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

對這些數據的訪問來得再合適不過了。在新數字設備爆炸的同時，還有另外兩個重要的發展：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，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，增加了在故障發生之前預測故障的高質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揮作用，但它更關注將迅速降低設備性能的突發事件。RUL更注重長期資產管理，并以年數而不是天數來衡量。

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：這種類型的方法相對簡單，嚴重依賴于人工輸入。本質上，這個系統只是將當前數據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則或閾值，與特定的RUL相關聯。這些規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。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：基于物理的系統本質上是手工制作的數學模型，旨在根據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。它是統計驅動的，這意味著需要大量高質量的數據來開發初始模型。這種方法將在下一節進一步闡述。

基于機器學習的方法

#1:受監督

監督機器學習方法可能是最直觀的，但從數據注釋的角度來看，它往往是最昂貴的。為了真正能夠訓練一個完全受監督的模型，需要大量的數據和多次、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。根據異常檢測的定義，數據就是異常的。這意味著即使有大量數據緩存，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象并相應地更新曲線。有糾正數據缺失的方法。存在可用于擴充真實世界數據的多個合成數據集。監督模型可以在大型泵/馬達的模擬上進行訓練，然后根據所討論的特定資產的真實世界數據進行微調。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:無人監管

盡管研究較少，但完全無人監管的RUL方法確實存在。這種方法的好處是不需要標記。換句話說，數據直接提供給模型，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上輸出“正常”數據是如何基于以前看到的數據的。這被耦合以創建稱為虛擬健康指數的度量，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督的方法來準確預測RUL，這將是該領域的范式轉變。

#3:半監督

這種方法代表了上述兩種選擇之間的某種妥協。它允許進行預訓練，并在任何監督學習之前識別退化階段類型。利用C-MAPPS數據集(該領域的標準基準)，一種方法能夠產生最先進的結果。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，而所有參數都通過使用遺傳算法進行了優化。從短期來看，這種半監督的方法可能是最佳商業案例的模型類型。

認識工業4.0

為了充分實現工業4.0的優勢，必須開發和實施RUL預測模型。物聯網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展。可用數據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4.0的好處可以為任何公司提供更長的資產運行時間和更好的維護策略。