工作流故障并了解如何预测它们-电子发烧友网

虽然估计故障前的时间很有用，但更有价值的是描述预期发生的故障类型（根本原因）的信息。可以根据历史故障数据对预测故障类型的模型进行训练，但是，工程师通常会遇到各种故障场景缺乏故障数据的情况。在我的第三篇也是最后一篇博客中，我们将探讨预测性维护中最关键且经常被忽略的组件之一：工作流故障以及知道如何预测它们。

以下是两个可行的解决方案，团队可以利用它们来阻止这种缺乏故障数据成为预测性维护实施过程中的致命缺陷：

生成样本故障数据：故障模式影响分析（FMEA）等历史上使用的工具为确定要模拟的故障提供了有用的起点。从这里开始，工程师可以在各种场景中将行为整合到模型中，通过调整温度、流速或振动或添加突发故障来模拟故障。模拟时，场景会产生故障数据，这些数据可以被标记和存储以供进一步分析。

图 1. 使用 Simulink 生成故障数据

了解可用数据：根据可用的传感器，某些类型的故障可能需要同时查看多个传感器以识别不良行为。但是查看来自数十或数百个传感器的原始数据可能会令人生畏。在这种情况下，诸如主成分分析（PCA）等无监督学习技术（机器学习的一个分支）将原始传感器数据转换为低维表示。这些数据比高维原始数据更容易可视化和分析，使您能够在未标记数据中找到有价值的模式和趋势。即使不存在故障数据，操作数据也可能表明机器如何随时间退化的趋势，并估计组件的剩余使用寿命（RUL）。

减少学习曲线的简单步骤

工程师面临的另一个常见障碍是对看似陌生和令人生畏的算法进行建模和测试。

希望减少这种学习曲线的工程师可以遵循以下三个简单步骤：

定义目标：预先定义您的目标是什么（例如，更早地识别故障、更长的周期、减少停机时间），以及预测性维护算法将如何影响它们。作为早期步骤，构建一个可以测试算法并根据您的目标估计其性能的框架，以实现更快的设计迭代。这将确保在公平的竞争环境中比较所有不同的方法。

从小处着手：练习使用具有深入理解系统的项目，越简单越好。例如，从组件级别而不是系统或子系统级别开始。这将减少需要调查的故障数量并缩短开发初始原型的时间。