1.2.4　预测性维护

预测性维护（PdM）是一种在CBM的基础上发展而来的预防性维护。当机器或设备运行时，对它的主要（或需要）部件或部位进行周期性或连续性（在线）的状态监测和故障预测，来判定设备所处的状态，以此预测设备状态未来的发展趋势，并且依据设备的状态发展趋势和可能的故障模式，预先制定预测性维护计划，确定机器应该维护的时间、内容、方式、方法、必需的技术服务和物资支持。

预测性维护集设备状态监测、故障诊断、故障（状态）预测、维护决策支持和维护活动于一体，是一种预防性维护方式。预测性维护有狭义和广义两种概念。狭义的概念立足于“状态监测（状态维护）”，强调的是“故障诊断”，是指不定期或连续地对设备进行状态监测，根据其结果，查明装备有无状态异常或故障趋势，再适时地安排维护任务。狭义的预测性维护不固定维护周期，仅仅通过监测和诊断到的结果来适时地安排维护计划，强调的是监测、诊断和维护三位一体的过程，这种思想广泛适用于流程工业和大规模生产方式。广义的预测性维护将状态监测、故障诊断、状态预测和维护决策合并在一起，状态监测和故障诊断是基础，状态预测是重点，维护决策给出最终的维护活动要求。广义的概念是一个系统过程，将维护管理纳入了预测性维护范畴，考虑整个维护过程以及与维护活动相关的内容。

预测性维护是在一个预定的时间点执行维护任务，这个时间点设定在一个阈值内设备失去性能之前，并且维护活动是最具成本效益的时候。发展到现在，预测性维护基本上形成了如图1.9所示的技术体系。当前阶段，除了预防性维护的技术以外，以可靠性为中心的维护（RCM）更强调使用预测性维护PdM技术。

（1）状态监测技术

状态监测技术发展到现在，在各工程领域都形成了各自的监测方法，状态监测的方法依据状态检测手段的不同而分成许多种，常用的包括：振动监测法、噪声监测法、温度监测法、压力监测法、油液分析监测法、声发射监测法等。

（2）故障诊断技术

故障诊断在连续生产系统中有着非常重要的意义。按照诊断的方法原理，故障诊断可分为时频诊断法、统计诊断法、信息理论分析法及其他人工智能诊断法（专家系统诊断、人工神经网络诊断等）、模糊诊断法、灰色系统理论诊断法以及集成化诊断法（如模糊专家系统故障诊断、神经网络专家系统故障诊断、模糊神经网络诊断等）。

（3）状态预测技术

状态预测就是根据装备的运行信息，评估部件当前状态并预计未来的状态。常用的方法有累计损伤模型预测、随机退化模型预测、时序模型预测、灰色模型预测、粒子滤波预测和神经网络预测等。从状态预测方法的分类而言，对于故障预测的开发一般有物理模型驱动、可靠性模型驱动和数据驱动三种基本途径。在实际应用中，也可将三种途径综合在一起，形成一种基于信息融合模型的故障分析与预测方法，并能够进行数字信息和符号信息的混合性故障预测，对于实现预测性维护更为有效。

（4）维护决策技术

维护决策是从人员、资源、时间、费用、效益等多方面、多角度出发，根据状态监测、故障诊断和状态预测的结果，结合生产计划和备件库存进行维护的可行性分析，制定出维护计划，确定维护保障资源，给出维护活动的时间、地点、人员和内容等。维护决策的制定方法一般有故障树推理法、数学模型解析法、贝叶斯网络法（适用于表达和分析不确定和概率性事物）和智能维修决策法等。