工業(yè)資產的預測與健康管理（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的通常顯著的成本。在過去十年中，數據可用性的增加以及機器學習 (ML) 和深度學習 (DL) 技術的驚人進步代表了數據驅動 PHM 系統開發(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有工作進行了全面審查，重點介紹了采用人工智能技術帶來的好處和缺點。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)，以實現基于 AI 的 PHM 系統的承諾。

1 介紹

支持現代工業(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重要。這些成本的很大一部分通常來自工業(yè)資產的維護。

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能力的 5% 到 20%。此外，根據國際自動化協會 (ISA) 2 的數據，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，即由數字化時代的到來引發(fā)的工業(yè)世界的現代化進程。PM 系統的目標是利用傳感器工程和數據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)現在由傳感器網絡持續(xù)監(jiān)控，未來的維護操作基于對結果數據的分析。越來越多的組織出于降低成本的需要和 PM 的潛力，1 .

現在出現的一個自然問題是 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調查了 PM 的實際潛力，而不是過去幾年圍繞它產生的炒作。結果令人印象深刻：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歷了最令人印象深刻的增長的技術之一。人工智能技術之所以受到越來越多的關注，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。相對便宜的傳感器的日益普及使得收集大量數據變得更加容易，而這些數據又是機器學習系統所必需的主要成分。

但是，不應將基于人工智能的技術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。