基于状态的维修策略在高价值资产中的应用研究

HOS T E D B Y可在www.sciencedirect.com网站上查阅计算设计与工程学报2（2015）119www.elsevier.com/locate/jcde基于状态的维修策略Jong-Ho Shina，Hong-Bae Junb，na韩国蔚山UNIST设计与人类工程系b韩国首尔弘益大学工业工程系2014年11月25日收到;2014年12月4日收到修订版;2014年12月12日接受2015年1月7日在线发布摘要在高价值资产的情况下，操作和维护（O M）阶段需要比安装（建造）阶段更高的费用和更多的努力近年来，随着新兴信息通信技术（ICT）的出现，我们可以在资产使用期间获得资产状态信息的可见性。这为我们提高资产运营效率提出了新的挑战性课题。一个问题是实施基于状态的维护（CBM）方法，该方法基于有线或无线监测数据对资产状态进行诊断，预测资产异常，并在严重问题发生之前执行适当的维护措施，例如修理和更换。在这项研究中，我们讨论了CBM方法的几个方面：定义，相关的国际标准，程序和技术，并介绍了我们进行的一些相关案例研究&2015 年 CAD/CAM 工 程 师 协 会 。 由 Elsevier 制 作 和 主 持 。 这 是 一 个 在 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：状态维修;预测维修;预测与健康管理1. 介绍一般而言，维护被定义为在使用期间为维护或恢复产品或资产所需功能而采取的所有技术和管理行动维修政策有不同的分类简单地说，维护策略可以分为故障维护和预防性维护。一些参考文献，例如Erbe等人[11]详细识别了维护类型。在我们的研究中，维护策略分为三种类型：故障维 护 （ 纠正性 维护 ）， 预 防 性维 护 和 基于 状 态的维 护（CBM）。在故障维护中，在发现产品中的某些问题（例如故障）之后采取维护行动，而预防性维护以一定间隔定期检查产品以防止产品的异常在某种意义上，CBM可以类似于预防性维护，其目标是在异常发生之前预先防止产品异常注意，以前的一些工作将CBM方法置于基于时间的维护的预防性维护策略下n通讯作者。（TBM）方法。然而，建立信任措施的方法不同于以时间为导向的预防性维护方法。 它侧重于产品降解过程的预测，其假设是大多数异常不是瞬时发生的，通常存在从正常状态到异常状态的某种降解过程[12]。因此，与故障维护和预防性维护不同，CBM不仅关注组件的故障检测和诊断，还关注退化监测和故障预测。一般来说，CBM可被视为一种用于降低维护活动不确定性的方法，并根据设备状况所指示的要求进行[27]。因此，CBM使我们能够在产品损坏发生之前提前识别和解决问题。在工业系统中，任何产品损坏都可能导致严重的后果。在这方面，煤层气是非常有吸引力的方法，为行业经营的高价值资产。到目前为止，由于在产品使用期间没有信息可见性，因此很难实现维护操作的有效性。然而，近年来，随着诸如射频识别（RFID）、各种传感器、微机电系统（MEMS）和无线远程通信以及监控和数据http://dx.doi.org/10.1016/j.jcde.2014.12.0062288-4300/2015 CAD/CAM工程师协会。&由Elsevier制作和主持。这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。120J. - H. 申，H-B. Jun/Journal of Computational Design and Engineering 2（2015）119数据采集系统（SCADA）、产品嵌入式信息设备（PEID）有望迅速用于收集和监控产品在使用期间的状态数据信息技术的进步通过实现网络带宽、数据收集和检索、数据分析以及时间序列数据的大型数据集的决策支持能力，加速了CBM技术领域的增长[29]。在新的环境下，我们可以收集产品的状态和使用数据有关的分销路线，使用条件，故障，维护或服务事件等。这些数据使我们能够以更准确的方式诊断产品的降解状态因此，使用这些信息为我们提供了新的挑战性问题，以提高产品维护操作的效率我们可以诊断产品状态，预测产品异常，并执行主动维护，即。做CBM。由于产品在运行过程中的严重故障或退化会严重损害客户对产品可靠性的信心，因此提前预防此类故障或退化的维护增强比公司的任何其他事情都要优先 为此，最近许多制造公司都在尝试采用新技术，并在其使用期间获得有关产品状态的更准确的实时信息。 随着各种信息的出现，强调了建立信任措施的方法，即利用这些信息预先防止严重故障或退化。尽管当今大多数机器维护仍然是纯粹的被动式（在设备故障后修复或更换设备）或盲目主动，但世界级公司正在朝着“从这一角度出发，本研究将涉及建立信任措施的几个方面虽然已经有一些关于CBM的文献综述工作，但本研究与以往的工作相比有一些不同的特点第一，本研究在对以往相关工作进行调查的基础上，涉及CBM的各个方面本文首先对建立信任措施的概念进行了界定，包括建立信任措施的定义、优缺点、建立信任措施的程序、建立信任措施的相关标准、建立信任措施的诊断和评价方法等。例如，程序及其优点，并阐明诊断学和诊断学之间的区别。最后，本研究提出了一些讨论的问题时，实施CBM的基础上，我们已经进行了几个CBM的案例研究。本研究报告的组织如下。首先，在第2节中，我们讨论了与CBM相关的定义，相关的国际标准和以前的研究。此外，我们介绍了相关的案例研究，我们已经进行到目前为止。此外，我们还对CBM方法的实施进行了讨论。最后，在第三讨论了本研究的贡献和局限性。2. 关于状态维修方法的几个问题2.1. 定义CBM这个术语通常与其他术语一起使用，例如预测性维护（PdM），预测和健康维护（PHM），来自美国国防部和能源部，在线监控或基于风险的维护。实际上，CBM的概念最早是由Rio Grande铁路公司在20世纪40年代末引入的，最初它被称为预测性维护[29]。对建立信任措施的概念有各种定义。Bengtsson [3]简要地将其描述为基于性能和/或参数监测的预防性维护以及后续措施。根据英国标准，CBM被定义为针对机器状况的监测参数变化所指示的机器严重恶化而执行的维护政策。根据Kotha- masu等人的定义。[21]，CBM是一种决策策略，通过观察系统和/或其组件的状况来做出进行维护的决策。这些定义解决了建立信任措施的目标，但在描述建立信任措施程序方面存在局限性。另一方面，Butcher[4]将CBM定义为基于设备状况的实时或近实时评估的一组维护操作，该评估通过嵌入式传感器和/或&便携式设备进行的外部测试测量获得。与以往的定义相比，该定义包含了CBM的技术方面，但缺乏对CBM目标的描述在这项研究中，我们将CBM定义为一种维护策略，通过评估产品状况（包括操作环境）并根据收集的产品数据实时预测产品故障风险，在产品故障发生之前采取维护措施。2.2. 优缺点一般来说，在资产生命周期中有很多利益相关者。例如，资产所有者、运营商（用户）、外部代理人（维护服务提供商）、与健康和安全相关的监管机构（政府）等。从每个角度来看，CBM的利益和目标都会有所不同。我们可以想到CBM方法的优点和缺点是什么。到目前为止，已有大量的文献报道了煤层气的优点。其中，首先，CBM为我们提供了即将发生故障的预先警告，并提高了故障预测的精度。因此，与其他方法相比，它可以有效地减少产品故障。从产品安全管理的观点来看，CBM对于重视安全性的产品类型是有用的，因为它可以通过在严重问题发生之前提前发现问题来提高安全性，从而由于高质量保证而提高客户满意度。从而使维修服务商避免了因产品质量不合格而产生的风险成本。一般来说，通过维护合同，维护服务提供商通常有责任在保修期内保持客户的产品质量。因此，CBM对维护服务提供商非常有吸引力。此外，它允许最终用户执行更好的计划维护，减少或消除不必要的检查，J. - H. 申，H-B. Jun/Journal of Computational Design and Engineering 2（2015）119121以信心减少基于时间的维护间隔[6]。据报道，在工业中使用CBM系统是减少维护预算的一种方式[3]。它可以通过避免不必要的维护来降低成本，并使维护计划更有效[30]。根据Lee[24]的说法，仅在美国广泛部署煤层气技术每年节省的费用估计为350亿美元。此外，煤层气可以优化生产过程，提高生产率。只要系统在预定义的性能限制内运行，它就能够继续运行[29]。它还有助于诊断程序，因为通过监测参数将故障与特定组件相关联相对容易。 它可以连接到自适应控制，从而促进过程优化。然而，尽管建立信任措施有这些好处，但它也有一些局限性。根据Hashemian和Bean[15]，近30%的工业设备没有从煤层气中受益。首先，煤层气的投资成本通常很高。要实施煤层气管理，安装和使用监测设备，并制定一定程度的建模或决策策略是先决条件。此外，要实施建立信任措施，不仅需要硬件投资，还需要对工作人员进行培训。这将导致相当昂贵的成本。此外，从管理层的角度来看，建立信任措施的节约潜力很少显现。此外，建立信任措施方法的技术和技术方法仍处于初级阶段。这意味着在确保诊断和鉴别的准确性2.3. 文献综述以前有几项与审查建立信任措施有关的工作。例如，Bengtsson[3]调查了与CBM相关的标准和标准化提案，并描述了在决定实施CBM时考虑的几个组织方面。Jardine等人[17]回顾了实施CBM的机械系统的诊断和故障学研究，重点是数据处理和维护决策的模型，算法和技术。Kothamasu等人[21]回顾了系统健康监测和预测的哲学和技术。他们调查了健康监测范例，并研究了健康监测工具的细节。此外，他们还介绍了以前在系统监测和控制方面的案例研究。此外，Grobal等人[13]介绍了CBM框架的初始架构，该架构正在与SAP研究的联合项目中实现。他们提到了建立信任措施的几个方面：指标的确定、指标的衡量、指标的建模、指标的预测和决策。此外，Dragomir etal.[10]从概念、方法和工具等不同角度对预测过程进行了分析和讨论。他们定义了一个框架来执行（和开发）真正的预后系统，还详细描述了“预后”的概念，并对预后中使用的工具进行了分析。和预测。机械信息管理开放系统联盟（MIMOSA）提出并促进了促进机械信息、状态评估和控制技术的成本效益统一的惯例、指南和建议[22]。最近，Hashemian和Bean [15]根据数据来源将CBM技术分为三类：（1）现有的基于传感器的维护技术;（2）基于测试传感器的维护技术;（3）基于测试信号的维护技术。Prajapati等人[29]提供了煤层气工厂的简要概述。Dieulle等人[8]提出了一个数学模型，用于使用更新过程理论有效地确定CBM政策。在他们的模型中，他们把预防性更换阈值和检查计划作为决策变量。Kobaly和Lee[20]在智能电子维护系统中提出了网络支持的预测性维护的概念，该系统通过互联网实现，并显示了其系统元素。此外，Hirable等人。[16]描述了零件代理的模式和要求，该代理根据从互联网和历史数据收集的信息对零件维护提出建议。他们提到，零件代理商可以根据零件的变质情况和更换费用计算更换费用。Deuteranopic等人[9]提出了通过实现多传感器评估和机器或过程性能预测来进行预测性状态维护的看门狗代理框架。看门狗代理的概念基于其退化评估的读数从多个传感器，测量过程或机器的关键属性在网络化和无系绳的环境。看门狗代理是一种嵌入式系统，具有自动评估和预测机器和组件的性能退化和剩余寿命的算法。Yan等人[37]提出了一种机器退化检测的预测方法，该方法既可以评估机器性能，又可以预测剩余使用寿命。在他们的模型中，通过将在线数据的特征输入到逻辑模型来评估实时并利用基于机器性能历史的ARMA模型对剩余寿命进行了估计。此外，Fu等人[12]提出了水电机组预测性维护框架。提出了预测性维修的三个关键要素：监测与预报、诊断与预测、决策。此外，Bansal等人[2]描述了一种用于机器系统的实时预测维护系统。所提出的系统的目的是定位和检测异常的电气条件，以便预测指示或可能导致电机故障的机械异常。他们使用神经网络方法来预测机器的参数。最近，Lee等人[25]介绍了电子维护的新兴领域及其关键要素。他们还介绍了性能评估和预测工具，如神经网络，模糊逻辑，逻辑回归，隐藏标记模型和贝叶斯信念网络，用于连续评估和预测特定产品的性能。最近，Gruber等人[14]提出了一个基于系统模拟和目标贝叶斯网络模型的CBM框架。122J. - H. 申，H-B. Jun/Journal of Computational Design and Engineering 2（2015）119他们在整个模拟过程中分析了不同情景下各种CBM策略的鲁棒性，并开发了一个解释性的紧凑元模型，用于贝叶斯模型的故障预测。2.4. 相关国际标准有几项与建立信任措施方法有关的国际标准。表1显示了国际标准。有些是机械行业的状态监测和诊断标准特别是，ISO TC 108涉及机械振动和冲击。因此，ISO 13374解决了MIMOSA-CBM，表示用于通信、呈现和显示相关信息和数据的格式和方法。还有一些标准涉及建立信任措施制造设施之间的一体化和数据共享 最近，不不仅是机械行业，而且是设备工程行业，例如石油、石化和天然气行业开始对煤层气政策产生更大的兴趣，正如您在ISO 14224中看到的那样。2.5. 煤层气技术如表2所示，在数据处理、诊断和故障诊断中，有各种技术可用于实施CBM。在CBM中，有三种方法：（1）数据驱动方法，（2）基于模型的方法，（3）混合方法[23]。根据Caesarendra[5]，数据驱动方法具有将高维数据转换为低维信息的能力。系统，包括退化现象[36]。但是，它的局限性在于它只能适用于特定类型的产品。表3显示了每种方法的几种技术。2.6. 程序CBM可以通过（1）收集产品状态数据和监视;（2）以实时方式进行产品状态的诊断;（3）估计产品的劣化程度、取决于劣化程度的其修理成本或其更换成本等;（4）预测产品异常的时间;以及（5）执行适当的动作，诸如修理、更换、按原样使用和处置。为了实施建立信任措施方法，需要解决与数据收集、分析、表2状态检修技术综述。相技术数据处理– Time–frequency/time–frequency– 小波分析– 自回归（AR）模型– 傅里叶分析– Wigner–Ville– 模糊逻辑– 人工神经网络– 遗传算法– 统计模式识别– 隐马尔可夫模型– 支持向量机– 决策树归纳第它也被称为数据挖掘方法或机器学习方法，它使用历史数据来自动学习系统行为模型[30]。然而，这种方法依赖于操作数据的质量，并且对目标产品有物理上的理解。相反，基于模型的方法有能力将物理理解的目标产品。它依赖于使用分析模型（代数或微分方程组）来表示诊断故障预测维护操作– Logistic回归– 人工神经网络– 可靠性理论– 统计分析（如回归）– 时间序列数据分析– 案例推理（CBR）– 更新理论– 数学规划– 仿真– 多准则决策（MCDM）表1国际标准调查。标准主题用于传感器和执行器的IEEE 1451IEEE 1232人工智能交换和服务与所有试验环境的联系ISO 13372机器的状态监测和诊断ISO 13373-1机器的状态监测和诊断-一般程序ISO 13373-2机器的状态监测和诊断-振动状态监测振动数据的处理、分析和表示ISO 13374 MIMOSA-CBM相关信息和数据的通信、表示和显示格式和方法ISO13381 -1机器的状态监测和诊断-预测，一般指南ISO 14224石油、石化和天然气工业-设备可靠性和维护数据的收集和交换ISO17359机器的状态监测和诊断-通用指南ISO 18435 MIMOSA-EAI诊断和维护应用集成ISO 55000资产管理J. - H. 申，H-B. Jun/Journal of Computational Design and Engineering 2（2015）119123表3状态检修技术综述。分类技术模型驱动方法– 经典人工智能技术（基于规则的专家系统，有限状态机，定性推理）[28]– 传统的数值算法（线性回归，卡尔曼滤波器）[28]– 统计方法（多元统计方法、状态空间模型、回归模型）[27]– 机器学习（神经网络、决策树、支持向量机）[28]基于知识的方法– 基于人工神经网络，贝叶斯网络，隐马尔可夫模型，主成分分析，灰色模型[27]– 专家系统[27]– 模糊逻辑[27]Fig. 1. 建立信任措施办法的程序。决定和行动。在数据收集层面，通过使用传感器、有线和无线技术的各种数据采集方法收集大量现场数据，并存储在数据库中[29]。在收集数据之前，有必要确定在资产使用期间应收集哪些数据以进行CBM。为了进行分析，需要开发一种算法来评估资产的行为和退化程度，并预测其剩余寿命。在CBM中，分析有两个部分：诊断和预测。诊断包括故障检测、确定故障位置的故障隔离和确定故障模式的故障识别[28，14]。为此，诊断需要数据预处理/后处理、数据解释、数据融合以及具有资产特定知识的几种统计方法。另一方面，故障率对应于基于预期未来使用的一个或多个现有和未来故障模式的故障时间和风险的估计[28，36]。为此，系统学涉及系统健康指数的估计和剩余使用寿命（RUL）的预测[6]。预后是科学界新创造的一个词，用于解决诊断和预后的结合[1]。对于预后的更详细的理解，请参考Dragomir等人的工作[10]。通过整合传感器数据和预测模型来采用预测，这些预测模型能够现场评估产品与预期正常操作条件的偏差或退化程度[34]。在使用中评估资产的RUL至关重要，因为它会影响维护活动的规划，备件供应，运营绩效以及资产所有者的盈利能力[33]。在决策层，首先，需要做出一些决策[35]：选择要监测的参数此外，还需要开发一种决策方法，选择最佳成本效益的维护操作，告诉我们在一个在维护成本方面。根据具体情况，有几种维护选项与什么、何时以及如何进行维护有关。对于每一种方案，都需要建立维护成本模型。比较成本模型将使我们能够选择最具成本效益的维护计划。在行动层面，必须为所有可能的情况设计行动计划。最后，有必要制定一个框架来整合这四个问题。关于CBM的程序，首先，我们应该研究MIMOSA开放标准体系结构基于条件的维护（OSA-CBM）体系结构。OSA-CBM是由MIMOSA设计的，MIMOSA是一个参与制定CBM标准的组织OSA-CBM是一种信息流标准，有助于实现端到端的CBM系统[29]。根据MIMOSA开放标准体系结构状态维护（OSA-CBM），实现状态维护的概念需要六个层次：数据采集、数据操作、状态检测、健康评估、预测评估和咨询生成。图1示出了用于实现基于OSA-CBM架构的CBM方法的一般过程。2.7. 介绍相关案例研究在本节中，我们简要介绍了我们已经开展的与CBM方法相关的几个案例研究。表4显示了我们案例研究的总结。2.7.1. 机油分析：卡车发动机第一个案例研究[18]涉及估计车辆（卡车）发动机机油更换时间岩屑分析是煤层气领域的一项热门技术。根据Prajapati et al.[29]，一些汽车公司，如通用汽车公司已经部署了CBM系统，以根据机油部件的寿命来检测机油质量。在本案例研究中，我们开发了一种预测算法，通过分析发动机油的降解状态与任务剖面来124J. - H. 申，H-B. Jun/Journal of Computational Design and Engineering 2（2015）119表4案例研究的分类。目标产品关于变量应用领域目标–Engine–Engine–Lift–Locomotive–Fault–Compressor–Vibration–Offshore数据在大多数情况下，发动机机油更换通常根据里程或日历计划执行，即基于时间的预防性维护。然而，此策略并不有效，因为换油间隔通常取决于车辆的使用模式，而车辆的使用模式可通过其使用期间的任务概况数据来识别。根据车辆的类型及其使用目的，使用模式（以下称为任务剖面类型）将有所不同。有些车辆可能经常在高速公路上使用不同的任务类型使发动机机油的降解过程不同。因此，我们应该根据车辆的具体任务类型，采用不同的时间间隔这是本案例研究的主要内容。在本案例研究中，我们的目标是根据任务概况数据的分析确定更换发动机机油的适当时间。如果我们是卡车司机，在特定的时间T，我们想知道是否应该更换机油。我们如何在不直接分析发动机机油的情况下，仅通过使用T时收集的任务概况数据来确定更换发动机机油的适当时间？这就是我们在这个案例研究中想要解决为了解决这个问题，我们提出了一种预测算法的基础上收集的车辆运行数据，通过车载日记设备在车辆。由于没有用于识别发动机机油质量的直接传感机制，我们使用间接传感措施（例如RPM，发动机启动次数等）。由卡车上的车载日记设备收集。我们确定了发动机机油质量的间接测量和直接测量之间的关系（例如，TAN、TBN、粘度），并将其用于估计合适的发动机机油更换间隔的算法。在该算法中，我们使用了几种统计方法，如判别和分类分析，因子分析，多元回归分析。首先，根据历史数据，确定任务概况指标和油品质量指标的主要影响因素。然后，对收集的用于预测的任务剖面数据进行分析，以获得卡车的任务剖面类型信息。在识别出卡车的任务轮廓类型后，我们可以识别出每种任务轮廓类型的任务轮廓指标与油面轮廓指标的主要因素之间的关系根据这些指标可以预测发动机油的质量，决定是否需要更换发动机油2.7.2. TTL提升臂结构裂纹扩展分析第二个案例研究[32]是关于开发用于重载车辆（称为履带式装载机（TTL））的提升臂结构的CBM方法。发达CBM算法的重点是提升臂结构的RUL估计。它可以根据退化状态数据、任务概况数据和未来使用模式数据进行估计。退化状态数据由传感器测量的裂纹扩展数据评估。为了评估提升臂的退化状态，有必要使用连接到结构焊缝不同位置的多个传感器。每个传感器观测提供与每个位置的退化状态相关的测量值。传感器在结构部件的使用期间提供每个韧带断裂处的一处韧带断裂相当于8.33%的探头损坏。传感数据可以通过RFID和无线通信技术传输到中央服务器。为了更准确地估计RUL，有必要理解任务剖面的概念。任务剖面数据由运行数据和工作环境数据组成。操作数据指示在特定使用模式下由产品消费者或操作者产生的使用行为数据，并且在TTL的操作期间由附接到TTL的各种传感器收集：例如，发动机每分钟转数（RPM）、里程数、工作小时数、发动机起动次数和几种负载条件，例如液压缸压力测量、销负载传感器测量和液压缸位移测量。工作环境数据与通常使用产品的工作场所有关。作为工作环境数据，可以收集产品工作场所的地理数据，如湿度、温度和土壤类型。未来使用模式数据为未来使用的预定义工作条件，例如：经济模式或运动驾驶模式。对于TTL的情况，作为未来的使用模式，可以考虑以下内容：废物转移、林业、道路建设、采石场、船舱、拆除（建筑）、房屋建设等。选择结构部分的未来使用模式意味着在当前时刻决定将实现的未来任务如果没有对任务轮廓的详细识别和分割，以及对未来使用模式的选择，很难以准确的方式估计RUL。一些TTL用于恶劣环境或严格使用操作，而另一些TTL用于温和环境或宽松使用操作。因此，根据环境和操作条件，退化将是不同的，这表明RUL估计应该考虑任务概况数据和未来使用模式数据。基于所选择的使用模式，建立任务概况数据的典型分段，并且将每个分段存储在任务概况J. - H. 申，H-B. Jun/Journal of Computational Design and Engineering 2（2015）119125数据库重用。当识别出未来使用模式时，可以从任务简档数据库中检索相应的任务简档数据，并将其用于RUL估计。例如，载荷条件数据用于有限元分析（FEA）。使用这些载荷条件和提升臂的CAD模型，FEA允许检索结构的每个位置处的未来局部应力历史，特别是在传感器测量点处。当找到未来的局部应力分布时，可以通过基于传感器的当前退化状态数据的断裂力学理论来计算剩余的施加应力循环次数，因此可以通过基于断裂力学的裂纹扩展方法来估计局部剩余寿命。2.7.3. 现场运行数据分析：机车为了实现CBM，一个重要的任务是将监视的产品使用数据与产品状态相关联。在现实中，许多行业收集了大量的产品使用数据，但没有系统地分析或使用它们。在这方面，第三个案例研究[31]侧重于如何从CBM方法的角度分析大量的产品使用数据。以某型机车一年的运行数据为基础，进行了实例分析。机车具有许多传感器，以在其操作期间监测和收集组件/零件的使用数据并将其存储到PEID（例如，车载计算机）中。PEID中收集的数据定期传输到中央服务器进行分析。然而，机车运营公司没有任何有效的方法来以系统的方式使用收集的产品使用数据。尽管利用当前可获得的使用数据（例如温度、电流、电压、压力等）可以进行更精确的故障分析，由传感器监测的数据仅被传送到位于公司中的主数据库并被存储。因此，有必要升级当前的维护政策，以确保机车的有效运行，例如CBM方法。基于产品使用数据分析的产品状态预测是实现CBM方法最具挑战性的任务之一。为此，各种方法，如逻辑回归分析，人工神经网络（ANN），自回归综合移动平均（ARIMA）模型，和可靠性分析，等等，已被研究和实施。在这种情况下，人工神经网络应用于相关的监测产品使用数据与产品状态。以机车运行数据为基础，利用多种人工神经网络方法，将机车零部件累积的故障数据与机车运行状态相关联，对下一次故障事件进行预测。为了找到最适合CBM的ANN模型类型，使用机车运行期间收集的现场数据对几种类型的ANN模型进行测试。每当在操作期间发生故障事件时，使用数据库中针对每种故障事件类型存储的数据来训练ANN。训练后的神经网络用于估计下一个故障事件发生的时间和故障事件发生率与当前监测的运行和环境数据。2.7.4. 振动分析：压缩机在本案例研究[7]中，我们介绍了一种预测压缩机下一次故障时间的算法，压缩机是液化天然气浮式生产储存库（LNG FPSO和装载船）中的基本机械设备之一。目前，由于LNG FPSO在运行中发生事故会造成灾难性的破坏，许多研究涉及对LNG FPSO等高价值资产的维护系统的操作改进。LNG FPSO是由大量的设施和设备组成的。其中，本案例研究的重点是气体压缩机设备，这是一个重要的设备，不仅在海上，而且在陆上工厂。气体压缩机是一种通过减少气体体积来增加气体压力的机械装置。在几种类型的压缩机中，我们选择了离心式压缩机。为了监测气体压缩机的状态，并估计下一个故障时间的基础上收集的状态数据，在压缩机的几个状态参数，我们已经集中在振动参数数据，因为它被广泛用于检测旋转设备，如压缩机的状态。LNG浮式生产储油船（FPSO）压缩机的状态评估通常采用轴系相对振动和轴承振动传感数据。本案例研究通过相关的轴振动数据来评估气体压缩机的状态。根据ISO7919旋转机械相对轴振动标准，推荐了4级振动限值：启动性能限值、良好振动性能限值、报警限值和跳闸限值。作为评价标准，本案例研究使用振动的幅度，即峰-峰值。针对某LNG FPSO压缩机的状态预测问题，提出了一种基于连续时间马尔可夫模型理论的预测算法。在该算法中，首先，在收集相对轴振动历史分类的状态之间的过渡水平的振动限制，状态转移率可以估计。然后，可以估计下一个故障时间的基础上开发的公式。为了显示所提出的算法的有效性，一个例子的基础上产生的轴振动传感器数据的案例研究。有关更多详细信息，请参阅Cho et al.[7]的文件。3. 讨论在实施建立信任措施的过程中，存在一些值得商榷的地方。首先，建立信任措施并非在所有情况下都有效。根据产品类型及其生命周期的不同，由于维护操作的重要程度不同，因此经济效益也不同，这需要对维护策略进行有各种各样的产品类型，如大型工厂，工业或高价值或低价值的消费品对于大型工厂或高价值的产品，由于产品故障造成的损失很大，因此CBM是一个很好的解决方案然而，对于大众消费产品，126J. - H. 申，H-B. Jun/Journal of Computational Design and Engineering 2（2015）119对于汽车，CBM在维护成本方面可能不是有效的。因此，我们在采用新的维修策略时，应考虑经济效益为此，必须界定新维修业务的业务模式，并识别效益及成本。此外，另一个具有挑战性的问题是，在数据很少或没有数据的情况下如何执行建立信任措施这对于没有观察到的故障数据和维护信息的新调试系统是典型的[33]。在这种情况下，作为Si et al.[33]如前所述，数据的数量和完整性不足以拟合完整的统计模型。因此，借助设计和制造方面的主观专家知识来如果将机器学习技术用于诊断或预后，在CBM实施的开始，无监督学习方法可能更好地建立识别正常和异常情况的参考模型。然后，监督学习和强化学习方法可以被用来使CBM算法更准确。另一个讨论点是，正如Mobley[26]所提到的，大多数CBM方法将目标产品视为孤立的单元系统，而不是集成系统的一部分。因此，没有努力确定系统变量（过程参数，例如，流速、温度、负载、速度等）的影响。在单个组件上。CBM不仅仅是一个可以集成到平台或系统中的盒子，而是一组集成的技术，流程和功能，它们共同使CBM得以实现。在过去的几十年里，CBM方法和实践不断得到改进：然而，CBM是在设备级进行的-一次一件设备，并且开发的物理方法是应用或设备专用的[19]。然而，为了获得CBM方法的实际效益，有必要考虑将CBM应用于单个设备，而且是集成的系统级。此外，一个具有挑战性的问题是使产品设计改进和CBM之间的密切联系。在产品使用期间收集产品状态数据使得产品本身或产品操作以各种方式改进。例如，我们可以考虑改进设计以及优化维护操作。尽管在不同领域的CBM方法的兴趣，一直缺乏方法，以系统的方式结合产品使用信息与设计改进。虽然已有相关的研究工作，但基于产品运行过程中收集的产品使用数据所评估的产品状态信息的产品设计改进决策框架或指导仍然存在局限性。例如，可以将某一时刻的RUL值与通过设计寿命和产品运行时间之间的差这些值的比较告诉我们产品的使用情况。因此，如果剩余寿命长于理论剩余寿命，那么我们可以让产品在不进行任何维护操作的情况下运行，或者修改任务配置文件的严重性以用于更密集的应用。否则，建立信任措施行动应该这样做。因此，有必要开发一种决策支持方法，将CBM过程中分析的产品状态数据应用于支持设计改进。最后，为了以实时方式实施建立信任措施，讨论问题是什么是有价值的。为了实现CBM，在实际应用中需要解决一些ICT挑战：与采集频率、噪声和传感器数据细节水平相关的传感器数据质量、数据可用性、无线通信问题、诊断和故障诊断频率等。在CBM中，传感器测量可以以规则的间隔甚至以实时的方式连续地进行。如果我们能够实时监控产品并收集产品状态数据，这一定是分析产品状态的最佳方法。然而，使用这种方法，数据收集的负荷很重，导致成本很高。从实际的角度来看，以实时和连续的方式收集产品状态数据是不划算的。实际上，数据收集是基于一定的时间段进行的例如，每五分钟、每一小时等，因此，有必要考虑收集数据的规模，决定最合适的数据收集时间段。另一方面，我们应该考虑数据传输机制。一般来说，产品状态数据可以通过各种传感器和已经通过有线或无线通信连接到产品的机载计算机来收集对于各种传感器与上位机之间的数据传输，可以使用RFID标签作为发射器，也可以通过有线或无线通信将采集到的传感器数据直接发送到上位机。由于数据传输的方式多种多样，因此有必要确定哪种数据传输类型（有线或无线）在成本和可靠性方面是有效的。4. 结论毫无疑问，CBM方法将成为大数据时代行业的重要工具之一。虽然建立信任措施的概念早在几十年前就已提出，但最近随着新兴信通技术的发展，建立要落实建立信任措施方针，首先需要了解什么是建立信任措施。为此，本研究报告从几个角度对建立信任措施方针进行介绍了煤层气的定义、此外，还讨论了实施建立信任措施方针的数据、程序和技术。此外，还简要介绍了各种建立信任措施案例研究最后，讨论了实现建立信任措施的一些挑战性问题和讨论要点。虽然本研究试图从多个方面来探讨煤层气开采的问题，但仍存在一些局限性，可以作为今后的研究工作。首先，在提供更多关于建立信任措施技术特征的细节方面存在局限性第二，由于它没有包含所有相关的以前的工作，可能会有一些限制，提供更具体的分析建立信任措施的方法。尽管存在上述局限性，但我们相信，它将有助于人们更详细地理解建立信任措施方法的概念。J. - H. 申，H-B. Jun/Journal of Computational Design and Engineering 2（2015）119127确认这项工作得到了由贸易、工业能源部（MI，韩国）资助的工业融合战略技术开发计划（10045212，海上工厂综合和智能操作的预测维护系统引用[1] [10]杨文，李文，李文.一种预测的技术报告，通用报告格式; 2004年。[2] Bansal D，Evans DJ，Jones B.机器系统的实时预测维护系统。国际机床与制造杂志2004; 44：759-66.[3] 本特 森基于 状态的 维修 系统： 技术 组成和 组织 方面的 调查.Mlardalen大学许可论文; 2004年。[4] Butcher SW. Assessment of Condition-Based Maintenance in theDepartment of Defense.技术报告; 2000年。[5] Caesarendra W基于模型和数据驱动的机器预测方法（硕士论文）。北京大学; 2010年。[6] 陈志生，杨玉明，胡志。提出了面向复杂机械系统的嵌入式诊断与故障诊断技术框架和路线图。IEEE Transactions onReliability 2012;61（2）314-22.[7] Cho SJ，Jun HB，Shin JH，Choi S. LNG FPSO压缩机预测维修算法研究。在：工程分支科学合作研讨会的程序; 2014;土耳其，伊斯坦布尔; p. 2 3 3 -238[8] Dieulle L，B ′ erenguer，C，Grall A，J.S. Signol M.退化系统的连续时间预测维修调度。在：IEEE可靠性和可维护性年度研讨会上，2001年;第100页。15 0 -155[9] Djurdjanovic D，Lee J，Ni J.看门狗代理-基于信息电子学的产品性能退化评估和预测方法。高等工程信息学2003; 17：109-25.[10] [10]杨文，王文.状态检修中的预测问题综述载于：欧洲管制会议论文集;2009年;匈牙利布达佩斯[11] Erbe H，Morel G，Lee J，Iung B，L'eger JB，Seliger E等人，关于成本方面的电子维护的信息电子技术。见：IFAC 2005年会议记录;2005年。[12] 傅春，叶林，刘永，余荣，杨斌，郑永，等。水电机组智能控制-维 护 - 管 理 系 统 中 的 预 测 维 护 。 IEEE Transactions on EnergyConversion2004; 19（1）179-86.[13] Groba C，Cech S，Rosenthal F，Gössling A.预测性维护框架的体系结构。第六届计算机信息国际会议论文集。 2007年[14] Gruber A，Yanovski S，Ben-gal I.基于仿真和目标贝叶斯网络Meta模型的状态维修。质量工程2013; 25（4）370-84。[15] 哈 什 米 安 HM ， 豆 WC 。 最 先 进 的 预 测 性 维 护 技 术 。 IEEETransactions on In