Promoting the application of prognostic and health management
-
-
本世纪伊始，美国国防部为了确保新一代战斗机JSF（Joint Strike Fighter）无故障连续作战能力，投入巨资研究开发JSF的运维技术，称之为预测运维PHM(Prognostic and Health Management）技术。PHM旨在颠覆传统的舆情运维CBM（Condition-based Maintenance）技术，变被动为主动，把系统异常状态排除在发生之前，确保系统的无间断运行，从而提高系统的连续可用性和安全性， 同时大幅度降低运维成本。由于其技术的先进性，前瞻性以及可能带来的经济效益，PHM自诞生之时就受到了极大的关注，更是得到了科研院所和工业界的追捧。 在加拿大, 国防部不但参与JSF PHM 研究计划，还专门成立了以工业部航空运输局为中心的跨部门合作单位，研究这一新兴技术。在欧洲，NATO（North Atlantic Treaty Organization）也成立了专门研究机构从事这一技术的研究和开发。在学术界，来自传感检测、计算机人工智能、可靠性工程、 控制工程、航空航天等不同领域的科学工作者，更是开始了史无前例的PHM 的研发。著名咨询公司麦肯锡，曾经预测PHM技术以其颠覆性的运维思想和革新的技术工具可以提高27%的生产效率。PHM技术一度被预言是工业物联网的“杀手级”应用，被认为是最有需求、最有前景，同时也是最难落地的技术之一。
PHM是一门新兴的交叉学科，涉及到传感检测、数据采集和处理、机器学习、建模技术、模型性能评价、故障预测、故障诊断、故障排除、运维优化，系统设计与实施、工业物联网等一系列技术， 其核心是故障预测。它的主要任务是建立高性能的预测模型，以准确预测系统或部件故障以及估算其寿命，从而为系统的健康管理和运维优化提供可靠的决策依据。 目前，针对复杂系统无法直接建立有效可行的物理预测模型, 其核心模型依然是数据驱动的机器学习模型。因此，这类模型秉承了传统机器学习模型的所有秉性，面临同样的技术挑战：模型性能取决于数据质量和应用场景，模型泛化能力差，投资回报难以估算，模型不透明等。 这就是PHM发展初期被认为是最难落地的革新技术的原因。 多年来，尽管众多企业涉足该领域，但它的应用落地却一直不尽如人意。
近年来，随着可信人工智能技术（如鲁棒机器学习、迁移学习）的发展，特别是以Transformer为框架的预训练模型（亦称大模型）的涌现，给PHM的再次腾飞带来了无限的空间。以往面临的数据质量、数据标注、泛化能力、性能改善等一系列挑战都可以迎刃而解。目前，成功落地的PHM系统日益增多。 2017年，加拿大太平洋铁路公司成功实现了全球第一个铁路运维PHM系统，落地运维以来连续多年保持零安全事故， 97%的故障在发生前被排除，运维成本大幅度降低。 最近，广州佳都科技集团在全球首次研发成功地铁预测运维系统“佳易维”， 并成功应用于地铁安全运维。 “佳易维”基于预训练的PHM大模型、时空决策大模型、通用语言大模型、视觉大模型、多模态大模型等技术，对设备全生命周期内的运行数据、周边环境数据、设备故障/维修履历、核心部件更换履历等进行数字化统计分析，对其健康状态与故障趋势等进行分析预测，实现全寿命周期管理，变“故障修/计划修”为“状态修”的运维范式。其预测模型的准确率超过95%，故障定位时间较传统方式缩短80%，非计划停机时间减少40%，为地铁交通运维提质增效，成为AI赋能的典范。类似成功应用PHM的案例不胜枚举。随着AI技术的飞速发展，智能预测运维技术必将成为AI赋能智能制造与高端装备安全运维的重要支撑技术。是时机大力加速推进智能预测运维技术应用落地了！
