлением жизненным циклом системы, часто называется прогнозированием и управлением работоспособностью (PHM ), иногда также управлением работоспособностью системы (SHM ) или - в транспортных приложениях - управление исправностью транспортного средства (VHM ) или управление исправностью двигателя (EHM ). Технические подходы к построению моделей в прогнозировании можно в целом разделить на подходы, основанные на данных, подходы на основе моделей и гибридные подходы.
Прогнозирование на основе данных обычно использует методы распознавания образов и машинного обучения для обнаружения изменений в состояниях системы. Классические методы прогнозирования нелинейных систем, основанные на данных, включают использование стохастических моделей, таких как модель авторегрессии (AR), пороговая модель AR, билинейная модель, проекционное преследование, многомерные сплайны адаптивной регрессии и расширение ряда Вольтерра. С последнего десятилетия все больше интересов в прогнозировании состояния системы на основе данных было сосредоточено на использовании гибких моделей, таких как различные типы нейронных сетей (NN) и нейронные нечеткие (NF) системы. Подходы, основанные на данных, уместны, когда понимание основных принципов работы системы не является исчерпывающим или когда система достаточно сложна, так что разработка точной модели является чрезмерно дорогостоящей. Таким образом, основные преимущества подходов, основанных на данных, заключаются в том, что их часто можно развернуть быстрее и дешевле по сравнению с другими подходами, и что они могут обеспечить охват всей системы (см. Модели на основе физики, 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 количества данных для обучения. Подходы, основанные на данных, могут быть далее подразделены на статистику на основе автопарка и кондиционирование на основе датчиков. Кроме того, методы, основанные на данных, также включают методы подсчета циклов, которые могут включать знание предметной области.
Две основные стратегии, основанные на данных, включают (1) моделирование совокупного ущерба (или, что то же самое, здоровья) с последующей экстраполяцией на порог повреждения (или здоровья), или (2) определение оставшегося срока полезного использования напрямую из данных. Как уже упоминалось, основным узким местом является сложность получения данных о работе до отказа, в частности, для новых систем, поскольку доведение системы до отказа может быть длительным и довольно дорогостоящим процессом. Когда будущее использование отличается от прошлого (как в случае с большинством нестационарных систем), сбор данных, включающих все возможные будущие использования (как нагрузки, так и условия окружающей среды), часто становится почти невозможным. Даже там, где данные существуют, эффективность основанных на данных подходов зависит не только от количества, но и от качества операционных данных системы. Эти источники данных могут включать температуру, давление, масляный мусор, 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) уменьшение шума и ii) извлечение признаков. Под шумоподавлением понимается уменьшение или устранение влияния шума на данные. Извлечение функций важно, потому что в сегодняшнем мире, требующем данных, огромное количество данных собирается с помощью сенсорных измерений, которые не могут быть легко использованы. Поэтому знания предметной области и статистическая обработка сигналов применяются для извлечения важных характеристик из (чаще всего) зашумленных многомерных данных.
Прогнозирование на основе моделей пытается включить физическое понимание (физические модели) системы для оценки оставшегося срока полезного использования (RUL). Физическое моделирование может выполняться на разных уровнях, например, на микро- и макроуровнях. На микроуровне (также называемом материальным уровнем) физические модели воплощены в виде ряда динамических уравнений, которые определяют взаимосвязи 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 на микроуровне часто называют моделью распространения повреждений. Например, модель усталостной долговечности для шарикоподшипников Ю и Харриса, которая связывает усталостную долговечность подшипника с индуцированным напряжением, модель роста трещин Пэрис и Эрдогана и модель стохастического распространения дефектов являются другими примерами моделей на микроуровне. Поскольку измерения критических характеристик повреждения (таких как напряжение или деформация механического компонента) доступны редко, измеренные параметры системы должны использоваться для вывода значений напряжения / деформации. При управлении неопределенностью модели на микроуровне должны учитывать допущения и упрощения, которые могут существенно ограничивать этот подход.
Макроуровневые модели - это математическая модель на системном уровне, которая определяет отношения между входными переменными системы, переменными состояния системы, а также переменными / выходными параметрами системы, где модель часто является несколько упрощенным представлением системы, например, модель с сосредоточенными параметрами. Компромисс заключается в увеличении покрытия с возможным снижением точности конкретного режима ухудшения качества. Если этот компромисс допустим, результатом может стать более быстрое прототипирование. Однако в сложных системах (например, газотурбинный двигатель) даже модель на макроуровне может оказаться довольно трудоемким и трудоемким процессом. В результате модели макроуровня могут быть доступны не для всех подсистем в деталях. Полученные упрощения должны быть учтены при управлении неопределенностью.
Гибридные подходы пытаются использовать преимущества как подходов, основанных на данных, так и подходов на основе моделей. На самом деле редко бывает, чтобы полевые подходы полностью основывались либо на данных, либо на моделях. Чаще всего подходы, основанные на моделях, включают некоторые аспекты подходов, основанных на данных, а подходы, основанные на данных, собирают доступную информацию из моделей. Примером первого может быть настройка параметров модели с использованием полевых данных. Примером последнего является случай, когда заданное значение, смещение или коэффициент нормализации для подхода, управляемого данными, задаются моделями. Гибридные подходы можно условно разделить на две категории: 1) объединение предварительной оценки и 2) объединение постоценки.
Мотивом для предварительной оценки может быть отсутствие достоверных данных. Это может произойти в ситуациях, когда диагностика хорошо помогает обнаруживать неисправности, которые устраняются (посредством обслуживания) до того, как произойдет сбой системы. Таким образом, практически нет данных о работе до отказа. Однако есть стимул лучше знать, когда система не сможет лучше использовать оставшийся срок полезного использования, в то же время избегая внепланового обслуживания (внеплановое обслуживание обычно дороже, чем плановое обслуживание, и приводит к простою системы). Гарга и др. концептуально описать гибридный подход с предварительной оценкой агрегирования, в котором знания предметной области используются для изменения структуры нейронной сети, что приводит к более экономному представлению сети. Другой способ выполнить агрегирование предварительной оценки - это объединить автономный процесс и интерактивный процесс: в автономном режиме можно использовать имитационную модель, основанную на физике, для понимания взаимосвязи реакции датчика с состоянием отказа; В интерактивном режиме можно использовать данные для определения текущего состояния повреждения, затем отслеживать данные для характеристики распространения повреждений и, наконец, применять индивидуализированную управляемую данными модель распространения для прогнозирования оставшегося срока службы. Например, Хорасгани и др. Смоделировали физику отказа электролитических конденсаторов. Затем они использовали подход с фильтром частиц, чтобы получить динамическую форму модели деградации и оценить текущее состояние исправности конденсатора. Затем эта модель используется для получения более точной оценки оставшегося полезного срока службы (RUL) конденсаторов, поскольку они подвергаются тепловым нагрузкам.
Мотивом для слияния пост-оценки часто является учет управления неопределенностью. То есть слияние постоценки помогает сузить интервалы неопределенности подходов, основанных на данных или на основе моделей. В то же время точность улучшается. Основная идея заключается в том, что несколько источников информации могут помочь повысить производительность оценщика. Этот принцип успешно применялся в контексте слияния классификаторов, когда выходные данные нескольких классификаторов используются для получения лучшего результата, чем любой классификатор в одиночку. В контексте прогнозирования слияние может быть достигнуто путем использования оценок качества, которые назначаются отдельным оценщикам на основе различных входных данных, например эвристики, заранее известной производительности, горизонта прогнозирования или устойчивости прогноза.
Прогностическая оценка производительности имеет ключевое значение для успешного развертывания системы PHM. Отсутствие на раннем этапе стандартизированных методов оценки производительности и наборов контрольных данных привело к использованию традиционных показателей производительности, заимствованных из статистики. Эти метрики в основном основывались на точности и точности, когда производительность оценивалась по фактическому окончанию срока службы (EoL), обычно известному априори в автономных условиях. В последнее время в усилиях по развитию технологии прогнозирования значительное внимание уделяется стандартизации методов прогнозирования, включая методы оценки эффективности. Ключевым аспектом, отсутствующим в традиционных показателях, является возможность отслеживать производительность во времени. Это важно, потому что прогнозирование - это динамический процесс, в котором прогнозы обновляются с соответствующей частотой по мере того, как из операционной системы становится доступным больше данных наблюдений. Точно так же эффективность прогнозирования меняется со временем, что необходимо отслеживать и количественно оценивать. Другой аспект, который отличает этот процесс в контексте PHM, - это значение времени предсказания RUL. Когда система приближается к отказу, временное окно для принятия корректирующих действий становится короче, и, следовательно, точность прогнозов становится более важной для принятия решений. Наконец, случайность и шум в моделях процесса, измерений и прогнозирования неизбежны, и, следовательно, прогноз неизбежно включает неопределенность в своих оценках. Надежная оценка прогностической эффективности должна учитывать влияние этой неопределенности.
Несколько показателей производительности прогнозирования были разработаны с учетом этих проблем:
Визуальное представление этих показателей может использоваться для отображения прогнозной производительности на долгий период времени.
Существует множество параметров неопределенности, которые могут влиять на точность прогноза. Их можно разделить на следующие категории:
Примеры количественной оценки неопределенности можно найти в.
Для большинства промышленных приложений PHM коммерческое готовое оборудование для сбора данных и датчики обычно являются наиболее практичными и распространенными. Примеры коммерческих поставщиков оборудования для сбора данных включают National Instruments и Advantech Webaccess; тем не менее, для некоторых приложений оборудование может быть настроено или усилено по мере необходимости. К распространенным типам датчиков для приложений PHM относятся акселерометры, датчик температуры, давления, измерения скорости вращения с помощью энкодеров или тахометров, электрические измерения напряжения и тока, акустическая эмиссия, датчики нагрузки для измерения силы, а также измерения смещения или положения. Существует множество поставщиков датчиков для этих типов измерений, некоторые из которых имеют определенную линейку продуктов, которая больше подходит для мониторинга состояния и приложений PHM.
Алгоритмы анализа данных и технология распознавания образов теперь предлагаются в некоторых коммерческих программных платформах или как часть пакетного программного решения. В настоящее время National Instruments имеет пробную версию (коммерческий выпуск которой состоится в следующем году) инструментария прогноза Watchdog Agent®, который представляет собой набор алгоритмов PHM, управляемых данными, которые были разработаны Центром интеллектуальных систем обслуживания. Этот набор из более чем 20 инструментов позволяет настраивать и настраивать алгоритмы для извлечения сигнатур, обнаружения аномалий, оценки работоспособности, диагностики сбоев и прогнозирования сбоев для данного приложения по мере необходимости. Коммерческие решения для индивидуализированного прогнозного мониторинга с использованием инструментария Watchdog Agent теперь предлагаются недавно созданной компанией под названием Predictronics Corporation, основатели которой сыграли важную роль в разработке и применении этой технологии PHM в Центре интеллектуальных систем обслуживания. Другим примером является MATLAB и его набор инструментов Predictive Maintenance Toolbox, который предоставляет функции и интерактивное приложение для исследования, извлечения и ранжирования функций с использованием методов на основе данных и моделей, включая статистический, спектральный анализ и анализ временных рядов. Этот набор инструментов также включает справочные примеры двигателей, редукторов, аккумуляторов и других машин, которые можно повторно использовать для разработки специализированных алгоритмов профилактического обслуживания и мониторинга состояния. Другие коммерческие предложения 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 подобия), которые ищут изменения в номинальной корреляционной взаимосвязи в сигналах, вычисляют остатки между ожидаемыми и фактическими характеристиками, а затем выполняют проверку гипотез на остатках. сигналы (последовательный тест отношения вероятностей). Подобные типы методов анализа также предлагаются компанией Expert Microsystems, которая использует аналогичный метод автоассоциативного ядра для вычисления остатков и имеет другие модули для диагностики и прогнозирования.
Хотя большинство подходов к прогнозированию сосредоточены на точном вычислении скорости деградации и остаточного срока службы (RUL) отдельных компонентов, именно скорость, с которой ухудшаются характеристики подсистем и систем, представляет больший интерес для операторов и обслуживающего персонала этих компонентов. системы.