(*文中提到相关配图可搜索关注公众号“东琉信息”获取)

1、  概念

在健康管理功能体系中，通常涉及故障诊断、故障隔离、预测性维护、预测性健康管理等相关概念，这些概念构成了装备健康管理的基础。具体概念定义如下。

故障诊断（Fault Diagnosis）：这是一种确定设备、系统或过程存在故障或异常的过程。它涉及到的技术包括监测系统行为，比较实际行为和期望或正常行为，以及确定差异的原因。

故障检测（Fault Detection）：这是故障诊断过程的一部分，目的是确定设备或系统是否有异常或故障。这通常涉及到监控设备或系统的性能，并将其与预期或正常的操作条件进行比较。

故障预测（Fault Prediction）：这是一种基于设备或系统当前状态和过去行为预测未来可能出现故障的过程。它通常基于统计分析或机器学习技术。

故障隔离（Fault Isolation）：一旦检测到故障，接下来的步骤就是确定故障的位置或来源。故障隔离有助于确定哪个组件或子系统可能是故障的原因。

预测性维护（Predictive Maintenance）：这是一种维护策略，目标是预测设备或系统何时可能需要维护或更换，以防止未来的故障。预测性维护可以帮助组织避免停机时间，并使维护活动更有效和高效。

健康管理（Health Management）：这是一种策略，目标是监控和管理设备或系统的整体健康状况。这可能涉及到故障诊断和预测，以及其他活动，如性能优化和生命周期管理。

BIT：Built-in Test（内置测试），是一种自动化测试技术，该技术已内置在各种系统和设备中，以进行实时的自我监测和故障诊断。这种技术的目的是确保设备和系统能够持续、可靠地运行，同时减少因故障导致的停机时间。BIT可以在设备的正常运行中或在特定的测试周期中自动运行，而不需要额外的测试设备或人工干预。这种内置测试可以提供对设备或系统的实时健康状况的反馈，并能够识别出可能的性能下降或故障。通常BIT可分为上电BIT、周期BIT和维护BIT。

PBIT：Power-up BIT（上电BIT），是一种在设备启动或上电时自动执行的测试。PBIT的主要目的是确保设备在开始操作之前的性能和功能的正确性。如果在上电BIT中发现问题，设备通常会阻止启动或者提供故障信息，以便操作员或维护人员可以进行故障排除和修复。

CBIT：Continuous BIT（周期BIT），是一种在设备正常运行期间周期性执行的测试。周期BIT的目的是实时监测设备的性能和健康状况，以便及时发现和报告任何可能影响设备操作的问题。周期BIT通常是对设备的关键功能进行持续或周期性的监测和测试。

MBIT：Maintenance BIT（维护BIT），是一种在设备维护过程中执行的测试，通常涉及比上电BIT或周期BIT更深入的测试和诊断。维护BIT的目的是帮助维护人员定位故障，检查修复的有效性，或者在预防性维护过程中评估设备的性能和健康状况。

CBM：Condition-Based Maintenance（基于状态的维护），它是一种预测性维护策略，通过持续或定期的性能参数监测和分析，以了解设备当前的状态，并据此决定是否需要进行维护。CBM的目标是尽可能避免基于时间表或固定间隔的预防性维护，以及因等待设备故障而导致的反应性维护。相反，CBM试图确保仅在设备显示可能即将出现故障的迹象时才进行维护。这可以通过监测设备的关键参数（如温度、振动、电流或其他性能指标）来实现。通过这种方法，CBM可以减少不必要的维护工作，避免由于设备故障导致的停机时间，并延长设备的使用寿命。此外，CBM还可以提供关于设备何时可能需要更换或升级的有价值的信息，从而有助于更好地管理设备资产和维护预算。

PHM：Prognostics and Health Management（预测性健康管理），是一种集成的工程方法，它结合了数据收集、特征提取、故障检测和诊断、健康评估、故障预测，以及剩余使用寿命估计，以实现设备和系统的优化管理和维护。PHM的目标是通过准确地预测设备的健康状况和未来性能，以实现故障的预防和预测性维护，从而减少停机时间，提高效率，降低维护成本，延长设备的使用寿命。总的来说，PHM是一种系统的、数据驱动的、预测性的方法，可以实时地监测和评估系统的健康状况，提前预测故障，从而帮助运维团队做出最佳的运维决策。

2、  发展历程

在装备维护管理实践中，经历了从人工的、被动的状态监控，到自动的、实时的内置测试检测，再到预测性的、数据驱动的设备维护以及健康管理，大致可分为4个阶段。

第一阶段：基于人工的状态监控，这是早期的维护实践中仅有的维护管理手段。设备运行状态的直接观察和测量被用来确定设备是否正在正常运行，或者是否可能出现问题。这可能涉及到对设备的可视检查，或者对设备的性能参数（例如温度、压力、流量等）的测量。然而，状态监控只能提供有限的信息，无法预测设备的未来性能或故障。

第二阶段：基于自动化技术实现的BIT。为了解决状态监控的限制，内置测试(BIT)被引入到许多设备和系统中。BIT能够自动地在设备的运行过程中进行故障检测和诊断，无需人工干预。这使得BIT能够提供实时的设备健康信息，并且能够在故障发生时立即发出警报。然而，尽管BIT改善了故障检测和诊断的效率和可靠性，但它仍然无法预测设备的未来性能或故障。

第三阶段：基于状态的预测性维护CBM。CBM是一种维护策略，它依赖于设备的实时健康信息来指导维护决策。在CBM中，维护活动是基于设备当前的健康状况或性能指标来计划的，而不是基于预定的维护计划。这意味着，只有当设备表现出性能下降或故障迹象时，才会进行维护。CBM可以减少不必要的维护活动，提高设备的可用性和效率。然而，尽管CBM改善了设备的维护效率和可靠性，但它仍然无法预测设备的未来性能或故障。

第四阶段：预测性健康管理PHM。为了解决CBM无法预测设备的未来性能或故障的问题，进一步提高设备维护管理预测能力和智能化水平，PHM被开发出来。PHM结合了数据收集、特征提取、故障检测和诊断、健康评估、故障预测，以及剩余使用寿命估计，以实现设备和系统的优化管理和维护。PHM不仅可以提供实时的设备健康信息，而且可以预测设备的未来性能和故障，从而实现真正意义上的预测性维护。

在整个发展历程中，可以看到明显趋势：从人工操作到自动实现，从事后处理到提前预测，从定期维护到实时健康管理，反映了设备或系统维护管理实践的持续改进，方法与技术的进化演进支撑设备或系统维护管理效率提升、成本降低，更进一步保障设备或系统使用寿命和效能的发挥。

3、  实现过程

3.1、CBM实现过程

CBM通过监控设备的实时状态和性能来提前识别可能的故障，从而实现及时的维护和维修。通常，CBM实现过程包括：状态收集、数据处理分析、决策支持、维护执行、状态更新及反馈。

状态收集: 使用各种传感器从设备或系统上收集状态数据，例如温度、电压、电流、压力、振动等。这些状态数据可以实时收集，也可以定期收集。在理想情况下，这些状态数据将通过网络实时传输到中央数据仓库。

数据处理分析: 对收集到的状态数据进行处理和分析，通常使用统计和机器学习技术。这可能包括异常检测、趋势分析、故障预测等。处理分析的目标是从大量的原始数据中提取有价值的信息，识别可能的故障模式，并预测设备可能的失效时间。

决策支持: 基于数据分析的结果，决定是否需要进行维护，以及何时进行维护。这可能包括设备的维修、替换或升级。如果设备的性能下降，或者预测设备即将失效，那么可以安排在合适的时间进行预防性维护。

维护执行: 根据决策支持的结果，进行必要的维护活动。这可能包括清洗、润滑、调整、修理或更换部件等。

状态更新和反馈: 完成维护后，更新设备的状态，并将维护的结果反馈到数据仓库和分析系统。这可以帮助改进未来的数据分析和决策。

3.2、PHM实现过程

PHM是一种通过实时监测和分析设备状态以预测其未来性能和寿命的方法。通常，PHM实现过程包括：数据采集、数据预处理、健康评估、故障预测、决策支持和反馈优化。

数据采集：需要使用各种传感器和设备来收集设备的运行数据。这些数据可能包括温度、电压、电流、压力、振动、声音等多种类型的数据。

数据预处理：收集到的原始数据需要进行预处理，以便于后续的分析。这可能包括数据清洗、缺失值处理、异常值处理、数据标准化、特征提取等步骤。

健康评估：根据预处理后的数据，通过建立设备健康状态的模型，可以对设备的当前健康状态进行评估。常见的方法有基于机器学习的分类模型、基于物理模型的计算模型等。

故障预测：在评估了设备的当前健康状态之后，可以进一步预测设备在未来一段时间内的健康状态。这通常需要使用预测模型，如回归模型、时间序列模型、或者深度学习模型等。

决策支持：根据设备的健康状态和预测结果，可以做出维护决策。例如，如果预测设备即将发生故障，可以安排提前进行维护。这一步骤可能涉及到维护策略的制定、资源的调度、维护任务的执行等内容。

反馈优化：在实施维护策略并收集到新的设备数据之后，可以通过反馈学习的方式来优化PHM系统。例如，可以使用新的数据来更新模型，以提高其预测的准确性。

4、  应用案例

1）轨道交通PHM应用

美国智能维护系统（IMS）中心与阿尔斯通的高铁部门进行合作，参与开发并于2013-2014年推出高铁健康维护系统Health Hub，实现从车辆级到基础设施级的智能管理。在远程监测系统方面通过Train Tracer、Track Tracer、Train Scanner等产品，实现将运行过程当中的实时状态数据传递到Health Hub中进行分析，实时评估关键部件的健康状态，预测未来的风险，并且用预测性的方式进行排程优化。

整个系统运用了典型的CPS技术框架，包括设备中数据的智能连接，实时的数据分析流，云端实现建模过程，经过大数据分析之后，对这些问题预测和决策，最终将决策运用到所有的相关部门中。整套系统提供了很多分析模型的核心算法，包括高铁集群健康管理、车辆牵引电机、轨道的转辙器、车载的轨道监测系统等。通过故障预诊与健康评估模型，将传统的不可见的问题显性化，分析问题发生的过程，从而避免潜在的风险和问题发生。

2）战斗机PHM应用

美军新一代战机F35采用的PHM是一种分层架构的综合故障诊断预测系统，其采用分层推理结构，共有3个层次：最底层BIT系统、中间层区域健康管理器和顶层飞机平台健康管理器。最底层BIT系统是由分布在飞机各个分系统部件中的BIT传感器和配套监控测试程序组成，作为状态数据源头，借助传感器、BIT/BITE等检测故障；检测到的状态数据或故障预判数据提交给中间层的区域健康管理器，由区域健康管理器进行数据处理、信息推理，其中，区域包括机体、发动机、任务系统等；各区域健康管理器将区域故障信息经过整理后输送给顶层飞机平台健康管理器。飞机平台健康管理器软件模块驻留在ICP中，通过对区域健康管理器故障信息关联，确认并隔离故障，形成维修信息传给地面ALIS。地面ALIS完成后续维修维护工作。

5、  PHM发展趋势

预测性健康管理（Prognostics and Health Management，PHM）技术具有巨大的发展潜力，并且可能在未来几年内显著影响多个行业。以下是预期的一些关键趋势：

更加智能化的预测模型：随着人工智能和机器学习技术的发展，我们预期PHM的预测模型会变得更加智能化。这将涉及使用更复杂的算法和技术，例如深度学习和强化学习，来预测设备故障。

更加个性化的维护策略：随着PHM技术的发展，维护策略将更加个性化，更好地满足设备和使用者的需求。这可能包括根据设备的具体情况和使用环境，制定更加精确的维护计划。

与数字孪生（Digital Twin）技术的融合：数字孪生是物理系统的虚拟模型，可以用于实时监测和预测设备的性能。这种技术在PHM中有很大的应用潜力，可能会在未来得到更广泛的使用。

（本文为东琉信息公众号的原创内容，如需转载请注明来源和原作者。）