故障预测与健康管理系统验证与确认方法综述

·１７６４·系统Ｔ程与电子技术第２９卷模块中应用的一般技术（如传感器、数据传输、数据处理等）和方法（如系统框架模型、状态监测、健康评估和预测推理算法等）进行了大量的研究，同时也进行了大量的工程实践。

２ＰＨＭ系统的应用技术和方法２．１数据采集和传感器应用技术要对一个复杂系统对象进行ＰＨＭ，首先要确定可以直接表征其故障／健康状态的参数指标，或可间接推理判断系统故障／健康状态所需要的参数信息［１“。

这是ＰＨＭ系统的数据基础，传感器技术的应用将直接影响ＰＨＭ系统的效果。

该部分技术应用主要考虑选择待监测的参数（如工作参数、环境参数和性能参数等），选用传感器的类型，传感器安放的位置，传感器的精度和带宽等。

这部分一般侧重于对现有成熟技术的应用，在应用时主要考虑经济性和适用性。

目前，市场上可供选用的传感器类型很多，普通的有温度传感器、振动传感器以及冲击传感器等。

还有一些专用的传感器如光纤传感器、压电传感器、声学发射传感器、腐蚀传感器等瞳””。

应用时可根据实际情况进行选用，一般都有相应的标准和大量的工程实践用于指导各种类型传感器的选择。

除了这些传统的传感器可供选用外，随着微电子技术和测量技术的发展，在一些系统的研制过程中还广泛采用了各种先进的传感器技术，如微电子机械系统（Ｍｉ—ｃｒｏ－ｅｌｅｃｔｒｏ－ｍｅｃｈａｎｉｅａｌｓｙｓｔｅｍｓ，ＭＥＭＳ）ｒｚ”“，智能传感器口”３３以及内建传感器［２”钉等。

这些新类型的传感器具有精度高、适用范围广、智能化等特点，在各种ＰＨＭ系统中已有广泛应用。

２．２数据传输技术传感器采集到的各种数据信息需要通过一定的方式传输到ＰＨＭ系统中的其它部分。

目前主要有两种数据传输方式，即有线传输和无线传输。

有线数据传输是通过各种有线数据总线和各种网络如Ｉｎｔｅｒｎｅｔ、ＥｔｈｅｒｎｅｔＬＡＮ（１０ｃａｌｎｅｔｗｏｒｋ）等进行数据的传输。

目前这方面的技术较为成熟，并且大多都有各种通讯标准、网络协议如ＴＣＰ／ＩＰ、ＵＤＰ／ＩＰ等可以遵循。

数据驱动故障预测和健康管理综述随着科技的不断发展，数据驱动的故障预测和健康管理在各个领域逐渐受到重视。

通过对大量数据的收集、分析和处理，可以实现对系统的故障预测和健康状态的监测，从而提前采取措施进行维修和保养，提高系统的可靠性和安全性。

数据驱动的故障预测是一种基于历史数据的方法，通过对系统运行数据的监测和分析，可以预测系统未来可能发生的故障。

这种方法可以帮助我们在故障发生之前就采取相应的措施，从而避免或减少故障对系统运行的影响。

数据驱动的故障预测可以应用于各种领域，如制造业、能源行业、交通运输等。

例如，在制造业中，通过对生产设备的运行数据进行监测和分析，可以预测设备的故障，并及时进行维修，避免生产线的停机和生产损失。

数据驱动的健康管理是一种基于数据分析的方法，通过对系统运行数据的监测和分析，可以实时了解系统的健康状态。

这种方法可以帮助我们及时发现系统存在的问题，并采取相应的措施进行修复和保养，从而延长系统的使用寿命和提高系统的性能。

数据驱动的健康管理可以应用于各种设备和系统，如飞机、汽车、电力系统等。

例如，在飞机维修中，通过对飞机的运行数据进行监测和分析，可以及时发现飞机存在的问题，并进行维修和保养，确保飞机的安全运行。

数据驱动的故障预测和健康管理的核心是对数据进行分析和挖掘。

通过对大量的数据进行收集和存储，可以建立起系统的历史数据库。

然后，通过对历史数据的分析和挖掘，可以提取出系统的运行规律和特征，从而实现对系统的故障预测和健康状态的监测。

数据分析和挖掘的方法包括统计分析、机器学习、人工智能等。

这些方法可以帮助我们从海量的数据中提取出有用的信息和知识，为故障预测和健康管理提供决策支持。

然而，数据驱动的故障预测和健康管理也面临一些挑战和问题。

首先，数据的质量和可靠性是影响故障预测和健康管理效果的重要因素。

如果数据存在噪声和缺失，或者数据采集和存储的过程中存在错误和偏差，都会对故障预测和健康管理的结果产生不良影响。

万方数据．１２１４·计算机测爵与控制第１６卷诊断转向基于智能系统的预测，反应式的通信转向在准确时间为识别故障的信息源，将有关信息直接传送给中间层的区域管对准确的部位进行准确维修的先导式活动…］。

其目的是减少理器。

机下ＰＨＭ则包括区域管理器和平台管理器。

机载维修人力、增加出动架次、实现自主式保障。

美国Ｆ一３５联合ＰＨＭ的结构体系如图３所示。

攻击机（ｊｏｉｎｔｓｔｒｉｋｅｆｉｇｈｔｅｒ，ＪＳＦ）的ＰＨＭ方案Ⅲ３如图１所刀≮。

图１ＪＳＦ的ＰＨＭ方案该技术的实现将使由事件主宰的维修（即事后维修）或时间相关的维修（即定期维修）被基于状态的维修（即视情维修）所取代ｎ”¨］。

２ＰＨＭ的工作原理Ｆ一３５联合攻击战斗机的ＰＨＭ用于机载信息的监控、存储、传送以及故障的预测与诊断，是一种综合运用由多种诊断和预测技术构成的部件、分系统和系统级状态监控策略的一体化建模结构。

它采用基于人工智能的方法，将来自传感器或ＢＩＴ的数据传给事先已构造和训练好的智能推理机软件，智能推理机利用基于模型的推理、神经网络和模糊逻辑之类的智能数学模型来模仿物理系统的工作状态，对各个分系统和整个系统即将发生的故障进行检测和隔离，并根据部件或分系统当前的诊断状态和现有使用数据来预计其未来的健康状况和故障模式。

ＪＳＦＰＨＭ的工作原理如图２所示。

图２ＪＳＦＰＨＭ的工作原理ＰＨＭ结构综合了机上和机下有关组元ｍ““，分为３个层次。

最低层是分布在飞机各分系统部件中的软、硬件监控程序；中间层为区域管理器；顶层是飞机平台管理器。

最底层作中华测控网ｃｈｉｎａｍｃａ．ｃｏｍ平曩筑哪矗蕾Ｐｆ＊一Ｉ尊图３机载ＰＨＭ的结构体系ＰＨＭ采用的分层智能推理机构，在多个层次上采用多种类型的推理机，并利用更多判据查明原因，以便最大限度减少对单个传感器和算法的依赖，提高故障隔离的准确性，减少虚警。

在区域级和飞机平台级，机上和机下ＰＨＭ都可完成以下类型的推理。

（１）诊断推理：对监控的结果和其他输入进行评估，确定所报告故障的原因和影响。

(%)航天系统与技术 (21)航空航天领域故障预测航天系统部林燕随着新技术的广泛应用和功能、性能不断丰富强化，航空航天装备系统的度越来越高。

应用场合的特殊性要求航空航天装备对故障的容忍度极低，这与愈发复杂的系统可能带来的风险产生矛盾。

因而，传统的定期排查、事后管理维修等系统维护手段已经无法适应航空航天装备发展趋势，高效、准确、低成本的航空航天装备监测维护系统和科学的维修管理技术，以及视情维修方法的需求愈发强烈。

在此背景下，应用于航空航天装备的故障预测与健康管理技术(PHM)应运而生。

PHM是一项广泛应用于各个领域的新兴综合技术，它综合利用复杂传感网络技术、数据融合与现代信息处理技术、人工智能和机器学习算法等最新的科技成果，对复杂系统未来一段时间内失效或发生故障的情形提供预测，并在故障发生时，为故障发生位置和类型提供准确的判断。

同时，根据故障预测与判断结果，基于可靠性,为中心的维修(RCM)提供依据，并与基于状态的维修(CBM)有效对接。

因此，PHM系统可以精准预测故障的发生并确定故障的位置和种类，极大地提高装备运行维护的效率。

通过与维修管理系统的对接，显著提高维修工作的及时性和准确性。

相较于定期维护、人工判断故障性质和事后维修等传统方法，不仅能够大大降低航空航天装备的故障率和事故率,而且能够优化装备维护管理工作,显著降低维护成本。

目前，西方发达国家的航空航天装备体系已经基本配套完整的PHM系统，参与信息的搜集、融合和处理分析，进而做出维修管理决策和装备实时监测。

国内关于航空航天装备的PHM技术方兴未艾，但和西方发达国家相比仍然有彳馱差距。

Aerospace China2019.5*PACE SYSTEM AND TECHNOLOGY一航空航天装备PHM 技术的发展概况PHM 技术，概括来说，就是将传感器釆集的数据进行处理、融合，由计算机根据一定的模型，依 据相应的算法得到检测目标当前的状态和未来一段时间的变化趋势。

第４１卷第１期２０２０年１月哈㊀尔㊀滨㊀工㊀程㊀大㊀学㊀学㊀报ＪｏｕｒｎａｌｏｆＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙＶｏｌ.４１ɴ.１Ｊａｎ.２０２０船舶柴油机故障预测与健康管理技术综述柯赟ꎬ宋恩哲ꎬ姚崇ꎬ董全(哈尔滨工程大学动力与能源工程学院ꎬ黑龙江哈尔滨１５０００１)摘㊀要:为解决船舶柴油机传统维修和计划维修的缺陷ꎬ对故障预测与健康管理技术进行了综合研究ꎮ介绍船舶行业在运维管理上亟待解决的问题ꎬ阐述船舶ＰＨＭ技术的内涵和必要性ꎮ基于不同故障预测方法和不同研究单位分析了国内外船舶柴油机ＰＨＭ技术的研究现状ꎮ根据ＰＨＭ技术的技术框架ꎬ提出以燃油系统为例的柴油机子系统ＰＨＭ系统实现路线ꎮ剖析船舶柴油机ＰＨＭ技术面临的挑战ꎬ展望未来的技术发展趋势和重点研究问题ꎬ为智能船舶的研发提供一些参考ꎮ关键词:船舶柴油机ꎻ故障分析ꎻ故障诊断ꎻ故障预测ꎻ健康管理ꎻＰＨＭ技术ꎻ剩余寿命ꎻ智能船舶ＤＯＩ:１０ １１９９０/ｊｈｅｕ.２０１９０３０６８网络出版地址:ｈｔｔｐ://ｗｗｗ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ/２３ １３９０.ｕ.２０１９１１０４.１７３９.００８.ｈｔｍｌ中图分类号:ＴＰ３９１㊀文献标志码:Ａ㊀文章编号:１００６￣７０４３(２０２０)０１￣０１２５￣０７Ａｒｅｖｉｅｗ:ｓｈｉｐｄｉｅｓｅｌｅｎｇｉｎｅｐｒｏｇｎｏｓｔｉｃｓａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔｔｅｃｈｎｏｌｏｇｙＫＥＹｕｎꎬＳＯＮＧＥｎｚｈｅꎬＹＡＯＣｈｏｎｇꎬＤＯＮＧＱｕａｎ(ＩｎｓｔｉｔｕｔｅｏｆＰｏｗｅｒａｎｄＥｎｅｒｇｙＥｎｇｉｎｅｅｒｉｎｇꎬＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙꎬＨａｒｂｉｎ１５０００１ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｄｅｆｅｃｔｓｏｆｔｒａｄｉｔｉｏｎａｌｍａｉｎｔｅｎａｎｃｅａｎｄｐｌａｎｎｅｄｍａｉｎｔｅｎａｎｃｅｏｆｍａｒｉｎｅｄｉｅｓｅｌｅｎ￣ｇｉｎｅｓꎬａｃｏｍｐｒｅｈｅｎｓｉｖｅｓｔｕｄｙｏｎｆａｕｌｔｐｒｅｄｉｃｔｉｏｎａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔｔｅｃｈｎｉｑｕｅｓｗａｓｃａｒｒｉｅｄｏｕｔ.ＦｉｒｓｔｏｆａｌｌꎬｉｔｉｎｔｒｏｄｕｃｅｓｔｈｅｐｒｏｂｌｅｍｓｔｈａｔｔｈｅｓｈｉｐｂｕｉｌｄｉｎｇｉｎｄｕｓｔｒｙｎｅｅｄｓｔｏｓｏｌｖｅｉｎｏｐｅｒａｔｉｏｎａｎｄｍａｉｎｔｅｎａｎｃｅｍａｎａｇｅｍｅｎｔꎬａｎｄｅｘｐｏｕｎｄｓｔｈｅｃｏｎｎｏｔａｔｉｏｎａｎｄｎｅｃｅｓｓｉｔｙｏｆｔｈｅｓｈｉｐＰＨＭｔｅｃｈｎｏｌｏｇｙ.ＴｈｅｎꎬｂａｓｅｄｏｎｄｉｆｆｅｒｅｎｔｆａｕｌｔｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｓａｎｄｄｉｆｆｅｒｅｎｔｒｅｓｅａｒｃｈｕｎｉｔｓꎬｔｈｅｒｅｓｅａｒｃｈｓｔａｔｕｓｏｆｄｏｍｅｓｔｉｃａｎｄｉｎｔｅｒｎａｔｉｏｎａｌｍａｒｉｎｅｄｉｅｓｅｌｅｎｇｉｎｅＰＨＭｔｅｃｈｎｏｌｏｇｙｉｓａｎａｌｙｚｅｄ.ＴｈｅｎａｃｃｏｒｄｉｎｇｔｏｔｈｅｔｅｃｈｎｉｃａｌｆｒａｍｅｗｏｒｋｏｆＰＨＭｔｅｃｈｎｏｌｏｇｙꎬｔｈｅｆｕｅｌｃｅｌｌｓｙｓｔｅｍｉｓｔａｋｅｎａｓａｎｅｘａｍｐｌｅｔｏｒｅａｌｉｚｅｔｈｅｒｏｕｔｅｏｆｔｈｅｄｉｅｓｅｌｅｎｇｉｎｅｓｕｂｓｙｓｔｅｍＰＨＭｓｙｓｔｅｍ.ＦｉｎａｌｌｙꎬｔｈｅｃｈａｌｌｅｎｇｅｓｏｆｔｈｅｍａｒｉｎｅｄｉｅｓｅｌｅｎｇｉｎｅＰＨＭｔｅｃｈｎｏｌｏｇｙａｒｅａｎａｌｙｚｅｄꎬａｎｄｔｈｅｆｕｔｕｒｅｔｅｃｈｎｏｌｏｇｉｃａｌｄｅｖｅｌｏｐｍｅｎｔｔｒｅｎｄｓａｎｄｋｅｙｒｅｓｅａｒｃｈｉｓ￣ｓｕｅｓａｒｅｆｏｒｅｃａｓｔｅｄｔｏｐｒｏｖｉｄｅｓｏｍｅｒｅｆｅｒｅｎｃｅｆｏｒｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｉｎｔｅｌｌｉｇｅｎｔｓｈｉｐｓ.Ｋｅｙｗｏｒｄｓ:ｍａｒｉｎｅｄｉｅｓｅｌｅｎｇｉｎｅꎻｆａｕｌｔａｎａｌｙｓｉｓꎻｆａｕｌｔｄｉａｇｎｏｓｉｓꎻｆａｕｌｔｐｒｅｄｉｃｔｉｏｎꎻｈｅａｌｔｈｍａｎａｇｅｍｅｎｔꎻＰＨＭｔｅｃｈ￣ｎｏｌｏｇｙꎻｒｅｍａｉｎｉｎｇｌｉｆｅꎻｉｎｔｅｌｌｉｇｅｎｔｓｈｉｐ收稿日期:２０１９－０３－２１.网络出版日期:２０１９－１１－０４.基金项目:国家自然科学基金项目(５１８７９０５６).作者简介:柯赟ꎬ男ꎬ博士研究生ꎻ姚崇ꎬ男ꎬ博士.通信作者:姚崇ꎬＥ￣ｍａｉｌ:ｙａｏｃｈｏｎｇ＠ｈｒｂｅｕ.ｅｄｕ.ｃｎ.㊀㊀随着船舶行业蓬勃发展和船舶柴油机设计制造技术水平的突飞猛进ꎬ船舶柴油机系统日趋复杂ꎬ复杂性㊁综合化㊁智能化程度不断提高[２]ꎬ安全性和可靠性已成为当前研究热点[３－４]ꎮ由于柴油机常常处于恶劣的工作环境下ꎬ故障率持续上升ꎬ一旦出现重大故障ꎬ造成停机ꎬ轻则造成延误船期等经济损失ꎬ重则危害船上人员的生命财产安全ꎮ因此通过各种手段保障主柴油机及其辅机的可靠运行具有至关重要的意义ꎮ根据ＳｗｅｄｉｓｈＣｌｕｂ(国际船舶保险公司)的事故分析报告可知:１９９８年 ２００４年ꎬ赔偿次数高达４５％(赔偿费用比为３２％)ꎬ船舶保险费用成为船东一笔巨大的费用支出ꎮ据英国对２０００个国营工厂的调查显示ꎬ采用故障预测与健康管理技术后每年节省维修费３亿英镑ꎬ技术费用仅为０ ５亿英镑ꎬ效益相当可观ꎮ从ＰＨＭ基本概念和技术内涵入手ꎬ分析国内外研究现状以及不同的重点研究内容ꎬ揭示船舶柴油机ＰＨＭ技术框架ꎬ提出一种可行的柴油机子系统技术路线ꎬ并针对与技术路线相关的研究挑战和趋势ꎬ总结船舶柴油机ＰＨＭ技术面临的挑战与未来的发展趋势ꎮ哈㊀尔㊀滨㊀工㊀程㊀大㊀学㊀学㊀报第４１卷１㊀ＰＨＭ技术内涵可靠性与经济性是船舶柴油机行业渴望同时满足的２种要求ꎬ故障预测与健康管理(ｐｒｏｇｎｏｓｔｉｃａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔꎬＰＨＭ)为研究的关键问题ꎮＰＨＭ使用各种故障模型和人工智能算法ꎬ用各种数据和状态监视信息来监视㊁诊断㊁预测和管理设备的状态[５]ꎬ人工智能算法和大数据应用程序的信息系统可以提高设备的预测能力[６－７]ꎮ通过预见潜在的危害和可靠的使用寿命ꎬ船用柴油机的安全性得到了提高ꎮ减少故障的影响并避免由于机器故障而导致的严重事故ꎬ准确评估柴油机的健康状况ꎬ自动生成维护计划和策略ꎬ提高柴油机维护效率并降低维护成本ꎮ它既能确保系统稳定与可靠运行的ꎬ同时也大大减少系统维护和维修的费用ꎬ因此得到了工业界与学术界的重点关注和研究[８]ꎮ２㊀国内外研究现状２ １㊀基于故障预测方法的国内外研究现状以预测方法为研究切入点ꎬ可以分为基于经验模型㊁基于可靠性模型㊁基于物理模型和基于数据驱动的方法ꎮ预测方法分类情况如图１所示ꎮ图１㊀故障预测方法分类Ｆｉｇ.１㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｆａｕｌｔｐｒｅｄｉｃｔｉｏｎｍｅｔｈｏｄｓ２ １ １㊀基于物理模型的方法基于物理模型的故障预测技术提供技术手段来控制预测性组件或系统的故障模式过程ꎮ这突破了对象系统的本质ꎬ并实现了实时故障预测ꎮ经典的方法有ＦＭＥＡ㊁ＦＴＡ和Ｔ￣Ｓ等方法ꎮＫａｄｉｒＣｉｃｅｋ为了减少曲轴箱爆炸的发生概率ꎬ利用故障模式和影响分析(ＦＭＥＡ)的优势ꎬ创新性地将ＦＭＥＡ与操纵运行相结合ꎬ以此方法防止船上曲轴箱爆炸故障ꎬ提高机械系统的可靠性并增强船上的操作安全概念ꎬ为船舶设备制造商㊁船级社和船舶经营者提供支持与指导[９]ꎮ郑卫东[１０]对故障信息进行统一的分类和处理ꎬ根据数据库信息进行故障预测ꎬ给出适当的运维建议ꎮ于震梁等[１１]提出一种支持向量机(ＳＶＭ)和非线性卡尔曼滤波相结合的机械零件剩余寿命预测模型ꎮ计算模型可以充分利用现有和相似的零件寿命测试数据ꎬ预测零件的实时降级数据ꎬ并预测剩余寿命ꎮＳａｌｍａｎ[１２]提出了一类非线性动态系统的Ｔａｋａ￣ｇｉ￣Ｓｕｇｅｎｏ(Ｔ￣Ｓ)模糊建模方法ꎬ该系统的输出具有非线性输出误差(ＮＯＥ)情况的可变性ꎮ王锡淮[１３]提出了一种基于微粒群优化(ＰＳＯ)的Ｔ￣Ｓ模糊模型的非线性系统辨识方法ꎬ并通过试验验证了该方法的有效性ꎮ尽管这类方法可以诊断和预测故障ꎬ但仅在能建立准确的物理或数学模型的情况下ꎮ而对于整机来说ꎬ实现准确诊断或预测ꎬ仍然很难实现ꎮ２ １ ２㊀基于经验模型的方法基于经验模型的方法主要是专家系统和故障树分析ꎮＳｔｒｅｉｃｈｆｕｓｓ等[１４]开发了基于专家系统的机器监控和维护管理系统ꎬ诊断系统与维护计划和控制系统一起使用ꎬ以提供没有矛盾和冗余的数据管理ꎮ宋平等[１５]介绍了一种以关系数据库为基础的机车柴油机多征兆模糊故障诊断专家系统ꎬ在柴油机故障诊断应用中ꎬ该数据库取得了良好的效果ꎮＮｖｅｒ等[１６]通过在模糊环境中使用故障树分析方法系统地研究二冲程船用柴油机的曲轴箱爆炸ꎬ确定了曲轴箱爆炸的所有根本原因ꎬ并通过实施现场专家咨询以逐步的方式计算概率ꎮ吴欠欠等[１７]论述了船舶柴油机故障诊断的意义ꎬ研究了船舶柴油机故障树分析法的基本原理ꎬ总结了故障树的应用特点ꎮ基于经验模型的方法在很大程度上取决于专家的经验ꎮ在确定优先级或有偏见时ꎬ专家经验会对故障排除产生难以估计的后果ꎮ因此ꎬ基于经验模型的方法的科学性仍需进一步讨论ꎮ２ １ ３㊀基于可靠性模型的方法基于可靠性模型或基于概率的ＰＨＭ方法是以统计理论为基础ꎬ对故障数据进行分析ꎬ从而诊断和预测故障ꎮ常用的基于可靠性模型的技术包括贝叶斯方法㊁Ｄｅｍｐｓｔｅｒ￣Ｓｈａｆｅｒ理论与可靠性评估等ꎮ王强等[１８]在柴油机健康监测系统中ꎬ获取大量振动信号并将其传输到系统中心以进行故障检测和识别ꎮ通过实验验证了所提出的多任务贝叶斯压缩传感的有效性ꎮ王忠巍等[１９]为解决柴油机润滑系统复合故障诊断的难题ꎬ以贝叶斯方法为理论基础展开了研究ꎮ董增寿等[２０]为了解决液压系统故障诊断问题ꎬ提出了一种基于改进Ｄ￣Ｓ证据理论和时空域的液压６２１第１期柯赟ꎬ等:船舶柴油机故障预测与健康管理技术综述系统故障诊断信息融合方法ꎮ杨广等[２１]提出了一种基于神经网络和Ｄ￣Ｓ分层融合的故障诊断算法ꎬ通过试验验证了方法的可行性和有效性ꎮ可靠性模型方法的优点是能够分析统计数据以获得所需的概率密度函数ꎬ并且所得的概率密度函数可以完全支持预测ꎮ但所有这些方法一般都是基于贝叶斯定理估计故障的概率密度函数ꎬ多数研究都将这类方法归类于数据驱动方法ꎮ２ １ ４㊀基于数据驱动的方法基于数据驱动的方法包括小波分析㊁经验模式分解和支持向量机等方法ꎮＫａｎｃｈｅｖ等[２２]研究过去２０年来收集的应急柴油发电机(ＥＤＧ)事件的运行经验ꎬ总结重要经验教训并提供建议ꎮ罗福强等[２３]分析了多缸柴油机产生缸间差异的原因ꎬ提出了采用统计学ＳＴＵＤＥＮＴ试验方法判别多缸发动机缸间差异产生的原因ꎮ结果表明ꎬ该柴油机燃烧过程缸间差异较大ꎬ其产生的原因并非偶然ꎬ而是存在技术原因ꎬ需要进行改进ꎮＭａｎｉｅｎｉｙａｎ等[２４]开发了基于概率神经网络(ＰＮＮ)和径向基函数神经网络(ＲＢＦＮ)的ＡＮＮ模型来预测发动机磨损ꎬ在所测试的ＡＮＮ模型中ꎬＲＢＦＮ的性能明显优于ＰＮＮꎮＳｈａｈａｂｏｄｄｉｎ等[２５]设计并比较了４种基于支持向量机(ＳＶＭ)的方法和标准人工神经网络(ＡＮＮ)模型ꎬ建模结果表明ꎬＳＶＭ￣ＷＴ方法在发动机的模型建模方面比其他３种方法更有效ꎮ牛晓晓[２６]提出了一种改进的零树小波图像压缩算法ꎬ为燃气轮机的远程故障诊断提供理论指导ꎮ朱丽娜等[２７]针对柴油发动机机组振动信号非线性和非平稳性以及机组实际故障案例样本数据少的特点ꎬ提出了一种基于ＰＣＡ与支持向量机ＳＶＭ融合的船舶柴油机故障诊断算法ꎮ基于数据驱动的方法能够很好解决对模型和经验的依赖ꎬ不需要对象系统的先验知识ꎬ以测试和状态监测数据为对象ꎬ估计对象系统未来的状态演化趋势ꎬ从而避免了基于模型和基于知识的故障预测技术的缺点ꎮ２ ２㊀基于研究单位的国内外研究现状２ ２ １㊀国外单位研究现状在船舶柴油机故障预测与健康管理领域ꎬ船舶技术发达国家已经对ＰＨＭ技术开展了大量研究工作ꎮ世界第一大船舶柴油机专利商ＭＡＮＢ＆Ｗ公司曾研发一款只用于Ｋ￣ＧＦ系列低速二冲程柴油机的ＣＣＩＯ系统ꎬ该系统与ＳＥＤＳ系统类似ꎬ同样采用传感器技术ꎬ将采集的信息输入计算机ꎬ不同的是ꎬＣＣＩＯ系统对输入的数据ꎬ每天只进行一次自动处理ꎬ对于柴油机工况参数进行趋势计算和分析ꎬ并输出处理结果ꎮ当故障工况发生时ꎬ系统连续报警装置发出警报ꎬ同时在计算机上显示出该状况下的参数数据ꎬ以便帮助轮机员诊断故障ꎮ日本三菱公司的超级船舶操纵支持系统 ＳＵ￣ＰＥＲＡＳＯＳ (ｍｉｔｓｕｂｉｓｈｉｓｕｐｅｒａｄｖａｎｃｅｄｓｈｉｐｏｐｅｒａｔｉｏｎｓｕｐｐｏｒｔｓｙｓｔｅｍ)ꎬ其中包含船舶柴油机诊断系统(ｅｎ￣ｇｉｎｅｄｏｃｔｏｒ)ꎬ通过模糊推理技术ꎬ对主机进行状态监测和故障预测ꎬ并给出运维管理建议ꎮ２ ２ ２㊀国内单位研究现状从２０世纪８０年代开始ꎬ国内才开始将故障诊断技术应用于船舶柴油机ꎬ随着研究人员的不断努力ꎬ虽然相对国外仍然有不小的差距ꎬ但还是取得了一定的成就ꎮ武汉理工大学针对船舶柴油机的故障诊断进行了大量的研究工作ꎬ并应用性能参数法㊁瞬时转速法㊁在线油液法㊁振动分析法实现了８０００方挖泥船动力机械的远程故障诊断系统的实船应用ꎬ收到了良好的使用效果和产生了很好的经济效益[２８]ꎮ北京航空航天大学在飞行器和飞机动力上开展了较多探索性的研究[２９]ꎻ沈阳航空工业学院着重与对机器人的运维管理和故障预测方法研究[３０]ꎮ华中理工大学邓聚龙教授于１９８２年创立的灰色系统理论ꎬ也以其新颖的思路和广泛的适用性在理论和工程界引起广泛关注[３１]ꎮ总体而言ꎬ由于我国设备运行监测与智能故障诊断研究起步较晚ꎬ研究基础相对薄弱ꎬ特征提取和融合分析仍处于实验室研究阶段ꎬ在实际装备中的应用有限或存在空白ꎮ相比国外的大规模实船应用ꎬ我们还有很长的路要走ꎮ３㊀船舶柴油机ＰＨＭ技术框架船舶柴油机ＰＨＭ系统需要同时具备故障诊断㊁状态监测㊁故障预测和健康管理的功能ꎬ由于船舶柴油机是复杂机械ꎬ船舶柴油机的运维更加适用基于数据驱动的ＰＨＭ方法ꎮ船舶柴油机ＰＨＭ技术框架如图２所示ꎮ由于船舶柴油机是极其复杂的工程机械ꎬ目前对其开展的ＰＨＭ技术研究往往只关注某一个或者若干个核心子系统ꎬ例如燃油系统㊁润滑系统等[３２]ꎮ通过建立各核心子系统之间关联度ꎬ融合多源信息形成柴油机整体ꎮ因此ꎬ整体柴油机ＰＨＭ技术研究可从核心子系统ＰＨＭ技术研究着手ꎮ以燃油系统为例ꎬ船舶柴油机燃油系统基于数据驱动的ＰＨＭ技术路线如图３所示ꎮ首先理清燃油系统常见故障机理与故障部位ꎬ利用故障树分析７２１哈㊀尔㊀滨㊀工㊀程㊀大㊀学㊀学㊀报第４１卷燃油系统典型故障ꎬ然后选择可行的测点对燃油系统各工况进行状态监测和信号采集ꎬ检测手段可用振动测试ꎬ同时建立实时仿真模型ꎬ对燃油系统运行进行仿真模拟ꎬ输出正常信号与实际信号对比ꎬ进一步标定优化仿真模型ꎬ并且依照故障树分析对仿真模型进行故障注入ꎬ输出故障信号ꎬ实现故障模拟ꎬ最后利用合适的故障诊断与预测的算法对模型进行再次优化以及对燃油系统状态进行评估ꎬ故障诊断算法例如时域分析㊁频域分析和时频域分析等ꎬ预测算法例如剩余寿命预测㊁累计损伤分析与健康状态评估等ꎬ建立信息收集数据库和监测平台ꎬ提供及时有效的维修与维护意见ꎮ图２㊀船舶柴油机ＰＨＭ技术框架Ｆｉｇ.２㊀ＭａｒｉｎｅｄｉｅｓｅｌｅｎｇｉｎｅＰＨＭｔｅｃｈｎｏｌｏｇｙｆｒａｍｅｗｏｒｋ图３㊀燃油系统ＰＨＭ技术路线Ｆｉｇ.３㊀ＦｕｅｌｓｙｓｔｅｍＰＨＭｔｅｃｈｎｉｃａｌｒｏｕｔｅ４㊀船舶柴油机ＰＨＭ面临的挑战１)现代船舶柴油机性能不断提高ꎬ功能不断完善ꎬ然而同时也导致了柴油机系统㊁子系统和设备愈趋复杂ꎬ故障机理分析也愈趋困难ꎬ故障模式较多区分难度大ꎬ而且柴油机目前缺乏预测模型的标准化评价指标体系ꎬ导致无法充分评估预测算法的性能[３３]ꎮ２)传感器本身的性能难以实现ꎬ因为传感器本身存在错误和漂移ꎬ从而降低了监视的准确性ꎮ此外ꎬ当前船用柴油机的某些物理量无法直接测量也不能直接使用[３４－３５]ꎮ另外有些故障特征表现不明显ꎬ使得获取的信息常常是不完备的ꎬ因而难以实现柴油机的人工智能诊断ꎮ３)柴油系统中的故障预测技术尚未完全理解ꎬ核心组件故障预测技术正在研究中ꎮ船用柴油机的健康评估是基于知识和经验的ꎬ但是它是主观的ꎬ需要经验ꎬ缺乏通用性ꎬ并且难以准确评估系统退化的程度ꎮ４)船用柴油机维修决策系统和备件管理系统不与信息实时交互ꎬ也不能成为狭义的知识管理系统ꎮ如果没有故障预警系统ꎬ则很难解释柴油机故８２１第１期柯赟ꎬ等:船舶柴油机故障预测与健康管理技术综述障的演变并预测预期寿命ꎮＰＨＭ技术的集成测试和验证非常不足ꎬ尤其是对于大型设备和大型项目ꎬＰＨＭ系统的集成时间匮乏ꎬ缺乏测试条件和必要的验证环境[３６]ꎮ５㊀船舶柴油机ＰＨＭ发展趋势现在的ＰＨＭ技术多是主要研究ＰＨＭ体系结构与系统集成方面的问题而忽视了零部件级的ＰＨＭ问题ꎬ即便是现有的极少数研究舰船ＰＨＭ技术的单位也都是研究舰船的整体系统ꎬ而深入研究船舶ＰＨＭ技术必须掌握船用柴油机ＰＨＭ技术ꎮ为了满足ＰＨＭ技术的需求ꎬ根据ＰＨＭ一般技术框架ꎬ从状态监测㊁故障诊断㊁故障预测与健康管理这４个研究重点来预测未来ＰＨＭ技术发展趋势[５]ꎬ如表１所示ꎮ表１㊀ＰＨＭ技术的发展趋势Ｔａｂｌｅ１㊀ＴｒｅｎｄｓｉｎＰＨＭｔｅｃｈｎｏｌｏｇｙ方向２０２０２０２５２０３０状态检测实施状态监测解决有无问题状态监测优化传感器最佳布设基于智能传感网络的状态监测故障诊断基于经验和物理模型的故障诊断基于大数据的人工智能综合诊断基于机器自学习的故障自诊断故障预测材料及关键核心零部件故障预测复杂系统退化性故障及剩余寿命预测复杂系统随机性故障智能化预测健康管理定期维修与故障检修人工管理基于状态维修与视情况维修自主保障和自主修复健康管理自主化㊀㊀根据ＰＨＭ技术的未来发展态势可知ꎬ实时在线诊断㊁多源信息融合和网络化是船舶柴油机ＰＨＭ技术的主要发展方向ꎮ１)实时在线诊断ꎮ重点研制适合船舶柴油机故障诊断的新型集成化传感器ꎬ能够长寿命的监测信号ꎬ并且可预埋于柴油机内ꎬ从而解决离线监测的时滞问题ꎮ２)多源信息融合ꎮ在柴油机故障诊断过程中ꎬ有各种各样的参数可以视为状态参数ꎬ单一的选择状态参数和故障诊断算法ꎬ对数据获取和特征提取都有一定的局限性ꎮ因此如何对大量信息进行多源信息融合和综合利用ꎬ是今后船舶柴油机ＰＨＭ技术重点研究的课题[８]ꎮ３)网络化ꎮ网络化是新世纪ＰＨＭ技术的发展方向ꎬ利用网络将多个子系统联系起来ꎬ实现资源共享ꎬ提高诊断的速度和精度ꎬ并能对整个系统进行全面化评估ꎬ有利于设备的运维管理ꎬ提高设备利用率ꎮ因此实现系统网络化是迫切需要的ꎮ６㊀结论１)根据船舶行业目前面临的亟待解决的问题ꎬ阐述了船舶柴油机ＰＨＭ技术的必要性ꎮ２)描述了船舶柴油机ＰＨＭ技术的研究现状和研究框架ꎬ重点介绍基于故障预测方法和研究单位的船舶柴油机ＰＨＭ技术研究现状ꎮ３)以燃油系统为例的船舶柴油机ＰＨＭ技术框架ꎬ提出一种船舶柴油机ＰＨＭ技术普适的路线ꎮ４)分析船舶柴油机ＰＨＭ关键技术面临的挑战ꎬ展望未来的发展趋势ꎬ为智能船舶的发展提供一些参考与指导ꎮ参考文献:[１]ＬＩＢｉｎｇꎬＣＨＥＮＭｅｉｙｕａｎꎬＷＡＮＧＲｏｎｇｒｏｎｇꎬｅｔａｌ.Ｆａｕｌｔｄｉａｇｎｏｓｉｓｆｏｒｔｈｅｓｈｉｐｅｌｅｃｔｒｉｃｐｒｏｐｕｌｓｉｏｎｓｙｓｔｅｍ[Ｃ]//Ｐｒｏ￣ｃｅｅｄｉｎｇｓｏｆｔｈｅ１１ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮａｔｕｒａｌＣｏｍｐｕｔａｔｉｏｎ.ＺｈａｎｇｊｉａｊｉｅꎬＣｈｉｎａꎬ２０１５:７１４－７１８. [２]ＬＩＵＬｅｉꎬＬＩＸｉｕｑｉａｎｇ.Ｓｔｕｄｙｏｎｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｓｈｉｐｐｏｗ￣ｅｒｓｙｓｔｅｍｂａｓｅｄｏｎｍｕｌｔｉ￣ｓｏｕｒｃｅｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎｔｅｃｈｎｏｌｏ￣ｇｙ[Ｊ].Ａｐｐｌｉｅｄｍｅｃｈａｎｉｃｓａｎｄｍａｔｅｒｉａｌｓꎬ２０１４ꎬ６４４－６５０:３７２６－３７２９.[３]郭江华ꎬ侯馨光ꎬ陈国钧ꎬ等.船舶柴油机故障诊断技术研究[Ｊ].中国航海ꎬ２００５(４):７５－７８.ＧＵＯＪｉａｎｇｈｕａꎬＨＯＵＸｉｎｇｕａｎｇꎬＣＨＥＮＧｕｏｊｕｎꎬｅｔａｌ.Ｒｅ￣ｓｅａｒｃｈｏｎｆａｕｌｔｄｉａｇｎｏｓｉｓｔｅｃｈｎｏｌｏｇｙｏｆｍａｒｉｎｅｄｉｅｓｅｌｅｎｇｉｎｅ[Ｊ].ＮａｖｉｇａｔｉｏｎｏｆＣｈｉｎａꎬ２００５(４):７５－７８. [４]肖小勇.船舶柴油机智能诊断技术与应用研究[Ｄ].武汉:武汉理工大学ꎬ２０１３:１－５.ＸＩＡＯＸｉａｏｙｏｎｇ.Ｒｅｓｅａｒｃｈｏｎｍａｒｉｎｅｄｉｅｓｅｌｅｎｇｉｎｅｉｎｔｅｌｌｉ￣ｇｅｎｔｄｉａｇｎｏｓｉｓｔｅｃｈｎｏｌｏｇｙａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎ[Ｄ].Ｗｕｈａｎ:ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙꎬ２０１３:１－５. [５]年夫顺.关于故障预测与健康管理技术的几点认识[Ｊ].仪器仪表学报ꎬ２０１８ꎬ３９(８):１－１４.ＮＩＡＮＦｕｓｈｕｎ.Ｖｉｅｗｐｏｉｎｔｓａｂｏｕｔｔｈｅｐｒｏｇｎｏｓｔｉｃａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔ[Ｊ].Ｃｈｉｎｅｓｅｊｏｕｒｎａｌｏｆｓｃｉｅｎｔｉｆｉｃｉｎｓｔｒｕｍｅｎｔꎬ２０１８ꎬ３９(８):１－１４.[６]ＧＩＮＡＲＴＡꎬＢＡＲＬＡＳＩꎬＧＯＬＤＩＮＪꎬｅｔａｌ.ＡｕｔｏｍａｔｅｄＦｅａ￣ｔｕｒｅＳｅｌｅｃｔｉｏｎｆｏｒＥｍｂｅｄｄａｂｌｅＰｒｏｇｎｏｓｔｉｃａｎｄＨｅａｌｔｈＭｏｎｉ￣ｔｏｒｉｎｇ(ＰＨＭ)Ａｒｃｈｉｔｅｃｔｕｒｅｓ[Ｃ]//ＰｒｏｃｅｅｄｉｎｇｓｏｆＩＥＥＥＡｕｔｏｔｅｓｔｃｏｎ.ＡｎａｈｅｉｍꎬＣＡꎬＵＳＡꎬ２００６:１９５－２０１. [７]彭宇ꎬ刘大同ꎬ彭喜元.故障预测与健康管理技术综述[Ｊ].电子测量与仪器学报ꎬ２０１０ꎬ２４(１):１－９.ＰＥＮＧＹｕꎬＬＩＵＤａｔｏｎｇꎬＰＥＮＧＸｉｙｕａｎ.Ａｒｅｖｉｅｗ:ｐｒｏｇｎｏｓ￣ｔｉｃｓａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔ[Ｊ].Ｊｏｕｒｎａｌｏｆｅｌｅｃｔｒｏｎｉｃｍｅａｓ￣ｕｒｅｍｅｎｔａｎｄｉｎｓｔｒｕｍｅｎｔꎬ２０１０ꎬ２４(１):１－９.９２１哈㊀尔㊀滨㊀工㊀程㊀大㊀学㊀学㊀报第４１卷[８]曹龙汉.柴油机智能化故障诊断技术[Ｍ].北京:国防工业出版社ꎬ２００５:３－２５.ＣＡＯＬｏｎｇｈａｎ.Ｉｎｔｅｌｌｉｇｅｎｔｆａｕｌｔｄｉａｇｎｏｓｉｓｔｅｃｈｎｏｌｏｇｙｆｏｒｄｉｅｓｅｌｅｎｇｉｎｅｓ[Ｍ].Ｂｅｉｊｉｎｇ:ＮａｔｉｏｎａｌＤｅｆｅｎｓｅＩｎｄｕｓｔｒｙＰｒｅｓｓꎬ２００５:３－２５.[９]ＣＩＣＥＫＫꎬＣＥＬＩＫＭ.Ａｐｐｌｉｃａｔｉｏｎｏｆｆａｉｌｕｒｅｍｏｄｅｓａｎｄｅｆｆｅｃｔｓａｎａｌｙｓｉｓｔｏｍａｉｎｅｎｇｉｎｅｃｒａｎｋｃａｓｅｅｘｐｌｏｓｉｏｎｆａｉｌｕｒｅｏｎ￣ｂｏａｒｄｓｈｉｐ[Ｊ].Ｓａｆｅｔｙｓｃｉｅｎｃｅꎬ２０１３ꎬ５１(１):６－１０. [１０]郑卫东.基于ＦＭＥＡ的船舶设备故障信息处理系统[Ｊ].计算机与现代化ꎬ２０１２(５):１７２－１７７ꎬ１８１.ＺＨＥＮＧＷｅｉｄｏｎｇ.ＰｒｏｃｅｓｓｉｎｇｓｙｓｔｅｍｏｆｓｈｉｐｄｅｖｉｃｅｆａｕｌｔｉｎｆｏｒｍａｔｉｏｎｂａｓｅｄｏｎＦＭＥＡ[Ｊ].Ｃｏｍｐｕｔｅｒａｎｄｍｏｄｅｒｎｉｚａ￣ｔｉｏｎꎬ２０１２(５):１７２－１７７ꎬ１８１.[１１]ＺＡＩＤＩＳꎬＫＲＯＬＬＡ.Ａｎｏｖｅｌａｐｐｒｏａｃｈｔｏｔ￣ｓｆｕｚｚｙｍｏｄｅｌ￣ｉｎｇｏｆｎｏｎｌｉｎｅａｒｄｙｎａｍｉｃｓｙｓｔｅｍｓｗｉｔｈｕｎｃｅｒｔａｉｎｔｉｅｓｕｓｉｎｇｓｙｍｂｏｌｉｃｉｎｔｅｒｖａｌ￣ｖａｌｕｅｄｏｕｔｐｕｔｓ[Ｊ].ＩＦＡＣ￣Ｐａｐｅｒｓｏｎｌｉｎｅꎬ２０１５ꎬ４８(２８):１１９６－１２０１.[１２]于震梁ꎬ孙志礼ꎬ曹汝男ꎬ等.基于支持向量机和卡尔曼滤波的机械零件剩余寿命预测模型研究[Ｊ].兵工学报ꎬ２０１８ꎬ３９(５):９９１－９９７.ＹＵＺｈｅｎｌｉａｎｇꎬＳＵＮＺｈｉｌｉꎬＣＡＯＹｕｎａｎꎬｅｔａｌ.ＲｅｓｅａｒｃｈｏｎｒｅｍａｉｎｉｎｇｕｓｅｆｕｌｌｉｆｅｐｒｅｄｉｃｔｉｖｅｍｏｄｅｌｏｆｍａｃｈｉｎｅｐａｒｔｓｂａｓｅｄｏｎＳＶＭａｎｄＫａｌｍａｎｆｉｌｔｅｒ[Ｊ].Ａｃｔａａｒｍａｍｅｎｔａｒｉｉꎬ２０１８ꎬ３９(５):９９１－９９７.[１３]肖健梅ꎬ王锡淮.基于微粒群优化的船舶柴油机Ｔ￣Ｓ模糊模型[Ｊ].哈尔滨工程大学学报ꎬ２００７ꎬ２８(５):５３２－５３５.ＸＩＡＯＪｉａｎｍｅｉꎬＷＡＮＧＸｉｈｕａｉ.Ｔ￣Ｓｆｕｚｚｙｍｏｄｅｌｏｆｍａｒｉｎｅｄｉｅｓｅｌｅｎｇｉｎｅｂａｓｅｄｏｎｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ[Ｊ].ＪｏｕｒｎａｌｏｆＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙꎬ２００７ꎬ２８(５):５３２－５３５.[１４]ＳＴＲＥＩＣＨＦＵＳＳＭꎬＢＵＲＧＷＩＮＫＥＬＰ.Ａｎｅｘｐｅｒｔ￣ｓｙｓｔｅｍ￣ｂａｓｅｄｍａｃｈｉｎｅｍｏｎｉｔｏｒｉｎｇａｎｄｍａｉｎｔｅｎａｎｃｅｍａｎａｇｅｍｅｎｔｓｙｓｔｅｍ[Ｊ].Ｃｏｎｔｒｏｌｅｎｇｉｎｅｅｒｉｎｇｐｒａｃｔｉｃｅꎬ１９９５ꎬ３(７):１０２３－１０２７.[１５]宋平ꎬ苏万华ꎬ裴毅强ꎬ等.柴油机模糊诊断专家系统的研究[Ｊ].内燃机工程ꎬ２００７ꎬ２８(４):６５－６８.ＳＯＮＧＰｉｎｇꎬＳＵＷａｎｈｕａꎬＰＥＩＹｉｑｉａｎｇꎬｅｔａｌ.Ｓｔｕｄｙｏｎｆｕｚｚｙｄｉａｇｎｏｓｉｓｅｘｐｅｒｔｓｙｓｔｅｍｆｏｒｄｉｅｓｅｌｅｎｇｉｎｅ[Ｊ].Ｃｈｉ￣ｎｅｓｅｉｎｔｅｒｎａｌｃｏｍｂｕｓｔｉｏｎｅｎｇｉｎｅｅｎｇｉｎｅｅｒｉｎｇꎬ２００７ꎬ２８(４):６５－６８.[１６]ＮＶＥＲＢꎬＧÜＲＧＥＮＳꎬＳＡＨＩＮＢꎬｅｔａｌ.Ｃｒａｎｋｃａｓｅｅｘｐｌｏ￣ｓｉｏｎｆｏｒｔｗｏ￣ｓｔｒｏｋｅｍａｒｉｎｅｄｉｅｓｅｌｅｎｇｉｎｅｂｙｕｓｉｎｇｆａｕｌｔｔｒｅｅａｎａｌｙｓｉｓｍｅｔｈｏｄｉｎｆｕｚｚｙｅｎｖｉｒｏｎｍｅｎｔ[Ｊ].Ｅｎｇｉｎｅｅｒｉｎｇｆａｉｌ￣ｕｒｅａｎａｌｙｓｉｓꎬ２０１９ꎬ９７:２８８－２９９.[１７]吴欠欠ꎬ王直ꎬ董贺.故障树分析法在船舶柴油机故障诊断中的应用研究[Ｊ].机械设计与制造ꎬ２００９(１):７７－７８.ＷＵＱｉａｎｑｉａｎꎬＷＡＮＧＺｈｉꎬＤＯＮＧＨｅ.Ｆａｕｌｔｔｒｅｅａｎａｌｙｓｉｓａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｔｏｍａｒｉｎｅｄｉｅｓｅｌｆａｕｌｔａｎａｌｙｓｉｓ[Ｊ].Ｍａ￣ｃｈｉｎｅｒｙｄｅｓｉｇｎ＆ｍａｎｕｆａｃｔｕｒｅꎬ２００９(１):７７－７８. [１８]ＷＡＮＧＱｉａｎｇꎬＺＨＡＮＧＰｅｉｌｉｎꎬＭＥＮＧＣｈｅｎꎬｅｔａｌ.Ｍｕｌｔｉ￣ｔａｓｋＢａｙｅｓｉａｎｃｏｍｐｒｅｓｓｉｖｅｓｅｎｓｉｎｇｆｏｒｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓｉｎｄｉｅｓｅｌｅｎｇｉｎｅｈｅａｌｔｈｍｏｎｉｔｏｒｉｎｇ[Ｊ].Ｍｅａｓｕｒｅｍｅｎｔꎬ２０１９ꎬ１３６:６２５－６３５.[１９]王金鑫ꎬ王忠巍ꎬ马修真ꎬ等.基于贝叶斯网络的柴油机润滑系统多故障诊断[Ｊ].控制与决策ꎬ２０１９ꎬ３４(６):１１８７－１１９４.ＷＡＮＧＪｉｎｘｉｎꎬＷＡＮＧＺｈｏｎｇｗｅｉꎬＭＡＸｉｕｚｈｅｎꎬｅｔａｌ.Ｄｉ￣ａｇｎｏｓｉｓｏｆｍｕｌｔｉｐｌｅｆａｕｌｔｓｏｆｄｉｅｓｅｌｅｎｇｉｎｅｌｕｂｒｉｃａｔｉｏｎｓｙｓ￣ｔｅｍｂａｓｅｄｏｎＢａｙｅｓｉａｎｎｅｔｗｏｒｋｓ[Ｊ].Ｃｏｎｔｒｏｌａｎｄｄｅｃｉ￣ｓｉｏｎꎬ２０１９ꎬ３４(６):１１８７－１１９４.[２０]ＤＯＮＧＺｅｎｇｓｈｏｕꎬＺＨＡＮＧＸｕｊｉｎｇ.ＭｏｄｉｆｉｅｄＤ￣Ｓｅｖｉｄｅｎ￣ｔｉａｌｔｈｅｏｒｙｉｎｈｙｄｒａｕｌｉｃｓｙｓｔｅｍｆａｕｌｔｄｉａｇｎｏｓｉｓ[Ｊ].Ｐｒｏｃｅｄｉａｅｎｖｉｒｏｎｍｅｎｔａｌｓｃｉｅｎｃｅｓꎬ２０１１ꎬ１１:９８－１０２.[２１]杨广ꎬ吴晓平.神经网络与Ｄ￣Ｓ证据理论分层融合的柴油机综合故障诊断方法研究[Ｊ].武汉理工大学学报(交通科学与工程版)ꎬ２０１１ꎬ３５(３):５５８－５６１ꎬ５６６.ＹＡＮＧＧｕａｎｇꎬＷＵＸｉａｏｐｉｎｇ.ＤｉｅｓｅｌｅｎｇｉｎｅｓｙｎｔｈｅｓｉｚｅｄｆａｕｌｔｄｉａｇｎｏｓｉｓｔｅｃｈｎｉｑｕｅｂａｓｅｄｏｎｈｉｅｒａｒｃｈｉｃａｌｌｙｆｕｓｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄＤ￣Ｓｅｖｉｄｅｎｃｅｔｈｅｏｒｙ[Ｊ].ＪｏｕｒｎａｌｏｆＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ(ｔｒａｎｓｐｏｒｔａｔｉｏｎｓｃｉｅｎｃｅ＆ｅｎｇｉｎｅｅｒｉｎｇ)ꎬ２０１１ꎬ３５(３):５５８－５６１ꎬ５６６.[２２]ＫＡＮＣ㊅ＥＶＤꎬＤＵＣＨＡＣＡꎬＺＥＲＧＥＲＢꎬｅｔａｌ.Ｓｔａｔｉｓｔｉｃａｌａｎａｌｙｓｉｓｏｆｅｖｅｎｔｓｒｅｌａｔｅｄｔｏｅｍｅｒｇｅｎｃｙｄｉｅｓｅｌｇｅｎｅｒａｔｏｒｓｆａｉｌｕｒｅｓｉｎｔｈｅｎｕｃｌｅａｒｉｎｄｕｓｔｒｙ[Ｊ].Ｎｕｃｌｅａｒｅｎｇｉｎｅｅｒｉｎｇａｎｄｄｅｓｉｇｎꎬ２０１４ꎬ２７３:３２１－３３１.[２３]罗福强ꎬ刘浩龙ꎬ汤东ꎬ等.多缸柴油机燃烧过程缸间差异统计分析[Ｊ].农业机械学报ꎬ２００６ꎬ３７(１０):１９－２２.ＬＵＯＦｕｑｉａｎｇꎬＬＩＵＨａｏｌｏｎｇꎬＴＡＮＧＤｏｎｇꎬｅｔａｌ.Ａｎａｌｙｓｉｓｏｆｃｙｌｉｎｄｅｒｔｏｃｙｌｉｎｄｅｒｖａｒｉａｔｉｏｎｏｆｃｏｍｂｕｓｔｉｏｎｐｒｏｃｅｓｓｏｆｄｉｄｉｅｓｅｌｅｎｇｉｎｅｂｙｓｔａｔｉｓｔｉｃｓｍｅｔｈｏｄ[Ｊ].ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅｓｏｃｉｅｔｙｆｏｒａｇｒｉｃｕｌｔｕｒａｌｍａｃｈｉｎｅｒｙꎬ２００６ꎬ３７(１０):１９－２２.[２４]ＭＡＮＩＥＮＩＹＡＮＶꎬＶＩＮＯＤＨＩＮＩＧꎬＳＥＮＴＨＩＬＫＵＭＡＲＲꎬｅｔａｌ.ＷｅａｒｅｌｅｍｅｎｔａｎａｌｙｓｉｓｕｓｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｓｏｆａＤＩｄｉｅｓｅｌｅｎｇｉｎｅｕｓｉｎｇｂｉｏｄｉｅｓｅｌｗｉｔｈｅｘｈａｕｓｔｇａｓｒｅｃｉｒｃｕｌａｔｉｏｎ[Ｊ].Ｅｎｅｒｇｙꎬ２０１６ꎬ１１４:６０３－６１２.[２５]ＳＨＡＭＳＨＩＲＢＡＮＤＳꎬＴＡＢＡＴＡＢＡＥＩＭꎬＡＧＨＢＡＳＨＬＯＭꎬｅｔａｌ.Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ￣ｂａｓｅｄｅｘｅｒｇｅｔｉｃｍｏｄｅｌ￣ｌｉｎｇｏｆａＤＩｄｉｅｓｅｌｅｎｇｉｎｅｒｕｎｎｉｎｇｏｎｂｉｏｄｉｅｓｅｌ￣ｄｉｅｓｅｌｂｌｅｎｄｓｃｏｎｔａｉｎｉｎｇｅｘｐａｎｄｅｄｐｏｌｙｓｔｙｒｅｎｅ[Ｊ].Ａｐｐｌｉｅｄｔｈｅｒ￣ｍａｌｅｎｇｉｎｅｅｒｉｎｇꎬ２０１６ꎬ９４:７２７－７４７.[２６]牛晓晓ꎬ王贺春ꎬ李旭ꎬ等.基于神经网络的柴油机性能预测模型优化[Ｊ].内燃机学报ꎬ２０１８ꎬ３６(６):５６１－５６８.ＮＩＵＸｉａｏｘｉａｏꎬＷＡＮＧＨｅｃｈｕｎꎬＬＩＸｕꎬｅｔａｌ.Ｏｐｔｉｍｉｚａ￣ｔｉｏｎｏｆｄｉｅｓｅｌｅｎｇｉｎｅｒｅｓｐｏｎｓｅｓｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].ＴｒａｎｓａｃｔｉｏｎｓｏｆＣＳＩＣＥꎬ２０１８ꎬ３６(６):５６１－５６８.[２７]朱丽娜ꎬ王学杰ꎬ张进杰.基于ＲｅｌｉｅｆＦ￣ＰＣＡ和ＳＶＭ的发动机故障诊断方法研究[Ｊ].北京化工大学学报(自然科学版)ꎬ２０１８ꎬ４５(１):５５－５９.ＺＨＵＬｉｎａꎬＷＡＮＧＸｕｅｊｉｅꎬＺＨＡＮＧＪｉｎｊｉｅ.ＡｎｅｎｇｉｎｅｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎＲｅｌｉｅｆＦ￣ＰＣＡａｎｄＳＶＭ０３１第１期柯赟ꎬ等:船舶柴油机故障预测与健康管理技术综述[Ｊ].ＪｏｕｒｎａｌｏｆＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＣｈｅｍｉｃａｌＴｅｃｈｎｏｌｏｇｙ(ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ)ꎬ２０１８ꎬ４５(１):５５－５９. [２８]徐晓健.船舶动力系统故障诊断方法与趋势预测技术研究[Ｄ].武汉:武汉理工大学ꎬ２０１４:１－８.ＸＵＸｉａｏｊｉａｎ.Ｆａｕｌｔｄｉａｇｎｏｓｔｉｃｍｅｔｈｏｄｓａｎｄｔｒｅｎｄｐｒｅｄｉｃ￣ｔｉｏｎｒｅｓｅａｒｃｈｆｏｒｍａｒｉｎｅｐｏｗｅｒｓｙｓｔｅｍ[Ｄ].Ｗｕｈａｎ:Ｗｕ￣ｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙꎬ２０１４:１－８.[２９]孙静ꎬ秦世引ꎬ宋永华.模糊ＰＥＴＲＩ网在电力系统故障诊断中的应用[Ｊ].中国电机工程学报ꎬ２００４ꎬ２４(９):７４－７９.ＳＵＮＪｉｎｇꎬＱＩＮＳｈｉｙｉｎꎬＳＯＮＧＹｏｎｇｈｕａ.Ｆｕｚｚｙｐｅｔｒｉｎｅｔｓａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｔｈｅｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｅｌｅｃｔｒｉｃｐｏｗｅｒｓｙｓｔｅｍｓ[Ｊ].ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥꎬ２００４ꎬ２４(９):７４－７９.[３０]王瑞芳ꎬ刘林ꎬ徐方.机器人系统的故障预测技术研究[Ｊ].制造业自动化ꎬ２００８ꎬ３０(１１):１５－１９.ＷＡＮＧＲｕｉｆａｎｇꎬＬＩＵＬｉｎꎬＸＵＦａｎｇ.Ｒｅｓｅａｒｃｈｏｎｐｒｏｇ￣ｎｏｓｔｉｃｓｔｅｃｈｎｏｌｏｇｙｏｆｒｏｂｏｔｓｙｓｔｅｍ[Ｊ].Ｍａｎｕｆａｃｔｕｒｉｎｇａｕｔｏ￣ｍａｔｉｏｎꎬ２００８ꎬ３０(１１):１５－１９.[３１]邓聚龙.灰色系统综述[Ｊ].世界科学ꎬ１９８３(７):１－５.ＤＥＮＧＪｕｌｏｎｇ.Ｏｖｅｒｖｉｅｗｏｆｇｒｅｙｓｙｓｔｅｍ[Ｊ].Ｗｏｒｌｄｓｃｉ￣ｅｎｃｅꎬ１９８３(７):１－５.[３２]彭喜元ꎬ彭宇ꎬ刘大同.数据驱动的故障预测[Ｍ].哈尔滨:哈尔滨工业大学出版社ꎬ２０１６:３.ＰＥＮＧＸｉｙｕａｎꎬＰＥＮＧＹｕꎬＬＩＵＤａｔｏｎｇ.Ｄａｔａｄｒｉｖｅｎｐｒｏｇ￣ｎｏｓｔｉｃｓａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔ[Ｍ].Ｈａｒｂｉｎ:ＨａｒｂｉｎＩｎ￣ｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙＰｒｅｓｓꎬ２０１６:３.[３３]冯春庭ꎬ李敏.航空装备预测与健康管理系统的验证方法概述[Ｊ].测控技术ꎬ２０１７ꎬ３６(５):１３９－１４３.ＦＥＮＧＣｈｕｎｔｉｎｇꎬＬＩＭｉｎ.Ｏｖｅｒｖｉｅｗｏｎｖｅｒｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆａｖｉａｔｉｏｎｅｑｕｉｐｍｅｎｔｐｒｏｇｎｏｓｔｉｃａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔ[Ｊ].Ｍｅａｓｕｒｅｍｅｎｔ＆ｃｏｎｔｒｏｌｔｅｃｈｎｏｌｏｇｙꎬ２０１７ꎬ３６(５):１３９－１４３.[３４]景博ꎬ徐光跃ꎬ黄以锋ꎬ等.军用飞机ＰＨＭ技术进展分析及问题研究[Ｊ].电子测量与仪器学报ꎬ２０１７ꎬ３１(２):１６１－１６９.ＪＩＮＧＢｏꎬＸＵＧｕａｎｇｙｕｅꎬＨＵＡＮＧＹｉｆｅｎｇꎬｅｔａｌ.ＡｎａｌｙｓｉｓｏｆｔｈｅｐｒｏｇｒｅｓｓｏｆＰＨＭｔｅｃｈｎｏｌｏｇｙｆｏｒｍｉｌｉｔａｒｙａｉｒｃｒａｆｔａｎｄｉｔｓｐｒｏｂｌｅｍｓ[Ｊ].Ｊｏｕｒｎａｌｏｆｅｌｅｃｔｒｏｎｉｃｍｅａｓｕｒｅｍｅｎｔａｎｄｉｎｓｔｒｕｍｅｎｔａｔｉｏｎꎬ２０１７ꎬ３１(２):１６１－１６９.[３５]邱立军ꎬ吴明辉.ＰＨＭ技术框架及其关键技术综述[Ｊ].国外电子测量技术ꎬ２０１８ꎬ３７(２):１０－１５.ＱＩＵＬｉｊｕｎꎬＷＵＭｉｎｇｈｕｉ.ＲｅｖｉｅｗｏｎｔｈｅｆｒａｍｅｗｏｒｋａｎｄｋｅｙｔｅｃｈｎｏｌｏｇｙｏｆＰＨＭ[Ｊ].Ｆｏｒｅｉｇｎｅｌｅｃｔｒｏｎｉｃｍｅａｓｕｒｅ￣ｍｅｎｔｔｅｃｈｎｏｌｏｇｙꎬ２０１８ꎬ３７(２):１０－１５.[３６]裴大茗ꎬ王建峰ꎬ周鹏太ꎬ等.船舶ＰＨＭ技术综述[Ｊ].电子测量与仪器学报ꎬ２０１６ꎬ３０(９):１２８９－１２９７.ＰＥＩＤａｍｉｎｇꎬＷＡＮＧＪｉａｎｆｅｎｇꎬＺＨＯＵＰｅｎｇｔａｉꎬｅｔａｌ.Ｓｕｒ￣ｖｅｙｏｎＰＨＭｔｅｃｈｎｏｌｏｇｙｉｎｍａｒｉｎｅｓｙｓｔｅｍ[Ｊ].Ｊｏｕｒｎａｌｏｆｅ￣ｌｅｃｔｒｏｎｉｃｍｅａｓｕｒｅｍｅｎｔａｎｄｉｎｓｔｒｕｍｅｎｔａｔｉｏｎꎬ２０１６ꎬ３０(９):１２８９－１２９７.本文引用格式:柯赟ꎬ宋恩哲ꎬ姚崇ꎬ等.船舶柴油机故障预测与健康管理技术综述[Ｊ].哈尔滨工程大学学报ꎬ２０２０ꎬ４１(１):１２５－１３１.Ａｒｅｖｉｅｗ:ｓｈｉｐｄｉｅｓｅｌｅｎｇｉｎｅｐｒｏｇｎｏｓｔｉｃｓａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔｔｅｃｈｎｏｌｏｇｙ[Ｊ].ＪｏｕｒｎａｌｏｆＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙꎬ２０２０ꎬ４１(１):１２５－１３１.１３１。

工况驱动的设备故障预测与健康管理一、工况驱动的设备故障预测与健康管理概述工况驱动的设备故障预测与健康管理（Prognostics and Health Management, PHM）是一种先进的技术，旨在通过实时监测和分析设备在运行过程中的状态，预测潜在的故障并采取相应的维护措施，以确保设备的可靠性和延长其使用寿命。

这种技术对于提高生产效率、降低维护成本和避免意外停机具有重要意义。

1.1 工况驱动的设备故障预测与健康管理的核心概念工况驱动的设备故障预测与健康管理的核心概念包括故障预测、健康管理、实时监测和维护决策。

故障预测是指通过分析设备运行数据，预测设备可能发生的故障类型和时间。

健康管理是指对设备的整体健康状况进行评估和管理，以确保设备在最佳状态下运行。

实时监测是指利用传感器等技术手段，实时收集设备的运行数据。

维护决策是指根据故障预测和健康管理的结果，制定合适的维护策略。

1.2 工况驱动的设备故障预测与健康管理的应用领域工况驱动的设备故障预测与健康管理技术的应用领域非常广泛，包括但不限于以下几个方面：- 航空航天：预测飞机发动机等关键部件的故障，确保飞行安全。

- 工业制造：监测生产线上的机械设备，减少生产中断和提高产品质量。

- 能源行业：监控风力发电机、太阳能板等能源设备的运行状态，提高能源利用效率。

- 交通运输：预测汽车、火车等交通工具的关键部件故障，保障运输安全。

二、工况驱动的设备故障预测与健康管理技术的发展工况驱动的设备故障预测与健康管理技术的发展是一个不断演进的过程，涉及到多个学科和技术的融合。

2.1 技术发展背景随着工业4.0和智能制造的兴起，设备故障预测与健康管理技术得到了快速发展。

现代工业生产对设备的可靠性和维护效率提出了更高的要求，这促使了PHM技术的发展和应用。

2.2 关键技术工况驱动的设备故障预测与健康管理技术的关键技术包括：- 传感器技术：高精度和高灵敏度的传感器用于实时监测设备状态。

航空领域军机的机电产品的故障预测和健康管理技术综述数字集成电路设计与可靠性作业目录1.前言 (3)2.主题 (3)2.1.国外飞机机电系统PHM的发展情况 (3)2.2.国内飞机机电系统PHM的发展情况 (7)2.3.当前军机机电系统PHM的主要体系结构 (8)2.4.军机机电系统PHM的主要建模方法 (9)2.5.飞机PHM系统建模 (10)2.6.飞机典型部件PHM系统建模分析及试验验证 (11)2.7.军机通用PHM平台 (14)2.8.实现PHM的支撑技术 (16)3.总结 (17)4.参考文献 (17)5.致谢 (17)1.前言随着现代武器装备复杂性、综合化、智能化程度的不断提高，为了以更经济有效的方式满足现代战争联合作战和网络中心战等新型作战模式对武器作战效能和敏捷、准确和经济的持续保障能力的需求，综合的故障诊断、预测与健康管理(PHM)技术获得美英等军事强国越来越多的重视和应用。

为适应未来作战环境的需要，根据未来新一代战机的具体技术和新时期对维修保障的需求，研究新的故障诊断体系和技术方法是十分必要的。

美军在联合攻击战斗机JSF提出的预测与健康管理(Prognosticsand Health Management，PHM)就是这样的技术。

而飞机的机电系统是飞机的成员级的重点组成部分，飞机机电系统引入PHM概念是很有必要的。

PHM是由机上部分(简称机载PHM)和机下部分(简称机下PHM)构成的一体化系统。

其中，机载PHM是以提高系统可靠性、可用性和安全性为目的，可在无需人工或者外部设备参与的情况下，利用先进的传感器(如涡流传感器、小功率无线综合微型传感器、无线微机电系统MEMS)的集成，并借助各种算法(如Gabor变换、快速傅里叶变换、离散傅里叶变换)和智能模型(如专家系统、神经网络、模糊逻辑等)，来完成飞机健康状态的全方位实时监测、故障检测和隔离以及故障预测，为实现系统重构提供信息，同时将健康状态信息提供给机下的自主式保障信息系统(ALIS)，从而实现预测维修和自主式维修保障目的。

数据驱动故障预测和健康管理综述数据驱动故障预测和健康管理是一种基于数据分析和机器学习技术的预测和管理方法，它可以帮助企业和组织在设备和系统出现故障之前，及时发现并采取措施进行维护和修复，从而提高设备和系统的可靠性和稳定性，降低维护成本和生产停机时间。

本文将从以下几个方面对数据驱动故障预测和健康管理进行综述。

一、故障预测和健康管理的概念和意义故障预测和健康管理是一种基于数据分析和机器学习技术的预测和管理方法，它可以帮助企业和组织在设备和系统出现故障之前，及时发现并采取措施进行维护和修复，从而提高设备和系统的可靠性和稳定性，降低维护成本和生产停机时间。

故障预测和健康管理可以应用于各种领域，如航空航天、汽车制造、电力系统、工业生产等。

二、数据驱动故障预测和健康管理的方法数据驱动故障预测和健康管理的方法主要包括数据采集、数据预处理、特征提取、模型训练和预测等几个步骤。

1.数据采集数据采集是数据驱动故障预测和健康管理的第一步，它是获取原始数据的过程。

数据可以来自于各种传感器、监测设备、控制系统等。

数据采集需要确保数据的质量和完整性，避免数据丢失和错误。

2.数据预处理数据预处理是数据驱动故障预测和健康管理的第二步，它是对原始数据进行清洗、去噪、滤波、归一化等处理的过程。

数据预处理可以提高数据的质量和可用性，减少模型训练的误差和偏差。

3.特征提取特征提取是数据驱动故障预测和健康管理的第三步，它是从预处理后的数据中提取有用的特征，用于训练和预测模型。

特征可以是时间域特征、频域特征、时频域特征等。

4.模型训练和预测模型训练和预测是数据驱动故障预测和健康管理的核心步骤，它是利用机器学习算法对提取的特征进行训练和预测的过程。

常用的机器学习算法包括支持向量机、神经网络、决策树、随机森林等。

三、数据驱动故障预测和健康管理的应用数据驱动故障预测和健康管理已经在各个领域得到了广泛的应用。

以下是几个典型的应用案例。

1.航空航天航空航天是一个对可靠性要求极高的领域，故障预测和健康管理在这个领域有着重要的应用。

航空机电产品故障预测和健康管理技术航空机电产品的故障预测和健康管理技术是针对航空机电产品的故障进行预测和管理的一种技术手段。

这种技术可以通过对机电产品的运行数据进行分析和处理，提前预测机电产品的故障可能性，并及时采取相应的维修措施，以避免或减少故障的发生，保证航空机电产品的正常运行和安全。

下面将详细介绍航空机电产品故障预测和健康管理技术的原理、方法和应用。

1. 数据采集和存储：通过传感器采集航空机电产品的运行数据，包括温度、压力、振动等参数，并将数据存储在数据库中进行管理和分析。

2. 数据分析和处理：对采集到的机电产品运行数据进行分析和处理，包括数据预处理、特征提取和建模等过程，以识别机电产品的运行状态和特征。

3. 故障预测和诊断：利用机器学习和统计模型等方法，对机电产品的运行状态进行预测和诊断，判断机电产品是否存在故障，以及故障类型和严重程度。

4. 健康管理和维修决策：根据故障预测和诊断结果，制定相应的维修计划和措施，以延长机电产品的使用寿命和提高运行效率。

1. 统计分析方法：通过对机电产品运行数据的统计分析，建立概率模型和故障模型，以预测机电产品的故障概率和寿命。

3. 物理模型方法：基于机电产品的物理特性和运行机理，建立数学模型和仿真模型，以模拟和预测机电产品的运行状态和故障情况。

1. 故障预警和预防维修：通过对机电产品的运行数据进行实时监测和分析，及时发现可能存在的故障，并提前采取维修措施，以避免机电产品的故障发生，保证航空安全。

2. 维修决策和优化：通过对机电产品的故障预测和诊断，制定合理的维修计划和策略，以最大限度地减少维修成本和停机时间，提高航空机电产品的利用率和效益。

3. 运维优化和资源调度：通过对机电产品的运行数据进行分析和建模，优化运维过程和资源调度，提高航空机电产品的整体运行效率和性能。

工 程 管 理138科技资讯 SC I EN C E & TE C HN O LO G Y I NF O R MA T IO N 电子系统在整个行业系统中最容易出现故障,故障的出现会导致整个产品的寿命减少并极大增加产品的维护费用,一般解决此问题的传统办法就是故障诊断技术,但是故障诊断技术主要是集中在评估系统当前的状态和故障,已经不能满足市场的要求。

P H M 理念中所说的健康就是系统目前的状态,用系统偏离当前期望状态的程度来衡量。

所谓预测是以系统以前和现在的状态为根据,以系统的可靠性为条件,预测系统未来会发生故障的时间以及类型和程度,因此,PHM就是在系统生命周期的过程中随时评估系统的可靠性的新方法,其目的就是预测故障、减少产品风险、减少产品的维护费用。

1 电子系统PHM 的体系结构P HM 系统是广泛应用于各个领域的故障预测和健康管理,电子系统中PH M系统通过数据的记录分析,管理者整个系统的健康运行。

PHM体系结构包括:数据记录和预处理、状态实时监测及预测、健康评估管理、模块级/元件级故障诊断、人机接口等。

PHM系统功能:测试能力;信息数据记录采集能力(传感器数据、部件和分系统级有关数据);故障检测隔离功能,通过信息融合和系统模型技术,检测并隔离部件、系统及子系统的故障或失效状态;预测系统出现故障的时间,检测部件剩余寿命的能力;对系统的状态进行管理的能力。

2 电子系统PHM 关键技术电子系统的P H M 是新一代的故障预测与健康管理系统,其结构、功能都有赖于关键技术。

关键技术包括:(1)监测与管理技术:先进的传感器信息监测技术和先进的数据分析技术设计。

通过传感器对系统的信息及运行状态进行精确的监测,然后由数据分析技术进行精准预测评估管理。

(2)诊断技术:先进的特征信息提取技术、系统性能分类器。

系统出现故障,需要精确找出故障的模块区域和元件。

当系统可以部分运行,没有崩溃时,大部分情况可以判断故障属于早期故障状态,运用诊断技术。

装备故障预测与健康管理能力验证评估技术摘要：随着现在科技技术的发展，特别是信息技术的迅速发展，在航空、航天、通信、工业应用等各个领域的工程系统日趋复杂，大量复杂系统的复杂性、综合化、智能化程度不断提高。

伴随着复杂系统的发展，其面临残余使用寿命预测中的不确定性、间歇失效的预测和装备健康状态难以表征等巨大挑战，以预测技术为核心的故障预测和健康管理的物联网技术的应用、预测性维护技术体系以及确定系统性能的门限值的策略获得越来越多的重视和应用，发展为自主式后勤保障系统的重要基础。

关键词：装备故障；健康管理；评估技术引言：装备故障预测与健康管理能力系统是指一种新型的装备的维修与保障能力系统,是作为最重要的手段保证设备本身的整体防护效能,并行设计的设备维修作为主要有效的保障手段之一，来持续改善其应急准备水平和状态管理能力。

技术的验证检测与质量评估也是建立诊断分析与健康预测评价系统可信性评估的最重要步骤。

一、装备故障预测与健康管理能力故障状态预测控制和健康安全管理的能力技术又称为PHM。

作为实现装备的基本故障状态检测维护、自主检测保护、传感分析与快速响应及售后服务支持等一些新概念理论和系统新功能方案开发的最主要的技术,PHM技术主要是指作为一种可完全提供基于设备状态的监测数据的高性能计算机自动维修系统辅助监测技术,它是能综合利用国内外最为广泛先进的高效准确的各种智能传感器并自动的收集各类相关故障设备数据,结合计算机各种系统其他部件相关数据有效地检测相关信息,采用一套较为合适的系统智能算法模型可以自动实现对系统故障目标对象设备部件的状态运行以及故障特性信息进行及时准确地预测,同时又可以用于提供计算机系统自维修以及可靠性保障性决策方案和健康可靠性管理实施技术方案，故障时间预测分析技术能力与系统及健康系统可靠性及管理的集成分析能力系统间可靠的耦合分析验证分析能力主要包括:早期系统可靠性的检测模型设计的预测高度灵敏性、故障状态的辨识检测算法设计的故障预测高准确性以及对早期系统的失效时间的预测设计的可靠性预测分析的高度准确性。

第２４卷第１期２０１０年１月电子测量与仪器学报ＪｏＵＲＮＡＬｏＦＥＬＥＣＴＲｏＮＩＣＭＥＡＳＵＲＥＭ匮ＮＴＡＮＤＩＮｓＴＲＵＭＥＮＴ场￡２４Ｎｏ．１·ｌ·ＤＯＩ：１０．３７２４／ＳＰ．Ｊ．１１８７．２０１０．００００１故障预测与健康管理技术综述彭宇刘大同彭喜元（哈尔滨工业大学电气工程及自动化学院，哈尔滨１５００８０）摘要：本文介绍了故障预测与健康管理技术（ｐｒｏｇｎｏｓｔｉｃｓａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔ，ＰＨＭ）的基本概念和研究内涵，重点对故障预测体系结构、方法、相关标准以及国内外研究现状进行了综合论述和分析，总结了当前的研究热点和存在的技术难点，展望了未来研究发展趋势。

关键词：故障预测与健康管理；故障预测：剩余寿命；预测中图分类号：ＴＰ３９１文献标识码：Ａ国家标准学科分类代码：４６０．４０３０Ａｒｅｖｉｅｗ：ＰｒｏｇｎｏｓｔｉｃｓａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔＰｅｎｇＹ，ｕＬｉｕＤａｔｏｎｇＰｅｎｇＸｉｙｕａｎ（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｕｔｏｍａｔｉｏｎ，ＨａｒｂｉｎＩｎｓｔｉｔｕｔｅｏｆＴｅｃｌｍｏｌｏｇｙ，Ｈａｒｂｉｎ１５００８０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｂａｓｉｃｃｏｎｃｅｐｔｉｏｎｓａｎｄｒｅｓｅａｒｃｈｔｏｐｉｃｓｏｆｐｒｏｇｎｏｓｔｉｃｓａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔ（ＰＨＭ）ｔｅｃｈｎｏｌｏｇｙａｒｅｉｎｔｒｏｄｕｃｅｄ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｔｈｅａｒｃｈｉｔｅｃｔｕｒｅｏｆｐｒｏｇｎｏｓｔｉｃｓ，ｍｅｔｈｏｄｓ，ｓｔａｎｄａｒｄｓａｎｄｃｕｒｒｅｎｔｓｔａｔｕｓｉｎＰＨＭｒｅｓｅａｒｃｈｆｉｅｌｄａｒｅａｎａｌｙｚｅｄ．Ａｆｔｅｒｃｏｎｃｌｕｄｉｎｇｔｈｅｈｏｔｓｐｏｔｓａｎｄｔｅｃｈｎｉｃａｌｄｉｆｆｉｃｕｌｔｉｅｓ，ｗｅｉｎｄｉｃａｔｅｔｈｅｃｈａｌｌｅｎｇｅｓｆｒｏｍａｃａｄｅｍｉｃａｎｄｔｅｃｈｎｉｃａｌｒｅｓｅａｒｃｈ，ａｎｄｔｈｅｄｅｖｅｌｏｐｉｎｇｆｉｅｎｄｏｆｐｒｏｇｎｏｓｔｉｃｓａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔ．Ｋｅｙｗｏｒｄｓ：ｐｒｏｇｎｏｓｔｉｃｓａｎｄｈｅａｌｔｈｍａｎａｇｅｍｅｎｔ；ｐｒｏｇｎｏｓｔｉｃｓ；ｒｅｍａｉｎｉｎｇｕｓｅｆｕｌｌｉｆｅ；ｐｒｅｄｉｃｔｉｏｎ１引言随着现代科技Ｔ业技术尤其是信息技术的迅速发展，在航空、航天、通信、工业应用等各个领域的工程系统日趋复杂，大量复杂系统的复杂性、综合化、智能化程度不断提高。

故障预测与健康状态管理技术综述
郭阳明;蔡小斌;张宝珍;翟正军
【期刊名称】《计算机测量与控制》
【年(卷),期】2008(16)9
【摘要】故障预测和健康状态管理(PHM)技术是新一代武器系统的先进测试、维修和管理技术,也是一种全面的故障检测、隔离和预测及状态管理技术,正在成为新一代武器系统设计和使用中的一个重要组成部分;论文首先综述了PHM技术的内涵、工作原理以及该技术的功能与作用,然后对PHM技术涉及到的关键技术进行了详细的介绍,最后展望了该技术的发展趋势以及对我国国防工业的借鉴意义.【总页数】5页(P1213-1216,1219)
【作者】郭阳明;蔡小斌;张宝珍;翟正军
【作者单位】西北工业大学,计算机学院,陕西,西安,710072;西北工业大学,计算机学院,陕西,西安,710072;中航一集团科技委,北京,100068;中国航空工业发展研究中心,北京,100068;西北工业大学,计算机学院,陕西,西安,710072
【正文语种】中文
【中图分类】TP206.3
【相关文献】
1.先进的故障预测与状态管理技术 [J], 张宝珍;曾天翔
2.航空航天领域故障预测与健康管理技术研究综述 [J], 林燕
3.船舶柴油机故障预测与健康管理技术综述 [J], 柯赟; 宋恩哲; 姚崇; 董全
4.基于故障预测与健康管理技术的城市轨道交通信号系统健康管理体系 [J], 段亚美;施聪;黄晓荣
5.故障预测与健康管理技术综述 [J], 彭宇;刘大同;彭喜元
因版权原因，仅展示原文概要，查看原文内容请购买。

故障预测方法综述1.前言故障预测与健康状态管理(Prognostics and Health Management, PHM) 技术的提出，对现代复杂装备维修保障能力提出了更高的要求。

PHM技术是一种全面故障检测、隔离和预测，以及健康状态管理的技术。

它的引入不是为了直接消除故障，而是为了了解和预报故障何时可能发生，或在出现始料未及的故障时触发一种简单的维修活动，从而实现自助式保障，降低使用和保障费用的目标。

故障预测技术是PHM的核心技术之一，它是比故障诊断更高级的维修保障形式，它利用监测参数、实验数据等各种信息，借助相关推理技术评估部件或系统的未来健康状态或剩余使用寿命。

故障预测使得设备维护人员能够提前预知设备的健康状态和故障的发生，从而有效地降低故障风险、节约保障资源、减少经济损失。

在航天、核能等对可靠性要求较高的领域有着广阔的应用前景，是实现武器装备视情维修、自主式保障、感知与响应后勤的关键技术。

2.目前广泛使用的故障预测方法目前，故障预测方法可以分为基于模型和数据驱动两类。

基于模型的故障预测方法，如卡尔曼滤波器、粒子滤波器等。

虽然预测过程简单，但是如果假设的模型与实际不符则性能就较差。

人工神经网络具有模仿连续非线性函数的能力，并且能够从样本进行学习，因而在故障预测中得到了广泛的应用。

人工神经网络通过样本的学习可以掌握系统规律，无需对测量信号作模型假设。

由于神经网络具有很强的自适应性学习能力和非线性映射能力，适合于实现预测器的设计。

但是神经网络训练时需要大量数据样本，且存在收敛速度慢、局部极小点、网络结构难以确定等不足。

灰色预测按灰色系统理论建立预测模型，根据系统的普遍发展规律,建立一般性的灰色微分方程，通过对数据序列的拟合，求得微分方程的系数，从而获得灰色预测模型。

灰色预测利用灰色系统理论的GM ( Grey Model ) 模型进行预测。

灰色预测在处理小样本、贫信息、不确定问题上具有独特优势，但在预测精度和预测稳定性等问题上仍有待改进。