[论文解读] Survey of prognostics methods for condition-based maintenance in engineering systems

Ehsan Taheri, Ilya Kolmanovsky+1 more|arXiv (Cornell University)|Dec 3, 2019

Fault Detection and Control Systems参考文献 241被引用 8

一句话总结

本文全面综述了工程系统中基于状态的维护（CBM）的剩余使用寿命（RUL）预测的 prognostics 方法，回顾了用于预测 RUL 的模型、算法和数据处理技术。评估了基于物理的、数据驱动的以及混合方法，强调了模型选择标准、数据质量、不确定性量化以及航空航天、汽车和工业应用中的实际实施挑战。

ABSTRACT

It is not surprising that the idea of efficient maintenance algorithms (originally motivated by strict emission regulations, and now driven by safety issues, logistics and customer satisfaction) has culminated in the so-called condition-based maintenance program. Condition-based program/monitoring consists of two major tasks, i.e., extit{diagnostics} and extit{prognostics} each of which has provided the impetus and technical challenges to the scientists and engineers in various fields of engineering. Prognostics deals with the prediction of the remaining useful life, future condition, or probability of reliable operation of an equipment based on the acquired condition monitoring data. This approach to modern maintenance practice promises to reduce the downtime, spares inventory, maintenance costs, and safety hazards. Given the significance of prognostics capabilities and the maturity of condition monitoring technology, there have been an increasing number of publications on machinery prognostics in the past few years. These publications cover a wide range of issues important to prognostics. Fortunately, improvement in computational resources technology has come to the aid of engineers by presenting more powerful onboard computational resources to make some aspects of these new problems tractable. In addition, it is possible to even leverage connected vehicle information through cloud-computing. Our goal is to review the state of the art and to summarize some of the recent advances in prognostics with the emphasis on models, algorithms and technologies used for data processing and decision making.

研究动机与目标

• 提供机械和电气系统中基于状态的维护（CBM）的 prognostics 方法的最新综述。
• 分析不同工程领域中各类 prognostics 模型（物理模型、统计模型和数据驱动模型）的优势、局限性和适用性。
• 识别 RUL 预测中的关键挑战，包括数据质量、不确定性量化、模型复杂性以及实际部署问题。
• 指导从业者根据系统需求、失效模式和运行约束选择合适的 prognostic 模型。
• 指出现有研究中的研究空白，特别是缺乏涉及复杂失效模式和系统级 prognostics 的真实世界案例研究。

提出的方法

• 系统性地将 prognostics 模型分类为基于物理的、统计的和数据驱动的类别，包括贝叶斯网络、卡尔曼/粒子滤波器、自回归模型和神经网络等子类型。
• 使用关键标准评估模型实现：数据需求、对噪声的敏感性、维修类型假设（完美/非完美）、失效模式处理能力以及提供置信区间的能力。
• 回顾用于 RUL 估计的性能指标，如平均绝对误差（MAE）、均方根误差（RMSE）和预测区间覆盖率概率（PICP）。
• 分析在汽车（如湿式离合器系统、交流发电机）和航空航天系统中的实际应用，包括点对点车辆健康管理系统。
• 提出一个基于系统关键性、数据可用性和所需精度的工具选择框架，强调按需选择模型。
• 强调云计算和联网车辆数据在增强 prognostic 能力方面的作用，尤其对于数据密集型模型。

实验结果

研究问题

• RQ1 在基于状态的维护系统中，诊断与 prognostics 的关键区别是什么？
• RQ2 哪些 prognostic 模型类型（基于物理的、统计的、数据驱动的）最适合不同的工程应用，原因是什么？
• RQ3 数据质量、噪声和模型假设如何影响 RUL 预测的可靠性和准确性？
• RQ4 在具有重叠失效模式或共因失效的现实系统中应用 prognostic 模型时，主要挑战是什么？
• RQ5 如何有效将置信区间和不确定性量化集成到 prognostic 模型中，以实现实际的风险管理？

主要发现

• 基于物理的模型具有高精度，且所需数据量少于数据驱动模型，但需要深厚的专业知识，最适合飞机等安全关键系统。
• 数据驱动模型（如神经网络）更具可访问性和可扩展性，但通常缺乏置信区间，且需要大量数据进行训练。
• 仅有少数模型（如杜安增长模型、比例强度模型和隐马尔可夫模型）能有效处理非完美维修场景。
• 大多数模型更适合单一主导失效模式的部件级 RUL 预测，但当应用于具有多个相互作用失效模式的复杂系统时，性能显著下降。
• 在变量条件和重叠故障的运行环境中，学术 prognostic 模型实际部署的真实世界案例研究存在显著空白。
• 即使使用商业软件，模型复杂性和实施工作量仍是主要障碍，且作者往往低估了模型开发和验证所需的时间与专业知识。