下载掌阅APP，畅读海量书库
立即打开
随着先进传感技术、物联网与信息物理系统等的飞速发展，在工业大数据时代，如何利用海量数据评估与预测关键设备的健康状态，进而提高车辆运营维护效率、降低成本和保障运营安全成为轨道交通行业的前沿和热点问题。维修技术大致经历了事后维修、定期维修和视情维修3个阶段 [40] 。传统的事后维修和定期检修是基于当前健康状态的故障检测与诊断，而故障预测与健康管理（PHM）是对未来健康状态的预测，变被动式的维修活动为主动式的保障活动，可显著提高设备的可靠性和可用性 [41] 。
PHM出现于20世纪70年代，其利用传感器采集设备数据，结合其他有效信息，借助合适的算法模型对目标对象进行故障预测，同时提供维修保障决策及实施计划，是保障设备运行的安全性、可靠性与经济性的重要手段。PHM主要包括剩余寿命预测及维修策略优化两个方面的内容，其中剩余寿命（Remaining Useful Life，RUL）预测是基础和核心。根据状态监测设备获得的退化数据进行剩余寿命预测是实现设备健康管理的前提和基础。实现轨道设备状态修的关键是要基于可靠性理论和在线监测数据对车辆关键零部件进行剩余寿命预测，同时确定合理的维修时机，以提高车辆的运用效率、降低车辆维修成本。RUL是设备的预期使用寿命或设备在进行修理或更换前的剩余使用时间。剩余寿命预测指根据设备当前健康状态、负载及退化趋势等估计设备在可接受的使用状态下的寿命 [42] ，是实现视情维修和PHM的关键技术。近年来，有大量关于剩余寿命预测方法的研究，目前的剩余寿命预测方法主要包括基于失效机理的剩余寿命预测方法、基于数据驱动的剩余寿命预测方法和融合型剩余寿命预测方法。
基于失效机理的剩余寿命预测方法主要通过构建描述设备失效机理的数学模型，结合设备状态监测数据和缺陷增长方程，来描述系统的机理和衰退模式，如裂纹扩展、磨损腐蚀、断裂等，建立机理和对应模式之间的关系，进而实现设备的剩余寿命预测。使用基于失效机理的剩余寿命预测方法的前提是建立包含负载条件、失效机制等的设备全生命周期物理模型 [43] 。其中，失效物理（Physics of Failure，PoF）模型 [44] 比较典型。张小丽 [45] 结合应力应变、损伤力学等力学机理对剩余寿命预测研究进行了总结。Kacprzynski [46] 等利用高级故障物理模型及相关诊断信息，对直升机变速箱齿轮的疲劳情况进行了预测。
基于数据驱动的剩余寿命预测方法不需要考虑系统的运行机制及失效机理，其利用设计、仿真、运行、维护等阶段的能及时反映设备性能变化情况的监测数据，构建设备退化模型，建立剩余寿命预测模型，进而实现设备剩余寿命预测，此外，还可以提供维修决策信息。基于数据驱动的剩余寿命预测方法可以分为基于统计数据驱动的剩余寿命预测方法和基于机器学习的剩余寿命预测方法 [47] 。
1）基于统计数据驱动的剩余寿命预测方法
先确定设备性能参数的退化轨迹所满足的回归方程或随机过程，再通过构建表征退化过程的数学模型来推导设备剩余寿命的概率密度函数，进而获得设备剩余寿命预测结果。胡昌华等 [48] 将基于统计数据驱动的剩余寿命预测方法分为基于失效数据的剩余寿命预测方法、基于退化数据的剩余寿命预测方法和多源数据融合的剩余寿命预测方法，目前很少使用基于失效数据的剩余寿命预测方法。此外，随着状态监测技术的快速发展，获取表征设备健康状态的特征值越来越容易，因此基于退化数据的剩余寿命预测方法得到了快速发展。该方法主要分为基于随机系数回归模型的剩余寿命预测方法、基于隐马尔可夫模型的剩余寿命预测方法、基于随机滤波的剩余寿命预测方法和基于随机过程的剩余寿命预测方法。
（1）基于随机系数回归模型的剩余寿命预测方法。
该方法利用退化量预测部件的退化轨迹，并推导寿命分布。在建模过程中，一般假设同一批次或同一类型的产品有相同的退化特性。但由于个体之间存在制造差异，且使用工况不完全相同，所以个体的具体退化过程存在较强的分散性。而随机系数回归模型基于系数的随机效应描述不同个体的退化差异。因此，随机系数回归模型不仅能反映设备总体退化规律，还能反映设备个体在使用过程中受到的自身因素与外部因素的影响。
Lu等 [49] 将模型参数定义为随机系数，用于描述设备的退化过程，进而提出了一种通用的基于随机系数回归模型的剩余寿命预测方法。Gebraeel等 [50] 提出了可实现对数线性化的指数形式的随机系数回归模型，结合同类设备的历史退化数据，引入贝叶斯方法对设备的剩余寿命分布情况进行更新。
（2）基于隐马尔可夫模型的剩余寿命预测方法。
隐马尔可夫模型在马尔可夫链的基础上发展而来，基于隐马尔可夫模型的剩余寿命预测方法适用于具有离散退化状态的设备，且其未来的退化状态只与当前的退化状态有关，与过去的退化过程无关。隐马尔可夫模型（Hidden Markov Model，HMM）在难以直接观测设备退化状态的场景中得到了广泛应用。
Liu等 [51] 将基于HMM的方法和最小二乘支持向量机方法融合，实现了对轴承的剩余寿命预测。Soualhi等 [52] 使用人工蚁群聚类方法对HMM的退化状态进行了分类，并利用自适应模糊神经推理方法对轴承的剩余寿命进行了预测。
（3）基于随机滤波的剩余寿命预测方法。
基于随机滤波的剩余寿命预测方法的基本原理是将设备的寿命视为不可观测的隐含状态，利用实时监测数据对其进行在线更新。这是一种在寿命分布和退化轨迹不确定的情况下，间接地对实时监测数据与隐含状态的关系进行建模的方法，其寿命预测结果完全取决于所获取的监测数据。
（4）基于随机过程的剩余寿命预测方法。
随机过程模型将设备的退化过程看作随机过程。在设备的使用过程中，其内部特性及环境因素会导致退化过程具有不确定性，随机过程模型能够很好地反映这样的不确定性，因此得到了广泛应用。基于随机过程的剩余寿命预测方法包括基于逆高斯过程的方法、基于Gamma过程的方法和基于Wiener过程（维纳过程）的方法，其中基于维纳过程的方法的应用较为广泛。
①逆高斯过程是一种具有独立增量特性的随机过程，逆高斯过程的独立增量特性使得其可以建立未来状态与当前状态之间的关系，能够直接对未来的退化过程进行预测。
Wang等 [53] 首次将逆高斯过程应用于退化过程建模。李烁 [54] 在研究设备加速退化过程的试验中，提出了一种考虑测量误差的逆高斯过程模型，并给出了寿命评估方法。
②Gamma过程是一种具有独立增量特性的随机过程且其增量皆为正值，适用于严格单调的退化过程。该过程的主要优点是计算简单、物理意义明确，但Gamma过程模型要求退化过程是严格单调的，并要求退化增量和退化过程中包含的噪声成分符合Gamma 分布。
Abdel-Hameed [55] 基于随机过程对磨耗退化过程进行了建模，对该退化过程进行了数学推导，并将其命名为“Gamma磨损过程”。尚洁 [56] 基于Gamma过程构建了复杂应力下的设备退化模型，并使用铣刀的退化数据对所提模型进行了验证。
③维纳过程是具有高斯分布增量的随机过程，便于进行参数估计和求剩余寿命分布的解析解，同时适用于非严格单调的退化过程。可以通过建立随机过程模型来描述退化轨迹，在概率论框架下讨论设备的剩余寿命问题，获得剩余寿命的概率密度分布，能够很好地描述预测结果的不确定性，并为后续的维修提供参考 [57] 。
Hu等 [58] 基于维纳过程建立了具有温度特征的设备性能退化模型，得到了较好的轴承剩余寿命预测结果。文献[59]基于维纳过程，建立了风力发电机轴承的剩余寿命预测模型，实现了轴承的实时剩余寿命预测。
2）基于机器学习的剩余寿命预测方法
基于机器学习的剩余寿命预测方法包括浅层和深层两类，浅层方法主要包括基于相关向量机的剩余寿命预测方法和基于递归神经网络的剩余寿命预测方法等。
（1）基于相关向量机的剩余寿命预测方法。
相关向量机（Relevance Vector Machine，RVM）是建立在支持向量机（Support Vector Machine，SVM）基础上的一种分类与回归方法，它与SVM有类似的函数形式，通过引入核函数和利用升维的方式解决非线性分类问题。
Di等 [60] 结合数据驱动方法和模型驱动方法的优势，采用将RVM与指数回归结合的方法估计轴承剩余寿命，并通过实验验证了该方法的优越性；冯鹏飞等 [61] 利用RVM预测不同时刻的特征指标，计算可靠度并预测轴承失效时间，通过实验验证了该方法的合理性。
（2）基于递归神经网络的剩余寿命预测方法。
基于递归神经网络（Recursive Neural Network，RNN）的剩余寿命预测方法的基本思路是将监测数据作为RNN的输入，利用基于时间的反向传播（Back-Propagation Through Time，BPTT）算法对模型参数进行训练，进而实现设备的剩余寿命预测。
针对环境与负载具有时变性的问题，Liu等 [62] 采用自适应RNN对锂电池的剩余寿命进行预测。Chen等 [63] 解决了传统RNN的时间步长必须一致的问题，获得了设备接近失效时的预测结果。
根据被预测对象的特性，选择合适的预测方法是保证预测精度的有效办法，由于每种预测方法都有其优势和劣势，所以为避免出现问题，可根据预测方法的特性和适用范围，将两种及以上预测方法结合，构造融合型剩余寿命预测方法，进而实现高精度的剩余寿命预测。
Saha [64] 等将相关向量机和粒子滤波方法分别作为离线和在线预测方法，实现了对锂离子电池的剩余寿命预测。Huang [65] 等提出了融合自组织映射和BP神经网络的预测方法，可用于预测滚动轴承的剩余寿命，获得了较好的预测结果。
综上所述，基于失效机理的剩余寿命预测方法的优点在于更多地依赖设备的失效机理，而不需要大量历史监测数据。然而，随着设备的复杂度逐渐提高，很难建立一个精确的物理模型来反映设备的真实工况。随着对设备运行状态的监测手段不断完善，且设备运行过程中的状态监测数据不断丰富，基于数据驱动的剩余寿命预测方法逐渐成为设备剩余寿命预测的研究热点。