PHM技术梳理-3

3. 3. PHM模型与算法

上面我们大概介绍了预测与健康管理系统架构。下面我们简要介绍一些PHM方面的算法与模型。
故障预测与健康管理技术体系中的算法和模型包含了故障检测算法、故障诊断算法、故障预测算法、健康状态评估算法等多个方面。这里推荐大家看Rolf Isermann的《Fault-Diagnosis Systems-An Introduction from Fault Detection to Fault Tolerance》和George Vachtsevanos等人的《Intelligent Fault Diagnosis and Prognosis for Engineering Systems》，这两本书在算法方面写的比较详细，且浅显易懂。
故障检测是通过对采集到的传感器信号进行预处理，通过对信号的时频域进行特征提取，根据提取到的特征判断系统中是否存在异常。这有点像我们体检过程中的血液检测一样。如果说血液是一个信号，那血液检测仪就是一个“故障”检测系统。 我们看一张血液检测单，可以看到，这里面“全血粘度”、“红细胞刚性指数”等都属于提取到的血液特征，12.60、6.57都是特征值。6.8-9.58、3.71-5.61是给定的阈值范围，最后一项“↑”是异常检测结果。后面对病灶的定位和对身体状态的评估都依赖于这些异常检测结果。故障检测和这个过程是完全一样的，我们也需要提取最能够反映机器设备异常的信号。

故障检测模型总体上分为两大类，一种是通过传感器检测得到的信号，构造信号模型来进行检测，就像这张图一样。其基本原理是构建系统传感器检测信号的时域、频域和时频域模型，提取检测特征，通过与系统正常运行过程的信号特征进行对比，检测系统是否发生故障。

基于信号的故障检测模型是最常用的检测方法。这类方法特别适用于工况相对比较固定的设备的故障检测。比如对于固定转速的液压泵，采集壳体上的振动信号，由于转速固定，故障的特征频率点基本上是确定的，这便于异常检测。对于工况不确定的设备，也可以用基于信号的故障诊断模型，但是相对来讲模型要复杂一些，涉及到工况的识别与特征的匹配。
另外一种故障检测方法是基于模型的检测。在故障检测模型中，测量的输入信号和输出信号之间的关系由一个数学过程模型描述。故障检测方法提取特定的特征，如参数，状态变量或残差。通过对这些观测到的特征与其标称值进行比较，应用信号异常检测的方法，就可以得到检测结果。

基于模型的故障检测方法适用于动态系统的故障检测，比如，直流电机，可以建立输入电压和电机转速之间的数学模型。电机正常的情况下，给定同样的电压，模型的转速计算结果和电机转速的测量结果应该在给定的建模误差和测量误差范围之内。由于模型不会故障，所以如果误差过大，只有可能是实际的电机出现了故障，类似于这个原理。
我们梳理一下常用的故障检测的算法，看这个图。

在故障检测中的难点是什么呢？我们再回到刚才的那个血液检测过程。因为之前有对人体机能和各种病理的大量研究积累，我们知道做血液检测，需要提取哪些特征，并且这些特征对应于不同年龄段的人的参考范围是多少。所以我们比较有把握根据血液的检测结果判断人的状态，但是机器就不一样。对机器的故障机理的研究远没有对人体的研究充分，并且很多机器都属于特种设备，结构具有特殊性，材料具有特殊性，制造工艺具有特殊性，工作环境也具有特殊性，且机器有各种故障的形式，每种故障到底应该用什么传感器来检测，用这种传感器的什么特征来检测，机器的运行工况发生改变的情况下，特征的参考范围应该是多少，往往很难确定。这就涉及到故障检测中的两方面问题，传感器布局的问题和自适应阈值设置问题。这两个问题是很大的难点。
首先来看传感器布局的问题，我们提出两个问题：
(1) 需要加什么样的传感器检测系统的故障，传感器应该加装在什么位置上？
(2) 我们需要提取传感器信号的什么特征来反映系统故障？
要解答这两个问题，必须要搞清楚机器故障的发生/发展过程，也就是故障机理问题。我们需要找到机器故障发生后，系统状态在能量分布状态上的或者是信号解算过程上的变化，然后我们才能知道什么样的故障对应什么样的特征，需要什么样的传感器在机器的哪个位置上安装最能敏锐的检测出系统内部的异常。所以故障机理分析是任何PHM模型和算法设计前必须要做的，缺少这一步，后续很难有效开展。但是现状是，有很多研究对故障机理分析不重视，有的研究希望通过大数据统计来解决机理缺失的问题。但是这种基于数据统计分析的方式并不总是有效的，特别是对于样本量比较小的航空航天类装备来讲，可供有效使用的故障数据非常少，很难针对每种故障都统计出合理的特征，所以经常看到一种情况，我们拿有限的数据开发了一个神经网络模型，并且在给定的数据集上准确率很高。但是到了实际现场使用的时候却没有什么效果。基于大数据的故障诊断和故障预测研究也很多，但是在PHM技术领域里面要的大数据不仅要求数据量大，在PHM技术领域里面，同时关注数据的量和数据质量。数据量大，不仅要求有几个T的时间历程数据，还要求数据能够涵盖多个样本，从而通过对数据的分析，尽可能多的提取出系统的共性特征，减少个体差异导致的特征上的误差。另外，数据质量要求数据中能够涵盖系统运行过程中的多种故障模式，只有满足这样要求的数据才是对PHM系统开发真正有价值的数据。实际中很难能同时满足数据量和数据质量的要求，所以不从故障机理上去研究故障特征难以有效开展PHM模型和算法的设计。
也有很多故障机理研究属于定性分析，也同样存在这个问题。比如我们看下面的三幅图。

这是同一台液压泵、同一个位置上的轴向振动传感器信号的频谱，分别对应着三种不同的状态，(a)正常；(b) 斜盘不对中；© 柱塞球头游隙增大。很显然，同样的工况下，不同的状态对应着设备的不同振动模态，选择什么样的频域特征识别液压泵的状态，要根据这个状态下液压泵的振动模态来确定。所以在不具备大量数据的条件下，特定故障条件下的转子动力学模型和弹性力学模型是确定故障特征的必要参考。
另外，由于一般早期的故障信号较为微弱，并且随着信号的传递，故障信号不断被调制和衰减，所以传感器的加装位置也非常重要。这里也需要一定的模型对故障信号的灵敏度进行分析，才能确定传感器的最佳安装位置。
关于故障机理模型，大家有时间可以看看J. W. McPherson的《Reliability Physics and Engineering》这本书，不过更多的还需要结合专业实际去找材料。
在故障检测这一块里面，除了传感器的布局方式以及特征提取方法之外，还有一个自适应阈值的问题。在我们前面介绍的案例里面，有一块内容是工况识别和自适应阈值检测，这一块内容是极端重要的。

一个检测系统设计的好不好，很大程度上是这里决定的。就像是我们在前面介绍的血液检测里面，对于中青年，血糖在6以下是正常的，但是对于60岁以上的老年人，血糖6-7都是正常的。所以如果对于不同的工况，我们用同一个尺子去度量，极有可能造成误诊断。关于自适应阈值这一块有很多种方法来进行确定，可以采用分段阈值，也可以采用阈值包络，还可以通过解析的或者机器学习的方法设定阈值与工况参数的函数关系来确定。具体算法这一块，我们不展开讲了。
下面我们大概对这些检测算法在航空领域应用的技术成熟度进行一个初步的分析。可以看到这张表。

这只是一个初步的分析，仅仅可以作为一个参考。在做这个成熟度分析的时候，参考了NASA、波音、空客等的公开的技术文档和技术人员公开发表的论文。具体这些算法在NASA、波音、空客等飞行器上是怎么用的，大家可以找相关的资料去看。
前面，我们介绍的是故障检测。接下来我们再看看诊断算法。
故障检测是判断系统有没有故障的问题。故障诊断是故障定位和隔离的问题。梳理一下常用的故障诊断的算法，看这个图。

时间的原因，我们也不展开介绍这些算法了。同样的，我们也对这些诊断算法在航空领域应用的技术成熟度进行一个初步的分析。可以看到这张表。

下面我们再来简单看一下故障预测方面的算法和模型。
预测算法有多种不同的分类方式。一种分类是基于可用数据和系统知识类型进行分类，分为基于数据驱动的预测方法和基于专家知识的预测方法。另一种是根据预测方法所用算法的类型进行分类。一般来说，预测算法分为4类：(1) 基于可靠性的预测方法；(2) 基于模型的预测方法；(3) 基于数据驱动的预测方法；(4) 混合方法。预测算法的复杂性、成本和准确性与其适用性成反比，就像这张图描述的一样。


具体的算法我们就不介绍了，大家可以在CSDN上或者讲PHM的书上都能找到这些算法的工作原理和实现方法。我们同样给出来常用到的一些算法的技术成熟度的分析结果，可以看到这张表。

这里我们只是给出了一些检测、诊断和预测算法和模型。实际上，当前无论是学术界和工程应用领域里面，算法非常的庞杂，并且多种算法的组合使用越来越广泛。每一种算法都有自己的优缺点，和特定的应用场合，在选择算法的时候要根据问题的实际来针对性的选择，我们不再赘述了。

（未完待续……）