健康度——設備健康續航條

在故障診斷與健康管理（PHM）領域和壽命預測領域中，健康度（Health Index, HI）是一個至關重要的概念，它旨在量化設備或系統的當前健康狀態，并為預測其剩余使用壽命（Remaining Useful Life, RUL）提供基礎。健康度能夠動態地反映設備從完全健康到逐漸退化直至最終失效的全過程，通常表現為一個連續的指標，例如從0到1或百分比的形式。

健康度的定義與作用

健康度是對系統或部件當前性能退化程度的定量評估。在PHM中，設備健康管理通常包括數據采集、信號/特征提取、健康評估、故障診斷、故障隔離、故障預測、剩余壽命預測以及維護決策等模塊。健康度作為其中的關鍵環節，其構建的目的是將復雜的、多維度的傳感器數據和操作參數轉化為一個簡潔、直觀的單一指標，以便于理解和追蹤設備的退化過程。

例如，在高價值的工業設備如飛機發動機的預測性維護中，健康度指標的構建是RUL預測的核心步驟。通過監測設備的振動、溫度、壓力、電流等多種信號，并結合歷史運行數據和故障模式，可以建立起反映設備健康狀態的健康度模型。這一指標的準確性直接影響到RUL預測的精度，進而指導制定基于狀態的維護策略，避免不必要的停機和資源浪費。

健康指標曲線

上圖展示了健康度值（HI value）隨時間（T）的變化趨勢，清晰地劃分了設備的健康狀態階段（Health stage, Weak fault stage, Serious fault stage, Failure stage）。健康度值從100（完全健康）逐漸下降至接近0（失效），反映了設備從正常運行到發生輕微故障、嚴重故障直至最終失效的整個退化過程。通過對HI曲線的監測和分析，可以有效識別設備何時進入不同的健康階段，從而實現早期故障預警和精準維護。

健康度的構建方法

健康度的構建是PHM領域中的一項挑戰，尤其是在處理多傳感器數據和復雜運行條件下的設備時。目前，健康度的構建方法主要可分為以下幾類：

基于數據驅動的方法：這類方法利用機器學習和深度學習技術，從大量歷史數據中學習設備的退化模式并構建健康度指標。

深度學習模型：例如，堆疊自編碼器（Stacked Autoencoder, SAE）可用于提取傳感器數據的潛在特征并構建健康指標。卷積神經網絡（Convolutional Neural Network, CNN）可以有效處理多傳感器數據，通過特征融合來構建健康指標，從而提升RUL預測的準確性。長短時記憶網絡（LSTM）也常用于處理時間序列數據，捕捉設備退化的時間依賴性。

特征工程：通過對振動信號等原始數據進行時域、頻域和時頻域分析，提取出均方根（RMS）、峰值、峭度等反映設備健康狀態的統計特征。這些特征可以作為構建健康度的基礎。
多傳感器融合：現代設備通常配備多個傳感器，產生海量多源異構數據。多傳感器融合旨在綜合利用這些數據，通過先進的算法如Wiener模型與CNN的結合，構建更準確、魯棒的健康指標。例如，一項研究提出了一種結合混合卷積神經網絡和Wiener模型的多傳感器融合方法，用于滾動軸承的RUL估計，有效解決了多傳感器融合和健康指標構建的挑戰。

RUL預測框架

上圖展示了利用特征提取、健康度曲線構建、健康階段劃分和RUL預測的機械設備健康監測和RUL預測多步驟流程。首先，從時域和頻域提取特征，如均方根值、轉速特征等，這些特征能捕獲機器振動的強度和頻率成分。接著，基于這些特征構建健康度（HI）曲線，它是一個反映機器整體健康狀況的標量值。通過HI曲線的變化，可以將機器的健康狀態劃分為健康、退化或接近失效等不同階段。最后，利用健康階段信息和提取的特征來預測剩余使用壽命。

基于模型驅動的方法：這類方法通常基于物理模型或經驗模型來描述設備的退化過程。例如，Wiener過程和逆高斯（Inverse Gaussian, IG）過程常用于描述累積和不可逆的退化路徑。這些模型能夠捕捉退化的隨機性和不確定性，并提供健康度評估和RUL預測的數學框架。

混合驅動方法：結合數據驅動和模型驅動的優勢，通過數據學習退化模式的參數，再利用模型進行預測。例如，利用深度學習模型提取特征構建健康度，再將健康度作為輸入，結合非線性Wiener過程進行RUL預測，可以同時獲得點估計和不確定性估計。

健康度在壽命預測中的應用

健康度是RUL預測的核心輸入。一旦構建了有效的健康度指標，RUL預測就可以通過以下方式實現：

健康度外推法：通過監測健康度指標隨時間的變化趨勢，并將其外推至預設的失效閾值，從而估計剩余使用壽命。這種方法通常需要建立健康度與時間之間的函數關系，例如，基于三次多項式擬合健康度曲線，并將其外推以預測RUL。
數據驅動的RUL預測：利用歷史健康度數據訓練深度學習模型（如TCN-Transformer網絡、Transformer網絡、Res-HSA等），直接從健康度輸入預測RUL。這些模型能夠學習復雜的非線性映射關系，提高RUL預測的準確性。
多任務學習：將健康度評估和RUL預測視為兩個相關聯的任務，通過共享特征或模型參數，實現兩個任務的協同優化，提升預測性能。例如，有研究提出了一個多任務深度學習模型，能夠同時評估健康狀態并預測RUL，充分利用了健康狀態和RUL之間的內在聯系。

診斷與預測

上圖的維恩圖清晰地展示了診斷和預測的概念及其重疊區域，其中預測部分包含RUL估計和退化預測，這些都離不開對健康度趨勢的分析。

挑戰與未來方向

盡管健康度在PHM和RUL預測中取得了顯著進展，但仍面臨諸多挑戰：

小數據問題：在實際工業場景中，故障數據往往稀缺且獲取成本高昂，導致用于訓練模型的可用數據量小。這使得基于數據驅動的健康度構建和RUL預測面臨模型過擬合、泛化能力差等問題。為了應對小數據挑戰，研究人員探索了數據增強、遷移學習和少樣本學習等方法。例如，通過生成對抗網絡（GANs）或變分自編碼器（VAEs）生成合成數據進行數據增強；將從大量數據中學到的知識遷移到小數據場景；或利用度量學習、優化學習等方法，使模型僅通過少量樣本即可進行學習。
復雜工況和多故障模式：現代機械設備通常在復雜多變的工況下運行，并可能存在多種故障模式，這使得健康度指標的提取和RUL預測變得更加復雜。多指標系統和多故障模式的存在，如競爭、融合和冗余故障模式，對健康度的統一評估和RUL預測提出了新的挑戰。
不確定性量化：RUL預測通常包含不確定性，如測量誤差、模型誤差和未來工況的不確定性。如何有效地量化和管理這些不確定性，并將其納入健康度評估和RUL預測中，是提高預測可靠性的關鍵。
模型可解釋性：深度學習模型雖然在預測精度上表現出色，但其“黑箱”特性限制了對健康度構建過程和RUL預測結果的解釋。未來的研究需要關注如何提高模型的透明度和可解釋性，以便工程師能夠理解健康度指標背后的物理含義和預測依據。
數字孿生技術整合：數字孿生技術為健康度評估和RUL預測提供了新的視角。通過構建設備的數字孿生模型，可以實現物理實體和虛擬模型之間的實時數據交互和信息融合，從而更準確地反映設備的健康狀態和退化趨勢。例如，數字孿生驅動的圖域適應神經網絡可以解決軸承全生命周期數據不足的問題，通過生成合成數據來有效訓練RUL預測模型。

數字孿生

上圖展示了數字孿生驅動的故障診斷、缺陷檢測和剩余使用壽命預測的綜合流程。該框架通過連接物理實體（如風力渦輪機及其部件的實際信號）和虛擬對象（數字模擬和模擬信號），實現了數據的雙向流動。從物理世界收集的實際信號和從虛擬模型生成的模擬信號都經過數據分析，用于故障診斷、缺陷檢測和RUL預測。這種集成方法為PHM提供了更全面的視角，通過參數調整實現物理系統和虛擬模型之間的反饋循環。

綜上所述，健康度是故障診斷與健康管理及壽命預測領域的核心要素，其準確構建和有效應用對于提升設備可靠性、優化維護策略和降低運營成本具有不可替代的價值。隨著人工智能和傳感器技術的不斷發展，健康度評估和RUL預測方法將持續演進，以應對更復雜的工業挑戰。

參考文獻

Cui, L., Xiao, Y., Liu, D., & Han, H. (2024). Digital twin-driven graph domain adaptation neural network for remaining useful life prediction of rolling bearing.?Reliability Engineering & System Safety,?245, 109991. https://doi.org/10.1016/j.ress.2024.109991

Khan, F., Eker, O. F., Khan, A., & Orfali, W. (2018). Adaptive Degradation Prognostic Reasoning by Particle Filter with a Neural Network Degradation Model for Turbofan Jet Engine.?Data,?3(4), 49. https://doi.org/10.3390/data3040049

Magadán, L., Granda, J. C., & Suárez, F. J. (2024). Robust prediction of remaining useful lifetime of bearings using deep learning.?Engineering Applications of Artificial Intelligence,?130, 107690. https://doi.org/10.1016/j.engappai.2023.107690

Zhu, J., Jiang, Q., Shen, Y., Xu, F., & Zhu, Q. (2023). Res-HSA: Residual hybrid network with self-attention mechanism for RUL prediction of rotating machinery.?Engineering Applications of Artificial Intelligence,?124, 106491. https://doi.org/10.1016/j.engappai.2023.106491

Wu, B., Zhang, X., Shi, H., & Zeng, J. (2024). Failure mode division and remaining useful life prognostics of multi-indicator systems with multi-fault.?Reliability Engineering & System Safety,?244, 109961. https://doi.org/10.1016/j.ress.2024.109961

Yan, J., He, Z., & He, S. (2023). Multitask learning of health state assessment and remaining useful life prediction for sensor-equipped machines.?Reliability Engineering & System Safety,?234, 109141. https://doi.org/10.1016/j.ress.2023.109141

Zhang, H., Xi, X., & Pan, R. (2023). A two-stage data-driven approach to remaining useful life prediction via long short-term memory networks. Reliability Engineering & System Safety, 237, 109332. https://doi.org/10.1016/j.ress.2023.109332

Li, C., Li, S., Feng, Y., Gryllias, K., Gu, F., & Pecht, M. (2024). Small data challenges for intelligent prognostics and health management: a review.?Artificial Intelligence Review,?57(8). https://doi.org/10.1007/s10462-024-10820-4

Kim, T. S., & Sohn, S. Y. (2020). Multitask learning for health condition identification and remaining useful life prediction: deep convolutional neural network approach.?Journal of Intelligent Manufacturing,?32(8), 2169–2179. https://doi.org/10.1007/s10845-020-01630-w

Chen, Y., Liu, D., Ding, X., & Jiang, H. (2024). Variational encoding based on factorized temporal-channel fusion and feature fusion for interpretable remaining useful life prediction.?Advanced Engineering Informatics,?59, 102316. https://doi.org/10.1016/j.aei.2023.102316