Intelligent Maintenance Systems (IMS) Technologies

Jay Lee

Director

NSF Industry/University Cooperative Research Center on

Intelligent Maintenance Systems

Univ. of Cincinnati

聯(lián)系方式：jay.lee@uc.edu

網(wǎng)址：www.imscenter.net

需求

制造業(yè)是反映一個國家生產(chǎn)能力、國民經(jīng)濟水平和綜合國力的基礎性、支柱性產(chǎn)業(yè)。Internet和Web技術的飛速發(fā)展，大大加快了產(chǎn)品的設計、制造和服務速度，速度和服務已成為影響制造企業(yè)核心競爭力的二大重要因素。 制造業(yè)中的設備一旦發(fā)生故障和失效問題，將嚴重影響企業(yè)的市場競爭力。其主要表現(xiàn)在以下幾點：

l   制造企業(yè)設備故障的突然發(fā)生，不僅會增加企業(yè)的維護成本，而且會嚴重影響企業(yè)的生產(chǎn)效率，使企業(yè)蒙受巨大損失。據(jù)調查，設備的60％的維護費用是由突然的故障停機引起的，即使在技術極為發(fā)達的美國，每年也要支付2000億美金來對設備進行維護，而設備停機所帶來的間接生產(chǎn)損失則更為巨大。

l   進口設備的維護問題則更為復雜和困難，而目前所采用的遠距離跨國維修FAF（Fly and Fix）的方式既費時又費用昂貴，在大大增加企業(yè)運作成本的同時，也嚴重影響了企業(yè)的生產(chǎn)效率。

l   在“顧客至上”理念普及的今天，制造企業(yè)必須為客戶提供產(chǎn)品的完整服務解決方案。由于產(chǎn)品出現(xiàn)問題的不可預知性，企業(yè)無法預先制定服務和維護計劃。為了提高企業(yè)的服務效率和服務質量，制造企業(yè)必須維持一支規(guī)模更為龐大的服務隊伍，其日常支出是非常巨大的。

因此，如何合理地制定維護計劃，防止設備和產(chǎn)品因故障而失效，已成為制造企業(yè)降低運作成本、提高生產(chǎn)效率和市場競爭力的重要手段。而要保持設備和產(chǎn)品的穩(wěn)定性，現(xiàn)在的制造企業(yè)多采用周期性檢修的方式，但這種方式同樣給企業(yè)帶來了沉重的經(jīng)濟負擔。新的觀念是采用智能維護系統(tǒng)，不停地對設備和產(chǎn)品的性能狀態(tài)進行監(jiān)測、預測和評估，并按需制定維護計劃，以防止它們因故障而失效。

IMS Technologies

所謂智能維護系統(tǒng)（Intelligent Maintenance System, IMS），或稱之為E-maintenance，是采用性能衰退分析和預測方法，結合infotronics 技術（融合互聯(lián)網(wǎng)、非接觸式通訊技術、嵌入式智能電子技術），使產(chǎn)品或設備達到近乎零故障（Near-Zero-Breakdown）的性能或生產(chǎn)效率的一種新型維護系統(tǒng)。

智能維護屬于預測性維護，智能維護系統(tǒng)的采用將大大促進國家的經(jīng)濟發(fā)展。據(jù)統(tǒng)計，即使在美國，現(xiàn)今的工業(yè)運轉能力只是其最大能力的48.2%（1999年11月，美國商業(yè)部門數(shù)據(jù)），而據(jù)保守的估計，基于Internet的智能維護技術每年可以帶動2.5%到5%的運轉能力增長，這意味著：在價值2億美金的設備上應用智能維護技術，每年就可以多創(chuàng)造500萬美金的價值。有關資料也表明：運用智能維護技術可減少事故故障率75%，降低設備維護費用25%~50%。以我國目前國有企業(yè)總固定資產(chǎn)約10000多億元為例，每年用于大修、小修與處理故障的費用一般占固定資產(chǎn)的3%~5%，可見采用智能維護，每年取得的經(jīng)濟效益可達數(shù)百億元。

正是智能維護對世界經(jīng)濟的巨大推動作用，2002年7月，智能維護技術被美國《財富》雜志列為當今制造業(yè)最熱門的三項技術之一^[1]。

IMS科學意義

在目前的制造企業(yè)，無論是維修還是定期的維護，其目的都是為了提高制造企業(yè)設備的開動率，從而提高生產(chǎn)效率。故障診斷技術的出現(xiàn)，大大的縮短了確定設備故障所在的時間，從而提高了設備的利用率。但故障停機給制造企業(yè)所帶來的損失還是非常巨大的。如在新興的IC產(chǎn)業(yè)，其生產(chǎn)線初期投資一般為17億美金左右，而其有效生產(chǎn)周期只有3－5年，若生產(chǎn)線發(fā)生故障停機，不僅會使整個生產(chǎn)線上正在加工的半成品全部報廢，而且會嚴重影響其投資回收速度。智能維護技術的出現(xiàn)進一步提高了企業(yè)設備的開動率，并且隨著技術的發(fā)展，其可使企業(yè)的制造設備達到近乎零的故障停機性能。

      智能維護與故障診斷有著密不可分的聯(lián)系，其很多的技術基礎起源于故障診斷，但他們之間又有很多區(qū)別。在傳統(tǒng)的診斷維修領域，大部分的技術開發(fā)與應用集中在信號及數(shù)據(jù)處理、智能算法研究（人工神經(jīng)網(wǎng)絡、遺傳算法等）、及遠程監(jiān)控技術（以數(shù)據(jù)傳送為主）。這些技術基于的基礎理念是被動的維修模式FAF（Fail and Fix），對產(chǎn)品和設備的使用者而言，維修的要求是達到及時修復。而智能維護技術是基于主動的維護模式PAP（Predict and Prevent），重點在于信息分析、性能衰退過程預測、維護優(yōu)化、應需式監(jiān)測（以信息傳送為主）的技術開發(fā)與應用，產(chǎn)品和設備的維護體現(xiàn)了預防性要求，從而達到近乎于零的故障及自我維護（見圖1）。故障診斷技術在設備和產(chǎn)品的維修中雖然也發(fā)揮著重要的作用，但目前，由于工業(yè)界對預防性維護技術的需求，故障診斷領域的研究重點已逐步轉向狀態(tài)監(jiān)測、預測性維修和故障早期診斷領域，其為智能維護技術的實現(xiàn)打下了扎實的基礎。實際上，目前的故障診斷研究已經(jīng)趨向于智能維護領域的初級階段。

美國KLA-Tencor公司預測，半導體制造業(yè)將向智能化電子診斷的方向發(fā)展（即智能維護），從而實現(xiàn)實時地監(jiān)測和調整設備的運行，而這一技術的采用將影響整個工業(yè)界，而不僅僅是半導體制造業(yè)。因此，目前有很多國際知名企業(yè)已把智能維護技術作為企業(yè)的主要發(fā)展戰(zhàn)以促進維護策略從平均故障間隔MTBF（Mean-time-between-failure）平均衰退間隔MTBD（Mean-time-between-degradation）的轉變，實現(xiàn)企業(yè)設備和產(chǎn)品在其生命周期中的近乎零的故障發(fā)生率，從而大大提高國際市場的競爭力。

1    國內(nèi)外相關領域研究現(xiàn)狀及發(fā)展趨勢

智能維護是一種全新的理念，其由美國威斯康星大學李杰（Jay Lee）教授最先提出^【2-3】。2001年，美國威斯康星大學和密歇根大學在國家自然科學基金的資助下，聯(lián)合工業(yè)界共同成立了“智能維護系統(tǒng)（IMS）中心”，并規(guī)劃了智能維護的藍圖（圖2）^【4】。“IMS中心”將作為一個創(chuàng)新和傳播智能維護知識系統(tǒng)的重要角色，并最終促進下一代的產(chǎn)品、制造和服務系統(tǒng)達到6-sigma的質量要求。目前，中心的成員企業(yè)已達數(shù)十家，其中也不乏世界知名企業(yè)，如福特、Intel、東芝等。

圖2顯示，智能維護系統(tǒng)可通過Web驅動的電子信息（infotronics）平臺對設備和產(chǎn)品進行不間斷的監(jiān)測診斷和性能的退化評估，并作出維護決策。同時，智能維護系統(tǒng)還能通過Web驅動的智能代理與電子商務工具（如客戶關系管理CRM，供應鏈管理SCM，企業(yè)資源管理ERP）進行整合，從而獲得高質量的全套服務解決方案。另外，智能維護系統(tǒng)所得到的信息知識還可用于產(chǎn)品的再設計和優(yōu)化設計，從而使未來的設備和產(chǎn)品達到自我維護的境界。

圖中亦顯示，智能維護系統(tǒng)的核心技術是對設備和產(chǎn)品的性能衰退過程的預測和評估，圍繞這一核心，智能維護的應用基礎研究主要包括以下幾個領域：

l   設備和產(chǎn)品的性能衰退過程的預測評估算法、方法研究。要對設備或產(chǎn)品進行預測維護，必須提前預測其性能衰退狀態(tài)。與現(xiàn)有的故障早期診斷不同的是，智能維護側重于對設備或產(chǎn)品未來性能衰退狀態(tài)的全過程走向預測，而不在于某個時間點的性能狀態(tài)診斷，因此，其不論在理念上，還是在方法上，都是有很大不同的。其次，進行預測和決策時，在分析歷史數(shù)據(jù)的同時，智能維護引入了與同類設備進行“比較”的策略（P2P: peer-to-peer），因而大大提高了預測和決策的準確度。P2P是對傳統(tǒng)故障診斷方法的一種超越。另外，在采集設備和產(chǎn)品的信息時，智能維護強調“相關信息”（包括人的反饋信息）的采集和有效“融合”（包括低層次和高層次的融合），并根據(jù)人腦的信息處理方式從中綜合提取性能預測所需的信息。

l   應需式遠程監(jiān)測維護領域。隨著Internet和Web技術的發(fā)展，利用Internet和Web來進行實時監(jiān)測數(shù)據(jù)的傳輸也已逐漸成為研究熱點。應需式遠程維護是指利用現(xiàn)代信息電子（infotronics）技術實現(xiàn)異地間設備和產(chǎn)品性能衰退的監(jiān)測、預測，并提出維護方案等的一系列行為，其強調的是根據(jù)實際的需要傳輸所需的“信息”，即根據(jù)設備和產(chǎn)品在不同環(huán)境下的各種性能衰退過程的實際快慢程度，及時地調整相應信息的傳輸頻度和數(shù)量，而不是傳統(tǒng)意義上的簡單的“數(shù)據(jù)”（采樣信號等）傳輸。

l   決策的支持、數(shù)據(jù)的轉換和信息的優(yōu)化同步技術領域。為了實現(xiàn)真正意義上的電子商務、電子化制造和電子化服務，智能維護系統(tǒng)必須與現(xiàn)有的企業(yè)商務系統(tǒng)（CRM、SCM、ERP、MES等）進行信息交互，因此，智能維護強調的是“信息一次處理（O.H.I.O. Only Handle Information Once）”。為此，李杰教授提出D2B（Device to Business）的理念。D2B平臺的建立不僅為維護決策提供了平臺工具，而且第一次實現(xiàn)了設備層到商務層的直接對話，并為產(chǎn)品的再優(yōu)化設計提供了原始數(shù)據(jù)。當然，在維護決策時，D2B平臺系統(tǒng)同樣采用P2P技術，以加強決策的準確性。

經(jīng)過幾年的努力，智能維護技術在國外得到了飛速發(fā)展。

從預測領域來說，傳統(tǒng)的預測模型主要有三種：線形預測模型、非線形預測模型和人工神經(jīng)網(wǎng)絡預測模型。典型的線形預測模型有1926年Yule提出的AR（Auto Regressive）模型和1976年Box、Jenkins提出的ARMA/ARIMA（Autoregressive Integrated Moving Average）模型，其局限條件是信號必須是線形的；典型的非線形模型有Tong、Lim提出的TAR（Threshold Auto Regressive）模型^【5】，其是一個全局的非線形模型，當時間序列在不同的情況下具有非平穩(wěn)性時，這一模型非常有用，但是，雖然它消除了線形模型的條件限制，它在模型構建時的復雜性也成倍增加；神經(jīng)網(wǎng)絡預測模型與前兩種預測模型相比，其無論在短時預測，還是長時預測，都有著無比的優(yōu)越性^【6-8】。神經(jīng)網(wǎng)絡預測模型已成為了預測領域的研究熱點。1992，Lee率先把神經(jīng)網(wǎng)絡預測技術用于對設備性能衰退的預測分析上^{【2, 23】}，由此，拉開了預測技術在智能維護領域的應用。自智能維護系統(tǒng)中心成立以來，在性能預測方法上已有不少成果。Tong及 Lee 從控制理論出發(fā)，結合神經(jīng)網(wǎng)絡，在不改變原有控制系統(tǒng)的條件下，提出了基于控制系統(tǒng)規(guī)則的性能評估方法^【9】，并在ABS剎車系統(tǒng)上得到了應用；Yan及 Lee利用邏輯回歸算法對電梯的性能衰退狀態(tài)作出了評估，并對殘余壽命進行了預測，為電梯的維護決策提供了有力支持^【10】；Wang及 Lee 提出了小波神經(jīng)網(wǎng)絡性能評估預測算法，并對機床主軸和刀具的磨損情況進行了評估和預測^【11】。不過，智能維護作為一種新型的維護技術，由于其還處于發(fā)展的起步階段，許多的性能預測算法還處于理論研究階段，特別是對設備或產(chǎn)品的殘余壽命預測技術，以及如何利用P2P技術，尚處于空白階段。

在遠程維護領域，遠程監(jiān)測診斷最早是從遠程醫(yī)學開始的，隨著Internet/Intranet技術的發(fā)展，利用計算機網(wǎng)絡遠程對設備和產(chǎn)品進行監(jiān)測診斷已成為一個研究熱點。在目前的遠程監(jiān)測診斷系統(tǒng)中，對數(shù)據(jù)的分析處理一般都在遠程的診斷中心完成。Jay Lee在文獻^【12】中，提出了遠程服務系統(tǒng)框架及面臨的關鍵技術和挑戰(zhàn)機遇。其指出，由于設備和產(chǎn)品的數(shù)據(jù)監(jiān)測量及其龐大，無法利用網(wǎng)絡直接進行實時傳輸，因此，只有對原始監(jiān)測數(shù)據(jù)在當?shù)剡M行處理后，再根據(jù)實際情況傳輸診斷所需的信息，才具有更大的使用價值。為此，必須加強對數(shù)據(jù)到信息的轉換、嵌入式智能代理和非接觸式（如無線通訊）等技術的應用研究工作。在數(shù)據(jù)優(yōu)化同步領域，D2B技術尚處于理論研究階段。D2B平臺系統(tǒng)的體系結構、信息的格式、與其它商務系統(tǒng)的連接，以及如何利用智能維護的信息進行產(chǎn)品再優(yōu)化設計等問題都有待于進一步的研究。

在國外的工業(yè)界，智能維護技術也在逐步的得到應用。美國普惠（Pratt & Whitney）飛機發(fā)動機公司在最近生產(chǎn)的飛機發(fā)動機中，加入了很多新型的監(jiān)測技術，并集成了自我診斷系統(tǒng)，它們能夠產(chǎn)生詳盡的信息配合地面分析系統(tǒng)使用，從而提前幾個月就可預測發(fā)動機是否需要進行維護。這為各航班安排發(fā)動機的維護計劃提供了方便，從而降低了檢查和維護成本，而以往發(fā)生故障時，僅確定故障原因就要很長的時間。發(fā)動機的自我監(jiān)測/診斷系統(tǒng)與地面分析系統(tǒng)相結合，大大降低了意外事故的發(fā)生，如航班誤點、航班取消和飛行中的發(fā)動機故障停機事故等。歐洲空中客車飛機制造公司也采用了類似的技術^[13]。在運輸行業(yè)，汽車制造廠商也在尋找一種利用遠程通訊技術為汽車提供導向和故障停靠幫助的方法。通用汽車（GM）公司已經(jīng)制定了一個利用衛(wèi)星通訊服務的OnStar計劃，即到2005年，給所有該公司生產(chǎn)的汽車裝上經(jīng)過改良的衛(wèi)星通訊設施。在電梯制造業(yè)，OTIS作為世界上最大的電梯制造公司，以其所采用的REM（Remote Elevator Maintenance）技術，每年能節(jié)省5億美金的維護費用。日本東芝電梯公司也與東京大學合作，在開發(fā)類似的維護系統(tǒng)。這都為智能維護技術的發(fā)展提供了良好的研究和應用平臺。

2    智能維護重大發(fā)展機遇

智能維護作為一種新的理念，在科技極為發(fā)達的美國，其發(fā)展也不過幾年時間。應該看到，智能維護技術即使在國外，也還研究得不夠深入、不夠成熟，如果我們能夠在已開展的工作和已取得的成果的基礎上，投入一定的人力和物力，集中優(yōu)勢兵力圍繞三個技術領域有重點地開展攻關，達到國際領先水平是完全可能的。

參考文獻：

1．  S K. Hot Technologies. Fortune Magazine, June 24, 2002: 162[F-H].

2．  Lee J, Kramer B M. Analysis of Machine Degradation using a Neural Networks Based Pattern Discrimination Model. J. Manufacturing Systems. 1992, 12(3): 379-387.

3．  Lee J. Measurement of machine performance degradation using a neural network model. Journal of Computers in Industry. 1996, 30: 193.

4．  IMS Center Web Site www.imscenter.net

5．  Tong H, Lim K S. Threshold Autoregressive, Limit Cycles and Cyclical Data. Journal of Royal Stat. society, 1980, series B, No.3.

6．  Lapedes A, Farber R. Nonlinear signal processing using neural networks: prediction and system modeling. Technical Report LA-UR-*&-2662, Los Alamos National Laboratory, 1987.

7．  Tang Z, Almeida C, Fishwick P A. Time Series Forecasting Using Neural Networks vs. Box-Jenkins Methodology. Simulation, 1991, Vol. 57, No. 5.

8．  Weigend A S, Rumelhart D E, Huberman B A. Predicting the future: a connectionist approach. International Journal of Neural System, 1990, No.3

9．  Tong G F, Koc M, Lee J. System Performance Assessment Based On Control System Criteria Under Operational Conditions. Proceedings of MIM 2002: 5th International Conference on Managing Innovations in Manufacturing (MIM), Milwaukee, Wisconsin, USA, September 9-11, 2002: 418-426

10.   Yan J H, Ko? M, Lee J. Predictive algorithm for machine degradation detection using logistic regression. Proceedings of MIM 2002: 5th International Conference on Managing Innovations in Manufacturing (MIM), Milwaukee, Wisconsin, USA, September 9-11, 2002

11.   Wang X, Yu G, Koc M, Lee J. Wavelet neural network for machining performance assessment and its implication to machinery prognostic. Proceedings of MIM 2002: 5th International Conference on Managing Innovations in Manufacturing (MIM), Milwaukee, Wisconsin, USA, September 9-11, 2002: 150-156

12.   Lee J. Teleservice engineering in manufacturing: challenges and opportunities. International Journal of Machine Tools & Manufacture, 1998, 38: 901-910

13.   Robert Pool. If It Ain't Broke, Fix It. http://www.technologyreview.com/articles/pool0901.asp, September 2001.

14.   袁小宏、趙仲生、屈梁生。粗糙集理論在機械故障診斷中的應用研究。西安交通大學學報，2001，35（9）：954－957。

15.   賈民平、鐘秉林、黃仁。虛擬現(xiàn)實在旋轉機械故障診斷中的應用。中國機械工程，1997，8（2）：90－93。

16.   張中民、盧文祥、楊叔子。基于小波系數(shù)包絡譜的滾動軸承故障診斷。振動工程學報，1998，11（1）：65-69。

17.   姜鳴、陳進、秦愷。循環(huán)周期圖在滾動軸承故障診斷中的應用。機械科學與技術，2002，21（1）：108-110。

18.   吳偉蔚、楊叔子。故障診斷Agent研究。振動工程學報，2000，13（3）：393－399。

19.   張雪江、何永勇、許飛云、鐘秉林。汽輪發(fā)電機組故障診斷專家系統(tǒng)的研究。計算機工程與設計，1996，17（2）：3－9。

20.韓西京、張錦萍、趙淳生、史鐵林。汽輪發(fā)電機組狀態(tài)監(jiān)測與故障診斷系統(tǒng)。振動、測試與診斷，1998，19（3）：222－228

21.    李杰 (Lee, J.)，數(shù)字化服務技術及其與設計、制造的集成，中國機械工程，1998，Vol. 9

22.    李杰 (Lee, J.)，關于未來制造業(yè)的戰(zhàn)略思考，中國機械工程，1999，Vol. 4

23.    Lee, J. and Wang, B. Book on "Modern Computer-aided Maintenance: Methodology and Practices," Kluwer Academic Publishing, 1998.

24. Djurdjanovic, Dragan, Ni, J, Lee, J “Time-frequency Based Sensor Fusion in the Assessment and Monitoring of Machine Performance Degradation,” Proceeding of ASME IMEC&E 2002, New Orleans, LA, Nov. 2002.

25.   Lee, J. an Ni, J, “Infotronics Agent for Tether-Free Prognostics,” Proceeding of AAAI Spring Symposium on Information Refinement and Revision for Decision Making: Modeling for Diagnostics, Prognostics, and Prediction, Stanford Univ., Palo Alto, CA, March 25-27, 2002.