2.1 引言

工业设备和生产系统操作的可靠性对生产型企业的盈利能力与竞争能力都有重要影响，这使企业对工业生产过程和生产设备维护策略的重要性的关注日益增加。对企业生产管理而言，制定一个行之有效的维护管理系统是非常必要的。它可以帮助企业将维护成本维持在一个较低水平，同时使所有的设备都保持高效率的运作。CBM作为一种新出现的维护决策策略，推动了设备故障的实时诊断技术和设备未来健康状态预测技术的发展。通过监测系统中关键性组件的当前“状态”，利用诊断预测技术，CBM制定出相应的决策来执行维护[13]。系统设备的状态通过多种嵌入式传感器的定期或连续信号输出和（或）利用便携式装置定期测试并量化获得。诊断和预测是CMB系统中非常重要的两部分。系统发生异常状况时，诊断涉及对故障的发现、定位和隔离。预测则需要在系统发生故障和性能退化前做出相应的预告。CBM的目标是尽可能在有显著迹象证明设备即将发生异常行为或异常物理状态时采取相对应的维护动作，以此来避免不必要的维护行为。在通常情况下，CBM针对不同的设备健康状态执行相应的维护行为，是一种可以有效减少不必要维护动作的设备维护方法。图2-1揭示了维护成本、有效剩余寿命（residualuseful life, RUL）和系统可靠性之间的关系。当距离失效点的时间接近0时，系统将进入失效状态，不能正常工作。当距离系统的失效时间向0接近时，系统的可靠性也随之降低。在CBM系统中，对设备和零件的剩余寿命与可靠性的预测信息将用于经济型维修计划的决策和制定中，因此，预测信息的准确性是至关重要的。

图2-1 维护成本、RUL和系统可靠性之间的关系

CBM系统中的预测方法是近几年才被逐渐引入技术研究中并逐渐成为维护研究和发展中的一个热门领域的。目前已有不少的模型，都是建立在从系统中收集来的信号分析的基础上的。在未来的维修策略研究中，基于信号分析的建模方法可能会促进预测模型的发展，使其在诊断系统当前状态的同时能够预测未来的状态趋势。

预测主要采用自动化的模型探测、诊断和分析物理系统性能的退化，并计算在不可接受的性能退化发生前，设备处于可接受工作状态内的剩余寿命时间。退化分析的主要功能是研究涉及物理属性的演变，或者导致设备失效的性能测量标准。准确并可靠的预测分析结果是成功执行基于状态的工程系统维护的关键因素，它对安全性能的改进、任务的规划、维修时间表的制定、降低维修成本和减少停工时间等都起着至关重要的作用。虽然得到可接受准确度范围内的预测分析结果是一件非常困难的事情，但基于状态的维护所涉及的预测方法学还是在近期获得了越来越多的关注。

为了支持维护决策的制定和具有一定操作性的可靠性管理，目前已有许多的方法技术在各方面取得了不错的研究进展。这些方法按其性质特点和适用对象被分为五类，它们被视为通向决策制定管理的五步阶梯（见图2-2）。第一步是机械设备的先验知识；第二步是数据的收集方法；第三步是数据的预处理方法，包括数据提取、转换和分析等；第四步是基于信号的故障诊断；第五步是基于数据和诊断的预测分析。

图2-2 基于预测性维护的阶梯形技术模块

目前已有一些关于预测技术的综述文章。Katipamula和Brambley[14]，Jardine[15]等学者都针对预测的当前发展状态进行了简单的综述工作，但是他们的综述文章更偏重于研究诊断技术方面。Schwabacher和Goebel[16]对人工智能（artificial intelligence, AI）和机器学习（machine learning, ML）的概念进行了重新定义，并在此基础上对AI和ML在预测中的应用情况做了综述工作。Zhang和Li[17]，以及Kothamasul等人[18]尝试将近年来关于应用在基于状态维护中的故障诊断技术的研究和发展工作进行了总结。在对一系列相关文献进行综述工作的基础上，这些学者对未来故障诊断和预测技术在实际应用方面的发展与挑战提出了一些见解和看法，包括需要发展快速并且准确度高的设备健康状态预测技术，建立行之有效的故障确认方法，并研究开发相关的预测软件包。Goh等学者[19]介绍了目前已应用于预测维护中的一些典型技术理论，并对不同的预测技术进行了SWOT（strengths, weaknesses, opportunities and threats）分析。在前述的综述文献中，所涉及的理论方法大多限于一些传统的、典型的技术，如人工神经网络（artificial neural network, ANN）、模糊逻辑学（fuzzy logic, FL）和专家系统（expert system, ES）等。

近年来，已有关于机械设备的预测理论及其实际应用方面的大量论文发表于众多的与维修和可靠性相关的国际会议和期刊上。许多曾经成功运用于其他领域的传统方法学被逐渐引入设备健康预测的研究中，同时也有一些全新的技术及方法涌现于此研究领域内。为了提高预测模型的准确性，一些学者也尝试将两个或三个模型结合在一起来建立一个组合模型。大体来说，预测模型可分为四类：物理模型、基于知识库的模型、数据挖掘的模型和组合模型。文献综述在基于模型的分类基础上进行，对通常情况下应用于不同模型的理论技术按所属模型进行了分类，并按类别顺序对多种技术和方法进行了介绍与评估分析，对一些传统的典型方法和新引入方法的优缺点各自进行了分析比较与讨论。本章综述的组织结构如下：第2节介绍物理模型，基于知识驱动的方法，基于数据驱动的模型，基于模型驱动的方法，基于模型驱动的方法和混合模型，并在相应章节中对应用于上述模型的技术分类进行了综述；第3节对目前已有的一些维护方法进行了综述；第4节通过对此研究领域中日渐增长的一些研究趋势进行总结，指出目前研究中存在的一些问题，探索了未来预测维护发展中某些可能的研究方向和研究趋势。