预测理论介绍.doc

故障预测方法：故障预测方法的总体分类情况如下图所示从目前主流的技术和应用研究工作综合来看，主要可以分为：(1) 基于模型(model-driven)的故障预测技术；(2) 基于数据驱动(data—driven)的故障预测技术；(3) 基于统计可靠性(reliability and statistics based或probability-based)的故障预测技术图7 故障预测方法分类Fig. 7 Algorithms of Fault Prognostics基于模型的故障预测方法：基于模型的故障预测指采用动态模型或过程的预测方法物理模型方法、卡尔曼/扩展卡尔曼滤波/粒子滤波以及基于专家经验的方法等均可划为基于模型的故障预测技术基于模型的故障预测技术一般要求对象系统的数学模型是已知的，这类方法提供了一种掌握被预测组件或系统的故障模式过程的技术手段，在系统工作条件下通过对功能损伤的计算来评估关键零部件的损耗程度，并实现在有效寿命周期内评估部件使用中的故障累积效应，通过集成物理模型和随机过程建模，可以用来评估部件剩余寿命(remaining useful life，RUL)的分布状况，基于模型的故障预测技术具有能够深入对象系统本质的性质和实现实时故障预测的优点。

采用物理模型进行故障预测时，根据预测对象系统的稳态或瞬态负载、温度或其他测试信息构建预测模型框架，并统计系统或设备历史运行情况或预期运行状态，进行系统将来运行状态的仿真预测通常情况下，对象系统的故障特征通常与所用模型的参数紧密联系，随着对设备或系统故障演化机理研究的逐步深入，可以逐渐修正和调整模型以提高其预测精度而且，在实际工程应用中也往往要求对象系统的数学模型具有较高的精度但是，与之相矛盾的问题是，通常难以针对复杂动态系统建立精确的数学模型因此，基于模型的故障预测技术的实际应用和效果受到了很大限制，尤其是在复杂系统的故障预测问题中，如： 电子系统故障预测，很难或者几乎不可能建立预测对象精确的数学模型基于数据驱动的故障预测技术：在许多情况下，对于由很多不同的信号引发的历史故障数据或者统计数据集，很难确认何种预测模型适用于预测或者在研究许多实际的故障预测问题时，建立复杂部件或者系统的数学模型是很困难的甚至是不可能的，因此，部件或者系统设计、仿真、运行和维护等各个阶段的测试、传感器历史数据就成为掌握系统性能下降的主要手段基于测试或者传感器数据进行预测的方法称为数据驱动的故障预测技术，典型的基于数据驱动的故障预测方法有：人工神经网络(artificial neural networks，ANN)、模糊系统(fuzzy systems)和其他计算智能方法。

相比于传统统计学范畴内的回归分析以及时间序列分析方法，神经网络是一类在故障预测方法和应用研究中最多的一种方法，与基于模型的方法不同，神经网络是基于数据驱动的方法且是可以实现对于数据的自适应，它们可以从样本中学习并且尝试捕捉样本数据之间内在的函数关系和Ganesan应用自组织神经网络进行多变量趋势预测，并应用到轴承系统的剩余使用寿命预测采用了回归神经网络(recurrent neural networks，RNN)预测系统故障趋势而且随着研究丁作的进展，产生了很多改进的或者特殊形式的神经网络算法，比如小波神经网络 (wavelet neural networks，wry)、模糊神经网络(fuzzy neural networksFNN)等，这些改进的神经网络算法也在故障诊断和预测中取得很好的应用效果基于数据的故障预测技术不需要对象系统的先验知识（数学模型和专家经验），以采集的数据为基础，通过各种数据分析处理方法挖掘其中的隐含信息进行预测操作，从而避免了基于模型和基于知识的故障预测技术的缺点，成为了一种较为实用的故障预测方法但是，实际应用中一些关键设备的典型数据（历史工作数据、故障注入数据以及仿真实验数据）的获取代价通常十分高昂；而且即使对于所获得的数据来说，往往其具有很强的不确定性和不完整性，这些问题都增加了故障预测技术的实现难度。

基于统计可靠性的故障预测技术：在某些情况下，确定一个完整的动态模型，给出输入和输出之间的系统微分方程，可能是不必要的，也可能是不现实的 通常，基于统计可靠性或者说是基于概率的故障预测方法适用于从过去故障历史数据的统计特性角度进行故障预测相比于基于模型的方法，这种方法需要更少的细节信息，因为预测所需要的信息包含在一系列的不同概率密度函数(PDF)中，而不需要动态微分方程的形式这种方法的优势就是所需要的概率密度函数可以通过对统计数据进行分析获得，而所获得的PDF能够对预测提供足够的支持另外，这种方法所给出的预测结果含有置信度，这个指标也能够很好的表征预测结果的准确度典型的基于统计可靠性的故障概率曲线就是著名的“浴盆曲线”即在设备或系统运行之初，故障率相对较高，经过一段时间稳定运行后，故障率一般可以保持在相对比较低的水准，而后，再经过一段时间的运转，故障率又开始增加，直到所有的部件或设备出现故障或失效设备的生产特性、历史任务的变化、寿命周期内的性能退化等因素，使得基于系统特性的故障预测变得更加复杂，所有这些因素均会对预测结果产生一定概率的影响另外还需要考虑减小和降低故障预测的虚警率。

基于统计可靠性的故障预测方法包括贝叶斯方法、Dempster-Shafer理论、模糊逻辑等所有这些方法一般都是基于贝叶斯定理估计故障的概率密度函划通过对大量的工程产品和系统的可靠性分析，一般产品或系统的失效与时间数据趋势很好地服从威布尔分布(weibull distribution)，因此，Weibull模型被大量用于系统或设备的剩余寿命预计注：韦伯分布如下图所示来自“维基百科”）PHM相关的标准研究（新）从本质上讲，预测是故障诊断的一种拓展和延伸目前，直接与PHM技术相关的标准还很少但是，由于预测与传统故障诊断和维护系统的内在关联性，有一些存在于测试、诊断和维护技术领域的标准可供借鉴，以发展PHM的标准化研究工作特别是现阶段，PHM还处于起步阶段，可以尽早地考虑相关的标准化研究，以为其良性发展提供必要条件和保证从研究内涵角度分析，PHM涵盖了状态监测、状态评估、故障和失效诊断、失效过程分析、预测性诊断和维护保障因此这些功能必须被PHM类的标准所支持特别是PHM相关的标准必须要能够反映出目标系统与其运行环境的测量、观察和推理信息的交互性这些信息所表达的内容包括：(1) 目标系统现在的工作状态；(2) 对一些未来状态的估计或者目标状态可能出现的时间；(3) 目标系统运行和维护的历史信息；(4) 系统的各种模型化表达。

自20世纪70年代中期开始，IEEE SCC20就已经开始了测试及诊断相关的标准化工作，初期主要集中于测试规范和测试程序设计，后期则更关注测试、诊断和维护系统的接口标准化问题，并形成了一系列电子系统的测试和诊断标准，其中也包含了信号和测试定义标准、自动测试标记语言标准族(automatic test markup language，ATML)、AI-ESTATE标准(IEEE Std 1232)和SIMICA标准现有的这些标准中已经初步体现了PHM的一些技术要素和特征AI-ESTATE标准描述了故障诊断领域所需的信息，例如：与系统测试和诊断相关的信息这种描述确保了不同应用之间可以方便地实现诊断信息交互它还支持模块化诊断结构，以及与测试相关的软件互操作AI-ESTATE标准利用ISO EXPRESS建模语言实现信息建模过程另外，该标准还定义了一系列的软件服务以实现诊断推理机在测试系统中的集成在SIMICA标准中还包含了两个附加标准：测试结果标准和维护活动信息标准(test results and maintenance action information．MAI)SIMICA标准侧重于历史信息，并提供了一种利用历史信息提高诊断和预测效果的方法。

其中，MAI标准重点关注了维护过程，提供了一种XML方案和一种信息模型，因此能够比较方便地扩展到PHM领域中除了IEEE的相关标准化工作之外，非盈利性的信息标准化组织MIMOSA(machinery information management open systems alliance．MIMOSA)已经接纳了OSA-CBM标准(open system architecture condition based management)的开发和支持工作已提供一种CBM和PHM系统的标准体系结构它按照7层的层次化结构组织，分别包括：传感器、数据采集、数据处理、状态监测、健康评估、预测评估和决策生成目前，OSA-CBM标准提供一种基于UML的对象模型表达，还没有融合系统部件间信息交流的语义标准，这也是IEEE SCC20下一步工作的重点除了这些，lS010303 Part 239为产品的全寿命周期保障(Product Life Cycle Support，PLCS)定义了一种“应用协议”以便于实现复杂工程装备的信息交互这些标准虽然都不直接支持PHM过程，但是它们的一些特性却可以被用来实现一些PHM应用需要的操作。

如：MAI文档中采集的信息可以用于数据挖掘和数据分析，在支持诊断与维护系统的同时，也可以用于开发预测模型和系统这些标准为测试和诊断过程的信息交互提供了有力的支持，但同时如何从这些标准出发向未来的PHM技术标准演进也是一个现实的挑战SCC20已开始对AI-ESTATE标准进行一些改进，以实现对“灰色”健康信息的采集，从而支持对当前性能退化和未来失效过程的灰色推理，并可用于潜在故障检测监测信息处理和预测方法研究：(1) 实际系统严格意义上讲都是非线性的，并具有相当的普遍性受非线性理论发展的局限，对非线性系统缺乏一般性的建模方法，相关诊断和预测方法研究已逐步成为研究热点和前沿课题2) 在实际系统的建模中存在诸多干扰、参数时变和采样样本的不完全等因素往往使所建模型存在一定的误差和不确定性且系统实际运行过程中也会受到各种不确定性因素的干扰而且在设计诊断策略时，诊断的灵敏度和鲁棒性往往是矛盾的因此，如何在一定的灵敏度条件下提高故障诊断策略的鲁棒性对于抑制干扰，增强策略的适用性具有重要的实际意义3) 由于实际应用中常常是复杂大系统，具有滞后、强耦合、参数时变等严重的非线性特征，且其数学模型不存在或太复杂、噪声统计特性不理想，并存在过程不确定和外部干扰等因素，其诊断和预测问题十分复杂，任何单一的方法都不可能很好地解决所有的问题。

因此，集成型组合预测方法已成为新的研究热点，并将逐步演化为长期发展趋势4) 由于失效机理不同于机械或机电设备，现阶段还只能实现电子系统的故障检测与隔离为了实现电子设备故障预测能力，需加强电子系统失效机理、应力损伤评估、故障先兆、故障预警、电子系统寿命预测以及预测中的不确定性问题的研究5) 为了实现系统运行状态下的实时状态监测、信息处理和预测，必须脱离现阶段大部分研究工作所采用的通用计算平台的束缚，探寻在软、硬件资源有限条件下的高效计算方法预测技术：预测技术是EHM中最高层次的推理，是对诸如故障检测、故障隔离等内容的结果的进一步融合就EHM范围而言，预测主要包括预报部件故障发生的时机，计算关键部件的剩余寿命，分析发动机性能衰退的趋势预测技术与状态监视、故障诊断的最大区别在于预测更强调定量分析预测技术从本质上可以分成3类：(1) 基于模型的预测采用基于模型的预测的前提条件是必须有精确的发动机数学模型和部件的失效模型基于模型的预测的最突出优点是能够。