半岛权威十大直营(官方)网站

PHM技术的发展过去是人们自我学习和提升的过程，即从对设备的故障和失效的被动维护，到定期检修、主动预防，再到事先预测和综合规划管理。美陆军早期装备直升机的健康与使用监测系统就是PHM最原始的形态。20世纪60年代，由于航空航天领域极端复杂的环境和使用条件驱动了最初的可靠性理论、环境试验和系统试验能及质量方法的诞生。随着宇航系统复杂性的增加，由设计不充分、制造误差、维修差错和非计划事件等各种原因导致故障的机率也在增加，迫使人们在70年代提出了航天器综合健康管理的概念来监视系统状态。随着故障监测和维修技术的迅速发展，先后开发应用的有飞机状态监测系统、发动机监测系统、综合诊断预测系统以及海军的综合状态评估系统等。随后出现的这些诊断故障原和检测状态的技术，最终带来了故障预测方法PHM的诞生。

PHM技术的发展大致经历了由外部测试到机内测试(BIT)，进而测试独立出来成为一门学科，然后便是综合诊断的提出与应用，最后便是发展到现在的预测与健康管理(PHM)技术。

在航空航天、国防军事以及工业各领域中应用的不同类型的PHM系统，其体现的基本思想是类似的，区别主要表现在不同领域其具体应用的技术和方法的不同。

PHM系统主要有六个部分构成——

数据采集 

利用各种传感器探测、采集被检系统的相关参数信息，将收集数据进行有效信息转换以及信息传输等。

信息归纳处理 

接受来自传感器以及其它数据处理模块的信号和数据信息，将数据信息处理成后续部件可以处理的有效形式或格式。该部分输出结果包括经过滤波、压缩简化后的传感器数据，频谱数据以及其它特征数据等。

状态监测 

接受来自传感器、数据处理以及其它状态监测模块的数据。其功能主要是将这些数据同预定的失效判据等进行比较来监测系统当前的状态，并且可根据预定的各种参数指标极限值/阈值来提供故障报警能力。

健康评估 

接受来自不同状态监测模块以及其它健康评估模块的数据。主要评估被监测系统(也可以是分系统、部件等)的健康状态(如是否有参数退化现象等)，可以产生故障诊断记录并确定故障发生的可能性。故障诊断应基于各种健康状态历史数据、工作状态以及维修历史数据等。

故障预测决策 

故障预测能力是PHM系统的显著特征之一。该部件由两部分组成，可综合利用前述各部分的数据信息，评估和预测被监测系统未来的健康状态，并做出判断，建议、决策采取相应的措施。该部件可以在被监测系统发生故障之前的适宜时机采取维修措施。该部分实现了PHM系统管理的能力，是另一显著特征之一。

保障决策 

主要包括人-机接口和机-机接口。人-机接口包括状态监测模块的警告信息显示以及健康评估、预测和决策支持模块的数据信息的表示等；机-机接口使得上述各模块之间以及PHM系统同其它系统之间的数据信息可以进行传递交换。需要指出的是，上述体系结构中的各部件之间并没有显明界限，存在着数据信息的交叉反馈。

PHM模型分类：

基于模型的故障诊断与预测 

故障诊断与预测一般需要先在系统的模型上测试和验证，以最少的耗费来获取直观有效的数据信息。应用基于故障诊断与预测技术的系统模型，通常由一定的领域的专家给出，经过大量的数据验证，通常比较真实可靠。基于模型的故障诊断与预测技术能深入对象系统本质的性质和实现实时的故障预测，并且对象系统的故障特征通常与模型参数相近或是紧密相联系。随着对设备故障演化机理理解的逐步深入，模型可以被逐渐修正来提高其预测精度。

但是，实际工程应用要求对象系统的数学模型具有较高的精度与复杂的动态系统，建立精确的数学模型往往是个难于解决的矛盾。因此基于模型的故障诊断与预测技术的实际应用范围和效果常常受到限制。人们通过大量研究论证，逐步提出了许多相关的解决办法。如基于随机滤波理论的故障预测技术是基于模型的故障预测技术的典型代表，包括卡尔曼滤波、扩展卡尔曼滤波、无味滤波和粒子滤波。

基于状态信息的故障诊断与预测 

现在基于状态的维修手段，直接采信被观测对象功能及性能信息进行故障诊断，是置信度很高的故障诊断、维修方法，得到了成功的应用。CBM方式是通过对设备工作状态和工作环境实时监测，借助人工智能等先进的计算访求，诊断、预测和合理安排设备未来的维修调度时间。CBM方法根据设备的实际运行状态确定设备的最小维护时间，降低设备全寿命周期费用，增加设备的稳定性。CBM的思想即只有在设备需要维护时，才进行必要的维护，大大减少了不必要的检修、诊断耗费。

基于知识的故障诊断与预测 

在实际工程应用中，常常无法获得对象系统的精确数学模型，这就大大限制了基于模型的故障诊断与预测方法的实施。而基于知识的故障诊断与预测访求不需要对象系统精确的数学模型，同时能够有效地表达对象相关的领域专家的经验知识，因此是很有前景的方法。基于知识的故障诊断与预测技术的最大优势就是能够充分利用对象系统有关的领域专家经验知识。

但是，由于基于知识的故障诊断与预测技术本身更适合于定性推理而不太适合于定量计算，因而其实际应用还比较困难，单独使用专家系统或模糊逻辑进行故障诊断与预测的实例还不多见。由于基于知识访求是一种半定量方法，在表述知识和推理方面有其独到之处。

因此，一般将其与其他技术相结合，以期获得更好的应用效果。基于知识的故障诊断与预测的一般原理是：

a.数理统计的模型，通过系统现象对应的关键参数集，依据历史数据建立各参数变化与故障损伤的概率模型(退化概率轨迹)，与当前多参数概率状态空间进行比较，进行当前健康状态判断与趋势分析。通过当前参数概率空间与已知损伤状态概率空间的干涉来进行定量的损伤判定，基于既往历史信息来进行趋势分析与故障预测。

b.神经网络(ANN)的模型，利用ANN的非线性转化特征，及其智能学习机制，来建立监测到的故障现象与产品故障损伤状态之间的联系。利用已知的“异常特征-故障损伤”退化轨迹，或通常故障注入建立与特征分析结果关联的退化轨迹，对ANN模型进行“训练/学习”。然后利用“训练/学习”后的ANN依据当前产品特征对产品的故障损伤状态进行判断。BP算法是该模型应用最广泛的一种网络。另外还有专家系统模型、模糊综合评判模型等。

PHM技术的发展经历了故障诊断、故障预测、系统集成三个日益完善的阶段，在部件级和系统级两个层次、在机械产品和电子产品两个领域经历了不同的发展历程。当前PHM技术的发展体现在以系统级集成应用为牵引，提高故障诊断与预测精度、扩展健康监控的应用对象范围，支持CBM与AL的发展。PHM技术以一门新生力量已经成功应用于军事、民用航空以及电子领域，并大大提升各应用领域的运作效率，有着广阔的发展前景。