工業(yè)資產(chǎn)的預(yù)測與健康管理（PHM）：當(dāng)前進(jìn)展與未來之路

工業(yè)資產(chǎn)的預(yù)測與健康管理（PHM）：當(dāng)前進(jìn)展與未來之路

預(yù)測和健康管理 (PHM) 系統(tǒng)是工業(yè) 4.0 革命的主要推動者。有效檢測工業(yè)組件是否偏離其正常運(yùn)行條件或預(yù)測何時會發(fā)生故障是這些系統(tǒng)旨在解決的主要挑戰(zhàn)。高效的 PHM 方法有望降低故障事件的概率，從而提高工業(yè)機(jī)器的安全水平。此外，它們可能會大大降低與定期維護(hù)操作相關(guān)的通常顯著的成本。在過去十年中，數(shù)據(jù)可用性的增加以及機(jī)器學(xué)習(xí) (ML) 和深度學(xué)習(xí) (DL) 技術(shù)的驚人進(jìn)步代表了數(shù)據(jù)驅(qū)動 PHM 系統(tǒng)開發(fā)的兩個強(qiáng)大推動因素。另一方面，事實上將它們的應(yīng)用限制在現(xiàn)實世界的場景中。在這項工作中，我們探索了人工智能 (AI) 方法和 PHM 應(yīng)用程序的交集。我們對故障診斷和故障預(yù)測方面的現(xiàn)有工作進(jìn)行了全面審查，重點介紹了采用人工智能技術(shù)帶來的好處和缺點。我們的目標(biāo)是突出潛在卓有成效的研究方向，同時描述需要解決的主要挑戰(zhàn)，以實現(xiàn)基于 AI 的 PHM 系統(tǒng)的承諾。

1 介紹

支持現(xiàn)代工業(yè)市場的持續(xù)增長使得優(yōu)化運(yùn)營效率和最小化多余成本變得至關(guān)重要。這些成本的很大一部分通常來自工業(yè)資產(chǎn)的維護(hù)。

最近的研究1表明，對于普通工廠而言，低效的維護(hù)政策造成的成本占工廠整個生產(chǎn)能力的 5% 到 20%。此外，根據(jù)國際自動化協(xié)會 (ISA) 2 的數(shù)據(jù)，所有行業(yè)領(lǐng)域的工業(yè)制造商意外停機(jī)的總體負(fù)擔(dān)估計達(dá)到每年 6470 億美元的驚人數(shù)字。

如果，一方面，上述考慮突出了維護(hù)操作對制造商余額的根本影響，另一方面，大量公司仍然對其維護(hù)策略不滿意。根據(jù)最近對 230 多家歐洲高級企業(yè)3 進(jìn)行的采訪的趨勢研究，大約 93% 的他們認(rèn)為他們的維護(hù)政策效率低下。

正如后面所討論的，當(dāng)前的維護(hù)方法分為兩類，即反應(yīng)性維護(hù)和計劃性維護(hù)。粗略地說，第一種是在系統(tǒng)發(fā)生故障后立即實施維護(hù)操作，而第二種是基于定期安排維護(hù)操作。由于機(jī)器停機(jī)、部件更換或不必要的維護(hù)干預(yù)，這些策略自然會帶來大量額外成本。

另一方面，預(yù)測性維護(hù) (PM) 代表了一種不同的范式，它有望克服上述方法的低效率。PM 是所謂的工業(yè) 4.0 革命的標(biāo)志之一，即由數(shù)字化時代的到來引發(fā)的工業(yè)世界的現(xiàn)代化進(jìn)程。PM 系統(tǒng)的目標(biāo)是利用傳感器工程和數(shù)據(jù)分析的新進(jìn)展實施更智能、更動態(tài)的維護(hù)方法。機(jī)器的健康狀態(tài)現(xiàn)在由傳感器網(wǎng)絡(luò)持續(xù)監(jiān)控，未來的維護(hù)操作基于對結(jié)果數(shù)據(jù)的分析。越來越多的組織出于降低成本的需要和 PM 的潛力，1 .

現(xiàn)在出現(xiàn)的一個自然問題是 PM 解決方案能夠在多大程度上真正提高公司在減少停機(jī)時間、節(jié)約成本和安全方面的效率。普華永道最近的一項研究4調(diào)查了 PM 的實際潛力，而不是過去幾年圍繞它產(chǎn)生的炒作。結(jié)果令人印象深刻：95% 的受訪組織聲稱采用 PM 策略有助于改進(jìn)幾個關(guān)鍵績效指標(biāo)。大約 60% 的參與公司報告說，機(jī)器正常運(yùn)行時間平均提高了 9% 以上，并且在成本節(jié)約、健康風(fēng)險和資產(chǎn)壽命方面進(jìn)一步增強(qiáng)。

如上所述，作為第四次工業(yè)革命的關(guān)鍵參與者，PM 利用了過去幾年在計算機(jī)科學(xué)和信息工程領(lǐng)域引入的一些新進(jìn)展。其中，ML 可以說是在私營部門的投資和興趣方面經(jīng)歷了最令人印象深刻的增長的技術(shù)之一。人工智能技術(shù)之所以受到越來越多的關(guān)注，主要是因為它們在過去十年中在計算機(jī)視覺 (CV)、自然語言處理 (NLP) 和語音識別等領(lǐng)域做出了巨大貢獻(xiàn)。

PM 方法在很大程度上基于 ML 技術(shù)。相對便宜的傳感器的日益普及使得收集大量數(shù)據(jù)變得更加容易，而這些數(shù)據(jù)又是機(jī)器學(xué)習(xí)系統(tǒng)所必需的主要成分。

但是，不應(yīng)將基于人工智能的技術(shù)視為能夠立即解決影響當(dāng)前維護(hù)策略的所有問題的”。尤其是 ML 和 DL，是不斷發(fā)展的領(lǐng)域，盡管取得了重大成就，但許多缺點仍然限制了它們在現(xiàn)實場景中的廣泛應(yīng)用。因此，有必要保持謹(jǐn)慎并嘗試了解當(dāng)前人工智能方法在 PM 背景下的局限性，并推動進(jìn)一步研究以解決或緩解這些缺點。