3.2.2　基于CPS的智能預測性維護模型

工業4.0是價值鏈組織技術和概念的集合術語，基于無線射頻（Radio Frequency Identification，RFID）、信息物理系統、物聯網（Internet of Things，IoT）、服務互聯網（Internet of Services，IoS）和數據挖掘（Data Mining，DM），促進了智能工廠愿景的實現。在工業4.0的模塊化和結構化智能工廠中，CPS監測物理對象和運營過程，創建物理世界的虛擬副本，并實現離散化過程控制和決策；信息物理系統通過物聯網能夠實時地與其他CPS系統和人類進行交流和合作；通過數據挖掘和服務互聯網，價值鏈參與者可以在內部和跨組織提供和利用服務。挪威Wang等人給出一個工業4.0的定義，確定了一些實現的主要原則，并展示一種圖3.4所示的實現零缺陷制造（Zero-Defect Manufacturing，ZDM）的智能預測維護模型與系統[7]。

IPdM系統基于CPS、IoT、IoS、計算智能、數據挖掘、群體智能（Swarm Intelligence，SI）等許多關鍵技術，需要被研究和開發以適應行業需求。IPdM中有6個主要模塊：傳感器和數據采集，信號預處理和特征提取，維護決策，關鍵性能指標（Key Performance Indicators，KPI），維護調度優化，誤差校正、補償與反饋控制。

（1）傳感器和數據采集模塊

這是實施設備診斷和預測IPdM維護策略的第一步。該模塊的任務是選擇合適的傳感器和最佳的傳感器安裝策略。數據采集過程將傳感器信號變成設備狀態信息，不同傳感器用來收集不同數據，如溫度傳感器、振動傳感器、聲發射傳感器等。

（2）信號預處理和特征提取模塊

通常來說，傳感器信號的處理有兩個步驟。一個是信號處理，可以提高信號的特性和質量，相關的信號處理技術包括濾波、放大、數據壓縮、數據驗證和去噪等，這些技術可以提高信噪比。另一個是特征提取，提取能夠表征偶然的失效或錯誤的信號特征。一般而言，特征可以從時域、頻域（快速傅里葉變換、離散傅里葉變換）和時頻域（小波變換、小波包變換，或者經驗模態分解）等三個域進行提取。主成分分析（Principal Component Analysis，PCA）是通過正交變換將一組可能存在相關性的變量轉換為一組盡可能多地反映原來變量信息的統計方法，實現特征的降維。

（3）維護決策模塊

維護決策模塊提供充足、高效的信息輔助維護人員采取維護措施的決策。維護決策模塊分為故障診斷和故障預測兩類，故障診斷[包括支持向量機、人工神經網絡（如自組織映射、綜合反向傳播等算法）]的重點是檢測、隔離和識別故障發生，故障預測（如自回歸滑動平均模型、ANN等）試圖在發生錯誤或失效之前預測設備的剩余使用壽命RUL（Remaining Useful Life）。決策支持模型可分為四類：物理模型，統計模型，數據驅動模型，混合模型。由于IPdM策略主要依賴于反映設備狀況的信號和數據，數據驅動模型和混合模型將處于主導地位。

（4）關鍵性能指標模塊

關鍵性能指標KPI（Key Performance Indicators）圖也叫蜘蛛網圖或健康雷達圖，用于顯示部件的退化程度。每條雷達線顯示部件從0（完美）到1（損壞）的狀況。顏色則顯示了級別，如安全、警告、報警、故障和缺陷，可以可視化地評估設備性能。

（5）維護調度優化模塊

維護調度優化是一種NP問題（非確定性多項式問題），群體智能算法是一個很好解決這類問題的方法。IPdM可以應用遺傳算法（Genetic Algorithm，GA）、粒子群優化（Particle Swarm Optimization，PSO）、蟻群算法和蜜蜂群算法動態地尋找最優的預測維護調度方案。

（6）誤差校正、補償與反饋控制模塊

該模塊將利用維護決策支持模塊的結果進行誤差校正、補償和反饋控制。