[论文解读] System-Level Predictive Maintenance: Review of Research Literature and Gap Analysis

Kyle M. Miller, Artur Dubrawski|arXiv (Cornell University)|May 11, 2020

Reliability and Maintenance Optimization被引用 6

一句话总结

本文提出了一种面向系统级预测性维护的综合潜在状态建模方法，整合了结构、物理和维护数据，以在主动维护条件下对退化轨迹进行建模。通过将故障预测建模为表示学习任务，利用循环神经网络并把维护操作视为状态转移，该方法即使在故障被删失或未被观测到的情况下也能实现可靠的故障风险预测，克服了传统组件级模型在复杂系统中的局限性。

ABSTRACT

This paper reviews current literature in the field of predictive maintenance from the system point of view. We differentiate the existing capabilities of condition estimation and failure risk forecasting as currently applied to simple components, from the capabilities needed to solve the same tasks for complex assets. System-level analysis faces more complex latent degradation states, it has to comprehensively account for active maintenance programs at each component level and consider coupling between different maintenance actions, while reflecting increased monetary and safety costs for system failures. As a result, methods that are effective for forecasting risk and informing maintenance decisions regarding individual components do not readily scale to provide reliable sub-system or system level insights. A novel holistic modeling approach is needed to incorporate available structural and physical knowledge and naturally handle the complexities of actively fielded and maintained assets.

研究动机与目标

• 解决复杂资产中组件级预测性维护与系统级故障预测之间的可扩展性差距。
• 识别系统级预测性维护中的关键挑战，包括潜在退化状态、维护引起的态变以及故障成本复杂性。
• 克服传统监督式剩余使用寿命（RUL）方法在故障被删失或未被观测时失效的局限性。
• 开发一个统一的建模框架，整合物理知识和维护历史，以提升可靠性与准确性。
• 实现在组件间相互作用和维护操作显著改变退化轨迹的复杂系统中，稳健的故障风险预测。

提出的方法

• 将系统退化建模为潜在状态空间过程，通过表示学习将资产历史映射为潜在向量表示。
• 使用深度循环网络（如LSTM、RNN）将历史传感器数据和维护数据编码为动态演变的潜在状态。
• 将维护操作视为离散状态转移，建模为作用于当前潜在状态和操作类型的加法函数。
• 将结构、物理或可靠性模型（如FMEA、PHM）作为归纳偏置，以减少数据需求并提升模型泛化能力。
• 在部分可观察马尔可夫决策过程（POMDP）框架下建模问题，使用预测状态表示（PSR）处理未被观测的故障事件。
• 支持从观测到的和删失的故障数据（包括在整个观测期内从未发生故障的资产）进行端到端学习。

实验结果

研究问题

• RQ1 维护操作如何改变复杂系统中的退化轨迹？这些影响如何在预测性维护中建模？
• RQ2 为何组件级预测性维护方法无法有效扩展到系统级洞察？其核心结构性差异是什么？
• RQ3 统一的潜在状态表示模型能否有效处理复杂资产中的删失故障数据和维护引起的态变？
• RQ4 如何将物理和结构知识整合到数据驱动的退化模型中，以提升可靠性并降低数据依赖性？
• RQ5 组件间统计依赖性对系统级故障概率的影响是什么？如何在不依赖最大组件假设的前提下进行建模？

主要发现

• 由于复杂的潜在退化状态和维护引起的态变，组件级预测性维护方法在系统级应用中难以有效扩展。
• 维护操作显著改变退化轨迹，导致在资产生命周期早期应用传统时间到故障估计方法会产生误导性结果。
• 在整个观测期内从未发生故障的资产无法用于标准监督式RUL预测，凸显了处理删失数据模型的必要性。
• 基于POMDP和PSR的潜在状态表示方法，即使在故障未被观测或维护干扰信号的情况下，也能实现稳健的故障风险预测。
• 将物理和结构知识整合到模型中可减少数据需求，并提升模型的准确性与可解释性。
• 所提出的框架天然地处理了维护操作与组件相互作用之间的耦合关系，相比基于最大组件或独立模型的方法，能实现更准确的系统级风险预测。