PHM（Prognostic and Health Management ）故障預測與健康管理

PHM前幾年還是學術上的名詞，現在越發成為企業至關重要的產品力之一。這背后主要的推動力來自于業主。在軌道交通行業，最大的業主便是中國鐵路總公司。當前鐵總面臨一個很現實的問題，高鐵面臨大修期，按照以前的做法是，到期便換，這造成了鐵總很大的經濟投入，但鐵總卻又無可奈何，因為一旦不換，萬一車輛設備發生故障，將可能帶來不可想象的行車事故。同時，這對于設備廠家來講，是一件很好的事，因為換就意味著賣出更多的產品，取得更多的收入。如今，鐵總要求PHM技術在廠家全面推廣，從而達到保障安全同時減少投入的目的。而我覺得這是軌道交通行業由粗放向精細化發展的一個很重要的轉折點，說白了，變天了，以后企業不發展自己的PHM能力將不再允許你參與招投標，你的產品將無人采用，落伍的企業很快就會走向滅亡，市場份額會由其他能力更強的企業所取代。而在更廣闊的、更有想象力的國際市場，目前很多業主采用的是包修的辦法，即采購你的機車車輛同時每年花一定數額的錢讓你對機車車輛進行維修保養，擁有PHM能力將會讓企業在國際市場面對這種訂單，通過狀態修這種精細化管理獲得更多的收入。

從我最近的一些親身體會來講，設備廠商很重視這個事，但同時也很迷茫，因為這是一個全新的領域，特別是里面對數據進行處理、利用模型算法進行分析，這是傳統的設備廠商所不了解的。迷茫有如下幾點，第一，PHM準不準？第二，PHM怎么結合自身特點搞起來。第三，缺乏PHM人才。第四，你想來合作，你靠譜嗎？

PHM是一門學科，而且是一門新興學科，去年在軌交領域漸露頭角。PHM模型有三種路徑，一種是專家系統，一種是基于數據驅動，一種是基于模型驅動。個人認為比較合理的是基于數據和模型的雙驅動。因為專家知識更善于做定性處理，很難做定量處理，但是在實際生產環境中，復雜系統往往采集的數據是巨大的，簡單的專家系統作用有限。單純的基于模型驅動，受限于廠家不可能對于被測系統有著完全透徹的理解，存在部分黑盒的情況，這個時候，就需要數據來驅動。單純的數據驅動，面對數量眾多的數據，你很難做到有的放矢，大部分的工作將是盲目的，低效率的。而面對模型、數據雙驅動，能夠彌補彼此的缺點。什么是基于模型和數據的雙驅動呢？

首先我們需要建立一個非常逼真的模型，然后通過在系統的模型上進行測試和實驗，用最少的花費來獲得相對直觀有效的數據，而這個模型通常由業務領域專家和建模工程師來建立，這樣有利于我們后面對真實系統有針對性布置傳感器，采集有效數據，然后我們通過在真實系統上采集真實數據，反過來對模型進行標定，在現實生產中，往往有的部分你無法建立準確的模型，這個時候只能是用真實的數據通過機器學習算法（工業里機器學習算法應用更廣）來進行判斷。通過對于相關物理量的采集，數據預處理，分為訓練集、驗證集、測試集，然后訓練集數據導入算法里對算法進行訓練，通過驗證集進行調參，測試集進行驗證，最后比較不同算法的準確性，確定有效的算法模型。

整個過程對于技術團隊的要求顯然更高了，因為面對復雜系統PHM，需要機械、信號處理、數據挖掘、建模、算法、可靠性等多方面的工程師一起來協同工作，這樣才能保證我們最終PHM項目的成功，光請這些高智商的理工男工資就很可觀，更不要說相關技術經驗的多年積累，所以一般的小公司PHM玩不轉。而傳統的軌交設備廠商，在招收數據挖掘、算法方面的工程師的時候，講真，是有很大困難的，因為高校里相關專業設立時間很短，工程師沒有批量進入市場，這導致即使在大城市要想找相關的工程師也需要花費巨大，很多三四線城市更是人才奇缺。不過，這些也都算是一項新學科、新技術發展初期的特征吧。