传统的故障诊断只是停留在解决问题的层面上，而在服务型社会的今天，随着制造业全球化、服务化趋势的发展，面向服务的 PHM 系统架构不仅可以取代传统的故障诊断模式，更能将多设备故障信息进行知识资源整合，更好地完善目前的故障诊断预测服务体系，加快专用设备行业售后服务发展步伐。
PHM（Prognostics and Health Management，即故障预测与健康管理）是将设备使用方提供的相关技术方案、设备管理方法和设备供应商所提供的设备操作规范、维护业务流程相结合，对设备的维修进行科学规范化管理的体系[33]。PHM是基于状态的视情维修模式，相比于传统故障诊断的仅仅停留在故障分析判断基础上的局限，PHM可以更好地对故障进行全面管理、监测、分析以及给出合理的维护决策。在一定程度上，PHM对传统的故障诊断来说是进一步的充实和延伸，加入了更多的自主元素，是对设备故障诊断发展体系的完善。
作为一种新颖的自主式维修保障理论，PHM不仅仅包含了故障诊断应该具备的基础诊断识别能力，更将状态预测能力引入其中，是一种更加全面化的集故障检测、状态识别以及预测分析管理于一体的技术[34]。从实际工程应用角度看，其很大程度上推动了视情维修逐步取缔预防性维修和事后抢修方式的工业进程。总而言之，PHM在当前飞速发展的工业环境下正扮演着不可或缺的角色，其主要功能包括：
（1）故障监测定位功能：主要用于设备系统或者子系统等相关部件工作状态的实时监测，及时发现设备故障或者亚健康状态；基于故障检测提供的系统异常状况，准确定位故障发生的位置，方便后续定向查找、追根溯源；
（2）故障预测功能：该功能作为PHM系统的核心功能，是区别于其他类似诊断系统的标志性特点。主要是根据系统中内置的传感器所提供的信息，对设备运行状态进行描述，对设备关键部件的参数、退化程度等健康状态进行预测分析，计算估计潜在故障可能发生的几率甚至是故障出现的时刻[35]。这一功能可使得设备的维修管理人员提前获取设备的故障信息，做到“早知道、早预防、早处理”，保障设备持续稳定运行。
（3）辅助决策功能：PHM系统不仅要对出现的故障进行识别定位处理，更重要的是需要对相应的故障模式、机理进行分析，并给出合理化的维修建议，为设备维护提供一定程度的可靠支撑，而辅助决策功能应运而生，为PHM系统加入决策性支持。
（4）信息融合推理：为了更好地反映设备的运行状态，更准确的检测、隔离、定位识别设备潜在故障，综合考虑某一部件的多参数、多传感器信息、历史数据经验等，将其进行多层次融合分析成为更直观有效的状态信息，可以大幅度提高设备故障诊断与预测过程中的准确度，提高系统自主能力及综合效率。
（5）故障选择性报告：针对不同技术层面的相关人员，系统故障信息报告只需要对现场操作人员显示需要立即指导的直观操作信息，其余故障信息则通报故障维修人员。
系统健康管理想要行之有效，除了要有上述功能作为系统的根本支撑以外，必须搭配一套合理实用的系统健康管理解决方案。而这个解决方案需要包括以下四个内容：①选定系统运行所需的设备关键参数；②对设备工作异常时可能存在的故障和隐患进行综合分类；③识别及预测设备运行可能出现的的工作状态及故障形式；④设备出现故障时能够及时给出使设备恢复正常运转的合理维修建议。
PHM是一个集故障检测、隔离定位、故障识别预测等功能于一体的智能化、信息化管理体系，其完备的体系结构如图2.1所示。
图2.1 PHM体系结构
根据图示可以看出，以复杂设备作为基础平台的PHM系统体系结构主要以六个模块为主要组成部分：
(1)数据采集：数据采集模块通过对系统中被监测部分的运行数据不断采集存储、转换等，为后续模块提供数据来源。
(2)数据处理：通常传感器输出的数据在处理之前是不能直接进行分析使用的，需要数据处理模块对这些数据进行相关滤波压缩、特征提取等手段处理后才能为后续状态监测等模块所使用。
(3)状态监测：经过处理后的数据传输至此模块后，该模块会根据相关的阈值、聚类等判据对被监测对象的运行状态进行评估分类。
(4)故障诊断：该模块通过故障知识库或者其他形式分析被监测部件在发生故障时的故障原因，并同时记录故障发生时的状态，保存故障发生时段内的故障数据供后续分析。
(5)状态预测：综合监测模块的监测数据和历史统计数据，通过建模分析，对被测对象的后一阶段运行状态进行分析估计，评估系统的健康状态。该模块是PHM系统中的最主要组成部分。
(6)维修决策：其主要功能是根据前述各模块所提供的监测或故障信息，对系统故障进行综合评估，结合专家知识作出更换或者维修等故障处理决策。
由此可以看出健康管理的主要研究内容如下：
1) 对研究对象的故障形式进行准确分类，分析失效模式和故障机理、探求故障诱因，并对故障模块或元件尽早检测与识别。
2) 判定当前系统工作状态的属性，在寿命周期中究竟是处于正常态、性能衰退态还是完全故障态。
3) 正常状态下持续对系统进行监测，输出系统的工作状态变化趋势，实现故障状态的预测；故障或衰退状态下对系统出现故障或性能弱化的元件进行准确识别、快速定位。
健康管理系统中最重要的功能莫过于故障状态识别及预测功能，此技术重心也是本文研究的关键所在。
一个产品往往是由许多个相互关联、相互作用制约的简单子系统组成的，而故障发生的原因各不相同，各个故障的特征也不同。但在装备的整个寿命周期内，故障的特点归纳起来有以下几点[36]：
（1）故障的潜在性：故障发生的宏观形式可能是突然的，但在复杂的内部系统并不是突然的，总是遵循从正常到衰退才到故障状态的普遍规律。这种在设备或其中某个部件完全丧失其功能之前所展现出来的运行状态就是潜在故障，对系统潜在故障的提前发现甚至消除也是本文所研究的主要内容。
（2）故障的传播性：设备中的某些故障并非本身缺陷导致，而是由与之相关的故障“传染”而来，是指故障部件引起其他同层次部件功能异常或失效。
（3）故障的层次性：故障无论在何时发生，终有其发生的“位置”，这个“位置”必然处在系统层次中的某一层级，所以故障的层次性也是直接与系统的层次性相关联的。
（4）故障的延时性：故障的发生在微观层面上并不是一蹴而就的，元器件出现故障往往是由于其参数的缓慢变化引起的连锁反应，系统运行状态的恶化更是趋势性累积的结果。这种从量变到质变的故障渐发性过程也为本文故障预测研究提供了可能性。
近年来，状态识别预测热度不断提升，但随着人们对设备可靠程度要求的不断提高，这将成为对故障预测技术的极大考验。相应的数学物理方法也在不断被提出与完善，与这些相关方法对应运用的状态预测技术也在不断提升。
图2-1 故障预测技术分类及应用
在实际生产中，状态识别预测技术需要根据设备的实时运行状况，评估设备当前健康状态，识别故障形式并预测设备下一阶段的运行趋势。根据预测方法的应用程度、预测精度及相关成本可以将预测技术分成如图2-1所示三类，分别为基于可靠性的预测、基于数据驱动的预测和基于物理模型的预测。图示可以清晰看出，以上三种方法在工程中均有相应的代表性模型或机理，应用的广泛程度依次狭窄，但是预测精度依次提升。
传统的基于可靠性理论的故障预测方法的主要关注对象是设备全寿命周期内的故障发生及演化模式，这种预测方法主要以可靠性、故障密度函数以及故障率作为指标来预测设备故障的整体分布规律。传统可靠性理论中最具代表性的两种预测方法分别为：基于寿命分布模型的故障预测方法和基于故障树分析的故障预测方法。
1）基于寿命分布模型的故障预测方法
寿命分布模型是通过在设备全寿命周期内不断的进行故障数据采集积累并基于此生成历史故障数据曲线，最终将曲线拟合得到相对比较可靠的预测模型。如何构建一个与研究对象相匹配的预测模型无疑是该类方法的重中之重，通常在构建模型时需要注意研究对象寿命周期中的参数估计问题。不同的研究对象有不同的寿命模型相对应，与此相关常见的数学分布模型有指数分布、威布尔分布[37]、对数正态分布[38]等，而模型参数的估计则需要根据被测对象的运行环境等外部因素进行不断优化改进。尤其是现在的设备越发趋于复杂化，相应的模型仍需要进行不断修正，而每次的修正将伴随大量的可靠性数据工作，所以建立一套针对复杂设备的寿命分布模型相当困难和低效。
2）基于故障树分析的故障预测方法
故障树分析法(FTA)[39]是一种广泛应用于系统可靠性分析、安全性评估的实用性方法。该方法以树状图为架构，通过逐层推理演化出每种故障可能的所有诱因作为分支，并通过一定的逻辑关系来表示这些因素之间的关系[40]。虽然目前故障树分析方法的定量分析受其准确率影响应用越来越少，但是故障树分析方法在对故障分类的定性分析工作中仍然占据相当重要的地位。
综上分析，传统可靠性预测分析方法虽然已经发展相对比较成熟，但是仍然不可避免存在一些缺点。这种基于可靠性的方法往往受其基于全概率分布的本质决定其只能用于描述一类产品的总体情况，并且相应的可靠性指标只能表征故障是否发生，无法具体描述故障发生的机理、变化规律等，总体上还存在有一定的局限性。
基于数据驱动的预测方法其根本在于数据，而设备在其寿命期中会产生的大量数据文件，通过分析输入输出与状态参数之间的关系，建立类似数学中的输入输出映射关系，并在内部进一步建立非透明、非线性的不针对特定目标的模型，计算未来状态相关指标数值用以对未来状态进行预测，这就是基于数据驱动的预测技术的实现方式。
基于数据驱动的预测技术目前已经在各行业迅速崛起，成为人们研究和应用的热门，实现这种方式的关键取决于输入输出关系的建立以及模型和模型参数的选取，最为常见的有时间序列预测法、人工神经网络预测法、滤波器预测法等[41]。
1）基于时间序列的预测方法
时间序列是按照时间顺序将某一变量进行排列的某种信息序列，时间序列法就是按照时间发生的顺序将设备的状态观测信息进行排列，再根据生成的数据序列统计分析得到其在时间尺度上的发展过程、趋势，并根据这种趋势对系统当前的运行状态进行识别以及对将来某一时间段的可能状态进行分析预测。目前运用比较多的典型时间序列模型主要有滑动平均模型（Moving Average，MA）、自回归模型（Auto-Regressive，AR）和自回归滑动平均模型（ARMA）[42]。针对这些相关模型，国内外已经相应开展了广泛的研究，也取得过较好的预测效果。
2）人工神经网络预测方法
人工神经网络早在上世纪80年代就已经进入人们的视野，并得到很高的关注度。这是一种对人类自身大脑神经元网络抽象化的表达形式，类似于大脑的记忆能力，人工神经网络预测法具有较强的学习训练能力和自适应调整功能，可以抽象分析出非线性、非结构化的系统中潜在的演变规律[43]。人工神经网络预测方法的实现方式主要分为两种：一种是将网络中神经元节点前后的输入输出关系考虑进去，利用反馈机制对节点之间的比重值进行重估，从而建立动态神经网络，达到预测的目的；另一种是利用神经网络结构对状态信息参数进行拟合后作出预测[44]。常见的一些神经网络预测方法有BP神经网络、小波神经网络等，这些方法从不同的角度出发都取得了相应的预测成果，但是神经网络方法赖以生存的网络结构和网络规模难以确定，并且需要相当规模数量的历史数据来对模型进行学习训练。
3）基于滤波器的预测方法
卡尔曼（Kalman）滤波器最早由Kalman 和 Bucy 提出并命名，是一种用于时变线性系统的递归滤波器。基于滤波器的预测方法是一个不断预测和修正的自循环过程，运行流程如图2-2所示。该方法是将原始观测信号作为基础信号源，通过滤波器对高斯白噪声处理后获得相应的系统状态信息，将观测量输入线性状态方程输出对应的观测数据，最终实现对系统的预测[45]。虽然此方法逻辑结构简单清晰，但是适用范围很局限，只能适用于时变线性系统的预测。
图2-2 Kalman滤波器循环过程
综上所述，基于数据驱动的预测方法在没有大量数据支撑的前提下，实施难度较大，且不能保证有足够高的识别预测精度，且适用对象范围相对狭窄。
基于统计分析学的预测方法其关键在于所研究状态过程概率密度函数的获取，相比于其他预测方法，该方法不需要建立复杂的动态数学模型或物理模型，也无需大量数据的训练学习。根据实测的运行状态信息序列，通过计算获取相应的概率密度分布函数即可对设备的状态作出有效的预测。常见的基于统计分析学的方法有：贝叶斯技术、马尔科夫链、隐马尔可夫模型等。
其中，隐马尔科夫模型是一种基于概率的随机数据建模与分析方法，也是关于时序的概率模型。通过统计学习方法，有效分析出故障状态和观测序列之间的关系，反映设备的潜在结构特性，进一步建立HMM模型，从而可以实现对当前设备健康状态的评估及对设备运行状态发展趋势的预测。
该方法不仅包含了基于时间序列的中的状态连续性，更结合了概率统计模型。相比较于基于数据驱动的方法，该方法不需要大量的数据支撑即可完成对模型的自学习训练，具有较高的时效性，且对数据的分类识别能力优于前者。
失效物理（Failure Physics）模型法通过分析产品在不同工作环境下的失效原因、位置和失效机理等，统计产品失效相关的物理特征参数，构建产品的相关微观失效模型，结合现场数据实时识别产品的运行状态偏离程度，依此来估算产品健康状态，且具有很高的预测精准度[46]。虽然该方法对数据量的要求很低，但是因为失效模型的构建比较复杂，在实际运用中系统还具有较大的随机性，给模型的构建带来了很大困难，且成本较高，运用仍然较少。目前，这种预测方法主要是运用在建模较简单的传统机械领域。
本章主要介绍了故障预测与健康管理的相关理论基础，从故障的根本出发，对状态识别预测做了系统性分析，强调了故障预测与健康管理对于设备的重要性。对目前常见的状态识别预测技术进行了简要综述，通过介绍各预测技术的特点及优劣所在，为后文提供理论参考，并选用隐马尔可夫模型作为本文的模型基础。当然，仅仅是理论分析还不足以支撑故障预测及健康管理，为了实现对设备更精确的状态识别预测，对设备本身故障状态的深入分析研究是必不可少的，本文将在下一章节对轮对压装机测量系统设备的故障形式、故障机理等进行详细分析。
