智慧預測性維護

隨著資訊、機械、系統工程和管理等學科的發展，特別是以行動互聯網、大數據、人工智慧等為代表的新一代資訊技術，推進了智慧製造的快速發展。

在設備的營運維護領域，為解決設備營運與維護服務的異地化、即時化和及時性等問題，設備製造或營運企業透過採集設備運行資料，並上傳至企業資料中心（或企業雲端），使系統軟體能夠對設備進行即時線上監測、控制，並經過資料分析進行預測性維護，逐漸形成了基於（行動）互聯網的維護、維修和營運（Maintenance Repair & Operation, MRO）技術服務網路和相應的資料支援環境，如產品狀態、設備狀態、環境狀態、業務營運狀態、人員狀態、社交網路資料以及客戶回饋資料等大數據資訊，並體現出全球性（互聯網連接）、即時性（工業互聯網支援的狀態檢測）和及時性（行動終端調度）的特性，使得設備全生命週期的知識能被高效和自發地產生和利用。然而，由於MRO 技術服務網路中裝備系統故障的高隨機性和維護需求的高不確定性，面向大範圍MRO 網路環境中多個不確定性的合作主體和高隨機性的設備故障，如何可靠地獲取、建模、推理和挖掘來自產品狀態、環境狀態、設備運行狀態、人員狀態、業務營運資料、社交網路資料以及客戶產品回饋資料等裝備全生命週期中的異構大數據資訊？如何利用上述資訊準確地預測設備故障和維護需求，制定合適的維護和優化策略？如何在有限服務資源下，充分利用互聯網環境下廣泛存在的共用服務資源，最大限度地回應網路維護需求，建立與客戶長期全面的合作關係？更進一步，如何透過資訊物理系統（Cyber Physical System, CPS）將維護決策回饋給製造系統，實現誤差補償、調節和回饋控制？這些問題成了智慧製造環境下MRO 技術服務網路中各個參與主體的共同訴求，需要研究面向智慧營運環境的多源異構資料高品質獲取與融合理論與方法、資料驅動的裝備及部件故障預測理論和方法、面向裝備營運網路的大規模維護決策理論、基於CPS的回饋控制方法等大數據環境下面向MRO技術服務網路的智慧預測性維護（Smart Predictive Maintenance, SPdM）理論、技術和方法。

本書系統地介紹了新一代資訊技術環境對製造業的影響、智慧製造模式下的設備維護問題，以及各種維護策略，如預防性維護、預測性維護和智慧預測性維護等；詳細地介紹了故障預測的方法體系，包括基於物理模型的故障預測、基於可靠性模型的故障預測、資料驅動的故障預測、融合模型驅動的故障預測等內容；結合智慧製造的參考體系結構，系統地介紹了智慧預測性維護的技術體系與框架，如面向智慧工廠的智慧預測性維護、面向智慧工廠營運網路的智慧預測性維護框架等；注重智慧預測性維護的關鍵理論、方法和技術，例如，基於IoT的感知資源管理與車間無線路由技術、大數據驅動的故障預測理論和方法、維護決策和優化方法、網路決策和優化方法以及基於CPS的虛擬控制技術等，較全面系統地闡述了設備維護領域正在興起的理論、技術和方法，涉及面廣，內容豐富。

本書具體內容安排為：第1章對智慧製造模式下智慧預測性維護、設備維護策略與發展趨勢進行綜述，並為全書內容的展開進行鋪墊；第2章介紹故障診斷與預測方法；第3章結合智慧製造的參考體系架構，系統地介紹智慧預測性維護技術體系與框架；第4章介紹基於IoT的感知資源管理框架與模型；第5章介紹面向複雜製造環境的無線路由模型與演算法；第6章給出資料獲取的協定集成與設計案例；第7章討論資料驅動的故障診斷方法；第8章介紹資料驅動的故障預測模型與方法；第9章討論智慧工廠的維護優化調度與決策；第10章介紹大範圍維護服務預測與優化配置；第11章討論基於資訊物理系統的運行程序控制。

劉敏，工學博士，研究員，博士生指導教授。長期從事大數據分析與預測、智慧預測性維護、智慧製造系統等基礎理論、方法和技術的研發。先後赴美國加州大學洛杉磯分校、佛羅里達大學，加拿大麥基爾大學、國家研究院、西安大略大學，德國杜伊斯堡埃森大學等國外知名大學和研究機構訪問交流。

李玲，副教授，控制科學與工程博士。

鄢鋒，科研學者。

第1章 緒論
1.1 引言
1.1.1 基於大數據的預測性分析與決策
1.1.2 設備的智慧預測性維護
1.1.3 面向設備營運網路的智慧預測性維護
1.2 維護策略
1.2.1 故障檢修
1.2.2 預防性維護
1.2.3 狀態維護
1.2.4 預測性維護
1.2.5 智慧預測性維護
1.2.6 維護策略的選擇方法
1.3 發展趨勢
1.4 本書內容安排
參考文獻
第2章 故障診斷與預測方法
2.1 故障診斷與預測方法的一般分類
2.1.1 故障診斷方法
2.1.2 故障預測方法
2.2 基於物理模型的故障預測方法
2.3 基於可靠性模型的故障預測方法
2.4 數據驅動的故障預測方法
2.4.1 基於退化過程模型的方法
2.4.2 基於機器學習的方法
2.4.3 基於深度學習的方法
2.5 融合模型驅動的故障預測方法
2.5.1 資訊融合技術
2.5.2 融合建模的思路和方法
2.5.3 一種多分類器融合模型
2.6 基於失效樣本的故障預測方法選擇
參考文獻
第3章 智慧預測性維護技術體系與框架
3.1 智慧製造的參考體系架構
3.2 面向設備的智慧預測性維護策略
3.2.1 基於5C 的預測性維護模型
3.2.2 基於CPS的智慧預測性維護模型
3.3 面向設備營運網路的智慧預測性維護策略
3.3.1 設備營運與維護網路
3.3.2 面向 SPdM網路的數據獲取與維護決策
3.4 基於資料探勘的智慧預測性維護技術體系與框架
參考文獻
第4章 基於IoT的感知資源管理框架與模型
4.1 基於LoT的感知資源模型及管理框架
4.1.1 LoT感知資源模型
4.1.2 基於LoT的感知資源管理框架
4.1.3 基於LoT的數據採集與處理框架
4.2 基於區塊鏈的LoT資源安全管理模型
4.2.1 區塊鏈與物聯網的關係
4.2.2 基於區塊鏈的工業物聯網平臺
4.2.3 基於SMPC的祕密分享機制和數據儲存方法
4.2.4 標識管理和鏈路協定
4.3 基於區塊鏈的LoT數據共享模型
4.4 案例研究
參考文獻
第5章 面向複雜製造環境的無線路由模型與演算法
5.1 網路路由協定的研究現狀
5.2 基於QoS的無線感測器網路路由模型
5.2.1 QoS的度量參數
5.2.2 具有QoS的網路路由協定與模型
5.3 基於量子蟻群演算法的路由最佳化演算法
5.3.1 蟻群演算法和量子進化演算法最佳化機理
5.3.2 量子蟻群演算法
5.3.3 量子蟻群多目標路由演算法設計
5.3.4 演算法性能分析
5.4 實驗與結果分析
參考文獻
第6章 數據採集的協定集成與設計案例
6.1 狀態監測數據採集框架
6.2 監測網路的協定選擇
6.2.1 CAN總線協定
6.2.2 ZigBee協定
6.2.3 GPRS協定
6.3 硬體選型與設計
6.3.1 感測器選型
6.3.2 數據採集網路層設計
6.4 軟體設計
6.4.1 ZigBee節點程式設計
6.4.2 ARM控制板程式設計
參考文獻
第7章 數據驅動的故障診斷方法
7.1 數據驅動故障診斷方法的研究現狀
7.2 面向非平穩非線性狀態數據的特徵提取方法
7.2.1 產品的故障模式及信號監測方法
7.2.2 狀態監測信號的特徵提取方法
7.2.3 影像處理與波形處理相結合的特徵提取方法
7.3 基於卷積人工類神經網路和集成學習的故障診斷方法
7.3.1 多層多尺度特徵最佳配置的CNN模型
7.3.2 基於多層多尺度深度CNN和RFs的集成學習方法
7.3.3 實驗仿真、分析與應用驗證
7.4 基於卷積人工類神經網路和轉移學習的故障診斷方法
7.4.1 轉移學習的概念
7.4.2 基於CNN和 TL的故障診斷模型
7.4.3 實驗仿真、分析與應用驗證
參考文獻
第8章 數據驅動的故障預測模型與方法
8.1 基於量子多代理人工類神經網路的故障預測模型
8.1.1 人工類神經網路故障預測模型
8.1.2 QMA-BPNB演算法
8.1.3 基於量子多代理人工類神經網路的預測演算法
8.1.4 演算法分析
8.2 基於機器學習的故障預測模型
8.2.1 故障預測建模技術
8.2.2 演算法的訓練、仿真和評估
8.2.3 演算法的驗證和測試方法
8.3 基於深度學習的故障預測模型
8.3.1 卷積人工類神經網路模型
8.3.2 面向多元時間序列數據的多種CNN預測模型
8.3.3 演算法分析
參考文獻
第9章 智慧工廠的維護最佳化調度與決策
9.1 維護與庫存的聯合最佳化問題
9.1.1 維護需要的種類
9.1.2 維護策略與庫存控制模型的特徵分類
9.2 維護與備件庫存的聯合最佳化策略
9.2.1 基於塊的維護策略和定期檢查庫存策略
9.2.2 基於塊的維護策略和連續檢查庫存策略
9.2.3 基於役齡的維護策略和定期檢查庫存策略
9.2.4 基於役齡的維護策略和連續檢查庫存策略
9.2.5 狀態維護策略和定期與連續庫存檢查策略
9.3 預測性維護與備件庫存聯合最佳化模型
9.3.1 基於仿真的聯合最佳化模型
9.3.2 基於馬爾科夫決策過程MDP的聯合最佳化模型
9.3.3 基於預測事件的聯合最佳化模型
參考文獻
第10章 大範圍維護服務預測與最佳化配置
10.1 MRO營運網路的服務需要預測與最佳化問題
10.2 基於產品劣化狀態的需要預測與服務提供模型
10.2.1 生產設備的加速劣化模型
10.2.2 基於產品劣化狀態的需要預測及服務提供模型
10.2.3 算例分析
10.3 基於 DSSI 理論和 FAHP賦權模式的服務提供商管理
10.3.1 理論背景
10.3.2 基於 DSSI理論的提供商選擇模型
10.3.3 基於FAHP賦權模式的提供商評價方法
10.4 基於改進隨機規劃的服務備件預測與管理模型
10.4.1 基於改進隨機規劃的備件管理模型
10.4.2 模型求解
10.4.3 算例分析
10.5 基於模糊隨機規劃和利潤共享模式的服務資源配置
10.5.1 基於模糊隨機規劃和利潤共享式的服務資源配置
10.5.2 模型求解
10.5.3 算例分析
參考文獻
第11章 基於網路實體系統的運行過程控制
11.1 CPS系統
11.1.1 CPS的定義
11.1.2 CPS研究現狀
11.1.3 CPS架構
11.2 基於數位孿生的運行過程智慧控制模型
11.2.1 數位孿生模型
11.2.2 數位孿生模型的相關應用
11.2.3 運行過程智慧控制模型
11.3 數據驅動生產過程參數最佳化案例分析
11.3.1 數據採集與預處理
11.3.2 系統建模與運算分析
11.3.3 智慧生產最佳化策略
參考文獻

第1章　緒論

行動網際網路、大數據和人工智慧等新一代資訊技術與製造過程深度融合，推動了製造業管理體系、生產方式、產業形態和商業模式的深刻變革，驅動了傳統製造向智慧製造的轉型升級。在設備維護領域，傳統基於可靠性的預防性維護策略逐漸轉變為大數據驅動的智慧預測性維護策略。智慧預測性維護通過建模分析與設備維護、維修和營運有關的數據資訊，實現面向設備運維網路的故障預測、壽命預計、維護最佳化與決策等智慧服務。本章主要介紹智慧預測性維護、維護策略、發展趨勢及本書的內容安排。

1.1引言

1.1.1基於大數據的預測性分析與決策

在智慧製造模式下，知識成為服務型製造運作的基礎，數據分析和探勘是產生知識的主要途徑，數據成為企業核心資產。製造系統中問題的發生和解決的過程會產生大量數據，通過對這些數據的分析和探勘可以了解問題產生的過程、造成的影響和解決的方式，這些資訊被抽象化建模後轉化成知識，再利用知識去認識、解決和避免問題，核心是從以往依靠人的經驗，轉向依靠探勘數據中隱形的線索，使得製造知識能夠被更加高效和自發地產生、利用和傳承，為製造系統的智慧化發展帶來了難得的歷史機遇。

然而，傳統數據分析方法已經無法滿足海量級別營運維護資訊的分析處理需要，給有效利用這些數據帶來了困難。當企業開始使用大數據時會發現，把大數據分析作為一個完全獨立的功能是行不通的，數據的強大和處理的可擴展性將最終推動企業的數據分析方法從描述性分析（總結與描述過去已經發生的）向預測性分析（預測未來將發生的事情）和規範性分析（決定採取何種行為促使未來事件發生）轉變，並將數據分析內嵌在企業的業務流程之中，直接基於大數據預測演算法制定規劃和決策並導致行為發生。

基於大數據的預測性分析可以加速產品創新、生產系統品質的預測性管、產品健康管理及預測性維護、能源管理、環保與安全、供應鏈最佳化、產品精準營銷、智慧裝備和生產系統的自省性和重構能力，其實現方式可以從以下3個方面體現。

① 建模：把問題變成數據，通過數據建模把經驗變成可持續的價值。
② 預測：把數據（如時域信號的統計特徵、波形信號的頻域特徵、能量譜特徵以及特定工況下的信號讀數等）變成知識，分析可見問題，預測不可見問題。
③ 決策：把知識變成數據，驅動產品、工藝、生產、營運、決策創新。

1.1.2 設備的智慧預測性維護

在設備管理領域，為解決設備營運與維護過程的異地化、實時化和及時性問題，設備營運企業利用物聯網或工業網際網路技術採集設備運行狀態數據（感知智慧化），並通過（行動）網際網路上傳至企業營運中心（或企業雲端）；系統軟體對設備實時狀態進行在線監測、控制，並經過數據分析進行維護需要預測和維護調度（設備智慧化）。在設備的狀態監測與預測過程中，企業逐漸形成了基於（行動）網際網路和設備維護、維修與營運MRO （Maintenance Repair & Operation）數據環境（設備結構與性能、設備營運狀態、環境狀態、業務營運狀態、人員狀態、維護社交網路數據以及客戶回饋數據等大數據資訊）的智慧預測性維護服務平臺，提供遠端個性化的設備智慧維護、維修和營運服務，並體現出全球性（網際網路連接）、實時性（工業網際網路支持的狀態檢測）和及時性（行動終端調度）等特性。

在智慧製造時代，通過對設備運行狀態、歷史維護資訊等數據資訊進行分析和探勘，可以了解設備故障產生的過程、造成的影響和解決的方式，這些資訊被抽象化建模後轉化成知識，再利用知識去預測故障和執行維護決策，實現了設備的自省和智慧化，使得設備全生命週期的知識能被高效和自發地產生和利用，也完成了設備維護策略從傳統的預防性維護（Preventive Maintenance, PM）策略向設備的智慧預測性維護（Intelligent Predictive Maintenance, IPdM）策略的轉變。

丹麥維斯塔斯公司（世界風力發電工業中技術發展的領導者）在風機的機艙、輪轂、葉片、塔筒及地面控制箱內，安裝了感測器、儲存器、處理器以及監控和資料擷取（Supervisory Controland Data Acquisition, SCADA）等系統，通過智慧預測性維護技術，實現對風機運行的實時監控；公司還在風力發電渦輪中內置微型控制器，可以在每一次旋轉中控制扇葉的角度，從而最大限度地捕捉風能，還可以控制每一臺渦輪，在能效最大化的同時，減少對鄰近渦輪的影響；公司還對實時數據進行處理，預測風機部件可能產生的故障，以減少可能的風機不穩定現象，並使用不同的工具最佳化這些數據，達到風機性能的最佳化。

在航空公司不願花錢對發動機進行大型常規保養或檢修的前提下，美國通用電氣航空集團公司通過提供發動機健康監控、發動機維護排程/預先調度和航班排程管理等服務功能，推出了「向航空公司提供基於智慧預測性維護的航空發動機飛行使用時間服務」的服務創新模式，由公司承擔航空發動機的購買、維修、除錯、更新升級等服務，向航空公司租航空發動機、賣發動機的飛行使用時間，不需航空公司另外支付保養、維修費用。該模式已廣泛應用於波音767的CF6-80發動機、獵鷹2000噴氣式飛機的CFE738發動機、軍用A-10攻擊機的TF34發動機和C-5運輸機的TF39發動機等。

設備運行工況的複雜性和設備多樣性問題是設備健康評估面臨的最大挑戰，自2010年開始，日本日產公司在工業機器人的健康管理方面引入健康管理服務平臺，以避免由於故障造成的停產損失，主要策略方法由4個方面構成。第一，對於數量龐大的工業機器人，使用其控制器內的監控參數對其進行健康分析：根據每一個機械臂的動作循環提取固定的信號統計特徵，如RMS、方差、極值、峰度值和特定位置的負載值等，並採用同類對比的方法消除由於工況多樣性造成的建模困難，通過直接對比相似設備在執行相似動作時信號特徵的相似程度找到離群點，作為判斷早期故障的依據（可提前2周確定故障）。第二，預測分析流程包括：關鍵部件選擇（如機械臂驅動馬達）、資料擷取（如負載、轉矩、位置、週期時間、機器人型號等參數）、信號處理與特徵提取、健康建模（如相似性聚類、定位等）、故障診斷。第三，聚類過程包括：根據設備型號和使用時間進行第1輪聚類，根據設備任務、環境和工況等進行第2輪聚類，聚類特徵可以選擇轉矩最大、最小和平均值等參數，形成機械臂虛擬社區（當機械臂執行相似動作時，其特徵分布十分相似），然後比較個體與集群的差異性判斷異常程度，相應的方法有PCA-T2模型（設備與集群的偏離程度，其分布符合F分布的特徵，可以按90％～95％的信賴區間確定控制）、高斯混合模型、自組織映射圖、統計模式分析等。第四，每天生成健康報告，根據設備實時狀態進行維護計劃和生產計劃調度。