Remaining useful life prediction using a nonlinear state-space model under random stress

巨大的风力发电机组依靠被称为回转支承（slewing bearings）的巨大旋转关节，将风能转化为电能，并支撑其沉重的部件。这些轴承是风电行业中沉默的功臣，它们支撑着风机的重量，并允许其转向迎风位置。然而，它们运行在一个恶劣的环境中，不断受到不可预测的力量冲击。风并不会稳定地吹拂；它会阵发、转向并减弱，产生一种混沌的载荷组合，使轴承内部的金属滚道和滚动体承受压力。随着时间的推移，这种持续不断的随机撞击会导致金属磨损和疲劳，最终导致失效。准确预测轴承何时损坏是工程师面临的一项关键挑战。如果预测过早，会造成更换仍完好部件的资金浪费；如果预测过晚，轴承会发生意外失效，导致昂贵的停机时间和潜在的安全隐患。目标是观察磨损迹象，并以足够的精度计算剩余使用寿命，以便能够及时安排维护。

几十年来，科学家们一直试图用两种主要方法来解决这个难题。一种方法依赖于物理定律，构建关于金属如何开裂和磨损的复杂数学模型。虽然在理论上是成立的，但由于无法完美测量旋转轴承内部的精确条件，这些模型往往难以应用于现实世界的机器。另一种方法是数据驱动法，即通过计算机学习过去的失效案例来预测未来的失效。当拥有海量历史数据时，这些方法效果很好，但在现实世界中，此类数据往往稀缺或不完整。第三条路径结合了这两者的元素，利用统计模型来追踪机器随时间退化的过程。这些模型将磨损视为一段随机的旅程，承认通往失效的路径很少是直线。然而，大多数现有模型都有一个盲点：它们通常假设机器承受的压力是稳定或可预测的，未能考虑到风及其产生的载荷所带来的混沌且随机的本质。

在最近的一项研究中，研究人员致力于通过开发一种预测风力发电机回转支承寿命的新方法来修复这一盲点。他们意识到，风阵和不均匀载荷引起的随机应力会加速退化过程，而标准模型会忽略这一点。为了捕捉这一现实，他们创建了一个复杂的预测框架，将轴承的磨损视为一场受不断变化的环境影响的旅程。该模型不再假设一条平稳的路径，而是引入了一个“随机应力”组件，承认冲击轴承的力量会在瞬间剧烈波动。他们还意识到，机器上的不同传感器——测量振动、温度和转动叶片所需的扭矩——讲述着不同部分的故事。有些传感器可能对突发的冲击反应迅速，而另一些则表现出缓慢且稳定的热量上升。研究人员建立了一个系统，能够同时监听所有这些信号，理解它们彼此之间以及与轴承隐藏内部状态之间的相互作用。

为了处理这些复杂且充满噪声的数据，团队采用了被称为“粒子滤波”（particle filter）的强大计算技术。想象一下，试图通过向你认为物体所在的位置投掷数千个微小的、隐形的飞镖，来追踪雾气弥漫的房间里移动的物体。标准方法可能会将所有飞镖集中在一个点上，如果那个点错了，整个猜测就会失败。研究人员通过一种“自适应增强型”（adaptive enhanced）算法改进了这一过程。这个更智能的版本会不断检查自己的猜测。如果它注意到飞镖聚集得过于紧密且位置错误，它会自动重新散布飞镖以探索其他可能性。这可以防止系统陷入错误的猜测，并确保它能考虑到多样化的潜在结果。通过将这种智能追踪方法与理解随机应力的模型以及多传感器交互作用相结合，他们创造了一个比以往方法能更清晰地观察轴承状况的工具。

研究人员使用从风力发电机回转支承中收集的真实数据（包括振动、温度和扭矩的测量值）测试了他们的新框架。他们将自己的方法与几种其他的预测策略进行了对比，其中包括忽略随机应力的简单模型，以及未考虑不同传感器之间相互作用的模型。结果显而易见：这种考虑了风的混沌特性以及传感器信号之间复杂关系的新方法，提供了最准确的预测。随着时间的推移，收集到的数据越来越多，预测的不确定性逐渐缩小，预计失效的时间也变得越来越精确。事实上，他们的模型甚至优于在相同数据上训练的高级人工智能系统，为轴承何时达到寿命终点提供了更可靠的估计。

该研究还强调了一个特定的权衡。虽然新模型具有高度的准确性，但其运行起来比简单方法更为复杂。它需要更多的计算能力来处理随机应力变量和多个传感器之间的相互作用。然而，对于像风力发电机这样关键的基础设施，一旦发生故障可能会造成昂贵且危险的后果，因此这种额外的复杂性是一项值得的投资。研究人员证明，通过承认现实世界的随机性而非试图将其平滑化，工程师可以对何时维护设备做出更好的决策。这项工作表明，机器健康监测的未来不仅在于收集更多数据，还在于构建能够真正理解机器每天面临的混沌且不可预测力量的模型。