我們將探討預測性維護中最關鍵且經(jīng)常遺漏的組成部分之一：工作流故障并知道如何預測它們。

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。預測故障類型的模型可以根據(jù)歷史故障數(shù)據(jù)進行訓練，但是，工程師通常會遇到各種故障場景的故障數(shù)據(jù)缺失。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)常遺漏的組成部分之一：工作流故障以及如何預測它們。

以下是團隊可以利用的兩個可行解決方案，以阻止這種缺乏故障數(shù)據(jù)成為預測性維護實施期間的致命缺陷：

生成示例故障數(shù)據(jù)：過去使用的工具（如故障模式影響分析 （FMEA））為確定要模擬的故障提供了有用的起點。從這里，工程師可以在各種場景中將行為合并到模型中，這些場景通過調(diào)整溫度、流速或振動或添加突然故障來模擬故障。模擬時，這些場景會產(chǎn)生可以標記和存儲的故障數(shù)據(jù)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，無監(jiān)督學習技術（機器學習的一個分支）如主成分分析 （PCA） 將原始傳感器數(shù)據(jù)轉(zhuǎn)換為低維表示。與高維原始數(shù)據(jù)相比，這些數(shù)據(jù)可以更容易地可視化和分析，使您能夠在未標記的數(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)也可能指示有關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）。

縮短學習曲線的簡單步驟

工程師面臨的另一個常見障礙涉及對可能看起來陌生且令人生畏的算法進行建模和測試。

希望縮短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（例如，更早地識別故障、延長周期、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，構建一個框架，該框架可以測試算法并估計其相對于目標的性能，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：練習使用具有深刻理解系統(tǒng)的項目，越簡單越好。例如，首先在組件級別而不是系統(tǒng)或子系統(tǒng)級別查看事物。這將減少需要調(diào)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、入口堵塞和軸承摩擦增加。

獲得信心：當您開始看到有希望的結果時，請使用團隊中的領域知識根據(jù)其成本和嚴重性預測不同的結果。在現(xiàn)有維護過程的后臺運行預測性維護模型，以了解模型在實踐中的工作方式。

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