工业资产的预测与健康管理（PHM）：当前进展与未来之路

预测和健康管理 (PHM) 系统是工业 4.0 革命的主要推动者。有效检测工业组件是否偏离其正常运行条件或预测何时会发生故障是这些系统旨在解决的主要挑战。高效的 PHM 方法有望降低故障事件的概率，从而提高工业机器的安全水平。此外，它们可能会大大降低与定期维护操作相关的通常显着的成本。在过去十年中，数据可用性的增加以及机器学习 (ML) 和深度学习 (DL) 技术的惊人进步代表了数据驱动 PHM 系统开发的两个强大推动因素。另一方面，事实上将它们的应用限制在现实世界的场景中。在这项工作中，我们探索了人工智能 (AI) 方法和 PHM 应用程序的交集。我们对故障诊断和故障预测方面的现有工作进行了全面审查，重点介绍了采用人工智能技术带来的好处和缺点。我们的目标是突出潜在卓有成效的研究方向，同时描述需要解决的主要挑战，以实现基于 AI 的 PHM 系统的承诺。

1 介绍

支持现代工业市场的持续增长使得优化运营效率和最小化多余成本变得至关重要。这些成本的很大一部分通常来自工业资产的维护。

最近的研究1表明，对于普通工厂而言，低效的维护政策造成的成本占工厂整个生产能力的 5% 到 20%。此外，根据国际自动化协会 (ISA) 2 的数据，所有行业领域的工业制造商意外停机的总体负担估计达到每年 6470 亿美元的惊人数字。

如果，一方面，上述考虑突出了维护操作对制造商余额的根本影响，另一方面，大量公司仍然对其维护策略不满意。根据最近对 230 多家欧洲高级企业3 进行的采访的趋势研究，大约 93% 的他们认为他们的维护政策效率低下。

正如后面所讨论的，当前的维护方法分为两类，即反应性维护和计划性维护。粗略地说，第一种是在系统发生故障后立即实施维护操作，而第二种是基于定期安排维护操作。由于机器停机、部件更换或不必要的维护干预，这些策略自然会带来大量额外成本。

另一方面，预测性维护 (PM) 代表了一种不同的范式，它有望克服上述方法的低效率。PM 是所谓的工业 4.0 革命的标志之一，即由数字化时代的到来引发的工业世界的现代化进程。PM 系统的目标是利用传感器工程和数据分析的新进展实施更智能、更动态的维护方法。机器的健康状态现在由传感器网络持续监控，未来的维护操作基于对结果数据的分析。越来越多的组织出于降低成本的需要和 PM 的潜力，1 .

现在出现的一个自然问题是 PM 解决方案能够在多大程度上真正提高公司在减少停机时间、节约成本和安全方面的效率。普华永道最近的一项研究4调查了 PM 的实际潜力，而不是过去几年围绕它产生的炒作。结果令人印象深刻：95% 的受访组织声称采用 PM 策略有助于改进几个关键绩效指标。大约 60% 的参与公司报告说，机器正常运行时间平均提高了 9% 以上，并且在成本节约、健康风险和资产寿命方面进一步增强。

如上所述，作为第四次工业革命的关键参与者，PM 利用了过去几年在计算机科学和信息工程领域引入的一些新进展。其中，ML 可以说是在私营部门的投资和兴趣方面经历了最令人印象深刻的增长的技术之一。人工智能技术之所以受到越来越多的关注，主要是因为它们在过去十年中在计算机视觉 (CV)、自然语言处理 (NLP) 和语音识别等领域做出了巨大贡献。

PM 方法在很大程度上基于 ML 技术。相对便宜的传感器的日益普及使得收集大量数据变得更加容易，而这些数据又是机器学习系统所必需的主要成分。

但是，不应将基于人工智能的技术视为能够立即解决影响当前维护策略的所有问题的”。尤其是 ML 和 DL，是不断发展的领域，尽管取得了重大成就，但许多缺点仍然限制了它们在现实场景中的广泛应用。因此，有必要保持谨慎并尝试了解当前人工智能方法在 PM 背景下的局限性，并推动进一步研究以解决或缓解这些缺点。