PHM功能模块有哪些？故障预测与健康管理的体系结构

发布时间: 2023年02月06日

标签: 行业干货技术文档

PHM作为实现预测性维护的关键技术，可以帮助企业在事故发生之前较长时间里实现故障预测与健康管理，达到“治未病”的效果，其应用日益受到业界的广泛关注。那么PHM的功能模块有哪些呢？

对于PHM体系结构，业界普遍参照OSA-CBM （ Open System Architecture for Condition-Based Maintenance），用于指导构建机械、电子和结构等领域的各种类型的PHM系统。具体由数据获取、特征提取、状态监测、健康评估、故障预测、维修决策与集成控制7大功能模块来实现。

>> PHM是什么？故障预测与健康管理概念

PHM最为典型的体系结构CBM

图.PHM最为典型的体系结构CBM（华南理工大学吴贤铭智能工程学院副院长李巍华教授演讲PPT）

1、数据获取

采用光纤传感器、微机电系统、智能传感器等先进的传感器技术，采集所需的物理量（如压力、温度、电流），并按照定义的数字信号格式输出数据。

2、特征提取

对单/多维度信号进行预处理，如滤波、求均值、谱分析、主分量分析、线性判别分析等常规信号处理、降维方法，来提取一些能表征设备状态的特征。

3、状态监测

将实际提取的特征输入至状态监测系统，并与不同运行条件下的先验特征（主要通过阈值判别、模糊逻辑等方法来确定阈值）进行比对，对超出了预先设定阈值的提取特征，产生报警信号。

4、健康评估

依据状态监测的情况、健康历史和负载情况，综合评估设备的健康状态。其首要功能是判定对象当前的状态是否退化，若发生了退化则需要生成新的监测条件和阈值，并形成故障诊断结果（故障位置及原因）或故障发生的可能性。

5、故障预测

综合利用前述各部分数据信息，在考虑未来载荷情况下根据当前健康状态推测未来，进而预报未来某时刻的健康状态，或者在给定载荷曲线的条件下预测剩余使用寿命。对于剩余使用寿命的预测，在算法上比较复杂，可以通过基于机理模型或数据驱动或混合模型等方法，来对故障进行预测，以获得设备的剩余使用时间、故障点、故障类型等处理信息。

>>设备健康管理预防性维护指南

基于机理模型的方法，是通过大量失效样本的分析，以深入了解设备的失效机理、失效路径等，来建立基于失效物理的模型，以对未知故障和弱故障进行有效预知和识别，需要较强的领域知识；基于数据驱动的模型，是结合大数据分析与人工智能技术来对特征值进行学习，预测未来故障，需要的数据量较大。混合模型即是两者的结合，也是相对较好的方法，通过机理分析快速构建失效物理模型，模型的保真度和准确度，由基于数据驱动的方法来弥补。

6、维修决策

根据健康评估和故障预测提供的信息，以任务完成、费用最小等为目标，对维修时间、方法等做出优化决策，进而制定出维护计划、保障建议与措施。

7、集成控制

主要是实现人-机、机-机之间的数据交流，包括集成状态监测、健康评估、故障预测、维修决策等功能产生的信息并可视化，以及产生报警信息后可控制设备停机等功能。