三种方法助力估计设备剩余使用寿命以实现预测性维护

剩余使用寿命 (RUL) 是机器在需要维修或更换之前的运行时长。通过估计 RUL，工程师可以安排维护时间，优化运行效率，并避免计划外停机。因此，估计 RUL 是预测性维护计划的重中之重。

RUL 估计模型可用于置信区间 RUL 预测。模型的输入是从传感器数据中提取的状态指标（特征），其行为随着系统的退化而改变，这种改变是可预测的。

用于计算 RUL 的方法取决于可用数据类型：

• 指示类似机器运行至故障所需时间的使用寿命数据
• 类似机器的运行至故障历史记录
• 检测故障所用状态指标的已知阈值

Predictive Maintenance Toolbox™ 提供了基于各种类型的数据估计 RUL 的模型。

使用寿命数据

组件故障时间的比例风险模型和概率分布用于根据使用寿命数据估计 RUL。举一个简单的例子，我们可以根据过去的放电时间和协变量（如环境温度和负载）来估计电池的放电时间。

图 1 中的生存函数图显示电池在运行多长时间后发生故障的概率。例如，该图显示，如果电池运行了 75 个周期，则它达到最终使用寿命的概率为 90%。

运行至故障数据

如果您有一个包含运行至故障数据的数据库，而该数据来自于相似组件或行为相似的不同组件，则可以使用相似性方法估计 RUL。这些方法可用于捕获退化曲线，并将它们与来自机器的新数据进行比较，以确定数据最贴合哪条曲线。

在图 2 中，蓝色显示的是来自发动机的历史运行至故障数据集的退化曲线，而红色显示的是来自发动机的当前数据。根据最贴近的历史曲线分布，RUL 估计约为 65 个周期。

阈值数据

在许多情况下，保守的维护计划可确保机器很少会发生故障。这可能就意味着没有运行至故障数据或使用寿命数据。但是，您可能会有规定阈值方面的信息，例如泵中液体的温度不能超出 160 ˚F (71 ˚C)，压力必须低于 2200 psi (155 bar)。有了这些阈值信息，您就可以对从传感器数据中提取的状态指标进行退化模型拟合，这些指标随时间的推移呈线性或指数变化。

这些退化模型通过预测状态指标超过阈值的时间来估计 RUL。它们也可以与融合状态指标结合使用，该状态指标使用主成分分析等方法来合并来自多个传感器的信息。

图 3 显示指数退化模型，该模型用于跟踪风力发电机中使用的高速轴承发生的故障。状态指标显示为蓝色。据退化模型预测，轴承将在大约 9.5 天后超过阈值。红色阴影区域表示此预测的置信区间。

根据已有数据设计了 RUL 模型后，您便可以将该模型集成到操作人员使用的控制板或维护团队监控的报警系统中。然后，各团队可以快速高效地应对设备运行状况的变化，而不会影响设备的正常运行。