3.3.2　面向SPdM网络的数据获取与维护决策

德国工业4.0、美国工业互联网和信息物理系统、中国制造2025驱动传统制造业利用物联网和大数据分析进行以知识为基础的智能化转型，通过网络为客户提供个性化的产品、服务和能力，打破了装备维护领域传统基于系统、子系统、部件高可靠性的保障要求，通过设备SPdM网络中MRO大数据驱动的智能预测性维护理论，关联与维护、维修和服务有关的信息，实现设备的寿命累计和预计以及面向MRO网络的大范围维护服务预测与优化配置。

在由备件供应和维护商、设备制造和维护商、设备使用商、领域专家、云平台提供商等协作主体构成的MRO服务网络中，智能预测性维护是一个高集成度、综合化的系统，由图3.6所示的设备在线健康评估、设备使用商的自主后勤保障及离线故障诊断与预测、设备运营商大规模维护服务预测与优化配置、信息物理系统接口（实现各功能多层次的互联）等功能构成，同时包含了面向设备智能预测性维护的内容。面向设备运营网络的智能预测性维护主要集中在面向设备SPdM网络的多源异构数据高质量获取与融合方法、大数据驱动的设备故障诊断与预测理论和方法、面向智能工厂的维护优化与决策、面向MRO网络的大范围维护服务预测与优化配置、基于信息物理系统CPS的运行过程控制等方面。

图3.6　面向设备SPdM网络的智能预测性维护内容

（1）面向设备运营网络的多源异构数据高质量获取与融合方法

在装备运营维护过程中，来自装备及部件运行状态、环境信息、运营业务、维护社交网络以及客户的产品及反馈等环境的数据量越来越庞大，逐渐形成了装备运营维护的大数据应用环境。一般而言，设备运行数据以及维护记录存储在设备使用商的服务器中，制造商甚至都无法接触到属于自己的设备相关数据，不利于开展针对生产设备的持续监督与全生命周期维护。那么，如何高质量地获取这些分布在各使用商处的数据信息？如何从这些大数据环境中通过算法搜索隐藏于数据中有价值的关联信息，进而支持装备及部件健康预测、需求预测以及服务优化决策建模？与传统数据获取和分析方法相比，大数据分析更加重视数据的数量，采用关联数据分析代替了传统的原因分析，并将原来模型驱动的应用变成了证据驱动的应用。在此情况下，需要研究面向MRO网络环境中的基于区块链的大数据共享与获取机制，以及多源异构数据处理分析、关联关系分析、大数据聚类融合、实时流处理和并行化处理等MRO大数据分析方法，实现运行状态数据、运营业务数据、社交维护网络交互数据以及客户反馈信息的融合与分类，支持设备故障预测与决策理论的建立。

（2）大数据驱动的设备故障诊断与预测理论和方法

由于影响设备健康状况的因素具有层次复杂性、关系模糊性、动态变化随机性和指标数据不确定性等，大量部件的劣化发展趋势呈现出非平稳随机过程，深度卷积神经网络适合于非平稳非线性信号的自动特征提取与故障分类，马尔可夫预测模型适用于这类随机波动性较大问题的预测，也能反映设备劣化过程微观波动的规律。另外，各部件健康状况的变化与时间间隔的长度也有关系，间隔越长，随机性以及不确定性越弱，趋势性越强，可以选择神经网络模型和贝叶斯模型对各部件健康参数进行趋势预测。因此，结合设备健康状况的行为特征量、运营业务数据、社交维护网络动态交互数据以及客户反馈数据等分类融合信息，研究建立融合深度CNN模型、马尔可夫模型和贝叶斯模型的多分类器融合模型从多个测度诊断和预测故障，并对未来部件健康状态融合进行综合评价。在此基础上，通过对设备运行环境及故障类型等大数据进行深度挖掘和分析，应用于集群设备的故障预测。

（3）面向智能工厂的维护优化与决策

面向网络中由故障引起的不确定性维护需求，研究基于故障预测模型的单一企业设备生产维护与备件库存联合优化模型，给出单一企业内生产、维护与备件库存的决策策略。

（4）面向MRO网络的大范围维护服务预测与优化配置

面向互联网环境中设备高不确定性的维护需求，从MRO网络内长期预测与优化区间内服务实时调度相结合的基于智能体维护服务协同优化调度，以及互联网范围内维护服务实时决策与调度三个方面，建立互联网支持的面向MRO网络的大规模维护调度与优化决策的基础理论，给出基于互联网协作的设备维护商、备件供应商优化条件，以及各协作企业协商最大利润的均衡策略，进而面向MRO维护网络中的注册会员群体，结合维护任务需求、服务人员的地理位置和工作任务状态等大数据信息，进行任务实时优化与决策。

（5）基于信息物理系统CPS的运行过程控制

制造领域信息物理系统具有以下特征：网络与制造设备高度集成，局部具有物理性，全局具有虚拟性；制造设备各组件都安装传感器与执行机构，具有在线通信、远程控制与各组件间自主协调等功能；组件上安装的传感器通过对设备状态的感知和反馈，将控制决策作用于执行机构，形成基于事件驱动控制的闭环过程；通过传感器采集设备状态信息，最终形成从预测模型到调节控制的信息数据传输模式，该模式融合各类信息并提供精确而又全面的信息；系统具有自学习、自适应、自主协同能力，高度自治，满足实时鲁棒性。根据这些特征，研究基于信息物理系统的设备运行控制方法，提出基于信息物理系统的设备运行控制框架，通过设备故障预测和维修仿真，实现运营过程的实时调节与控制；充分利用离线虚拟环境丰富的计算资源实施大数据分析方法，实现基于智能体的维护任务、备件库存和生产计划的协同联合优化，实现期望成本最小的维护决策。