工业4.0的剩余使用寿命预测模型

预测剩余使用寿命(RUL)是行业4.0方法的核心优势之一。由于物联网(IoT)设备的快速部署，振动、压力、电流和温度等变量的数据源现在变得广泛且随时可用。这一点，再加上数字维护记录，提供了前所未有的对设备健康状况的洞察。

对这些数据的访问来得再合适不过了。在新数字设备爆炸的同时，还有另外两个重要的发展：劳动力老龄化和深度学习的进步。过去，预测何时应该更换设备在很大程度上依赖于主题专家的输入。这种专门知识依赖于精选的具有高度专业化知识的个人。随着美国劳动力的不断老龄化，这些人中的许多人正在离开这个行业，造成了巨大的知识差距。此外，廉价的GPU和更深入的模型的出现，增加了在故障发生之前预测故障的高质量人工智能选择的可能性。在我们进入方法论之前，让我们先来看看什么是剩余使用寿命(RUL)。

什么是剩余使用寿命(RUL)？

RUL是机器在需要维修或更换之前可能运行的时间长度。通过考虑RUL，工程师可以计划维护、优化操作效率并避免计划外停机。尽管有细微差别，但与异常检测相比，这一概念是不同的。异常检测可以在预测剩余使用寿命方面发挥作用，但它更关注将迅速降低设备性能的突发事件。RUL更注重长期资产管理，并以年数而不是天数来衡量。

预测RUL方法

用于预测RUL的方法多种多样，但大致可分为三个基本类别:

1.基于专家的系统：这种类型的方法相对简单，严重依赖于人工输入。本质上，这个系统只是将当前数据与以前观察到的专家分类的实例进行比较。这些是人类制定的规则或阈值，与特定的RUL相关联。这些规则可以简单地包含在程序/手册中，或者与模糊逻辑输出相关联。在所有方法中，这是最不精确的，因为输出基本上是离散的。此外，它可能无法很好地处理以前未分析的事件。它还需要来自主题专家的大量初始输入。

2.基于物理的系统：基于物理的系统本质上是手工制作的数学模型，旨在根据物理特性预测未来的退化。请注意，这些模型是特定于故障模式的。例如，1962年提出了一种基于材料和载荷变化的裂纹增长方法。这些类型的模型可能非常精确，但需要大量的专业知识和输入。

3.基于机器学习的模型：在这里提供的所有方法中，这种方法是最容易推广的，并且需要很少的设备专家输入。它是统计驱动的，这意味着需要大量高质量的数据来开发初始模型。这种方法将在下一节进一步阐述。

​基于机器学习的方法
1、受监督

监督机器学习方法可能是最直观的，但从数据注释的角度来看，它往往是最昂贵的。为了真正能够训练一个完全受监督的模型，需要大量的数据和多次、全生命周期的运行才能有效。此外，尽管异常检测和RUL是两码事，但是将异常检测输入到RUL模型中的能力非常重要。根据异常检测的定义，数据就是异常的。这意味着即使有大量数据缓存，某些场景也可能不存在。

尽管某些情况仅与年龄相关，但其他退化曲线与资产寿命期间的某个事件关系更密切。例如，大型电机寿命中的过压事件可能会显著改变组件的退化曲线。模型需要能够识别这些现象并相应地更新曲线。有纠正数据缺失的方法。存在可用于扩充真实世界数据的多个合成数据集。监督模型可以在大型泵/马达的模拟上进行训练，然后根据所讨论的特定资产的真实世界数据进行微调。归根结底，这是一个时间序列问题；可以将来自各种传感器的某个时间段提供给模型，目标预测变量是剩余寿命。

2、无人监管

尽管研究较少，但完全无人监管的RUL方法确实存在。这种方法的好处是不需要标记。换句话说，数据直接提供给模型，并输出预测。一个这样的例子是利用自动编码器方法。这种类型的模型本质上输出“正常”数据是如何基于以前看到的数据的。这被耦合以创建称为虚拟健康指数的度量，该度量然后被用作长期短期记忆类型模型的输入，以进行RUL预测。从出版日期可以看出，这种方法是最前沿的。如果有人能够使用无监督的方法来准确预测RUL，这将是该领域的范式转变。

3、半监督

这种方法代表了上述两种选择之间的某种妥协。它允许进行预训练，并在任何监督学习之前识别退化阶段类型。利用C-MAPPS数据集(该领域的标准基准)，一种方法能够产生最先进的结果。这种方法有些复杂，因为它使用了一个受限的玻尔兹曼机器和一个长期短期记忆模型，而所有参数都通过使用遗传算法进行了优化。从短期来看，这种半监督的方法可能是最佳商业案例的模型类型。

认识工业4.0

为了充分实现工业4.0的优势，必须开发和实施RUL预测模型。物联网传感器的快速部署以及关键主题专家的不断流失推动了这一发展。可用数据的爆炸使得以前无法达到的准确性成为可能。通过正确的实施，工业4.0的好处可以为任何公司提供更长的资产运行时间和更好的维护策略。