基于状态监测的寿命预测与预防维护规划研究综述.docxVIP

基于状态监测的寿命预测与预防维护规划研究综述 该设备是否能够持续有效地开展工作，以及是否能够及时有效地实施，与当局、公司乃至国家的竞争力密切相关。如今,越来越复杂精巧的设备使其有效运行的可靠性成为突出问题;另一方面,竞争激烈的市场又要求设备能更可靠高效地工作。由此,高效、经济的维护策略的重要性就显而易见了。1981年,美国国内工厂针对重要设备的维护费用为6000亿美元。20年内,这一数字翻了20倍。一个更惊人的事实是,由于无效、低效的维护,有1/3至1/2的维护费用被浪费了。因此,就需要不断发展与改进现有的维护策略。如今,设备维护策略已由事后维护(corrective maintenance),基于时间的预防维护(time-based preventive maintenance),逐步发展为基于状态的维护(condition-based maintenance(CBM))。对于维护费用的分析显示,设备失效后维护的费用往往数倍于采用CBM策略的维护费用。另一份调查显示,对状态监测投入1万美元-2万美元,每年有望节省50万美元的维护费用。CBM的益处不仅是维护费用的降低,还包括:设备失效时间的减少(设备可用度的提高),库存的削减,和后勤与供应链的改善。例如:美国“智能维护系统”中心(center for intelligent maintenance systems)估计,仅在美国国内,若采用CBM策略,仅因设备可用度提高这一项,每年就可节省50亿美元。 CBM对维护决策的支持主要有两方面:诊断(diagnostics)与预测(prognostics)。Diagnostics致力于失效发生后的发现、隔离与鉴定;Prognostics致力于预测、防止失效的发生。虽然无法完全代替diagnostics,prognostics在预防失效发生方面更为有效。然而,相对diagnostics而言,prognostics方面的研究较少。 Prognostics主要有两大方面的研究:寿命预测与预防维护规划。文献总结了至2008年寿命预测方面的一些工作,文献总结了至2005年寿命预测和预防维护规划两大方面的主要研究。然而,一方面prognostics的研究日新月异,新的方法、模型不断涌现,需要及时总结;另一方面需要对prognostics的各种方法、模型进行分类和归纳,将有助于掌握各类方法的特点及其适用性,并发现新的研究方向。本文对目前为止主要的寿命预测方法和预防维护规划模型进行总结、分类和简单的比较,进而探讨一些必要的、有价值的研究方向。 1 状态监测数据 基于状态监测的设备寿命预测,具体而言,是在设备A运行的某一时刻t,根据监测的(至时刻t的)设备A的运行状态和/或同类设备的历史数据,预测设备A由当前至失效的剩余寿命(residual life)(或剩余有效寿命(remaining useful life))。这里,历史数据可以是同类设备从运行到失效过程中的状态监测数据(condition monitoring data),可以是失效时间数据、维护时间数据等事件数据(event data),也可以是两者的综合。Jardine等将剩余寿命表述为: Τ-t|Τ＞t,Ζ(t)(1) 式中,T为表示失效时刻的随机变量,t为当前时刻,向量Z(t)为至当前的状态数据。更全面地,可将式(1)拓展为: Τ-t|Τ＞t,Ζ(u),(Ζhj(v),Ehj)(2) 式中,向量Zhj(v)为同类设备j在运行时刻ν的状态监测数据,向量Ehj为同类设备j的事件数据(尤其是失效时间,预防维护时间等数据),u∈[0,t],ν∈[0,Thj],j=1,2,…,L,L表示可获得历史数据的同类设备的个数,Thj为同类设备j的最终失效或不再服役的时刻。寿命预测,既指预测变量T-t的分布,有时也指预测T-t的期望,即: E[Τ-t|Τ＞t,Ζ(u),(Ζhj(v),Ehj)](3) 文献中,设备寿命预测的方法主要可以分为:基于物理(第一原理)的方法和基于经验的方法,下文1.1节和1.2节总结近年来关于这两类方法的主要工作。 1.1 基于状态约束的转轴裂纹关联研究 基于物理的方法试图结合:①设备特定的机械动力学知识(如:损伤增长模型);②设备在线状态监测数据,以预测设备的剩余寿命。文献中常见的基于物理的方法主要使用裂纹扩展模型,碎裂增长模型等。 Ray与Tangirala提出了裂纹扩展的非线性随机模型,结合实测传感器信号估计裂纹长度、裂纹扩展速率及材料的剩余寿命。 Li等提出了一个滚动轴承寿命预测的框架,该框架包括一个确定性损伤扩展模型,一个诊断模型和一个自适应算法。其中,诊断模型用于从传感性信号中估计缺陷尺寸;由此估计,损伤扩展模型可计算得缺陷扩展率,并预测下一时刻的损伤尺寸;自适