周志才， 劉東風， 石新發(fā)(海軍工程大學 青島油液檢測分析中心，青島　266011)

?

基于灰信息挖掘的視情維修決策方法研究

周志才， 劉東風， 石新發(fā)(海軍工程大學 青島油液檢測分析中心，青島266011)

摘要：針對列裝新設備缺乏狀態(tài)劣化信息和維修閾值難以進行視情維修決策的問題，基于新舊設備故障率變化趨勢的一致性，定義改進性系數(shù)表示基本故障率的變化不同，得到新型設備的故障率函數(shù)，結合回歸支持向量機擬合新型設備風險度函數(shù)曲線，得到新型設備的維修閾值，進而建立新型設備的視情維修決策模型，最后以船用柴油機監(jiān)測數(shù)據(jù)進行了實例驗證。結果表明，該方法能有效挖掘舊型柴油機的歷史數(shù)據(jù)信息，充分利用新舊柴油機之間的內在聯(lián)系，為灰信息條件下新設備的視情維修決策提供了新途徑。

關鍵詞：視情維修；灰信息；數(shù)據(jù)挖掘；威布爾比例危險模型

船用柴油機一般承擔著動力和電力樞紐的作用，其潛在的故障會造成船舶停航停運，甚至發(fā)生重大安全事故，造成巨大的經濟安全損失。現(xiàn)有的定期計劃維修和事后維修模式往往存在維修過?；蚓S修不足的現(xiàn)象，迫切需要能夠根據(jù)當前設備狀態(tài)和歷史故障維修信息，運用數(shù)據(jù)處理和決策分析技術，以一定的優(yōu)化目標實現(xiàn)對設備的維修決策，這便是視情維修[1](Condition Based Maintenance, CBM)。視情維修模型的建立需要解決兩個問題：狀態(tài)劣化程度表征和維修閾值確定。狀態(tài)劣化程度一般與剩余使用壽命相關，可采用可靠性理論中常用的故障率函數(shù)表征，威布爾比例危險模型(Weibull Proportional Hazard Model, WPHM)認為故障率函數(shù)的比值不依賴于時間t，適用于表征往復機械系統(tǒng)磨損積累故障的程度[2-4]；維修閾值可根據(jù)歷史故障信息進行統(tǒng)計分析確定。

故障率函數(shù)的建立和維修閾值的確定需要設備狀態(tài)信息和歷史故障信息作為樣本進行參數(shù)求解，對于新型設備一般僅有投入運行至當前時間的狀態(tài)監(jiān)測信息，缺乏歷史故障信息，如何利用舊型同類設備的歷史故障信息進行灰信息挖掘以實現(xiàn)新型設備的視情維修決策顯得尤為迫切。部分學者一般直接利用舊型設備的歷史故障信息建立CBM模型并將其應用到新型設備[5-6]中，未考慮新舊設備之間的改進性差異，所建模型對新型設備存在一定偏差。文中利用同類設備故障率變化趨勢的相似性，得到了新型柴油機的WPHM，采用支持向量機(Support Vector Machine, SVM)回歸擬合新型設備以最小維修費用下的風險度函數(shù)值，進而求得維修閾值，建立新型柴油機的CBM決策模型。具體流程如圖1所示。

圖1　灰信息情況下的視情維修決策Fig.1 Condition based maintenancewith gray information

1威布爾比例危險模型

WPHM的一般形式為：

(1)

式中，λ(t,z(t))為故障率函數(shù)，是指t時刻未失效而在其后瞬時失效的條件概率；λ0(t)為基本故障率函數(shù)；β為模型的形狀參數(shù)；η為模型的尺度參數(shù)；z(t)為引入的k個與設備運行狀態(tài)有關的協(xié)變量；γ為表示協(xié)變量對故障率函數(shù)影響的回歸系數(shù)，為k維列向量。

參考設備劣化的P-F曲線可知，同類設備故障率的變化趨勢應該是一致的，新型設備的改進性設計往往通過WPHM中λ0(t)的不同來體現(xiàn)，此處定義h0為改進性系數(shù)，用以表示新型設備改進后的基本故障率函數(shù)的變化系數(shù)。本文正是根據(jù)這種考慮，在得到舊型設備WPHM的基礎上，假定新型設備的WPHM形式為：

(2)

2維修閾值求解

建立模型后需要根據(jù)維修決策的目標建立目標函數(shù)，通過對目標函數(shù)求取極值得到維修控制限閾值。決策目標函數(shù)一般有平均可用度最大和平均費用最小兩個決策目標，下面以平均費用最小為例研究具體決策過程：

采用平均費用最小作為決策目標時，一般考慮預防性維修費用要小于故障后的維修費用。記CCM為平均故障后修復費用，CPM為平均預防性維修費用，T時間內的維修費用為

Cd=CPMR(T,z(T))+CCM[1-R(T,z(T))]

(3)

平均維修費用為

式中，R(T,z(T))為T時間內的系統(tǒng)可靠度，Tu為T時間內的平均能工作時間。

由于故障率函數(shù)與可靠度函數(shù)滿足關系式：

故聯(lián)立上式和式(1)求得滿足式(4)取極小值時的λ*即為維修閾值。為保證閾值的有效性，文獻[6]對一組設備從初始狀態(tài)到功能失效期間的狀態(tài)監(jiān)測數(shù)據(jù)作(t,λ,C)曲線，找出曲線中C最小時對應的λ即為維修閾值。

此處，由于新型設備不存在歷史故障數(shù)據(jù)，難以根據(jù)此方法求出維修閾值。觀察式(1)可知，故障率函數(shù)由兩部分組成：基本故障率函數(shù)λ0(t)和風險度函數(shù)exp(γz(t))，新舊型設備的基本故障率函數(shù)的不同在文中前面通過已經定義的改進性系數(shù)表示，而新舊型設備的風險度函數(shù)exp(γz′(t))和exp(γz(t))之間也必然存在某種關系?；诖丝紤]，我們采用對小樣本、非線性數(shù)據(jù)具有良好適應性的SVM擬合風險度函數(shù)之間的關系。選取舊型設備的λ、exp(γz(t))、t作為輸入變量，exp(γz′ (t))作為輸出變量，建立SVM回歸模型，得到舊型設備λ*時對應的新型設備風險度函數(shù)，進而求出新型設備的維修閾值和CBM決策模型。

3回歸支持向量機

(5)

(6)

f(x)=w·φ(x)+b=

(7)

4實例分析

已知8組某舊型船用柴油機從投入使用至功能失效或預防性維修而停止的油液監(jiān)測數(shù)據(jù)和某新型船用柴油機使用期間的油液監(jiān)測數(shù)據(jù)，忽略柴油機使用過程中的瞬態(tài)故障影響，假定失效模式為部件磨損失效，對新型柴油機進行CBM決策分析。選取油液數(shù)據(jù)中對磨損類故障比較敏感的Fe、Cr、Pb、Cu、Al元素的含量作為狀態(tài)參數(shù)，限于篇幅，表1列出了1#舊型柴油機的部分油液參數(shù)。

表1　1#舊型柴油機部分油液參數(shù)

4.1WPHM求解

由于WPHM要求協(xié)變量相互獨立，所以針對5個油液參數(shù)進行主分量分析得到3個相互獨立的變量。參考文獻[8]中的參數(shù)估計方法，求出舊型柴油機的WPHM為

0.504z2(t)+0.583z3(t))

(8)

λ′(t,z(t))=0.667×

(9)

4.2失效風險度估計

假定新型柴油機和舊型柴油機的維修費用基本相差不大，求得舊型柴油機的CBM決策閾值λ*=2.32×10-4h。根據(jù)式(9)代入新型柴油機的狀態(tài)監(jiān)測數(shù)據(jù)，得到不同監(jiān)測時間t下的新型柴油機風險度exp(γz′ (t))，根據(jù)式(8)得到1#舊型柴油機對應時間的λ和exp(γz(t))，將λ、exp(γz(t))、t作為輸入變量，exp(γz′ (t))作為輸出變量，建立SVM回歸模型。限于篇幅，表2列出了部分訓練樣本數(shù)據(jù)。如前假設，在舊型柴油機取λ*時，根據(jù)圖2的風險度回歸曲線得到新型柴油機的風險度為0.837 8，代入式(9)得到對應的新型柴油機維修閾值λ*′ =1.826 2×10-4h。

表2　SVM回歸模型部分樣本數(shù)據(jù)

圖2　新型柴油機風險度回歸曲線Fig.2 Risk function curve of new diesel

4.3決策分析

對于正在使用中的新型柴油機的視情維修的策略可求得如下：當危險函數(shù)λ′小于決策閾值λ*′ 時，不需要進行維修；當危險函數(shù)λ′等于或大于決策閾值λ*′ 時，需要進行維修。維修策略為

(10)

為求解方便，兩邊取對數(shù)，并代入數(shù)值整理得到

20.116 7-2.25lnt

(11)

左邊γz(t)稱為對數(shù)風險度，令y=20.116 7-2.25lnt作y-t決策曲線，如圖3所示。代入新型柴油機監(jiān)測數(shù)據(jù)計算對數(shù)風險度值，當該值位于曲線下方時，則繼續(xù)運行，不需要做出維修行為；若該值位于曲線上方時，則立即進行維修。從圖中可以看出，新型柴油機的現(xiàn)在運行時間為5 011 h，其狀態(tài)雖然位于維修曲線下方但卻接近維修曲線，需要加強監(jiān)測和保養(yǎng)。

圖3　新型柴油機視情維修決策曲線圖Fig.3 CBM Decision Curve of New Deisel

5結論

(1) 引進改進性系數(shù)，考慮新舊設備的故障率變化曲線的相似性，用舊型設備數(shù)據(jù)建立威布爾比例危險模型，從而得到新型設備的故障率函數(shù)。

(2) 根據(jù)新舊設備在失效時的風險度函數(shù)存在一定的相關性，結合支持向量機以運行時間和相應的狀態(tài)參數(shù)為輸入量回歸擬合出新型設備失效時對應的風險度函數(shù)值，解決了新型設備缺乏歷史故障信息難以確定維修閾值的難題。

(3) 根據(jù)故障率函數(shù)和風險度函數(shù)確定的新柴油機視情維修決策模型保證了維修的適時性，與舊柴油機的維修閾值(6 023 h)和新柴油機計劃維修時間(9 000 h)相比，實現(xiàn)了新柴油機信息不足情況下的視情維修，避免了過修或失修的問題。

參 考 文 獻

[1] Chen Han-yu, Miao Qiang, Liu Liu, et al. The study of gearbox condition maintenance policy based on proportional hazards model[C]//Engineering Asset Management and Infrastructure Sustainability. Springer London, 2012: 113-119.

[2] Tian Zhi-gang, Liao Hai-tao. Condition based maintenance optimization for multi-component systems using proportional hazards model[J]. Reliability Engineering & System Safety, 2011, 96(5): 581-589.

[3] Tran V T, Thom Pham H, Yang B S, et al. Machine performance degradation assessment and remaining useful life prediction using proportional hazard model and support vector machine[J]. Mechanical Systems and Signal Processing, 2012, 32: 320-330.

[4] 周志才, 劉東風, 石新發(fā). 基于比例危險模型的船用柴油機視情維修決策[J]. 海軍工程大學學報, 2014, 26(6): 69-72.

ZHOU Zhi-cai, LIU Dong-feng, SHI Xin-fa. Decision-making method for condition-based maintenance of marine diesel engine based on proportional hazard model[J]. Journal of Naval University of Engineering, 2014, 26(6): 69-72.

[5] 張秀斌．視情維修決策模型及應用研究[D]．長沙：國防科學技術大學，2003．

[6] 尚永爽，王怡蘋，汪定國，等. 視情維修模式下威布爾比例故障率模型[J]．火力與指揮控制，2012,37(10)：77-80.

SHANG Yong-shuang, WANG Yi-ping, WANG Ding-guo, et al. Research on weibull proportional hazard model in condition based maintenance[J]. Fire Control and Command Control, 2012, 37(10)：77-80.

[7] Zhao W, Tao T, Zio E. System reliability prediction by support vector regression with analytic selection and genetic algorithm parameters selection[J]. Applied Soft Computing, 2015, 30:792-802.

[8] 陳寒雨. 基于設備故障率評估的視情維修研究[D]. 成都：電子科技大學，2011.

Condition-based maintenance decision method based on gray information

ZHOUZhi-cai,LIUDong-feng,SHIXin-fa(Qingdao Oil Monitoring and Analysis Center, Naval University of Engineering, Qingdao 266011, China)

Abstract:For new equipments, the condition based maintenance decision model is difficult to establish in cases of lacking historical failure information and maintenance threshold. An improved coefficient was defined to indicate the variation of a basic failure rate based on the trends’ consistency of old and new equipments’ failure rate, and the failure rate function of new equipments was obtained. Then, the new equipment risk function curve was fitted with support vector machine regression, the maintenance threshold was obtained for new equipments and the condition-based maintenance decision model of new equipments was established. Finally, the monitored data of a marine diesel engine were analyzed as an example using the method mentioned above. The results showed that the proposed method can effectively dig the old equipment historical data information and make full use of the intrinsic relation between old and new equipments. The study results provided a new way for the condition-based maintenance decision-making of new equipments under gray information.

Key words:condition-based maintenance; gray information; data mining; Weibull proportional hazard model

中圖分類號:TK428

文獻標志碼：A

DOI:10.13465/j.cnki.jvs.2016.05.008

通信作者劉東風 男，高級工程師，博士生導師，1959年11月生

收稿日期：2015-02-13修改稿收到日期：2015-05-20

基金項目：國家自然科學基金項目(51175484)；國家部委基金資助項目(HW2013526；HW2014394)

第一作者 周志才 男，博士生，1987年8月生