《關(guān)鍵生產(chǎn)設備預測性維護 第3部分 故障診斷及預測方法》（征求意見稿）

1關(guān)鍵生產(chǎn)設備預測性維護第3部分：故障診斷及預測方法T/CAMSXXXX-XXXX關(guān)鍵生產(chǎn)設備預測性維護第1部分通用GB/T19769、GB/T20921和GB/TXXXXX.1界定的以及下列術(shù)語和定義適用于表征量characteristicparameter），2智能制造裝備的預測性維護應預知可能的失效模式和工況，并形成失效模式和運行狀態(tài)之間的關(guān)智能制造裝備預測性維護系統(tǒng)功能模型在GB/TXXXX.1-XXXX中進行了規(guī)定。本標準主要涉及健康狀態(tài)預測，包括狀態(tài)識別、故障判別和定位、健康度5狀態(tài)識別別的裝備狀態(tài)作為狀態(tài)預測的輸入，為故障診斷或健康度預測況下的輸出對比所產(chǎn)生的殘差值被用來判斷不同的故障模式及機、高斯混合模型等建模方法辨別裝備正常與異常的——基于混合模型的方法。該方法融合了基于機理模型和基于3——為當前項目的損傷評估和未來發(fā)展的損傷預測提供數(shù)健康度預測是利用狀態(tài)參數(shù)及特征信號，基于不同的分析方法與預測模型來評估裝備的健康狀態(tài)在已知裝備未來工作狀態(tài)的前提下，可以轉(zhuǎn)換為剩余使用壽上述分析方法主要是基于參數(shù)的關(guān)系和趨勢開展健康度預測，不涉及復雜建模失效物理是研究產(chǎn)品在各種應力下發(fā)生失效的內(nèi)在原因及其機理的科學，失效物理模型體現(xiàn)了各關(guān)系和規(guī)律，常見的失效物理模型包括阿倫尼斯模型、電遷移模型、電解質(zhì)擊穿模型等。4基于數(shù)據(jù)驅(qū)動的預測方法不需要深入了解裝備系統(tǒng)內(nèi)部的運行機制以及失效機理，只需有效利用映出裝備性能變化，進而實現(xiàn)裝備健康度預測目的并提供決策典型的數(shù)據(jù)驅(qū)動方法可分為兩類1）基于概率統(tǒng)計的健康度預測方法2）基于人工智能的健c)基于神經(jīng)網(wǎng)絡的健康度預測（包括BP神經(jīng)網(wǎng)絡、粗糙神經(jīng)網(wǎng)深度學習作為人工智能算法的一種，基于海量歷史數(shù)據(jù)以及對裝備運行狀態(tài)或失效模式的準確標常用預測性維護建模方法多從系統(tǒng)的設計及物理原理出發(fā)建立模型，采取殘差分析和回歸的方式備運行的原理出發(fā)擬合模型，預測裝備的運行狀態(tài)、發(fā)展趨勢與性能衰退趨勢，做出健康度預測。法的不足，可根據(jù)預測方法的特性和適用范圍，將兩可信度是一個質(zhì)量準則，它表示預測正確的程度。附錄C中提供了健康度預測過程可信度評估的表系統(tǒng)應包括由于下列相關(guān)信息的錯誤或缺失所帶來的負面影響的加權(quán)評估，但相關(guān)信息不限于以）；5生產(chǎn)單元的健康度預測應將所涵蓋的智能制造裝備健康度納入考慮的范圍。生產(chǎn)單元的健康度預由于生產(chǎn)單元由裝備和生產(chǎn)資源組成，因此適用于裝備和生產(chǎn)資源的健康度預測方法都適用于生因素。通?；诳煽啃钥驁D的建模方法，具BCZIOBCZIOAB1Z1當一個模塊單獨失效時不影響系統(tǒng)性能，可B1Z1A1IB2Z2OIB2Z2A2IA2B2Z2A2B2Z2OA1Z1B1A1Z1B1另外，通常需要對具有冗余的系統(tǒng)進行建模，其成功定義是指系X1X2OX2OX37