預測剩余使用壽命(RUL)是行業(yè)4.0方法的核心優(yōu)勢之一。由于物聯(lián)網(wǎng)(IoT)設備的快速部署，振動、壓力、電流和溫度等變量的數(shù)據(jù)源現(xiàn)在變得廣泛且隨時可用。這一點，再加上數(shù)字維護記錄，提供了前所未有的對設備健康狀況的洞察。

對這些數(shù)據(jù)的訪問來得再合適不過了。在新數(shù)字設備爆炸的同時，還有另外兩個重要的發(fā)展：勞動力老齡化和深度學習的進步。過去，預測何時應該更換設備在很大程度上依賴于主題專家的輸入。這種專門知識依賴于精選的具有高度專業(yè)化知識的個人。隨著美國勞動力的不斷老齡化，這些人中的許多人正在離開這個行業(yè)，造成了巨大的知識差距。此外，廉價的GPU和更深入的模型的出現(xiàn)，增加了在故障發(fā)生之前預測故障的高質(zhì)量人工智能選擇的可能性。在我們進入方法論之前，讓我們先來看看什么是剩余使用壽命(RUL)。

什么是剩余使用壽命(RUL)？

RUL是機器在需要維修或更換之前可能運行的時間長度。通過考慮RUL，工程師可以計劃維護、優(yōu)化操作效率并避免計劃外停機。盡管有細微差別，但與異常檢測相比，這一概念是不同的。異常檢測可以在預測剩余使用壽命方面發(fā)揮作用，但它更關注將迅速降低設備性能的突發(fā)事件。RUL更注重長期資產(chǎn)管理，并以年數(shù)而不是天數(shù)來衡量。

預測RUL方法

用于預測RUL的方法多種多樣，但大致可分為三個基本類別:

1.基于專家的系統(tǒng)：這種類型的方法相對簡單，嚴重依賴于人工輸入。本質(zhì)上，這個系統(tǒng)只是將當前數(shù)據(jù)與以前觀察到的專家分類的實例進行比較。這些是人類制定的規(guī)則或閾值，與特定的RUL相關聯(lián)。這些規(guī)則可以簡單地包含在程序/手冊中，或者與模糊邏輯輸出相關聯(lián)。在所有方法中，這是最不精確的，因為輸出基本上是離散的。此外，它可能無法很好地處理以前未分析的事件。它還需要來自主題專家的大量初始輸入。

2.基于物理的系統(tǒng)：基于物理的系統(tǒng)本質(zhì)上是手工制作的數(shù)學模型，旨在根據(jù)物理特性預測未來的退化。請注意，這些模型是特定于故障模式的。例如，1962年提出了一種基于材料和載荷變化的裂紋增長方法。這些類型的模型可能非常精確，但需要大量的專業(yè)知識和輸入。

3.基于機器學習的模型：在這里提供的所有方法中，這種方法是最容易推廣的，并且需要很少的設備專家輸入。它是統(tǒng)計驅(qū)動的，這意味著需要大量高質(zhì)量的數(shù)據(jù)來開發(fā)初始模型。這種方法將在下一節(jié)進一步闡述。

?基于機器學習的方法
1、受監(jiān)督

監(jiān)督機器學習方法可能是最直觀的，但從數(shù)據(jù)注釋的角度來看，它往往是最昂貴的。為了真正能夠訓練一個完全受監(jiān)督的模型，需要大量的數(shù)據(jù)和多次、全生命周期的運行才能有效。此外，盡管異常檢測和RUL是兩碼事，但是將異常檢測輸入到RUL模型中的能力非常重要。根據(jù)異常檢測的定義，數(shù)據(jù)就是異常的。這意味著即使有大量數(shù)據(jù)緩存，某些場景也可能不存在。

盡管某些情況僅與年齡相關，但其他退化曲線與資產(chǎn)壽命期間的某個事件關系更密切。例如，大型電機壽命中的過壓事件可能會顯著改變組件的退化曲線。模型需要能夠識別這些現(xiàn)象并相應地更新曲線。有糾正數(shù)據(jù)缺失的方法。存在可用于擴充真實世界數(shù)據(jù)的多個合成數(shù)據(jù)集。監(jiān)督模型可以在大型泵/馬達的模擬上進行訓練，然后根據(jù)所討論的特定資產(chǎn)的真實世界數(shù)據(jù)進行微調(diào)。歸根結底，這是一個時間序列問題；可以將來自各種傳感器的某個時間段提供給模型，目標預測變量是剩余壽命。

2、無人監(jiān)管

盡管研究較少，但完全無人監(jiān)管的RUL方法確實存在。這種方法的好處是不需要標記。換句話說，數(shù)據(jù)直接提供給模型，并輸出預測。一個這樣的例子是利用自動編碼器方法。這種類型的模型本質(zhì)上輸出“正常”數(shù)據(jù)是如何基于以前看到的數(shù)據(jù)的。這被耦合以創(chuàng)建稱為虛擬健康指數(shù)的度量，該度量然后被用作長期短期記憶類型模型的輸入，以進行RUL預測。從出版日期可以看出，這種方法是最前沿的。如果有人能夠使用無監(jiān)督的方法來準確預測RUL，這將是該領域的范式轉(zhuǎn)變。

3、半監(jiān)督

這種方法代表了上述兩種選擇之間的某種妥協(xié)。它允許進行預訓練，并在任何監(jiān)督學習之前識別退化階段類型。利用C-MAPPS數(shù)據(jù)集(該領域的標準基準)，一種方法能夠產(chǎn)生最先進的結果。這種方法有些復雜，因為它使用了一個受限的玻爾茲曼機器和一個長期短期記憶模型，而所有參數(shù)都通過使用遺傳算法進行了優(yōu)化。從短期來看，這種半監(jiān)督的方法可能是最佳商業(yè)案例的模型類型。

認識工業(yè)4.0

為了充分實現(xiàn)工業(yè)4.0的優(yōu)勢，必須開發(fā)和實施RUL預測模型。物聯(lián)網(wǎng)傳感器的快速部署以及關鍵主題專家的不斷流失推動了這一發(fā)展。可用數(shù)據(jù)的爆炸使得以前無法達到的準確性成為可能。通過正確的實施，工業(yè)4.0的好處可以為任何公司提供更長的資產(chǎn)運行時間和更好的維護策略。