大数据与人工智能时代的可靠性工程浅析

高端装备是国之重器，在国民经济关键部门发挥着关键作用。其故障和失效往往造成较为严重的社会以及经济影响。因此，如何保障高端装备稳定而安全地运营是可靠性工程(Reliability Engineering)研究的主要问题。

(a) 复兴号动车组

(b) 工业机器人

图1. 高端装备实例

经典的可靠性工程专注于设备失效时间(Time to Failure)的历史数据的统计学建模与分析，以及在此基础上的设备维修维护管理。统计学模型需要一定数量的故障样本，并且假设样本故障具有同一性且在平均静态环境下发生。

(a) 故障时间

(b) 概率分布

图2. 传统的统计学建模

然而这些条件对于高端装备却并不适用，因为高端装备通常在复杂工况下运行而且故障案例数量有限。另一方面，随着工业系统信息化智能化程度的持续提升，大量通讯、传感与控制装置被不断地整合到高端装备中来。传感器实时监测子系统、零部件的健康状况，可以收集到的大量的实时数据。这些数据通过清洗、信号提取、人工智能算法来学习老化趋势(图3)，可以对未来故障发生时间(即剩余可用寿命)进行精准预测。

图3. 实时健康数据驱动的剩余可用寿命预测

故障预测(Prognostics)的发展也促使传统的预防性维修转向视情维修(Condition-based Maintenance)甚至预测性维修(PredictiveMaintenance)。这一转变正促使可靠性工程成为一门的新学科，即故障预测与健康管理(Prognostics and HealthManagement, PHM)。PHM涵盖了一整套的故障预测与健康管理的最新理论与方法，是世界范围内的热门研究课题，并且正处于快速发展之中。

图4. PHM的全过程

由工业实践催生的PHM理论与方法正在不断受到新的应用环境的挑战，本文简要介绍围绕高端装备系统的PHM三大研究方向：

1. 系统健康状态实时评估与故障时间精准预测

本研究将基于复杂系统理论，考虑高端装备的工作运行环境，结合多维传感器数据流以及故障机理分析，提出系统健康状态实时评估以及故障时间预测模型。图5为高速列车轮对多边形老化问题的研究。该研究正在探索多边形程度与噪音之间的关系，并在此基础之上建立精准的列车轮对剩余寿命预测模型。

(a) 采用阶次或波数表示的车轮不圆度情况

(b) 噪音采集的自谱分析

图5. 高速列车多边形阶次与噪音自谱分析对比

2. 考虑不确定性的装备系统运行和维修联合优化

考虑多种不确定性（如工况、需求、预测准确度）的影响，基于故障时间预测模型，综合考虑维修成本和可操作性，提出运行维护决策模型。考虑不同使用场景和不确定的输入，提出系统的运行与维修鲁棒优化模型，以最大化制造系统的可靠性并降其运维成本。

图6. 运行维修联合优化

3. 考虑正常作业和应急工况的备件管理

综合考虑系统现场工况与备件管理条件（如需求预测、维修调度等），建立维修和备件管理的联合调度模型，得到最优备件订货周期和订货量。给出系统遭遇突发事件后所需的应急方案（人员调配、设备应急供应等），提出系统应急管理的重规划策略。

来源：清华大学工业工程系

赛思库

元器件使用可靠性智慧化解决方案引领者