PHM技術的實施方法
涼涼
三生三世十里桃花 電視劇原聲帶
楊宗緯;張碧晨
00:00/
一般的文獻中將PHM的方法劃分為三大類，基於統計分布的方法，基於數據驅動的方法和基於模型的方法。如下圖所示。
從工程實際的角度出發，基於統計分布也可歸為數據驅動。基於數據驅動和基於模型方法的結合又不失為一種更為優化的方法。所以我們列舉如下四種實施方法。
一、故障監控與預警方法
數據收集是PHM的一個關鍵部分，且通常需要使用感測器系統來測量環境和運行參數。通過在線監控和分析作為故障預兆的敏感參數的退化情況，如性能參數的退化，並把該退化情況與預先設定的閾值進行比較，可對產品實現在線故障預警。
基於感測器系統的PHM方法通用流程如圖1所示。除了可以使用現有的商業化感測器外，PHM系統的設計者可能還需要自主研發關鍵故障的預警裝置，如圖1中所述的互連焊點監測、IC失效機理監測、DC/DC電源監測等。
在實際的工程實踐中，基於感測器系統的PHM技術主要用於產品的實際使用階段，對產品進行在線故障預警。當發生在線故障預警時，產品使用方需要對相關子系統或模塊進行維修或更換。
圖1
二、基於失效物理模型的方法
基於失效物理（PoF）的PHM技術是利用產品的生命周期載荷和失效機理知識來評估產品可靠性的技術方法。該方法基於對設備、產品或系統的潛在失效機理和失效位置的識別，可為評估新材料、新結構或新產品的可靠性建立一個科學的基礎，從而前瞻性地評估其可靠性。
基於 PoF 的預測可在系統的實際應用條件下評估和預測其可靠性，它將模型和感測器數據相結合，而該模型能夠實時識別產品的當前狀態與預期正常運行條件（即產品的「健康狀態」）之間的偏離或退化，從而預測產品未來的可靠性狀態。
在實際的工程實踐中，基於失效物理模型的PHM技術主要用於新產品或新系統的研製階段，幫助研製單位評估產品的壽命/剩餘有效壽命；在產品的設計階段發現並定位其可靠性的「短板」，從而使研製單位可以有針對性地採取措施來提高產品的可靠性。
基於PoF的PHM方法通用流程如圖2所示。
圖2
基於失效物理（PoF）的CPHM 軟體的結構如圖3 所示，它以失效模型庫、器件模型庫、器件生命周期等資料庫為基礎，還包含不同失效機理所對應的物理模型。一個實際的產品對象利用CPHM軟體進行建模後，再將環境應力條件輸入該軟體中，CPHM軟體先針對單一失效機理進行壽命預計，得到單一機理的壽命預計結果，然後通過數據融合與決策機制，可最終得到產品對象的壽命預計結果。
圖3
三、基於數據驅動的方法
基於可用的歷史信息，從統計和概率角度出發，對系統的健康狀況和可靠性進行推斷、估計和預測的這種方法被稱為基於數據驅動的 PHM 方法。
它的基本思想是通過對系統歷史信息的學習來掌握健康系統和非健康系統的表現行為的差異，從而實現對系統將來狀態的預測。
基於數據驅動的PHM 方法通用流程如圖4所示。在實際的工程實踐中，基於數據驅動的PHM技術主要用在產品的實際使用階段，它以系統處於「健康」時的數據作為訓練數據，以實際使用過程中實時採集到的數據作為測試數據，利用各種統計方法和機器學習的方法對這些數據進行處理和分析，檢查測試數據的特徵與訓練數據的特徵之間的退化或差異情況，從而實現對系統健康狀況評估、故障診斷及壽命預測。
圖4
基於數據驅動的PHM方法可以實現「在線評估」，也可以實現「離線評估」。當用「在線評估」的方式實現時，需要把數據驅動的演算法進行剪裁和優化後固化在嵌入式系統的 CPU、DSP或FPGA中，從而可以實時地利用這些演算法對系統健康狀況進行評估、診斷與預測；當用「離線評估」的方式實現時，可以把數據驅動的演算法實現在計算機或手持式設備中，系統的測試數據定期導入這些演算法中，從而實現對系統健康狀況的評估、診斷與預測。
基於數據驅動的故障預測的關鍵技術主要包括特徵參數提取方法和預測方法。特徵參數提取方法是準確獲知故障特徵的關鍵技術，而預測方法是獲取故障特徵參數的變化趨勢並對未來時刻進行預測的關鍵技術。特徵參數提取方法主要包括監測信號的選擇和特徵參數的計算兩方面，前者決定了對感測器等信號監測設備的要求，後者則決定了分析計算的空間和時間複雜度。預測方法主要包括演算法的選擇及其參數的選擇，兩者直接決定了特徵參數變化趨勢的準確性及預測數據的可靠性。
基於數據驅動的故障預測的流程如圖 5所示。首先，根據電路元器件的失效機理，設定其性能參數隨時間的變化趨勢；接著，根據此趨勢設置感測器，然後選擇適當的監測信號，根據監測信號與特徵參數之間的關係，選擇適當的特徵提取方法計算特徵參數；重複上述過程，監測一段時間內若干時刻點特徵參數值，作為預測的訓練樣本；利用預測演算法進行建模，得到特徵參數的變化趨勢並對未來時刻進行預測；最後，對預測結果進行分析，實現故障預測與剩餘壽命估計。
圖5
四、基於融合的方法
實施故障預測與健康管理的目的在於檢測產品退化和預測無故障工作時間。數據驅動方法利用實時監控的參數數據，而PoF方法則利用對系統的建模進行預測。使用數據驅動和PoF方法開展PHM都有其各自的優勢和局限。實際上，可以把PoF與數據驅動技術相結合，這種融合方法可以充分利用每種方法的優勢來實現PHM的各種目標，如故障診斷、預測剩餘壽命及更加及時和準確地分析故障根源問題等。
PoF方法利用產品生命周期載荷條件、幾何及材料性質的相關知識來確定潛在故障機理，並估計其剩餘有效壽命（RUL）。PoF模型用於針對生命周期載荷條件下的特定故障機理來估計RUL。
數據驅動型預測方法利用當前或歷史數據，從統計和概率的角度來估計剩餘壽命。在產品的運行和環境數據中檢測產品的異常、趨勢或模式，以確定產品的健康狀態，因此該方法需要對環境和運行載荷及產品參數進行實時監控。
這兩種方法往往單獨用於PHM實施，但每種方法都有其各自的優勢和局限性，如表1所示。
表1
用於PHM的融合方法就是將數據驅動方法和PoF方法相結合進行預測，以利用各自的優勢來實現PHM系統的所有目標，克服採用單獨的某種方法存在的局限性。具體來說，融合方法可分為兩種：從數據驅動到PoF的融合方法和從PoF到數據驅動的融合方法。
1．從數據驅動到PoF的融合方法
數據驅動方法能夠提供診斷功能，而 PoF 方法則有助於確定故障根源。先用數據驅動、再用PoF方法的流程如圖6所示。該融合方法將數據驅動方法用於異常檢測，以檢測產品的早期退化，然後將PoF方法用於估計剩餘壽命，並確定故障閾值。
圖6
2．從PoF到數據驅動的融合方法
PoF 方法有助於確定系統的潛在關鍵失效位置並提供參數的閾值，而數據驅動方法能夠進行健康狀態評估及剩餘壽命預計。先用PoF方法、再用數據驅動的流程如圖7所示。該融合方法將 PoF 方法用於確定關鍵失效位置及故障閾值，將數據驅動方法用於健康評估及剩餘壽命預計。
圖7
五、結束語
本篇中幾種方法的框架和流程，工程實際中很有借鑒意義。
本文根據孔學東，恩雲飛等老師編著的電子產品故障預測與健康管理改編。
TAG:可靠性雜壇 |