基于资产关键性引导的旋转机械制造系统维护优化策略研究

《Additive Manufacturing》：Asset-criticality-guided optimization for rotating machinery maintenance decision-making considering the benefits of using prognostic techniques

本文针对制造系统中旋转机械的维护决策优化问题，提出了一种资产关键性引导的基于状态的维护（CBM）策略。研究人员通过整合蒙特卡洛模拟（MCS）和遗传算法（GA），构建了考虑退化工作效率和多种失效模式的净收益模型。研究结果表明，该策略能显著提升系统净收益，为复杂制造系统的维护管理提供了有效的决策支持。

　　

在当今竞争激烈的制造业环境中，旋转机械作为生产线的核心资产，其可靠性和运行效率直接决定了企业的生产能力和经济效益。然而，这些关键设备在长期运行过程中不可避免地会发生性能退化和功能失效，导致非计划停机、生产效率下降以及高昂的维护成本。传统的维护策略，如定期维护或故障后维修，往往存在过度维护或维护不足的问题，难以在保障设备可靠性和控制维护成本之间取得平衡。特别是对于由多个旋转机械串联组成的制造系统，单个设备的故障可能导致整条生产线的瘫痪，其连锁反应将造成巨大的经济损失。因此，如何科学地评估设备健康状态、精准预测剩余使用寿命（RUL），并在此基础上制定最优的维护决策，成为工业界和学术界共同面临的挑战。为了应对这一挑战，研究人员在《Additive Manufacturing》上发表了题为“Opportunistic maintenance decision-making for rotating machinery in manufacturing system with machinery criticality guidance”的研究论文，旨在开发一种数据驱动的智能维护优化框架。

为了系统解决上述问题，本研究团队开展了一项结合理论建模与仿真优化的综合性研究。研究人员首先对制造系统中的旋转资产进行关键性评估，依据其故障对系统整体效率的影响程度进行分级。在此基础上，构建了基于维纳过程的设备工作效率退化模型，以量化性能衰减对生产线产出的影响。同时，研究充分考虑了旋转机械可能出现的多种失效模式（包括完全失效和部分失效）及其不同的经济后果。核心研究方法包括利用最大似然估计（MLE）从历史数据中获取设备寿命分布参数，并采用蒙特卡洛模拟（MCS）来大量重复系统运行过程，以评估不同维护策略下的长期经济效益。最终，通过遗传算法（GA）对维护决策变量（包括预防性维护阈值p_pm、机会维护阈值p_om和监控资产关键性阈值τ）进行优化，以系统净收益最大化为目标，寻找最优的维护策略。

关键实验方法概述

本研究的方法学核心是集成建模与仿真优化。首先，基于制造系统的历史运维数据（包括设备故障时间、维修记录、生产效率损失等），采用最大似然估计（MLE）方法拟合各类型旋转机械的寿命分布（如威布尔分布）参数。其次，构建了描述生产线工作效率随设备健康状态（以RUL百分比p表示）退化情况的随机模型，通常采用维纳过程进行刻画。然后，通过大规模的蒙特卡洛模拟（MCS）来模拟在给定的维护策略下，系统在整个规划周期内的运行情况，包括随机故障事件、维护活动的执行（纠正性维护CR、预防性维护PR、机会维护OR）及其相应的成本和时间消耗。模拟过程中考虑了资产关键性对监控部署决策的影响，即仅对关键性高于阈值τ的资产进行连续状态监控。最后，利用遗传算法（GA）这一全局优化算法，在决策变量空间（p_pm, p_om, τ）中搜索能够使系统期望净收益（总产出收益减去总维护和监控成本）最大化的最优解。案例研究的数据来源于一个真实的加拿大纸浆厂，包含其多条生产线上的多种旋转设备（如减速器、电机、泵等）的运维记录。

维护策略与成本建模

研究人员建立了一个全面的维护决策框架。对于单个旋转机械，当其RUL百分比低于预设的预防性维护阈值p_pm时，计划进行预防性更换（PR）。当系统中某个设备因故障而需要进行纠正性维护（CR）时，触发机会维护（OR）策略：检查同生产线（线级OR）或整个制造系统（系统级OR）内其他设备的健康状态，若其RUL百分比低于机会维护阈值p_om且资产关键性ε≥τ，则一并执行预防性更换。维护成本模型细致区分了PR和CR的成本构成，CR成本通常更高，因为它包含紧急维修带来的额外生产损失和更高的劳动力成本（c_f= w_f· T_RL· δ_PF· c_l+ K · δ_PF+ c_r）。同时，模型也包含了为实施基于状态的维护而必需的连续状态监控所产生的年度成本C_sen,j。

工作效率退化建模

研究采用基于维纳过程的随机模型来刻画制造系统因设备性能退化而导致的工作效率损失L(t)。该模型将效率损失表示为设备RUL百分比（1-p）的函数，并包含漂移参数θ、扩散参数σ和形状参数a（L(1-p) = L(0) + θ(1-p)^a+ σB(1-p)）。模型参数通过最大似然估计法从历史生产效率数据中学习得到。系统的总效率损失由当前RUL最短（即健康状态最差）的那台设备决定，这体现了串联系统的特性。系统的净收益则通过积分计算有效生产时间（扣除效率损失的时间）所产生的收益，再减去总的维护和监控成本得到。

数值算例与案例分析

通过一个包含五个串联旋转机械的制造系统数值算例，研究验证了所提方法的有效性。与纠正性维护（CM）、不考虑机会维护的CBM（CBM-PR）、不考虑失效模式差异的CBM（CBM-WFM）以及不考虑资产关键性引导监控的CBM（CBM-WMC）等基准策略相比，提出的资产关键性引导的CBM策略始终能获得最高的期望净收益。敏感性分析表明，该策略在不同维护成本结构和监控成本水平下均表现出良好的鲁棒性。一个针对加拿大纸浆厂的真实案例研究进一步证实了该方法的实用价值。案例中包含了七类旋转设备（减速器、电机、输送机、泵、风扇、搅拌器、压缩机），优化结果确定了最优的维护决策阈值（p_pm=0.0614, p_om=0.0617, τ≥468）以及需要部署连续监控的高关键性资产（关键性≥468），显著提升了纸浆厂生产线的经济效益。

研究结论与意义

本研究成功开发并验证了一种数据驱动的、资产关键性引导的旋转机械机会维护决策优化框架。该框架的创新性在于将设备关键性评估、多失效模式经济性分析、工作效率随机退化建模以及维护活动的协同效应（机会维护）系统性地整合到一个统一的优化模型中。研究结论明确指出，通过优化选择需要进行连续状态监控的资产（基于关键性阈值τ），并动态决策预防性维护（PR）和机会维护（OR）的执行时机（基于阈值p_pm和p_om），可以显著提高制造系统的整体经济效益和资源利用率。该方法克服了传统维护策略的局限性，为复杂制造系统实现从被动维修向主动、预测性智能维护的转型提供了坚实的理论依据和可行的技术路径。这项研究成果对于提升现代制造业的运营可靠性、降低生命周期成本以及增强市场竞争力具有重要的理论和实践意义。