如何使用数据给机电产品算命？

这篇来讲一下博主的研究方向，也就是机电产品的寿命预测。这个预测过程会综合运用到本专栏介绍的各种信号处理方法，所以即使对于不是研究该方向的同学来说，看一下这个文章也同样会有所裨益。

 

机电产品寿命预测也就是给各种机械电子产品“算命”，即计算“剩余寿命”。这么做是为了保证机电设备在高可靠性条件下运行，同时避免过度维护导致的浪费。

比较常用的寿命预测的方法（大类）有两种*，分别为“基于故障物理”和“基于数据驱动”的方法。前者在本专栏中不做过多讨论，毕竟这个专栏是讲信号处理的，自然更关注“数据”。所谓基于数据驱动，就是通过采集产品的失效数据、退化数据，并基于统计、退化、可靠性函数以及人工智能方法进行预测的研究。

基于数据驱动的方法也有好几个分支，本篇采用的方法将其分作三类**：相似模型法、退化模型法和生存模型法。

本篇将作为提纲，将这三种方法的原理、思路和流程进行简单介绍，目的在于快速熟悉方法种类及特点，为在做类似研究方向的同学提供一些选择上的帮助。后边的文章将分别针对这三种方法使用MATLAB进行案例实现。

预测方法主要包括：

图1 剩余使用寿命（RUL）方法分类

1. 相似模型法

相似模型法很好理解：当我们知道一千对齿轮逐渐坏掉的过程时，就很容易推测一对用了一段时间的齿轮未来的损坏趋势。

相似模型法依赖于相似产品的历史数据，且该历史数据最好具有以下两个特征：

① 数据从正常运行状态开始采集，直至产品接近失效或维护为止。

② 运行数据有退化趋势。

图2 蓝线为相似产品退化过程，红线为待预测产品退化过程

图1给出了三种相似模型方法，它们都在matlab中有内置函数，除此之外还有其他建模方法，下一篇中将举例对整个基于相似性的建模方法和预测流程进行讲解。

由于使用相似产品的数据，该方法的预测精度和鲁棒性都比较好。所以该方法可以作为首选的预测方法。

但同样因为需要用到相似产品数据，使得该方法存在着局限性——有着大量的设备是不存在历史数据的。这时候就需要以下两种预测方法了。

2. 退化模型法

在看过的论文中，这种方法占了主流。

与相似模型不同的是，这种方法不需要相似产品历史数据，只需要预测的对象的退化数据就可以。也就是对象产品做过一段时间实验就可以。

图3 风力涡轮机健康指数退化曲线

比如上图是经过特征提取之后的风力涡轮机的健康指数的退化曲线，此时我们要预测未来该怎么做呢？

用线性模型进行拟合

用指数模型进行拟合

用ARMA模型进行拟合

用深度学习方法进行训练

…

这些方法都可以，我们在拟合/训练之后得到的就是这段数据的退化模型。在知道产品失效时的健康指数之后，剩余寿命预测就很简单了。

但是这种方法的缺点也很明显：

一方面，要进行剩余寿命预测需要知道失效阈值，不过很多时候表征退化的参数是经过抽象的，在物理含义上不易解释；同时没有产品失效时的历史数据，使得该失效阈值的获取也存在困难。

另一方面，模型的预测误差会随着预测长度的增加而不断积累，长期预测时精度较差。

3. 生存模型法

生存模型被分为两个具体方法：可靠性生存模型和协变量生存模型。

首先说可靠性生存模型，这个模型不需要产品的退化数据，只需要知道寿命分布就行。比如刚刚提到的风力涡轮机，现在我们有很多个同类涡轮机的寿命数据，但是没有退化数据，也就是知道它多长时间坏的，不知道坏的过程，就可以用到这个可靠性生存模型。它是用分布来描述的，比如通过统计，我们知道了这个产品寿命为平均寿命是2000小时，标准差为100小时的正态分布，那么对于一个已经使用了500小时的涡轮机，它的剩余寿命就是均值1500小时，标准差100小时的正态分布。很简单是吧。

再来说协变量生存模型。有时候我们除了产品的失效数据，还知道一些环境变量或者解释变量。比如产品制造商、产品使用方式或者制造批次等。在这种情况下，使用协变量生存模型，可以结合寿命和协变量来计算目标组件的生存概率。

*也有分为“基于统计的方法”、“基于人工智能方法”、“基于模型方法”等不同的分类方法的。

**也有分为“基于失效数据”、“基于退化数据”、“多源数据融合”的寿命预测方法的。

参考：

https://ww2.mathworks.cn/help/predmaint/ug/rul-estimation-using-rul-estimator-models.html?searchHighlight=rul&s_tid=doc_srchtitle

《数据驱动的寿命预测和健康管理技术研究进展》

后边三篇文章将针对这三种方法分别举一个例子进行说明，并使用MATLAB实现。欢迎关注我的公众号“看海的城堡”，微信号为“khscience”，会有更多有趣的东西分享。