雖然估計故障前的時間很有用，但更有價值的是描述預期發(fā)生的故障類型（根本原因）的信息?？梢愿鶕?jù)歷史故障數(shù)據(jù)對預測故障類型的模型進行訓練，但是，工程師通常會遇到各種故障場景缺乏故障數(shù)據(jù)的情況。在我的第三篇也是最后一篇博客中，我們將探討預測性維護中最關鍵且經(jīng)常被忽略的組件之一：工作流故障以及知道如何預測它們。

以下是兩個可行的解決方案，團隊可以利用它們來阻止這種缺乏故障數(shù)據(jù)成為預測性維護實施過程中的致命缺陷：

生成樣本故障數(shù)據(jù)：故障模式影響分析 （FMEA） 等歷史上使用的工具為確定要模擬的故障提供了有用的起點。從這里開始，工程師可以在各種場景中將行為整合到模型中，通過調整溫度、流速或振動或添加突發(fā)故障來模擬故障。模擬時，場景會產(chǎn)生故障數(shù)據(jù)，這些數(shù)據(jù)可以被標記和存儲以供進一步分析。

圖 1. 使用 Simulink 生成故障數(shù)據(jù)

了解可用數(shù)據(jù)：根據(jù)可用的傳感器，某些類型的故障可能需要同時查看多個傳感器以識別不良行為。但是查看來自數(shù)十或數(shù)百個傳感器的原始數(shù)據(jù)可能會令人生畏。在這種情況下，諸如主成分分析 （PCA） 等無監(jiān)督學習技術（機器學習的一個分支）將原始傳感器數(shù)據(jù)轉換為低維表示。這些數(shù)據(jù)比高維原始數(shù)據(jù)更容易可視化和分析，使您能夠在未標記數(shù)據(jù)中找到有價值的模式和趨勢。即使不存在故障數(shù)據(jù)，操作數(shù)據(jù)也可能表明機器如何隨時間退化的趨勢，并估計組件的剩余使用壽命 （RUL）。

減少學習曲線的簡單步驟

工程師面臨的另一個常見障礙是對看似陌生和令人生畏的算法進行建模和測試。

希望減少這種學習曲線的工程師可以遵循以下三個簡單步驟：

定義目標：預先定義您的目標是什么（例如，更早地識別故障、更長的周期、減少停機時間），以及預測性維護算法將如何影響它們。作為早期步驟，構建一個可以測試算法并根據(jù)您的目標估計其性能的框架，以實現(xiàn)更快的設計迭代。這將確保在公平的競爭環(huán)境中比較所有不同的方法。

從小處著手：練習使用具有深入理解系統(tǒng)的項目，越簡單越好。例如，從組件級別而不是系統(tǒng)或子系統(tǒng)級別開始。這將減少需要調查的故障數(shù)量并縮短開發(fā)初始原型的時間。

圖 2. 對三種類型的故障進行建模：氣缸泄漏、進氣口阻塞和軸承摩擦增加

獲得信心：當您開始看到有希望的結果時，請使用團隊內的領域知識根據(jù)成本和嚴重程度預測不同的結果。在現(xiàn)有維護程序的背景下運行預測性維護模型，以了解模型在實踐中的工作原理。

總之，定義明確的目標，從小處著手，根據(jù)數(shù)據(jù)進行驗證，然后迭代直到對結果充滿信心。

審核編輯：郭婷