編者按：隨著工業(yè)技術(shù)以及新一代信息技術(shù)的迅速發(fā)展，石油、化工、電力、游樂(lè)、新能源汽車等各領(lǐng)域的裝備日趨復(fù)雜，裝備的集成化智能化程度不斷提高。伴隨著復(fù)雜裝備的發(fā)展，其設(shè)計(jì)、制造、測(cè)試、運(yùn)行維護(hù)等全壽命周期成本大幅度增加。

同時(shí)，裝備的復(fù)雜性大大增加了故障性能退化以及功能失效發(fā)生的幾率，因此，復(fù)雜裝備的狀態(tài)評(píng)估與預(yù)測(cè)逐漸成為研究的焦點(diǎn)，針對(duì)復(fù)雜裝備運(yùn)行的可靠性、經(jīng)濟(jì)性等問(wèn)題，故障預(yù)測(cè)和健康管理( Prognostics and Health Management，PHM) 獲得越來(lái)越多的關(guān)注，并逐漸發(fā)展為復(fù)雜裝備自主式后勤保障的重要技術(shù)基礎(chǔ)。

隨著數(shù)字孿生技術(shù)的興起，基于數(shù)字孿生技術(shù)的PHM是近年來(lái)裝備領(lǐng)域研究和應(yīng)用的熱點(diǎn)。本文概括介紹了傳統(tǒng)PHM技術(shù)，重點(diǎn)闡述了數(shù)字孿生驅(qū)動(dòng)的PHM方法以及其涉及關(guān)鍵技術(shù)和有待進(jìn)一步研究的內(nèi)容。

裝備故障預(yù)測(cè)與健康管理概述

PHM主要包含故障預(yù)測(cè)和健康管理兩方面的內(nèi)容：故障預(yù)測(cè)是指根據(jù)系統(tǒng)當(dāng)時(shí)或歷史性能狀態(tài)預(yù)測(cè)部件或系統(tǒng)完成其功能的狀態(tài)(未來(lái)的健康狀態(tài))，包括確定部件或者系統(tǒng)的剩余壽命或正常工作的時(shí)間長(zhǎng)度等；健康管理則是根據(jù)診斷預(yù)測(cè)信息、可用維修資源以及裝備使用要求對(duì)維修活動(dòng)做出適當(dāng)決策的能力[1]。

典型的PHM流程包含數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)傳輸、特征提取、數(shù)據(jù)融合、狀態(tài)監(jiān)測(cè)、故障診斷、故障預(yù)測(cè)、保障決策等環(huán)節(jié)（圖1）。采用傳感器信息、專家知識(shí)及維修保障信息，借助各種智能算法與推理模型實(shí)現(xiàn)裝備運(yùn)行狀態(tài)的監(jiān)測(cè)、預(yù)測(cè)、判別以及管理，實(shí)現(xiàn)智能任務(wù)規(guī)劃及基于裝備狀態(tài)的智能維護(hù)，以取代傳統(tǒng)的基于事件的事后維修或基于事件的定期維修。

為實(shí)現(xiàn)這樣的目的，PHM系統(tǒng)應(yīng)具備故障檢測(cè)、故障隔離、故障診斷、故障預(yù)測(cè)、健康管理和壽命追蹤等功能并可針對(duì)復(fù)雜裝備和系統(tǒng)，實(shí)現(xiàn)不同層次、不同級(jí)別的綜合診斷、預(yù)測(cè)和健康管理。

圖1 故障預(yù)測(cè)與健康管理流程

傳統(tǒng)的PHM方法，主要可以分為基于模型驅(qū)動(dòng)、基于數(shù)據(jù)驅(qū)動(dòng)、基于數(shù)據(jù)模型混合驅(qū)動(dòng)的PHM方法等三類[2]。

基于模型的PHM方法一般要求對(duì)象系統(tǒng)的數(shù)學(xué)模型是已知的，這類方法提供了一種掌握被預(yù)測(cè)組件或系統(tǒng)的故障模式過(guò)程的技術(shù)手段，在系統(tǒng)工作條件下通過(guò)對(duì)功能損傷的計(jì)算來(lái)評(píng)估關(guān)鍵零部件的損耗程度，并實(shí)現(xiàn)在有效壽命周期內(nèi)評(píng)估部件使用中的故障累積效應(yīng)，通過(guò)集成物理模型和隨機(jī)過(guò)程建模，可以用來(lái)評(píng)估部件剩余壽命的分布狀況，基于模型的故障預(yù)測(cè)技術(shù)具有能夠深入對(duì)象系統(tǒng)本質(zhì)的性質(zhì)和實(shí)現(xiàn)實(shí)時(shí)故障預(yù)測(cè)的優(yōu)點(diǎn)。

基于數(shù)據(jù)驅(qū)動(dòng)的PHM方法是一種基于測(cè)試或者傳感器數(shù)據(jù)進(jìn)行預(yù)測(cè)的方法，主要針對(duì)無(wú)法從很多不同的信號(hào)引發(fā)的歷史故障數(shù)據(jù)或者統(tǒng)計(jì)數(shù)據(jù)集確認(rèn)預(yù)測(cè)模型的情況以及無(wú)法建立和獲得復(fù)雜部件或者系統(tǒng)的數(shù)學(xué)模型的情況。典型的基于數(shù)據(jù)驅(qū)動(dòng)的PHM方法有：人工神經(jīng)網(wǎng)絡(luò)、模糊系統(tǒng)和其他計(jì)算智能方法。

基于數(shù)據(jù)模型混合驅(qū)動(dòng)的PHM方法主要分為四類：以測(cè)量數(shù)據(jù)為基礎(chǔ)直接建立系統(tǒng)模型與健康狀態(tài)之間的關(guān)系；省略模型驅(qū)動(dòng)的分析建模過(guò)程，直接利用測(cè)試數(shù)據(jù)進(jìn)行深度挖掘，識(shí)別系統(tǒng)機(jī)理模型，再利用模型進(jìn)行分析預(yù)測(cè)管理；利用數(shù)據(jù)驅(qū)動(dòng)的方法對(duì)模型驅(qū)動(dòng)下的測(cè)試數(shù)據(jù)進(jìn)行分析預(yù)測(cè)，克服長(zhǎng)期預(yù)測(cè)時(shí)測(cè)試數(shù)據(jù)不可用的問(wèn)題；分別利用數(shù)據(jù)驅(qū)動(dòng)方法和模型驅(qū)動(dòng)方法進(jìn)行預(yù)測(cè)，最后進(jìn)行融合分析。這四種方法還是要求了解一定的內(nèi)部機(jī)理信息，根據(jù)具體情況構(gòu)建合適的模型。

上述方法存在著對(duì)專家系統(tǒng)規(guī)則庫(kù)的依賴、需要對(duì)所有系統(tǒng)特征的有效表示、需要大量歷史數(shù)據(jù)、對(duì)靜態(tài)數(shù)學(xué)模型優(yōu)化較為困難等局限性。數(shù)字孿生技術(shù)的出現(xiàn)為解決上述問(wèn)題提供了新的方法。

根據(jù)圖1所示，PHM必須有海量數(shù)據(jù)分析和健康判斷。數(shù)據(jù)是基礎(chǔ)，而有了數(shù)據(jù)如何分析也是一個(gè)大問(wèn)題。要實(shí)現(xiàn)PHM，除了物理基礎(chǔ)條件保障外，既需要大數(shù)據(jù)分析技術(shù)，又需要非常密集的行業(yè)知識(shí)、經(jīng)驗(yàn)和模型做為支撐。

數(shù)字孿生技術(shù)通過(guò)對(duì)物理實(shí)體建立高保真模型，并對(duì)運(yùn)行系統(tǒng)進(jìn)行實(shí)時(shí)的數(shù)據(jù)采集與分析，采用模型與數(shù)據(jù)相融合的智能化方法，將物理實(shí)體的性能、狀態(tài)、預(yù)測(cè)趨勢(shì)、故障診斷等實(shí)時(shí)反映在數(shù)字化模型中，為全生命周期各環(huán)節(jié)的需求提供相應(yīng)的服務(wù)，與裝備PHM的需求不謀而合。

數(shù)字孿生驅(qū)動(dòng)的PHM

數(shù)字孿生驅(qū)動(dòng)的PHM由孿生數(shù)據(jù)驅(qū)動(dòng)，基于物理裝備和虛擬裝備的同步映射和實(shí)時(shí)交互以及精確的PHM 服務(wù)從而形成了新的裝備運(yùn)行狀況管理模型，可以快速捕獲故障現(xiàn)象并準(zhǔn)確定位故障原因，合理設(shè)計(jì)和驗(yàn)證維護(hù)策略。

虛擬裝備與由孿生數(shù)據(jù)驅(qū)動(dòng)的物理裝備同步運(yùn)行，并生成諸如裝備評(píng)估、故障預(yù)測(cè)和維護(hù)驗(yàn)證之類的數(shù)據(jù)，結(jié)合數(shù)據(jù)智能化方法彌補(bǔ)機(jī)理模型構(gòu)建過(guò)程的不足，并且通過(guò)機(jī)理來(lái)指導(dǎo)數(shù)據(jù)的采集和分析，形成規(guī)則模型輔助建模。數(shù)字孿生驅(qū)動(dòng)的PHM，基于物理和數(shù)據(jù)空間的融合，利用物理系統(tǒng)運(yùn)行過(guò)程數(shù)據(jù)不斷更新信息模型的運(yùn)行狀態(tài)，實(shí)現(xiàn)對(duì)裝備健康狀態(tài)、剩余使用壽命以及整體功能的預(yù)測(cè)評(píng)估[3]。

關(guān)鍵技術(shù)

1.高保真建模技術(shù)

裝備的高保真建模是數(shù)字孿生技術(shù)得以應(yīng)用的關(guān)鍵，主要包括概念模型及模型實(shí)現(xiàn)方法兩部分內(nèi)容。

其中，概念模型從宏觀角度描述數(shù)字孿生系統(tǒng)的架構(gòu)，具有一定的普適性，包括自動(dòng)模型生成和在線仿真的數(shù)字孿生建模方法、基于模型融合的數(shù)字孿生建模方法以及由物理實(shí)體、虛擬實(shí)體、連接、孿生數(shù)據(jù)、服務(wù)組成的數(shù)字孿生五維模型建模方法等。模型實(shí)現(xiàn)方法研究主要涉及建模語(yǔ)言和模型開(kāi)發(fā)工具等，關(guān)注如何從技術(shù)上實(shí)現(xiàn)數(shù)字孿生模型。

在模型實(shí)現(xiàn)方法上，相關(guān)技術(shù)方法和工具呈多元化發(fā)展趨勢(shì)。當(dāng)前，數(shù)字孿生建模語(yǔ)言主要有AutomationML、UML、SysML及XML 等。一些模型采用通用建模工具如CAD 等開(kāi)發(fā)，更多模型的開(kāi)發(fā)是基于專用建模工具如FlexSim 和Qfsm 等[4]。此外，為保證模型的有效性和高效性，數(shù)字孿生模型需要保證靜態(tài)參數(shù)、動(dòng)態(tài)參數(shù)、參數(shù)關(guān)聯(lián)關(guān)系的精準(zhǔn)性以及與物理實(shí)體共生程度，模型不應(yīng)過(guò)于復(fù)雜，在保證應(yīng)用功能需求的前提下盡量做到輕量高效[5]。

2.傳感與物聯(lián)技術(shù)

物聯(lián)網(wǎng)（InternetofThings，簡(jiǎn)稱IoT）是指通過(guò)信息傳感設(shè)備，按照約定的協(xié)議，把任何物品與互聯(lián)網(wǎng)連接起來(lái)，進(jìn)行信息交換和通信，以實(shí)現(xiàn)智能化識(shí)別、定位、跟蹤、監(jiān)控和管理的一種網(wǎng)絡(luò)。

通過(guò)物聯(lián)網(wǎng)技術(shù)可實(shí)現(xiàn)虛擬裝備與物理裝備場(chǎng)景間聯(lián)通與交互，通過(guò)各類傳感器、監(jiān)測(cè)手段、定位系統(tǒng)等裝置與技術(shù)獲取物理裝備實(shí)體實(shí)時(shí)狀態(tài)，依托光線、5G 等傳輸技術(shù)反饋至數(shù)據(jù)模型與機(jī)理模型完成建模分析工作，并將分析決策的結(jié)果反饋至裝備實(shí)體實(shí)現(xiàn)故障預(yù)測(cè)與健康管理。

3.高效融合分析技術(shù)

裝備數(shù)字孿生數(shù)據(jù)往往具有規(guī)模海量、多源異構(gòu)、多時(shí)空尺度、多維度等特征，具備大數(shù)據(jù)特征。需要依賴于多源異構(gòu)數(shù)據(jù)的數(shù)據(jù)-數(shù)據(jù)、數(shù)據(jù)-特征的數(shù)據(jù)融合技術(shù)，提高數(shù)據(jù)及決策的全面性和可靠性。

裝備故障預(yù)測(cè)健康管理方面，需要采用如專家系統(tǒng)、深度學(xué)習(xí)、SVM等模式識(shí)別方法，建立虛實(shí)數(shù)據(jù)印證驅(qū)動(dòng)的故障識(shí)別方法，降低傳統(tǒng)識(shí)別方法對(duì)實(shí)測(cè)數(shù)據(jù)規(guī)模的依賴性。利用積累的數(shù)據(jù)資源構(gòu)建健康評(píng)估以及決策模型，實(shí)現(xiàn)裝備的健康管理。

總 結(jié)

相比于傳統(tǒng)的PHM，數(shù)字孿生驅(qū)動(dòng)的PHM具有直觀性強(qiáng)、可信度高以及自主性強(qiáng)等特征。但數(shù)字孿生作為一項(xiàng)新興技術(shù)，在裝備PHM應(yīng)用方面還需深入研究，比如故障預(yù)測(cè)方面，需要深入研究確定故障特征，實(shí)現(xiàn)虛實(shí)交互，并精確提取。健康管理方面，需要進(jìn)一步研究故障機(jī)理以及相對(duì)應(yīng)的健康管理方式，構(gòu)建完整的知識(shí)庫(kù)，實(shí)現(xiàn)PHM服務(wù)的自組織、自學(xué)習(xí)、自優(yōu)化機(jī)制。

參考文獻(xiàn)：

[1]故障預(yù)測(cè)與健康管理PHM.

https://www.sohu.com/a/259542324_615868

[2]楊澤.基于狀態(tài)估計(jì)與融合預(yù)測(cè)的PHM方法研究[D].哈爾濱工業(yè)大學(xué),2020.

[3]陶飛, 劉蔚然, 劉檢華, et al. 數(shù)字孿生及其應(yīng)用探索[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2018, 24(1):18.

[4]中國(guó)電子技術(shù)標(biāo)準(zhǔn)化研究院.數(shù)字孿生應(yīng)用白皮書(shū)(2020版)[R].

[5]張辰源,陶飛.數(shù)字孿生模型評(píng)價(jià)指標(biāo)體系[J].計(jì)算機(jī)集成制造系統(tǒng),2021,27(08):2171-2186.