基于状态的装备故障预测技术综述

郭 建，徐宗昌，张文俊

(1.中国人民解放军96853部队，辽宁 沈阳 110000；2.陆军装甲兵学院 装备保障与再制造系，北京 100072)

随着监测技术和信号处理技术的不断发展，获取装备健康状态技术的逐渐提高，加之对复杂装备和重要装备可靠性、安全性和经济性的要求不断提高，视情维修(Condition-based Maintenance，CBM)已逐渐成为可能，其成功应用不仅提高了装备可靠性，减少意外停机，而且大大地减少了维修费用。

视情维修作为预防性维修的高级形式，其成功应用改变了以往仅仅依靠以事件为主导的修复性维修和以时间为主导的定时维修的方式，使获得装备状态实施准确的维修活动成为可能。视情维修是在装备状态监测的基础上，对装备进行故障预测并依据结果制定合理的维修计划，并主动实施的维修。这样可以最大化地减少装备维修的费用、增加装备可用度、提高装备的可靠性。

1 装备故障预测的主要方法

复杂技术的应用带来了装备的结构复杂化、功能集成化以及技术综合化，与此同时，也突显出装备故障的多样化、致命化、随机化等特点，人与装备故障的长期斗争中积累了大量装备维修方面的实践和经验。随着装备维修水平的不断提高，人们不仅希望能够在装备发生故障之后能够进行快速的诊断和制定合理的预防性维修计划，还更加迫切地需要监测装备的状态，预测装备的剩余寿命，掌握装备的健康情况。装备故障预测技术能够准确的预测装备的剩余寿命，既是对状态监控数据有效的使用，又可以作为制定维修决策的重要依据，通过采取及时有效的维修措施来提高装备的可靠性，减少发生故障导致的意外停机，是提高装备使用可用度和减少寿命周期费用的有效手段，因此大力开展装备故障预测研究有着非常重要的意义。可用于故障预测的方法有很多，具体来说可以分为基于传统可靠性的预测方法、基于数据驱动的预测方法、基于统计的预测方法和基于失效物理的预测方法。

1.1 基于传统可靠性的故障预测方法

基于传统可靠性的预测方法主要可分为基于故障树分析和基于寿命分布模型两种。

基于故障树分析的故障预测方法是通过建立故障树模型，进行故障树定性和定量分析来达到故障预测的目的，对于无故障征兆的情况，根据总体寿命期望值进行预测；对于有故障征兆的情况，通过分析系统内部关系来确定影响因素和容易导致的故障。陈涛等[1]通过研究风电齿轮箱传动系统，将故障树模型分解为几个单元，并利用灰色关联理论建立可靠性联系，提高了故障树分析在预测中的准确度。

基于寿命分布模型的预测是根据同类装备寿命服从的分布来对故障时间进行预测，常见寿命分布有指数分布、威布尔分布、正态分布和对数正态分布。这类方法的优点是不需要对装备进行状态监测，以及可以对同类设备的使用寿命进行大概的估计，缺点是只能针对同类装备进行预测，对于单个装备无法进行准确的预测。以往开展的很多关于维修策略的文献中，假设存在退化趋势的机电产品的寿命分布服从威布尔分布，电子产品的寿命服从指数分布。

1.2 基于数据驱动的故障预测方法

基于数据驱动的故障预测方法优点是不需要建立物理模型，无需假设参数和经验性估计，通常来说复杂系统建立物理模型是相当困难的，建立数学模型进行故障预测相对简单，但是通常需要大量准确的历史数据。

典型的方法有基于人工神经网络的预测方法，它不仅能用于故障诊断，还能很好地应用于故障预测，经过长期的发展与应用，人工神经网络的主要类型有BP神经网络、RBF神经网络和小波神经网络等。其主要的优点在于它具有其他常规算法和专家系统不具备的自学习和自适应功能，能够处理多变量分析，提供非线性预测，并且不需要先验知识。神经网络经常与其他方法结合使用，可以取得更好的预测效果，党香俊等[2]研究了基于BP神经网络和小波神经网络结合对产品退化轨迹进行预测，不仅实现了较长距离的预测，而且提高了预测的精度。

基于滤波器的预测方法也是一种基于数据驱动的故障预测方法，常见的有卡尔曼滤波器、扩展式卡尔曼滤波器、强跟踪滤波器和粒子滤波器。卡尔曼滤波器是最佳的线性估计器，可实现极小化系统状态估计误差，存在的不足是需要精确的数学模型并且对模型不确定性的鲁棒性较差。强跟踪滤波器对模型的不确定性的鲁棒性较强，且对缓变和突变状态都有极强的跟踪能力，但是只能用于解决高斯噪声系统的故障预测。粒子滤波器与强跟踪滤波器相反，其具有解决非高斯系统的滤波和预测的能力，但是对于突变状态的跟踪能力较差。杜党波等[3]研究了在复杂系统存在缺失数据时，如何采用改进的小波-卡尔曼滤波解决故障预测问题，并进行了数值仿真和实例验证，证明了算法的有效性和可行性。

1.3 基于统计的故障预测方法

基于统计的预测方法的最大优点在于可以通过观察到的统计数据建立所需的概率密度函数，这些概率密度函数能够给出足够的预测结果置信区间，主要包括贝叶斯网络、隐马尔可夫和隐半马尔可夫模型、回归分析方法等。

贝叶斯网络是利用对象个体的状态监控数据代替事件数据，进行可靠性评估，准确性强烈依赖对各种趋势特征阈值的准确确定。蔡志强等[4]将故障模式、影响及危害性分析(FMECA)与贝叶斯网络结合用于故障预测，经过实验表明其在不确定性和定量分析方面具有优势，能够准确地预测复杂装备的故障。

隐马尔可夫模型(HMM)是由马尔可夫模型发展而来的，是一种描述随机过程统计特性的概率模型，与马尔可夫模型不同，HMM是双重随机过程，一个随机过程描述状态转移，另一个描述状态与观察值之间的统计对应关系。隐马尔可夫模型根据观察信号性质不同，可分为连续隐马尔可夫模型和离散隐马尔可夫模型，隐半马尔可夫模型(HSMM)是HMM的一种扩展形式，介于连续和离散HMM的半连续HMM。冯辅周等[5]为解决微弱信号特征提取问题和故障预测精度不高的问题，提出一种将小波相关滤波和排列熵结合的特征提取方法，并将HMM用于故障预测，最后通过轴承数据验证了算法的有效性和优越性。徐宇亮等[6]为解决电子设备的故障预测问题，提出一种改进流形学习与HSMM结合的健康评估与故障预测方法，并应用与某型导弹电子设备，验证了算法的有效性。

回归分析方法的主要步骤是根据预测目标确定自变量和因变量，建立回归预测模型，进行相关分析，模型检验与修改，计算预测值。可以分为一元线性回归分析预测法、多元线性回归分析预测法和非线性回归分析预测法。其主要特点是预测过程简单、技术成熟，存在的不足之处是误差较大，外推特性差，且要求大量样本数据。邓力等[7]提出一种将网络中单组件的故障率多项式转换成多元线性回归模型进行求解，给出的预测区间具有较高的预测精度。另外，基于时间序列也是一种重要的预测方法，这种方法具有计算方便快捷，能够提供线性平稳预测的优点，但是在解决非线性问题时受到局限，而且模型识别需要确定很多参数，常用的时间序列模型有自回归(AR)模型、滑动平均(MA)模型和自回归滑动平均(ARMA)模型，李向前[8]提出基于自回归滑动平均模型与人工神经网络的状态预测方法，克服了自回归滑动平均模型无法解决复杂非线性问题预测的局限。杜占龙等[9]将卡尔曼滤波与自相关模型融合用于故障预测，提出带有次优渐消因子的强跟踪平方根容积卡尔曼滤波方法，解决了非线性复杂系统参数不易测量的问题。

1.4 基于失效物理的故障预测方法

基于失效物理的预测方法是利用装备寿命周期的载荷和故障的失效机理来评估装备的可靠性以及预测故障，其优势在于需要的数据量少。基于失效物理的预测方法主要有基于帕里斯法则裂纹扩展建模、基于Forman规律的裂纹扩展建模、疲劳剥落扩展模型和基于刚度的损伤规律模型等。

基于帕里斯法则裂纹扩展建模,利用有限元分析使得基于部件几何特征、缺陷、载荷与速度等材料应力计算成为可能，但是计算的成本过高。郑战光等[10]推导了一种基于损伤力学的一般损伤演化过程，并结合帕里斯公式，以有效当量应力幅和材料损伤特性参数为控制变量得到了新的疲劳损伤演化模型。

基于Forman规律的裂纹扩展建模,能够将部件的状态监测数据和缺陷扩展物理特性与寿命关联起来，但是该方法的简化假设需要验证，对于复杂状况，模型中的参数仍需确定。刘文光等[11]将广义的Forman方程模拟疲劳裂纹扩展应用到悬梁臂表面裂纹上，研究了裂纹面摩擦效应对裂纹疲劳扩展的影响。薛飞等[12]使用简化的四参数全范围Forman模型表征国产压水堆核电站主管道母材与焊材全范围的疲劳扩展规律。王爱红等[13]人运用Forman公式估算桥式起重机的疲劳剩余寿命，为桥式起重机的工作安全提供了保证。

疲劳剥落模型和疲劳剥落扩展模型可计算剥落发生时间以及失效时间，主要用于研究循环应力作用下的非金属夹杂物、组织不均匀、碳化物等金属内部发生的裂纹，在接触表面下发生并不断扩展就导致了剥离。王艳等[14]在确定材料在受到反复冲击条件下的疲劳磨损表现为疲劳剥离后，采用膜层来提高材料表面硬度，增加耐磨性。赵新泽等[15]研究了钢丝铝绞线在干燥和酸性两种典型的气候条件下的微动磨损行为，在观察试样的表面外貌和磨损微粒的外貌后，发现磨损机理为黏着和疲劳剥落。

基于刚度的损伤规律模型可将轴承的频率、加速与运行和失效时间关联，计算时也需要确定材料常数。冯培锋等[16]研究了复合材料在疲劳作用下的剩余强度衰退模型和剩余刚度衰退模型以及二者之间的关系，并用实验对模型进行了验证。顾怡[17]研究了纤维树脂复合材料的剩余强度随疲劳载荷加载次数的退化规律，提出了纤维树脂复合材料剩余强度退化模型，并得到了大量实验结果的支持。苏小萍[18]针对复合材料损伤机理复杂性和损伤形式多样性，采用试验方法来评价损伤困难的问题，研究了采用电阻变化来反映层板结构疲劳损伤的方法。

以上文献综述了基于失效物理的故障预测研究，对于复杂装备来说，考虑到装备的复杂性和故障随机性很难建模，因此对于大部分复杂装备来说，基于失效物理并不是首选的故障预测方法。

2 综合集成故障预测方法

随着装备结构的复杂化和故障模式的多样化，使用单一的故障预测方法的预测精度很难满足需求，另外不同的故障预测方法都有其局限性和适用条件，因此，若能融合多种预测方法共同进行故障预测，则能在克服传统预测方法不足的同时提高预测的精确度。赵建忠等[19-20]针对故障预测时中数据采样间隔不均匀、采样难度大、数据不足的问题，提出了一种基于数据融合和改进的灰色模型结合的故障预测方法，并且用实例证明了方法的有效性。高甜容等[21]针对现有的数控机床主轴传动系统故障预测的不足，以及故障的多发性，提出了一种基于故障先兆判定模型和动态置信度匹配的主轴润滑故障预测方法，该方法能够将数控机床的历史故障数据用于定义故障先兆状态序列，并利用小波分析和概率神经网络构建预测模型，实验证明，该方法能够对数控机床主轴传动系统的故障进行预测。曾庆虎等[22]为了消除数据冗余，获得高维的故障数据，对信号进行小波相关滤波处理，并构建了小波相关特征尺度熵向量，结合隐半马尔可夫模型(HSMM)对设备的退化状态进行识别并预测故障。费胜巍等[23]为了对变压器进行故障预测，提出了一种结合粗糙集和灰色模型的故障预测方法，这种方法可以结合预测对象的状态特征和诊断规则，尽早发现潜在的故障，及时地采取应对措施，避免造成经济损失。文献[24]提出了一种基于神经网络和威布尔分布的剩余寿命预测方法，将轴承的振动信号用于预测并将轴承的状态分为健康状态和6个退化状态来表征轴承的健康程度，实验结果表明此方法可以准确地对剩余寿命进行预测，并且可以应用于除轴承外的其他机械设备中。文献[25]针对离散事件后勤系统仿真模型对剩余寿命预测不可靠的问题，提出了两步剩余寿命预测评估离散事件后勤系统仿真模型的规则和操作方法，并且通过实验证明两步剩余寿命预测方法比传统的单步预测方法更加有效。文献[26]描述了一种结合粒子群算法与支持向量机的飞机发动机剩余寿命预测方法，这种基于粒子群算法与支持向量机的混合模型的优点在于其不需要发动机的历史状态数据，并且用实验证明了这种方法的实用性。文献[27]运用关联向量机对锂电池进行剩余寿命预测，但是预测过程中样本量少和精确度低的问题限制了关联向量机在锂电池故障预测中的应用，要提高预测的精度，就要提高动态训练和在线学习能力;并提出了通过增加灵活性和增值优化关联向量机算法来对锂电池进行更加准确的剩余寿命预测。

3 装备故障预测中的不确定性

装备故障预测中的不确定性不仅会直接导致预测准确度下降，还会间接地影响到维修策略的制定。造成故障预测不确定的因素很多，主要的因素有获取的退化状态参数不准确、考虑导致故障的因素不全面、模型参数的不确定性、模型结构的不确定性等。孙强等[28]对近年来的基于不确定性的故障预测方法进行了综述，并且通过不确定属性的不同将故障预测分为基于随机性、模糊性、灰性及混合不确定性4类，综述了每一类方法的研究现状和不足。

模型参数和性能参数的不确定是最常见的引起不确定性的因素，许喆平等[29]针对由于飞机性能参数包含噪声和非线性而造成故障预测不确定性的问题，采用增加线性约束的方式来解决噪声对故障预测精度的影响，仿真结果证明，这种方法能够降低噪声，提高故障预测的准确性，从而增加飞机的安全性。邓宏琛等[30]将动态不确定因果图理论模型应用于核电站的故障预测中，该方法能够得到关注的假设事件及状态概率表达，并实现了推理机软件和算法优化。张磊等[31]提出了一种基于关联向量机回归的故障预测算法，预测过程采用多步时间序列预测中的递推计算的思路，将每一步预测中的不确定性作为下一步预测迭代的输入因素充分考虑，并用仿真实验证明改进的算法优于传统的故障预测算法。

除参数造成的不确定性，环境因素也可能对故障预测的结果带来不确定性，由于装备通常需要在多变的复杂环境中作业，因此考虑环境因素对装备寿命产生的影响是非常必要的。蔡志强等[32]针对不确定环境下设备故障的传播推理问题，提出了一种基于贝叶斯网络的故障推理模型，利用网络结构与概率分布有效表达装备中各部件故障状态、关联关系及传播方式。徐宇亮等[33]针对导弹电子设备故障预测问题，提出了一种基于综合环境加速退化试验和粒子滤波的故障预测的新方法，并且考虑到环境应力带来的不确定因素对故障预测带来的影响，定义了电子设备退化度的概念。文献[34]将贝叶斯框架运用于复杂多变的随机环境中飞机发动机寿命预测，提出用4种疲劳模型来验证贝叶斯框架，通过更新数据参数，贝叶斯框架能够提供有用的性能信息和不确定约束，结果显示预测的疲劳寿命分布符合实验结果。

另外，同时考虑随机和动态因素产生的不确定性，以及主观不确定性和客观不确定性，采用综合量化的方法来尽量消除不确定性对故障预测产生的影响也是常见的一类方法。文献[35]研究了发动机故障和可靠性预测中的随机和动态不确定性，采用最小二乘法支持向量机和非线性迭代滤波来更新可靠性数据的准确性，并且用两个例子来比较先前文献中的神经网络和支持向量机模型与此方法，实验结果证明提出的新方法在可靠性预测有更高的准确性。文献[36]研究了在不确定条件下飞机涡轮的疲劳寿命预测，预测包含了出现在框架结构完整性评估中的不确定因素，采用综合不确定量化方法来量化多种类型的不确定因素，通过实验结果证明预测模型具有很高的预测精度。

4 结束语

通过总结分析以上文献可知，在故障预测领域,很多机构已经开展了大量研究并取得了丰硕的研究成果，并且很多研究成果已经应用到实际。故障预测技术在解决复杂装备的维修问题中起到了越来越重要的作用，遗憾的是故障预测的准确度和预测方法的适用性还有待提高，急需发展新的装备故障预测技术或综合多种有效的预测手段来一起解决这个难题。在剩余寿命预测中，使用预测寿命区间代替预测寿命值能更加符合实际情况，给出预测寿命值的置信区间可能成为未来寿命预测的发展方向。

笔者综述了在视情维修背景下的故障预测的相关文献，重点介绍了故障预测的主要方法及研究现状。并对所综述的文献进行了分析总结，对故障预测与维修决策未来发展方向进行了展望。高新技术在装备上的广泛应用在带动装备发展的同时也增加了维修保障的难度，装备“买得起，用不起”的难题也日益突出，亟待提出更加有效的故障预测技术，尽量发挥装备的最大效能。