PHM（故障诊断寿命预测）杂谈一

PHM（Prognostic and Health Management ）故障预测与健康管理

PHM前几年还是学术上的名词，现在越发成为企业至关重要的产品力之一。这背后主要的推动力来自于业主。在轨道交通行业，最大的业主便是中国铁路总公司。当前铁总面临一个很现实的问题，高铁面临大修期，按照以前的做法是，到期便换，这造成了铁总很大的经济投入，但铁总却又无可奈何，因为一旦不换，万一车辆设备发生故障，将可能带来不可想象的行车事故。同时，这对于设备厂家来讲，是一件很好的事，因为换就意味着卖出更多的产品，取得更多的收入。如今，铁总要求PHM技术在厂家全面推广，从而达到保障安全同时减少投入的目的。而我觉得这是轨道交通行业由粗放向精细化发展的一个很重要的转折点，说白了，变天了，以后企业不发展自己的PHM能力将不再允许你参与招投标，你的产品将无人采用，落伍的企业很快就会走向灭亡，市场份额会由其他能力更强的企业所取代。而在更广阔的、更有想象力的国际市场，目前很多业主采用的是包修的办法，即采购你的机车车辆同时每年花一定数额的钱让你对机车车辆进行维修保养，拥有PHM能力将会让企业在国际市场面对这种订单，通过状态修这种精细化管理获得更多的收入。

从我最近的一些亲身体会来讲，设备厂商很重视这个事，但同时也很迷茫，因为这是一个全新的领域，特别是里面对数据进行处理、利用模型算法进行分析，这是传统的设备厂商所不了解的。迷茫有如下几点，第一，PHM准不准？第二，PHM怎么结合自身特点搞起来。第三，缺乏PHM人才。第四，你想来合作，你靠谱吗？

PHM是一门学科，而且是一门新兴学科，去年在轨交领域渐露头角。PHM模型有三种路径，一种是专家系统，一种是基于数据驱动，一种是基于模型驱动。个人认为比较合理的是基于数据和模型的双驱动。因为专家知识更善于做定性处理，很难做定量处理，但是在实际生产环境中，复杂系统往往采集的数据是巨大的，简单的专家系统作用有限。单纯的基于模型驱动，受限于厂家不可能对于被测系统有着完全透彻的理解，存在部分黑盒的情况，这个时候，就需要数据来驱动。单纯的数据驱动，面对数量众多的数据，你很难做到有的放矢，大部分的工作将是盲目的，低效率的。而面对模型、数据双驱动，能够弥补彼此的缺点。什么是基于模型和数据的双驱动呢？

首先我们需要建立一个非常逼真的模型，然后通过在系统的模型上进行测试和实验，用最少的花费来获得相对直观有效的数据，而这个模型通常由业务领域专家和建模工程师来建立，这样有利于我们后面对真实系统有针对性布置传感器，采集有效数据，然后我们通过在真实系统上采集真实数据，反过来对模型进行标定，在现实生产中，往往有的部分你无法建立准确的模型，这个时候只能是用真实的数据通过机器学习算法（工业里机器学习算法应用更广）来进行判断。通过对于相关物理量的采集，数据预处理，分为训练集、验证集、测试集，然后训练集数据导入算法里对算法进行训练，通过验证集进行调参，测试集进行验证，最后比较不同算法的准确性，确定有效的算法模型。

整个过程对于技术团队的要求显然更高了，因为面对复杂系统PHM，需要机械、信号处理、数据挖掘、建模、算法、可靠性等多方面的工程师一起来协同工作，这样才能保证我们最终PHM项目的成功，光请这些高智商的理工男工资就很可观，更不要说相关技术经验的多年积累，所以一般的小公司PHM玩不转。而传统的轨交设备厂商，在招收数据挖掘、算法方面的工程师的时候，讲真，是有很大困难的，因为高校里相关专业设立时间很短，工程师没有批量进入市场，这导致即使在大城市要想找相关的工程师也需要花费巨大，很多三四线城市更是人才奇缺。不过，这些也都算是一项新学科、新技术发展初期的特征吧。