工業(yè)資產(chǎn)的預測與健康管理（PHM）：當前進展與未來之路

預測和健康管理 (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行條件或預測何時會發(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)機器的安全水平,。此外,，它們可能會大大降低與定期維護操作相關(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器學習 (ML) 和深度學習 (DL) 技術(shù)的驚人進步代表了數(shù)據(jù)驅(qū)動 PHM 系統(tǒng)開發(fā)的兩個強大推動因素,。另一方面，事實上將它們的應用限制在現(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 應用程序的交集。我們對故障診斷和故障預測方面的現(xiàn)有工作進行了全面審查,，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,。

最近的研究1表明，對于普通工廠而言,，低效的維護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)領域的工業(yè)制造商意外停機的總體負擔估計達到每年 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策略不滿意。根據(jù)最近對 230 多家歐洲高級企業(yè)3 進行的采訪的趨勢研究,，大約 93% 的他們認為他們的維護政策效率低下,。

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

另一方面，預測性維護 (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)代化進程,。PM 系統(tǒng)的目標是利用傳感器工程和數(shù)據(jù)分析的新進展實施更智能,、更動態(tài)的維護方法。機器的健康狀態(tài)現(xiàn)在由傳感器網(wǎng)絡持續(xù)監(jiān)控,，未來的維護操作基于對結(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 策略有助于改進幾個關(guān)鍵績效指標,。大約 60% 的參與公司報告說，機器正常運行時間平均提高了 9% 以上,，并且在成本節(jié)約,、健康風險和資產(chǎn)壽命方面進一步增強。

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科學和信息工程領域引入的一些新進展。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視覺 (CV),、自然語言處理 (NLP) 和語音識別等領域做出了巨大貢獻,。

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)又是機器學習系統(tǒng)所必需的主要成分,。

但是,，不應將基于人工智能的技術(shù)視為能夠立即解決影響當前維護策略的所有問題的”。尤其是 ML 和 DL,，是不斷發(fā)展的領域,，盡管取得了重大成就，但許多缺點仍然限制了它們在現(xiàn)實場景中的廣泛應用,。因此,，有必要保持謹慎并嘗試了解當前人工智能方法在 PM 背景下的局限性，并推動進一步研究以解決或緩解這些缺點,。