预测剩余使用寿命(RUL)是工业4.0方法的核心优势之一。由于物联网(IoT)设备的快速部署，振动、压力、电流和温度等变量的数据源现已广泛且随时可用。这与数字维护记录相结合，提供了对设备健康状况的前所未有的洞察力。访问这些数据来得正是时候。除了新数字设备的爆炸式增长，还有另外两个重要的发展：劳动力老龄化和深度学习的进步。过去，预测何时应该更换设备在很大程度上依赖于主题专家的输入。这种专业知识依赖于具有高度专业知识的精选人员。随着美国劳动力不断老龄化，其中许多人正在离开这个行业，造成巨大的知识鸿沟。此外，廉价GPU和更深模型的可用性增加了高质量AI选项的可能性，这些选项可以在故障发生之前进行预测。在我们进入该方法之前，让我们看一下剩余使用寿命(RUL)是什么。什么是剩余使用寿命(RUL)？RUL是机器在需要维修或更换之前可能运行的时间长度。通过考虑RUL，工程师可以规划维护、优化运营效率并避免计划外停机。虽然细微差别，但与异常检测相比，这个概念是不同的。异常检测可以在预测剩余使用寿命方面发挥作用，但它更侧重于会迅速降低设备性能的意外事件。RUL更侧重于长期资产管理，以年而不是天来衡量。预测RUL方法预测RUL的方法多种多样，但大致可分为三个基本类别：1.基于专家的系统：此类方法相对简单，严重依赖人工输入。从本质上讲，该系统只是将当前数据与专家分类的先前观察到的实例进行比较。这些是与特定RUL关联的人为规则或阈值。这些规则可以简单地包含在程序/手册中，或与模糊逻辑输出相关联。在所有方法中，这是最不准确的，因为输出本质上是离散的。此外，它可能不适用于以前未分析的事件。它还需要主题专家的大量初始输入。2.基于物理的系统：基于物理的系统本质上是手工制作的数学模型，旨在根据物理特性预测未来的退化。请注意，这些模型是特定于故障模式的。例如，1962年提出了一种基于材料和载荷变化的裂纹扩展方法。这些类型的模型可以非常准确，但需要大量的专业知识和输入。3.基于机器学习的模型：在此处介绍的所有方法中，这种方法是最通用的，几乎不需要设备专家的投入。它是统计驱动的，这意味着需要大量高质量的数据来开发初始模型。下一节将进一步阐述这种方法。基于机器学习的方法1.监督监督机器学习方法可能是最直观的，但从数据注释的角度来看，它们往往是最昂贵的。为了真正能够训练出一个完全监督的模型，需要大量的数据和多次、全生命周期的运行才能有效。此外，尽管异常检测和RUL是两个不同的事物，但将异常检测提供给RUL模型的能力非常重要。根据异常检测的定义，数据是异常的。这意味着即使有大量数据缓存，某些场景也可能不存在。虽然有些情况只与年龄有关，但其他退化曲线与资产寿命期间的事件更密切相关。例如，大型电机使用寿命期间的过压事件会显着改变组件的退化曲线。该模型需要能够识别这些现象并相应地更新曲线。有一些方法可以纠正丢失的数据。存在几个可用于增强现实世界数据的合成数据集。监督模型可以在大型泵/电机的模拟上进行训练，然后根据相关特定资产的真实数据进行微调。归根结底，这是一个时间序列问题；可以将来自各种传感器的特定时间段输入模型，目标预测器是剩余寿命。2.无监督虽然研究很少，但完全无监督的RUL方法确实存在。这种方法的好处是不需要标记。换句话说，数据直接馈送到模型，模型输出预测。一个这样的例子是利用自动编码器方法。这种类型的模型本质上是输出“正常”数据是如何基于先前看到的数据的。这结合起来创建了一个称为虚拟健康指数的指标，然后将其用作长短期记忆类型模型的输入以进行RUL预测。从发布日期可以看出，这种方法是前沿的。如果有人可以使用无监督方法准确预测RUL，那将是该领域的范式转变。3.半监督这种方法代表了上述两种选择之间的一种折衷。它允许在任何监督学习之前进行预训练并识别退化阶段类型。使用该领域的标准基准C-MAPPS数据集，一种方法能够产生最先进的结果。这种方法有点复杂，因为它使用受限玻尔兹曼机和长短期记忆模型，同时所有参数都使用遗传算法进行优化。在短期内，这种半监督方法可能是制作最佳商业案例的模型类型。了解工业4.0为充分发挥工业4.0的优势，必须开发和实施RUL预测模型。这种发展是由物联网传感器的快速部署和关键主题专家的不断流失推动的。可用数据的爆炸式增长使以前无法达到的准确性水平成为可能。通过正确的实施，工业4.0的好处可以为任何公司提供更长的资产正常运行时间和更好的维护策略。
