תחזוקה פרק 4 Chapter 4 – Condition Monitoring

פרק 4

ניטור המצב

4.1 שיטות תחזוקה

עם התפתחותה של הטכנולוגיה המודרנית, הדרישה לאמינותן של מכונות מכל סוג אפשרי הולכת וגדלה, כשזו דורשת מידע מדויק ועדכני לגבי מצב המכונה בכל רגע נתון. מצבה של המכונה וביצועיה תלויים בעיקר במצבם של הרכיבים. גם כאשר מדובר ברכיב מתוכנן ומעוצב היטב, וללא קשר לאיכות המוצרים והשיטות ששימשו בייצורו, כל רכיב נשחק במהלך אורך חייו ובסופו של דבר ייהרס, אם השימוש בו ממושך מספיק. קיימים גורמים כה רבים התורמים להתדרדרות הרכיב, הקשורים לסביבה, תכונות מכאניות ודפוסי לחץ ומאמץ, עד כי למעשה יהיה זה בלתי אפשרי לחזות את התפתחותם: שינוי קטן יחסית עלול לגרום להשפעה עצומה כאשר מדובר בתקופת שימוש ממושכת. באופן כללי, אקראיות היא גורם נוכח תמידית, הגורמת לכך שהערכה מדויקת לגבי מצבו של הרכיב היא בלתי אפשרית לצפייה מראש.

משמעות הדבר היא כי עבור כל מכונה, או מערך של מכונות, יש לבחור שיטה ספציפית של תחזוקה. תחזוקה מוגדרת, לפי EN 13306:2007, בתור “השילוב של כל הפעולות הטכניות, המנהליות והניהוליות המתבצעות במהלך אורך חייו של הרכיב, הנועדות לשמר או לשחזר מצב שבו הוא מסוגל לבצע את תפקידו הנדרש”. ניתן לסווג את שיטות התחזוקה השונות לשלושה סוגים עיקריים: תחזוקה מתקנת (corrective maintenance), תחזוקה מונעת (preventive maintenance) ותחזוקה חזויה (predictive maintenance) (או תחזוקה מבוססת מצב, condition based maintenance) [22].

אחת משיטות התחזוקה הראשונות שיושמו הייתה תחזוקת שבר (השייכת לתחזוקה המתקנת). המכונות פעלו עד שהתרחשה תקלה כלשהי, ורק אז בוצעו פעולות התחזוקה.

בעקבות שיטה זו, יושמה שיטה נוספת, הנקראת תחזוקה מבוססת זמן (השייכת לתחזוקה המונעת). בשיטה זו מוגדר אינטרוול זמן מסוים, והתחזוקה מתבצעת במרווחי זמן קבועים, ללא קשר לתקינות מצבו של הנכס הפיזי. עם ההתפתחות המואצת של הטכנולוגיה, רכיבי מכונות הפכו למורכבים ויקרים יותר, והדרישה לאיכותן ואמינותן של המכונות הובילה לאינטרוולים קצרים יותר ויותר, כשהתוצאה הייתה שתחזוקה מונעת מבוססת זמן הפכה לשיטת תחזוקה בלתי מעשית, בשל עלויותיה הגבוהות. החיפוש אחר שיטת תחזוקה חדשה התחיל שוב.

התרחיש האידיאלי הוא כי יהיה בידינו מידע לגבי מצבו המדויק של כל רכיב בכל רגע נתון, ונפעל רק כאשר הרכיב מתקלקל. מטרה זו הפכה לאפשרית במידה בשל התפתחות הטכנולוגיה, כלומר פיתוח חיישנים מדויקים יותר ומערכות רכישת נתונים משופרות, המאפשרות טווח נרחב של פתרונות בעלות נמוכה יותר.

הקונספט הראשון של תחזוקה מבוססת מצב פותח לראשונה על ידי חברת הרכבות ריו גראנדה (the Rio Grande Railway Company), בשנות ה-40 המאוחרות, תחת הסיווג של תחזוקה חזויה [22]. מאז, שיטות תחזוקה חדשות השייכות לקטגוריה של תחזוקה מבוססת מצב שגשגו והוכיחו עצמן כאמינות ומשתלמות יותר. כיום, שיטות אלו מהוות דרישה חיונית עבור השימוש ברוב המכונות הקיימות.

4.1.1 תחזוקה מבוססת מצב מול תחזוקה מבוססת זמן

כפי שנראה בהמשך, תחזוקה מבוססת זמן עשויה להיות בחירה מוצלחת יותר מתחזוקה מבוססת מצב, עבור מקרים מסוימים.

תחזוקה מבוססת זמן היא קלה יותר להטמעה, מכיוון שמרגע שיחידה מסוימת נמצאת בשירות, זהו הנתון היחיד הדורש תיעוד. עם זאת, כמות משמעותית של משך החיים השימושי הנותר עלולה להתבזבז אם הנכס מושלך כשהוא עדיין במצב סביר, או שעלולה להתרחש תקלה אם ההתדרדרות מתרחשת בקצב מהיר מהצפוי.

היתרונות וההצלחה של תחזוקה מבוססת מצב תלויים באופן משמעותי באופי תהליך ההתדרדרות וחומרת הכשלים. גורמים פרקטיים מסוימים המשפיעים על דיוק ואמינות הנתונים הנאספים עלולים להשפיע באופן חמור על תוצאותיה של שיטת תחזוקה זו.

תחזוקה מבוססת מצב צריכה להיות מיושמת אך ורק כאשר התועלת היחסית (חסכון בעלויות) עולה על המאמץ והעלות של היישום במהלך אורך החיים המלא. היכולת להחליף בין תחזוקה מבוססת זמן לתחזוקה מבוססת מצב הינה חיונית על מנת להטמיע באופן מוצלח ציוד ותוכנות שיאחסנו, ינתחו וייזמו פעולות תחזוקה.

לפיכך, יהיה זה חשוב להבין האם קיימת הצדקה לעבור מתחזוקה מבוססת זמן לתחזוקה מבוססת מצב. אם נניח כי שתי השיטות פועלות תחת תנאים אופטימאליים, הביצועים של תחזוקה מבוססת מצב הם מוצלחים בהרבה מאשר אלו של תחזוקה מבוססת זמן, אך במצבים ריאליים, תוצאה זו אינה מתקיימת בהכרח. בחלק מהמקרים, שילוב כזה או אחר של שתי שיטות אלו מבטיח את התוצאות הטובות ביותר.

דה-ג’ונג (De Jong) ועמיתיו [23] חקרו כיצד ההשפעה של גורמים פרקטיים (משך התכנון, מידע חלקי לגבי המצב ורמת כשל בלתי ודאית) עלולה להשפיע על היתרונות של תחזוקה מבוססת מצב על פני תחזוקה מבוססת זמן. סקירה תמציתית של ניתוח זה תוצג בהמשך.

קיימים מספר מחקרים מבוססים, [24] ו-[25], התומכים בכך שהיתרון היחסי של אסטרטגיה מבוססת מצב אכן גדל במונחי עלות ההחלפה היחסית וכי החיסכון בעלויות הוא משמעותי יותר עבור פרקי זמן קצרים בין הבדיקות. לפיכך, קיים קשר ברור בין היתרונות של שיטה זו לבין עלות ההחלפה ופרק הזמן בין הבדיקות.

גורמים אחרים, כמו אופי תהליך ההתדרדרות ועלות התחזוקה המונעת, משפיעים על התועלת הכללית של שיטה אחת על פני האחרת. מסתבר כי אופי תהליך ההתדרדרות הינו חשוב הרבה יותר מאשר העלות של ביצוע תחזוקה מונעת. הבדלי העלויות בין תחזוקה מבוססת מצב לבין תחזוקה מבוססת זמן הם משמעותיים עבור רמות קטנות של שונות בתהליך ההתדרדרות, אך כאשר רמות אלו גדלות, ההבדל בעלויות קטן. רק כאשר מדובר בעלויות תחזוקה מונעת גדולות או קטנות באופן קיצוני, התועלת של תחזוקה מבוססת מצב הופכת מוגבלת; אך כאשר עוסקים במגוון רחב של עלויות תחזוקה מונעת, החיסכון בעלויות הינו נכבד.

היעילות של שתי שיטות התחזוקה תלויה בגורמים שונים, כמו לדוגמא חריגה של תהליך ההתדרדרות (כלומר הכשל עלול להתרחש מוקדם מהצפוי/חזוי). עבור ניטור מבוסס מצב, מידת הדיוק של התחזית מושפעת באופן משמעותי על ידי איכות הנתונים הקיימים. השיטות לניתוח רעידות ושמן, לדוגמא, ידועות כבלתי מדויקות באופן מיוחד. על מנת לחקור את השפעתם של גורמים פרקטיים על התועלת של תחזוקה מבוססת מצב על פני תחזוקה מבוססת זמן, נבחן שלושה פרמטרים ב”משקלים” שונים, נזין אותם למודל מתמטי ונבחן את התוצאות. שלושת הפרמטרים הנלקחים בחשבון הם: משך התכנון (planning time), מידע חלקי לגבי המצב (imperfect condition information) ורמת כשל בלתי ודאית (uncertain failure level).

משך התכנון מייצג את ה”עיכוב” שבין הרגע בו ברור כי נדרשת תחזוקה מסוימת (כאשר ניטור מבוסס זמן מזהה פגם כלשהו) לבין הרגע שבו פעולות התחזוקה מתבצעות בפועל (לא תמיד מדובר בתגובה מיידית; ייתכן והתחזוקה תהיה תלויה בזמינות של איש מקצוע או חלקים רזרביים). ההנחה היא כי עבור תחזוקה מבוססת מצב, תמיד קיימת אפשרות לבצע את התחזוקה הנדרשת על בסיס הנתונים שהוגדרו מראש. מידע חלקי לגבי המצב מייצג את אי-הודאות שבייזום פעולות תחזוקה בהתבסס על הנתונים שנרכשו. כאשר גורם זה גדל, תוצאות הניטור יהיו גרועות יותר. מכיוון שטעויות המדידה משפיעות רק על המידע הנצפה, גורם זה אינו משפיע על תחזוקה מבוססת זמן. רמת כשל בלתי ודאית מייצגת את החריגה בתהליך ההתדרדרות. ככל שהחריגה גדלה, השונות במשך הזמן הקודם לכשל תגדל גם היא. גורם זה משפיע גם על תחזוקה מבוססת מצב וגם על תחזוקה מבוססת זמן.

איור 4.1: שיעור העלות תחת אסטרטגית TBM (תחזוקה מבוססת זמן) אופטימאלית ותחת אסטרטגיית CBM (תחזוקה מבוססת מצב) אופטימאלית.

a) שיעור העלות כפונקציה של משך תכנון s.

b) שיעור העלות עבור רמות אי ודאות שונות σp במידע ההתדרדרות הקיים.

c) שיעור העלות עבור רמות אי ודאות שונות σf ברמת הכשל.

משך הזמן הדרוש ומידע חלקי לגבי המצב משפיעים רק על תחזוקה מבוססת מצב, בעוד שאי ודאות לגבי רמת הכשל משפיעה על שתי השיטות (אם כי היא בעלת השפעה משמעותית יותר על תחזוקה מבוססת מצב מאשר על תחזוקה מבוססת זמן).

החיסכון בעלות של תחזוקה מבוססת מצב על פני תחזוקה מבוססת זמן צונח ליניארית במשך התכנון, עד שהוא מגיע לאפס כאשר ערך זה מגיע לגבול שלו (כאשר משך התכנון שווה לגיל התחזוקה של אסטרטגיית התחזוקה מבוססת הזמן האופטימאלית).

כאשר ניטור המצב הוא חלקי, למרות שהחיסכון בעלויות עבור ערכים קטנים הינו נכבד, עבור ערכים גדולים קיים רגע מסוים שבו תחזוקה מבוססת מצב מציגה ביצועים גרועים יותר מאשר תחזוקה מבוססת זמן, וכך תחזוקה מבוססת זמן הופכת למשתלמת יותר.

כאשר קיימת אי ודאות לגבי רמת הכשל, החיסכון היחסי בעלויות פוחת, אך הוא נותר חיובי תמיד.

כל הגורמים האלו יכולים להשפיע באופן משמעותי על התועלת של תחזוקה מבוססת מצב על פני תחזוקה מבוססת זמן, אם כי בסך הכול, תחזוקה מבוססת מצב מציגה ביצועים טובים יותר מאשר תחזוקה מבוססת זמן.

4.2 תחזוקה מבוססת מצב

בניגוד לתחזוקת שבר ותחזוקה מונעת, תחזוקה מבוססת מצב מתמקדת לא רק בגילוי תקלות ואבחון רכיבים, אלא גם בניטור התדרדרות וחיזוי כשלים [22], ובכך מאפשרת זמן השבתה מינימאלי ומונעת נזקים ממושכים.

קיימות מספר הגדרות לתחזוקה מבוססת מצב. הסטנדרט הבריטי BS/ISO 13379 – 1:2012 מגדיר זאת בתור “מדיניות התחזוקה המתבצעת בתגובה להתדרדרות משמעותית במכונה, כפי שהיא מתבטאת באחד הפרמטרים המנוטרים של מצב המכונה”. לפי מאמר שפרסמו קותאמאסו (Kothamasu) ועמיתיו [26], ההגדרה היא “אסטרטגיית קבלת החלטות שבה ההחלטה לבצע תחזוקה מתקבלת על ידי ניטור מצב המערכת ו/או מרכיביה”. למרות שהגדרות אלו מדייקות בתיאור מטרת שיטת תחזוקה זו, הן אינן מפרטות את האספקטים הטכניים, בניגוד להגדרה של בוצ’ר (Buthcer) [27]: “סט של פעולות תחזוקה המבוסס על אומדן בזמן-אמת או בקירוב אליו של מצב הציוד, המושג באמצעות חיישנים פנימיים ו/או מדידות ובחינות חיצוניות הנערכות בעזרת ציוד נייד”.

קיימים מספר יתרונות המצדיקים את השימוש בשיטת תחזוקה מבוססת מצב [22]:

* היא מספקת אזהרות מראש לגבי כשלים העומדים להתרחש, וכך מונעות כשלים הרסניים בלתי צפויים;

* היא מסוגלת לגלות תקלות בשלב מוקדם, וכך לאפשר תחזוקה מתוכננת ראויה. יתרון זה נוגע בנוסף לניהול בטיחות המוצר, מכיוון שכך ניתן להגביר את הבטיחות על ידי איתור בעיות לפני שהן מתרחשות;

* היא מאפשרת למערכת להמשיך לפעול כל עוד הביצועים שלה מתרחשים בתוך גבולות מוגדרים מראש;

* היא מגבירה את דיוק צפיית הכשלים;

* היא מאפשרת תחזוקה מתוכננת וחסכונית יותר, בכך שהיא מפחיתה בדיקות בלתי נחוצות ומצמצמת את האינטרוולים של תחזוקה מבוססת זמן באופן אמין;

* היא מסייעת להליכי האבחון;

* היא אטרקטיבית עבור ספקי שירות התחזוקה, ככלי לניטור איכות המוצרים בזמן תקופת האחריות;

* היא משפרת את היצרנות ומאפשרת אופטימיזציה של הליך הייצור;

* היא מאפשרת אמינות באיכות גבוהה, משפרת את שביעות רצון הלקוח ומונעת סיכוני עלות הנובעים מחוסר שביעות רצון לגבי איכות המוצר.

למרות כל היתרונות האלו, לניטור המצב יש גם מספר חסרונות:

* הוא כולל עלות השקעה גבוהה;

* הוא דורש התקנה ושימוש בציוד ניטור;

* הוא דורש פיתוח מודלים ואסטרטגיית קבלת החלטות, תהליך ארוך במיוחד עבור נכסים חדשים;

* הוא דורש צוות עובדים מיומן.

ניטור המצב יכול להיות כלי רב ערך המאפשר חיסכון משמעותי, אך יש לשקול היטב את אופן היישום שלו. תהליך זה תלוי בסוג המוצר, מחזור החיים שלו וחשיבותו עבור המערכת הכללית. לשם המחשה, בשנת 2003 החיסכון השנתי הנובע משימוש בטכנולוגיות ניטור מצב בארצות הברית נאמד בכ-35 מיליארד דולר [28], אך ב-2011, רק 30% מכלל הציוד ההנדסי הרוויח משיטה זו [29].

עבור מפעלים בקנה מידה גדול ומוצרים רבי ערך, תחזוקה מבוססת מצב היא תמיד השיטה המומלצת מכיוון שכשלים במוצר עלולים לגרום להפסדים נכבדים. עבור מוצרי ייצור המוני, ייתכן ויעילות שיטה זו אינה מובטחת במונחי עלות התחזוקה.

ניטור מצבם של מסבים יכול להתבצע על בסיס איסוף סוגי נתונים שונים. הסוגים הנפוצים ביותר הם: רעידות, ניתוח שמן/פיסות שברים (debris), פליטות טמפרטורה או רעש.

ניטור רעידות הוא השיטה האמינה והמתוקננת ביותר, והוא מאפשר להגיב מיידית לשינויים ולאתר את הרכיב הפגום. עם זאת, היישום של שיטה זו הוא יקר ופולשני.

ניתוח שמן מאפשר לאתר את סוג הכשל ומיקומו ולאמוד בקלות את מצבו של המסב. הציוד הנדרש הינו יקר וניתן ליישמו רק עבור מסבים הנעזרים במערכת אספקת שמן, בעוד שקשה ליישמו לגבי מסבים בסיכוך גריז ובלתי אפשרי להשתמש בו על מסבים אטומים.

השיטות לניטור הטמפרטורה הן מתוקננות ומסוגלות לגלות רק אזורי עבודה חריגים. קשה לגלות כשלים העומדים להתרחש מפני שעלייה משמעותית בטמפרטורה מתרחשת רק בשלבי החיים האחרונים, עובדה ההופכת שיטות אלו לבלתי יעילות בחיזוי ואבחון מצבם של מסבים.

ניטור פליטות רעש יכול לגלות כשלים קרובים, ואם מיישמים אותו בהקפדה, הוא יכול להניב יחס גדול של אות לרעש. מדובר בשיטה יקרה הדורשת תדירות דגימות גבוהה.

בנוסף, מוצרי מטרה נחשבים כמערכת יחידה עצמאית ואינם חלק ממערכת משולבת. עבור מערכות מורכבות, הניטור יכול להתבצע ברמת הציוד, כשכל חלק בציוד נבדק לפי הסדר.

4.2.1 הליכי תחזוקה מבוססת מצב

בדרך כלל [31], ניטור מבוסס מצב מתבצע לפי הסדר הבא:

1. איסוף נתונים לגבי מצב המוצר וניטור (רכישת נתונים): הגדרת סוג הנתונים עליהם יש לפקח (ניתוח שמן, רעידות, טמפרטורה, רעש וכדומה) ואילו נתונים יש לאסוף; התקנת חיישנים (באופן מחווט או אלחוטי); חיבור החיישנים למערכת ניטור ומסד נתונים מתאימה.

2. טיפול במידע הנתון (עיבוד נתונים): שיטות לעיבוד אותות לצורך ביטול רעשים, שיפור תכונות האות וכדומה.

3. אבחון (דיאגנוזה) (ניתוח נתונים): איתור כשלים; בידוד הכשל וקביעת מיקומו; זיהוי הכשל וקביעת מצב הכשל. האבחון דורש בדרך כלל עיבוד נתונים קודם/מאוחר, פירוש נתונים ומיזוג נתונים.

4. חיזוי (פרוגנוזה) (ניתוח נתונים): אומדן הזמן עד התרחשות הכשל; הסיכון של מצב הכשל והסבירות כי הוא יתרחש; קביעת צורות כשל עתידיות אפשריות. בדרך כלל ניתן לאמוד ולחזות באופן זה את אורך החיים השימושי הנותר ואינדקס בריאות המערכת.

5. פעולות תחזוקה (תמיכה בהחלטות תחזוקה): הוצאה לפועל של פעולות תחזוקה מתאימות כמו תיקון, הותרת המצב כמות שהוא והשלכת הרכיב.

תהליך זה בדרך כלל מתחלק לארבעה צעדים עיקריים [31], [32]:

רכישת נתונים

זהו השלב הראשון של תחזוקה מבוססת מצב, שבו המידע הרלוונטי נאסף ומאוחסן. ניתן לסווג את הנתונים שנרכשו בתור נתוני אירוע או נתוני ניטור המצב. סוג הנתונים הראשון מיידע אותנו לגבי התקריות שהתרחשו ולגבי הצעדים הדרושים. נתוני ניטור המצב כוללים את הנתונים לגבי מצבו הבריאותי ותפקודו של הנכס הפיזי. הנתונים הנאספים הם חשובים ביותר (גם נתוני אירוע, שבדרך כלל נוטים להתעלם מהם). רשימה מעודכנת ומסודרת של התקריות והצעדים שננקטו יכולה לסייע מאוד לתכנון העתיד.

המידע נאסף באמצעות חיישנים וכולל ערכים לגבי הרעידות, ניתוח השמן, הטמפרטורה, הלחות וכן הלאה.

עיבוד נתונים

עיבוד נתונים מאפשר למידע שנאסף קודם לכן לעבור טיפול וניתוח, וכך להשיג פרשנות מדויקת יותר של הנתונים. ניתן לסווג את הנתונים הנאספים לשלוש קטגוריות: ערכים (value type) (הנתונים נאספו בתקופת זמן ספציפית ומתוארים באמצעות ערך בודד); צורת-גל (wave-form type) (הנתונים שנאספו מהווים סדרה עתית); רב-ממדיים (multidimensional type) (הנתונים שנאספו הם רב-ממדיים).

בצעד זה, הנתונים עוברים תחילה תהליך ניקוי (במיוחד נתוני אירוע) על מנת להפטר מטעויות אפשריות, היכולות להיגרם בשל טעות אנוש או תקלות בחיישנים. לאחר מכן הנתונים נכנסים לשלב השני, עיבוד הנתונים, המוכר גם בתור עיבוד אות עבור נתוני צורת-גל ונתונים רב-ממדיים. קיימות מספר שיטות לעיבוד האות מהן ניתן לבחור. בחלק הבא, נפרט את עיבוד האותות עבור נתוני צורת-גל (זהו סוג הנתונים העיקרי בו נעסוק במאמר זה).

ניתוח נתונים

השיטות לניתוח נתונים מתחלקות לשתי קטגוריות עיקריות: אבחון וחיזוי. אבחון מאפשר זיהוי כשלים באמצעות גילוי ובידוד של סוג כשל מסוים. כאשר מתגלה תגובה אבנורמאלית במכונה, הכשל עובר בידוד מהאות וניתן לזהות את הרכיב הפגום ואת אופי הכשל.

חיזוי מאפשר גילוי של הרגע בו הכשל יתרחש ואומד מתי הכשל יקרה, ומה הסבירות כי הוא אכן יתרחש. בנוסף לתחזית לגבי אורך החיים הנותר של הרכיב, הוא יכול לאמוד גם את התפתחות הבלאי.

החיזוי מתבצע לפני התרחשות הכשל והוא מועיל במיוחד בכך שהוא מצמצם לאפס את משך ההשבתה. כאשר מיישמים שיטות חיזוי, שיטות האבחון אמורות להיות בלתי נחוצות, אך ניתן ליישם את שתיהן בו-זמנית, בחירה רבת ערך עבור מקרים בהם השיטה הראשונה אינה עובדת כיאות.

אבחון וחיזוי נכון של כשלים תלוי באופן משמעותי בטיפול יעיל באות הרעידות הנוצר. הדרישות הבאות יכולות להיות מטופלות באמצעות שיטות עיבוד האותות, אך ניתן גם לשלבן בניתוח הנתונים:

* רכישה מדויקת של האות הכושל:

  – הסרת רעשים;

  – העשרת התכונות האימפולסיביות;

  – רזולוציה גבוהה בתחום תדירות הזמן;

  – יכולת טיפול בתכונות ניידות ולא-ליניאריות של האות;

* יכולת טיפול בתכונות התפקוד של מסבים:

  – איתנות השיטה תחת תנאי מהירות ופעולה שונים;

  – הסרת הפרעות הנגרמות מגורמי רעידות אחרים;

* היכולת לספק תוצאות מתאימות:

  – זיהוי תדירות מאפייני הכשל;

  – חילוץ תכונות הכשל;

  – אומדן גודל הפגם והזמן הנותר עד ההתרחשות;

* דרישות עיבוד האות:

  – בזבוז זמן מינימאלי;

  – פשטות התפעול;

  – אספקת תוצאות חיזוי/אבחון מהירה;

למרות שקיים מגוון רב של שיטות לניטור מסבים, יש מספר תחומים שטרם נחקרו כיאות: מרבית השיטות לניתוח כשלים מסוגלות להתמקד רק בפגם בודד, אינן לוקחות בחשבון את המצב המשתנה של הפגם במהלך שלבי ההתדרדרות, ואינן מסוגלות לאמוד את גודל הכשל.

תמיכה בהחלטות תחזוקה

תמיכה בהחלטות תחזוקה היא הצעד האחרון, המאפשר להמליץ על מדיניות תחזוקה יעילה. יש לבסס מספר סוגיות הנוגעות לקבלת החלטות: קביעת תדירות הבדיקות, ביסוס הגדרות זהירות, פיתוח שיטת קבלת החלטות על מנת לבחור בפעולות התחזוקה המשתלמות ביותר (כלומר ההבנה איזו אפשרות תחזוקה היא עדיפה במצב נתון, במונחי עלות התחזוקה).

לדוגמא, ניתן לבצע מדידות חיישנים באינטרוולים קבועים או באופן רצוף ובזמן-אמת, שהיא הדרך הטובה ביותר לנתח את מצב המוצר. אם הניטור מתבצע באופן רצוף, עומס הנתונים הנאסף יהיה כבד, מה שיוביל לעלויות גבוהות יותר. כלומר, שיטה זו הינה בלתי משתלמת. האפשרות העדיפה היא לבסס את איסוף הנתונים על תקופת זמן מסוימת (כמובן שהיעילות תלויה בשאלה האם האינטרוול שנקבע הוא מתאים והאם תקופת הזמן היא נכונה בהתאם לגודל הנתונים שנאספו).

כאשר שוקלים את האפשרויות הקיימות לגבי מתי, איך ואיזו תחזוקה עלינו לבצע, עלינו לבנות מודלים של עלות התחזוקה. השוואה בין מודלים שונים של עלות היא אחת הדרכים הטובות ביותר לבחירת לוח הזמנים המשתלם ביותר. ניתן לתכנן בנוסף תכניות פעולה כאשר שוקלים את המסגרת הכללית המשלבת רכישת נתונים, עיבוד נתונים, ניתוח נתונים ותמיכה בקבלת החלטות תחזוקה.

טבלה 4.1: ארבעת הצעדים העיקריים של הליך תחזוקה מבוססת מצב.

רכישת נתונים	עיבוד נתונים	ניתוח נתונים	תמיכה בהחלטות
סוג הנתונים:   – נתוני אירוע   – נתוני ניתוח המצב סוג הנתונים:   – ערך   – צורת-גל –  רב-ממדיים	שיטות:   – תחום הזמן   – תחום התדירות   – תחום תדירות-זמן	שיטות אבחון:   – מבוססות נתונים   – מבוססות מודל שיטות חיזוי:   – מבוססות ניסיון   – מבוססות מודל   – מבוססות נתונים	– מודלי תחזוקה   – תכניות פעולה   – לוח זמני תחזוקה

4.3 עיבוד נתונים

4.3.1 שיטות עיבוד אותות

קיימת קשת רחבה של שיטות לעיבוד אותות בהן ניתן לבחור עבור יישום מסוים, וניתן אפילו לתכנן שיטות חדשות מאפס. ניתן גם לשלב בין מספר שיטות קיימות על מנת לקבל את התוצאות הטובות ביותר לגבי מצב המערכת.

בחלק הבא נפרט את השיטות לעיבוד אותות עבור ניטור מסבים. שיטות אלו יחולקו לשלוש קבוצות: שיטות מתחום הזמן (time domain), שיטות מתחום התדירות (frequency domain) ושיטות תדירות-זמן (time-frequency), כפי שניתן לראות בטבלה 4.2.

טבלה 4.2: תקציר שיטות עיבוד האותות בהן נדון בפרק זה.

תחום	שיטה	הערות
זמן תדירות תדירות-זמן	מומנטים סטטיסטיים שיטות אוטו-רגרסיביות התמרת פורייה מהירה ניתוח מעטפת קורטוזיס ספקטראלי וקארטוגראמה קפסטרום ניתוח גלונים Matching pursuit דה-קומפוזיציית מצב אמפירי והתמרת הילברט-הואנג	מחשבים פרמטרים סטטיסטיים המאפשרים להגדיר ערכי-סף או להשוות בין אותות של מסבים בריאים/פגומים. האות מעובד בעזרת מודלים אוטו-רגרסיבים המשמשים לחיזוי ערכי האות, כך שניתן לגלות את החריגה של האות האמיתי. מאפשרות לחלץ את תכונות האות. מאפשרת להמיר את האות מתחום הזמן לתחום התדירות. מאפשרת פלט של ספקטרום תדירות, ומקלה על גילוי התדירויות האנרגטיות יותר. זהו בדרך כלל השלב הראשון בשיטות מורכבות יותר. היעילות של שיטה זו תלויה בבחירה נכונה של סרטי תדרים. האות עובר דה-מודולציה, ולאחר בניית ספקטרום המעטפת, ניתן לגלות את תדירות ההישנות של האימפולס (impulse) המגיע מהאות. המומנט הרביעי של האות (קורטוזיס) מחושב עבור כל תדירות. הוא מאפשר גילוי של אותות אימפולס והתדירות שלהם. הספקטרום מגלה את הרכיבים המחזוריים של מחזוריות  תחום הזמן, והקפסטרום משמש לגילוי המחזוריות בספקטרום. מאפשר להסיר את הרכיבים המחזוריים של התדירות המבוקשת של תדר הספקטרום. מאפשר דה-קומפוזיציה של האות דרך סדרה של פונקציות אוסילטוריות, אותן ניתן להזיז (shift) ולהרחיב (dilation) במשך הזמן. ניתן לראות בתוצאות הליך זה כסט של תגובות אימפולס מסוננות, המאפשרות גילוי של כשלים. מבצע דה-קומפוזיציה של האות לחלל דו-ממדי המורכב מזמן ותדירות. מאפשר לגלות את האימפולסים והמיקום שלהם בזמן ובתדירות. האות עובר דה-קומפוזיציה למרכיבים הנקראים פונקציות מצב מהותי (intrinsic mode functions), המכילות סרטי תדרים שונים. התמרת הילברט-הואנג מנתחת פונקציות אלו, מגלה תכונות לוקאליות ומפרידה בין התרומות של מקורות רעד שונים.

סקירה זו אינה מהווה פירוט ממצה של כל השיטות הקיימות, אלא מספקת תיאור כללי של חלק מהשיטות המשמשות לאבחון מסבים. בהמשך נספק הגדרה קצרה ואחריה פירוט היתרונות והחסרונות ואופן היישום של כל שיטה. סקירה נרחבת יותר של המחקרים שצוינו מעלה נמצאת בהערה [33].

שיטות תחום הזמן

שיטות השייכות לתחום הזמן מייצגות את העבודות המוקדמות ביותר לגבי שיטות עיבוד אותות, ומבחינה היסטורית, הן השיטות הישנות ביותר. ניתוח תחום הזמן מבוסס על צורת-גל הזמן כשלעצמה, והוא יכול לכלול חישובים לגבי תכונות סטטיסטיות תיאוריות כמו גורם קרסט (crest), שיא (peak), ממוצע, אינטרוול שיא לשיא (peak to peak), שורש ממוצע ריבועים, סטיית תקן, קורטוזיס, צידוד וכדומה, הנובעות מהנתונים. ההנחה היא כי כל כשל אפשרי ניתן לניטור באמצעות פרמטרים אלו. גורם קרסט וקורטוזיס קשורים בדרך כלל לפגמים תחיליים, בעוד ששורש ממוצע הריבועים, הקשור ברמות אנרגיה גבוהות, מצביע על חומרת הפגמים [10]. השימוש בסדרות עתיות יכול להוות שיטה מוצלחת יותר, עם השפעה חיובית על התוצאות. עם זאת, שיטה זו אינה מתאימה לניטור מקוון (online), מכיוון שהיא אינה מזהה את הפגמים האחראיים להתדרדרות ופעמים רבות גורמת לאזעקות כוזבות עבור אותות עם התפלגות הסתברותית לא-גאוסיאנית [34].

כתוצאה מקיומה של שונות רבה במהירותם של מסבי סיבוב איטי, תחום הזמן הוא מתאים יותר לניטור המצב של מסבי סיבוב איטי. אחד האתגרים הקשים ביותר בשיטות אלו הוא רכישת המידע המועיל ביותר והיכולת לקשרו לאבחון או חיזוי. הדיוק שלהן תלוי במידה רבה ברגישות ואיכות התכונות שנאספו ונבחרו לטובת ביצוע הניטור.

קיימות מספר שיטות בהן ניתן להיעזר על מנת לבצע ניתוח תחום זמן:

פרמטרים סטטיסטיים: ניתן לבצע ניתוח אות פשוט בהתבסס על פרמטרים סטטיסטיים חישוביים, כמו קורטוזיס, ערך שורש ממוצע הריבועים (RMS), ממוצע, שיא, אינטרוול שיא לשיא, סטיית תקן, גורם קרסט וכן הלאה.

מכיוון שכל כשל מייצר אות אקוסטי משלו, ניתן לגלות את הסימפטומים בהתבסס על האמפליטודה והתדירות של האות. לרוע המזל, איסוף האותות נוטה לכלול רעש ומידע לגבי רעידות אקטיביות ממקורות אחרים (רכיבים מכאניים שונים), העשויים להעפיל על האות הרצוי.

חלק מהפרמטרים הסטטיסטיים שצוינו, ובמיוחד ערכי הקורטוזיס, גורם הקרסט והצידוד, יכולים לספק לנו אינדיקציה טובה לגבי קיומם של כשלים, וצידוד מנורמל וקורטוזיס מנורמל הם מועילים בגילוי כשלים במסבים בשלב מוקדם. מומנטים סטטיסטיים הם חסרי רגישות לשינויים במצב העומס והמהירות. למרות זאת, פעולת ניטור המבוססת רק על פרמטרים אלו עלולה להתגלות כפשטנית וחסרת יעילות, מכיוון ששיטות ניתוח חתימה אינן יעילות במיוחד בצמצום השפעתם של רעשים והפרעות.

שיטות מומנטים סטטיסטיים היו הראשונות שיושמו בנוגע לתחזוקה מבוססת מצב. קיימים מספר מחקרים המבוססים על שיטות אלו, קודם ל-2001, אשר מצוינים בהערה [33]: ערכי שורש ממוצע הריבועים שימשו בהצלחה באבחון כשלים במסבים. הוגדר ערך-סף המבוסס על ערך ה-RMA, מה שאפשר גילוי של השפעות אמפליטודות גבוהות קצרות טווח;

מחקר אחר, דומה באופיו, ביסס את ערך-הסף על ערך הקורטוזיס (בניגוד לערך של RMS);

נמצא כי עבור אבחון שלבים מוקדמים של כשלי מסבים, הערכים של צידוד וקורטוזיס מנורמלים הם הפרמטרים הטובים ביותר אותם יש לשקול. התוצאות מראות כי מומנטים סטטיסטיים אלו אינם רגישים לשינויים במצב העומס והמהירות וניתן ליישמם ביעילות;

מחקר אחר השווה את השימוש בגורם קרסט, קורטוזיס וצידוד לשימוש בפרמטרים סטטיסטיים המסתמכים על פונקצית התפלגות-בטא באבחון מסבים. נמצא כי אין יתרונות משמעותיים בשימוש בפרמטרים סטטיסטיים המבוססים על פונקצית התפלגות-בטא לגבי גילוי וזיהוי של פגמים במסבים.

שיטות אוטו-רגרסיביות: ניתן להיעזר בגישות תחום זמן מתקדמות יותר, כאשר מיישמים מודלי סדרה עתית לגבי נתוני צורת-גל. זאת מכיוון שנתוני צורת-גל נכללים בתוך מודלי סדרה עתית פרמטריים, וכך ניתן לשאוב תכונות המבוססות על מודל זה. אחד המודלים הפופולאריים ביותר הוא המודל האוטו-רגרסיבי.

מודל אוטו-רגרסיבי יכול לשמש עבור בניית מודל של אות הרעידות, ולחזות את ערכיו בהתבסס על ערכים קודמים. ניתן לזהות שינויים במצב המכונה באמצעות השוואת האות הצפוי לאות הנמדד [35]. מודלים אלו יעילים במיוחד כאשר מנתחים אותות קצרים. באמצעות מודל זה, ניתן ליצור ספקטרומים של תדירות ולהשיג מידע כמו ממוצע אריתמטי, ממוצע גיאומטרי, ממוצע שורש ריבועים של מסנן מתואם, ממוצע שורש ריבועים של הבדלים ספקטראליים, וסכום ריבועי ההבדלים, שהוא מוצלח יותר בסיווג מסבים פגומים ותקינים מאשר ספקטרום התדירות הקונבנציונלי של התמרת פורייה מהירה, עבור יישומים של מסבי מהירות איטית. יישום שיטה זו לגבי פליטות אקוסטיות בתדירות גבוהה הנוצרות בשל מעבר האלמנטים הסיבוביים בטבעת הפגומה, מאפשרת בחינה של מצבם הבריאותי של מסבים גליליים איטיים במיוחד. מודל ממוצע-נע אוטו-רגרסיבי המיושם יחד עם מכונה לומדת-תבניות מאפשר זיהוי מקוון של תהודות רגישות לפגמים. חלק מהמחקרים שסוקרו בהערה [33] התמקדו בשיטה זו.

ממצאי אחד המחקרים מראים כי שימוש במודלים אוטו-רגרסיביים כדי ליצור ספקטרומים של תדירות יכול להיות מוצלח יותר בסיווג מסבים תקינים ופגומים מאשר ספקטרום התדירות הקונבנציונלי של התמרת פורייה מהירה, במיוחד עבור מסבי מהירות איטית ומסבי מהירות איטית ביותר. שיטה זו יעילה כאשר מנתחים אותות קצרים. שיטה זו שימשה בנוסף בשילוב עם האלגוריתם של בורג (Burg) וקריטריון המידע של אקאיקה (Akaike), והשיגה יכולת רזולוציה גבוהה המאפשרת גילוי פגמים מוקדמים, אפילו כאשר התדירויות הן בעלות מאפיינים דומים ביותר.

שיטה הנקראת ספקטרום מעטפת אוטו-רגרסיבי נעזרה במודל האוטו-רגרסיבי בשילוב עם שיטות אחרות – התאמת הפרעה עמומה (fuzzy interference) מבוססת-רשת אדפטיבית, ניתוח מעטפת, מסנני מעבר פס – על מנת לאבחן את מצב המסב, והשיגה תוצאות מרשימות ביחס האות-רעש ובניית בסיס מגיב ומדויק המאפשר לעקוב אחר מצב המסבים באופן קפדני. שיטה אוטו-רגרסיבית הכוללת שונות בזמן, בניגוד לשיטות אחרות כמו התמרת פורייה קצרת זמן, התפלגות ויגנר-ויל והתפלגות צ’וי-וויליאמס – יכולה להפיק רזולוציה גבוהה בניבוי אותות מסבים פגומים.

שיטות תחום התדירות

ניתוח תחום תדירות כולל את מעבר האות מתחום הזמן לתחום התדירות, המאפשר רכישת רכיבי תדירות מסוימים, לאחר בידוד וזיהוי שלהם. כאשר בוחנים את ניתוח הספקטרום, ניתן לבחון את הספקטרום בכללותו, טווחים בספקטרום, לבחור תדרים רצויים, לשאוב תכונות של האות ולגזור את תכונות פגמי המסבים. היעילות של שיטה זו תלויה באופן נכבד במצבם התפעולי של המסבים, אם הם נייחים או ניידים. תיעוד אות המסב יכול להשתבש בשל מקורות שונים, הנובעים מהסביבה החיצונית ומאותות נייחים הנגרמים בשל רכיבים פנימיים של המסב הכדורי. במקרה כזה, יש להיעזר בשיטת תדירות-זמן [34].

אחד מהכלים הנפוצים ביותר בניתוח ספקטרומים הוא התמרת פורייה מהירה.

התמרת פורייה מהירה: אחד הכלים הנפוצים ביותר עבור ניתוח ספקטרומים הוא התמרת פורייה מהירה, הממירה את תכולת תחום הזמן של האות לספקטרום תדירות. למרות ששיטה זו היא פשוטה יחסית וקלה ליישום, לא תמיד קל להבחין בתדרים הפגומים בתוך הספקטרום הנוצר. במקרים בהם יחס האות-רעש הוא נמוך שיטה זו אינה מוצלחת, אך ניתן להיעזר בשיטת חלון נע (moving window) על מנת לשפר יחס זה ולהגיע לרמות נסבלות יותר. לפיכך, שיטה זו אינה מוצלחת עבור ביצוע החלטות אבחוניות כאשר מיישמים אותה לבדה, מכיוון שתכונות תחום הזמן של האות אינן נלקחות בחשבון.

כאשר מיישמים התמרת הילברט-הואנג לפני ניתוח התמרת פורייה מהירה, ניתן ללכוד באופן מדויק את תדרי הפגמים.

ניתן להשתמש בהתמרות פורייה אחרות, כמו לדוגמא התפלגות פסאודו-ויגנר. ניתן ליישמה בניתוח מסבים כאשר קיים רכיב נייח בתדירות הישנות האימפולס היסודית של האות.

ניתן להיעזר במספר יישומים ספקטראליים כמו בי-ספקטרום וצפיפות הספק ספקטראלי על מנת לפצות על החוסרים של שיטת התמרת הפורייה המהירה.

שיטות ניתוח מעטפת: ניתוח מעטפת מבוסס על דה-מודולציה של תהודת התדירות הגבוהה הקשורה בהשפעות האלמנטים של המסב. ניתוח זה תלוי בבחירה מתאימה של סרטי התדירות עבור הדה-מודולציה וגילוי התדרים הרצויים. בדרך כלל ניתוח זה מציג מידע בהיר יותר לגבי הכשלים מאשר האות הגולמי. כאשר מנתחים את ספקטרום המעטפת של אות המסב, ניתן לזהות בקלות את תדירות החזרה של סדרת תגובות האימפולס [8]. ניתן להרחיב שיטה זו באמצעות נרמול ספקטרום התדירות, וכך ליצור מדידה רגישה במיוחד של תדירות הפגם.

בגישה אקספרימנטאלית יותר, פותח אלגוריתם אומדן מעטפת המבוסס על תדירות התהודה של מסבים. אלגוריתם זה אפשר הסרת רעשים, חילוץ אותות מעטפת התואמים את רעידות מצב התהודה שלהם, פחות עיוותים, מהירות דגימה נמוכה ופחות עומס חישובי.

קורטוזיס ספקטראלי וקארטוגראמה: קורטוזיס ספקטראלי מוגדר כמשתנה סטטיסטי המבוסס על המומנט הרביעי של האות. ניתן להיעזר בו על מנת לחשב את הקורטוזיס של כל קו תדירות בדיאגראמת תדירות-זמן, או כדי לבחור את החלקים האימפולסיביים ביותר של האות [36]. יהיה זה יעיל לנטר פרמטר זה במצבים בהם הפולסים תורמים באופן משמעותי לרמת האות, למרות שהוא אינו מסוגל להתמודד עם רעש רקע מוגזם והוא רגיש לרעידות כוזבות.

כאשר נעזרים בפרמטר זה בשילוב עם שיטות אחרות, הוא מציג תוצאות משופרות:

* כאשר הוא משולב עם המודל האוטו-רגרסיבי ושיטת הדה-קונבולוציה האנטרופית המינימאלית, זיהוי הפגמים של הקורטוזיס הספקטראלי וגילוי המעטפת זוכים לשיפור, עובדה המעידה על כך כי שילוב זה מועיל לחיזוי פגמים במסבים.

* שימוש בשיטה זו בהתבסס על שיטת חלון סופר-פוזיציה מובילה לשימור טוב יותר של מידע האמפליטודה.

קארטוגראמה הינה ייצוג דיאגראמה של ערכים שונים של הקורטוזיס הספקטראלי, המחושב על ידי סדרת מסננים עם פרמטרים שונים. בניגוד לשיטות ניתוח מעטפת, שיטה זו מאפשרת שימוש במסנני מעבר פס עם פרמטרים לא-קבועים של רוחב סרט ותדר מרכזי, המאפשרים לשיטה זו לאמוד פגמים תחת תנאי מהירות וכשל שונים.

אין להשתמש בקארטוגראמות המבוססות על התמרות פורייה קצרות זמן או מסנני FIR מכיוון שהן אינן מדויקות.

להבדיל, ניתן להיעזר בקארטוגראמה המבוססת על התמרת חבילת גלוני-דובישי, מכיוון שזו יעילה יותר בהסרת רעש מהאות וחילוץ תכונות פגומות, והיא פשוטה ומהירה יותר לחישוב מאשר השיטה המקורית.

כאשר מחליפים את הקורטוזיס הטמפוראלי של האותות שחולצו מצמתי חבילת הגלונים, עם הקורטוזיס של ספקטרום ההספק התואם של המעטפות שלהם, ניתן לראות שיפור ביכולת שלו לרסן רעשים כבדים ובפוטנציאל הבחינה הויזואלית.

קפסטרום: קפסטרום הינו שיכול אותיות של ספקטרום, וניתן לראות בו כספקטרום של הספקטרום. הוא מיוצג בתור פונקציה של משתנה תדירות-que בלתי תלוי, והוא בעל ממד זמן.

למרות השיפורים הרבים שיושמו במשך הזמן על מנת להיעזר בשיטה זו לבחינת כשלים במסבים גליליים, היישום שלה לגבי אבחון מסבים נותר בלתי יעיל כאשר קיים רעש רקע מוגזם. שיטה זו יכולה להיות יעילה בחיזוי פגמי מסבים, מכיוון שעם שונות מינימאלית, יהיה זה אפשרי אפילו לחזות תקופות כשל ללא קשר לתדירות תגובת המערכת או הבחירה בסרטי תהודה אופטימאליים.

מחקר שנערך בנושא זה הראה כי שימוש בניתוח קפסטרום על אות מעובד, מנורמל, משולב לפני הלבנה (signal whitening) מוביל לתוצאות טובות בחישוב גודל רסיסים וזמן ההתרחשות המשוער. מחקר נוסף הראה כי פשוט יותר ליישם שיטות מבוססות קפסטרום מאשר שיטות מבוססות קורטוזיס ספקטראלי לצורך גילוי פגמים במסבים. בניגוד לשיטות קורטוזיס ספקטראלי, שיטות מבוססות קפסטרום מאפשרות דה-מודולציה של כל הסרט ללא צורך בבחירה בסרט האופטימאלי, וללא כל אובדן מידע לגבי מצב הפגם. ניתן לראות סקירה מפורטת לגבי שני מחקרים אלו בהערה [33].

שיטות תחום התדירות-זמן

בניגוד לשיטות תחום תדירות, שיטות תדירות-זמן יכולות להתמודד עם אותות צורת-גל ניידים. שיטות אלו משתמשות בהתפלגות תדירות-זמן, המייצגות אנרגיה בפונקציה דו-ממדית של זמן ותדירות, וכך חושפות דפוסי כשל באופן ברור יותר. בניגוד לשיטות מתחומי הזמן והתדירות, שיטות אלו מסוגלות לטפל באותות המובילים להתנהגות דינאמית של אותות רעידה נייחים/ניידים המעורבבים ברעש הרקע.

השיטות הפשוטות ביותר הן התפלגות ויגנר-ויל, התמרת פורייה קצרת זמן וניתוח גלונים. עם זאת, לשיטות אלו יש מספר חסרונות: התמרת פורייה קצרת זמן היא בעלת רזולוציית זמן ותדירות קבועה, התפלגות ויגנר-ויל עלולה לגרום למונחים צולבים המובילים לפרשנות מוטעית של האות וניתוח הגלונים תלוי באופן משמעותי באיכות האות המנותח [34].

ניתוח גלונים: התמרת גלונים הינה ייצוג סולם-זמן של האות. היא מאפשרת לאות הגלון להתבטא בסדרה של פונקציות אוסילטוריות עם תדרים שונים, ובהרחבות זמן שונות, בהינתן סט פרמטרים שנבחר קודם לכן.

אחד היתרונות המרכזיים של התמרות גלון היא היכולת שלהם להפיק רזולוציה בתדר גבוה בתדירויות נמוכות ורזולוציית זמן גבוהה בתדירויות גבוהות, והיכולת שלהם להפחית רעשים באות הגולמי.

עבור היישום של ניתוח מסבים, התמרת גלונים דיסקרטית היא יעילה בגילוי כשלים בודדים ומרובים במסבי כדור. בניגוד לשיטות אחרות, כמו שיטות מעטפת, שיטת זו נותרת רגישה לגילוי פגמים שטוחים במשך זמן רב יותר. שימוש בשיטה זו עבור סולמות תדירות Mel מאפשר להגיע לשיעור גילוי של 99% עם חלון נתונים באורך דקה בלבד.

כאשר משתמשים בשיטה זו בשילוב עם ניתוח מולטי-רזולוציה, מכיוון שהוא יעיל ביותר בחילוץ מידע מסרטי התדר המבוקשים, התמרת גלונים מסייעת באבחון חירוץ (fluting) במסבים.

פונקציות גלונים יכולות לשמש ליצירת מסננים. במרבית המקרים, גלוני-האם בהם משתמשים במסנני הגלונים נבחרים מתוך משפחה קיימת של גלונים באופן קפדני, מכיוון שבחירה שגויה עלולה לגרום לטעויות. אך במקרים אחרים, פונקצית הגלון ניתנת לבנייה ישירות על אות המסב, פעולה המובילה לתוצאות מוצלחות. במחקר שנערך בנושא נבנה מסנן גלון לפלס (Laplace) ממשי אנטי-סימטרי המבוסס על האות, שהוביל לייצוג דליל יותר עם העשרה אפקטיבית של תכונות האימפולס של האות נטול הרעש.

אחת הבעיות בשיטה זו היא הבחירה בסרטי התדרים המתאימים עבור הדה-מודולציה וגילוי התדירויות המדומות.

דה-קומפוזיציה של חבילות גלונים יכולה להשיג הבחנה גבוהה יותר בהשוואה לניתוח גלונים רגיל, באמצעות ניתוח תחום התדרים הגבוה יותר של האות. ניתן להפריד בקלות את תחומי התדירויות באמצעות חבילת הגלונים, ולאחר מכן אפשר לבחור ולסווג אותם לפי מאפייני האות הנבדק. שיטה זו מתאימה יותר מגלונים עבור ניתוח האות: היא בעלת יישומים נרחבים הרבה יותר, כמו קומפרסיה של אותות ותמונות, ניקוי רעשים וקידוד דיבור (speech coding) [37].

המאמר בהערה [33] סוקר מחקרים שונים המתמקדים בניתוח גלונים: אחד המחקרים נערך במטרה להבין את המגבלות של שיטות המעטפת הידועות המיושמות לגבי תהליכי התפתחות כשלי מסבים, והשווה אותן לשיטת התמרת הגלונים. שיטה זו, בניגוד לשיטות מעטפת אחרות, נותרת רגישה לפגמי במשך תקופה ארוכה יותר, אפילו כאשר הפגם מסווה על ידי המגע בין משטחי המסבים. מחקר אחר הראה כי התמרת גלונים יכולה לאבחן התפתחות חירוץ במסבים, כאשר מיישמים אותה בשילוב עם ניתוח מולטי-רזולוציה.

ניתן ליישם התמרת גלונים דיסקרטית באופן יעיל עבור כשלים בודדים ומרובים במסבים כדוריים, בין אם הם ממוקמים בטבעת הפנימית או החיצונית. אחד המחקרים ניסה שיטה זו בסולמות תדירות Mel. התוצאות הראו כי שיעור הגילוי הגיע ל-99%, אפילו כאשר חלון הנתונים הממדי הוא בן דקה בלבד.

גישות גלון יכולות לשמש גם עבור הסרת רעשים מאותות המסבים. אחד המחקרים השתמש בהתמרת מאייר ובפונקצית וייבול לוג-נראות שלילית על מנת לאמן מסווג מכונת ווקטורים תומכים שהיה בעל יעילות של 100% בגילוי פגמים עם כמות תכונות קלט מינימאלית. מסנני גלון שימשו בנוסף יחד עם הפחתה ספקטראלית על מנת לנקות רעשים מהאות והראו יעילות באבחון האלמנטים הסיבוביים במסב.

Matching pursuit: שיטות matching pursuit מבצעות דה-קומפוזיציה של האות לפונקציות זמן תדירות (הנקראות אטומים) שהן לוקאליות גם בזמן וגם בתדירות. שיטה זו מספקת יחס אות-רעש גבוה, עם ביצועים טובים יותר מאשר התמרת גלונים רצופה ושיטות גילוי מעטפת.

אחד המשתנים של שיטה זו, הנקרא basis pursuit, מבצע דה-קומפוזיציה של האות בהתבסס על גורמים שונים של הדה-קומפוזיציה של ה- matching pursuit. תהליך זה הפגין תוצאות משופרות, עם רזולוציה טובה יותר, יחס אות-רעש גבוה יותר ולבסוף, אבחון מדויק יותר. תהליך זה דורש אורך נתונים קצר יותר, אך זמן החישוב הוא ארוך יותר בהשוואה לשיטה הקודמת.

אחד המחקרים השתמש ביישום של matching pursuit עם אטומי תדירות זמן על מנת לנתח ולחלץ חתימות רעד. המחקר הראה יחס אות-רעש גבוה, עם ביצועים טובים יותר בהשוואה להתמרת גלונים רצופה וחלק מהשיטות לגילוי מעטפת (כמו התמרת הילברט) בנוגע לגילוי מוקדם של כשלים. מחקר אחר השתמש בשיטה זו על מנת לכמת את גודל פיסות השברים ולהגדיל את הדיוק של גילוי הפגמים, באמצעות מילון אימפולסים. מילון האימפולסים צריך לכלול קשר כמותי בין הצעדים הנוצרים באות על ידי הכניסה והיציאה של האלמנטים הסיבוביים דרך הכשל ואת גודל הכשל. ניתן למצוא סקירה מפורטת של שני מחקרים אלו בהערה [33].

דה-קומפוזיציית מצב אמפירי והתמרת הילברט-הואנג: דה-קומפוזיציית מצב אמפירי מבוססת על סולמות הזמן המקומיים האופייניים של האות והיא יכולה לבצע דה-קומפוזיציה של האות לסט של מרכיבים שלמים וכמעט אורתוגונאליים הנקראים פונקציות מצב מהותי, המצביעות על המצב האוסילטורי הטבעי המוטבע בתוך האות [38].

שיטה זו מתאימה לתהליכים לא-ליניאריים וניידים, למרות שנמצא בעבר כי היא גורמת להשפעות mode mixing ועיוות האימפולסים הפגומים.

שיטה זו מיושמת לרוב בשילוב עם התמרת הילברט-הואנג. התמרת הילברט-הואנג בוחנת את פונקצית המצב המהותי ומזהה תכונות לוקאליות, ומסוגלת להפריד בין התרומות של מקורות הרעד השונים. יישום שיטה זו הוא בעל ערך עבור מקרים של זעזוע ותהודה הגורמים לחנק של התדרים הנמוכים ומונעת גילוי מוקדם של פגמים.

דה-קומפוזיציית ממוצע לוקאלי הינה שיטת אות נייד אדפטיבית עבור חילוץ תכונות, המבוססת על היסודות של דה-קומפוזיציית מצב אמפירי. היא מציגה ביצועים טובים יותר בשימור אמינות המידע של האות ומספר נמוך יותר של איטרציות בהשוואה לדה-קומפוזיציית מצב אמפירי וביצועי הגלונים [7].

קיימים מספר מחקרים שפותחו על מנת לנתח את היתרונות הנובעים משילוב שיטה זו עם שיטות מוכרות אחרות.

כאשר שיטה זו משולבת עם מסנן מורפולוגי המכוון לערכים הנכונים, ניתן לחלץ את כל האות האימפולסיבי מרעש הרקע. לדוגמא, לאחר שמיישמים דה-קומפוזיציית מצב אמפירי על קורטוזיס ספקטראלי עם אות רוחב פס אופטימאלי מסונן, ניתן היה להשיג מספר גבוה של פונקציות מצב מהותי הגורמות להפרדה מוצלחת של אות המסבים מרעשים כבדים.

כאשר ממזגים את שיטת דה-קומפוזיציית המצב האמפירי עם שיטת קירוב האנטרופיה, ניתן להגיע להבדלה ברורה באירועי הכניסה והיציאה, וכך לאמוד את גודל הפגם; כאשר ממזגים אותה עם שיטת הבי-ספקטרום ניתן להפחית שרידי רעש בשלב בניית האות ולהשיג מהירות חישוב גבוהה [33].

4.2.3 דוגמאות לשיטות הסרת רעשים

לרוע המזל, האות הנרכש מהמסב הפעיל כולל בתוכו לא רק את האימפולסים הנוצרים בשל הפגמים, אלא שילוב של אימפולסים אלו ורעש כבד. הרעש הכבד ממסך את המידע הרצוי, ומקשה על זיהוי התדירויות של פגמי המסב, במיוחד כאשר יחס האות-רעש הינו נמוך. ישנן מספר שיטות המשמשות לפתור בעיה זו:

* באמצעות שילוב של מסנן ממוצע פחות אדפטיבי ומסנן וינר ניתן להגיע לשיפור של 32 dB ביחס האות לרעש.

* מסנן self-tuning אדפטיבי מביא להגדלה מוצלחת של יחס האות לרעש.

* הפחתה ספקטראלית המבוססת על התמרת פורייה קצרה מגבירה את רגישות האינדיקאטורים הטמפוראליים, וכך ניתן להגיע לגילוי מוקדם של פגמים.

* באמצעות שימוש בגלוני מאייר דיסקרטיים ופונקצית וייבול לוג-נראות שלילית ניתן לנקות רעשים מהאות וכך לאפשר דיוק פוסטריורי משופר בגילוי כשלים.

* שיטת ניקוי רעשים באמצעות גלונים מציגה ביצועים טובים על רעש גאוסיאני ומגיעה להפחתת רעשים כמעט אופטימאלית מבלי לשנות את תכונות האות. שיטה זו כוללת שלושה שלבים: דה-קומפוזיציה של האות, מציאת מקדמים מפורטים לערך-הסף ורה-קונסטרוקציה של האות. שיטה זו מסתמכת על העובדה כי האנרגיה של האות מתרכזת פעמים רבות במספר מקדמים בתחום הגלון, ומושפעת מאותות הכוללים רכיבי אימפולס רבים.

4.4 ניתוח נתונים

ניתן לחלק את השיטות לניתוח הנתונים לשתי קבוצות גדולות, חיזוי ואבחון. כל קבוצה כוללת מספר שיטות, אותן ניתן לסווג לפי הדרישות הספציפיות של השיטה אותה בוחרים ליישם.

4.4.1 שיטות לאבחון כשלים

למרות שתחום האבחון הוא מפותח יותר מתחום החיזוי, המומחיות התוך-דיסציפלינארית המורכבת הדרושה ליישום מידע מתחומים מגוונים (דינאמיקת מכונות, עיבוד אותות, ניתוח סטטיסטי, בינה מלאכותית וכן הלאה) גורמת לצורך תמידי בפרדיגמות המשמשות לאבחון.

האבחון כולל מיפוי (או זיהוי דפוסים) של הנתונים הנמדדים והתכונות שנרכשו מחלל הכשל. הנתונים מסווגים לפי התכונות שנרכשו. אומדן יעיל של תהליך ההתדרדרות הינו מסובך, מפני שכל תכונה היא יעילה עבור ייצוג של פגמים ספציפיים בשלבים מסוימים בלבד. האומדן הכמותי של חומרת הכשל, במיוחד בשלבים הראשונים של התקלה, הינו תהליך מורכב.

ניתן לחלק את שיטות האבחון לשני תחומים עיקריים: שיטות אבחון מבוססות נתונים ושיטות אבחון מבוססות מודלים.

טבלה 4.3: סוגי שיטות אבחון כשלים.

סוג	שיטה
מבוססת נתונים מבוססת מודל	גישות בינה מלאכותית שיטות סטטיסטיות אינדקס כימות נזק מודלים כמותיים מודלים איכותניים

שיטות אבחון מבוססות נתונים

ניתן לחלק את שיטות האבחון מבוססות הנתונים לשלוש גישות שונות:

גישות בינה מלאכותית: גישות אלו מכוונות לזיהוי אוטומטי של סוג מסוים של תקלה, שבו למערכת יש יכולת לעדכן ולהרחיב את מסד הנתונים שלה באופן תמידי. המחסור באלגוריתמים הולמים לשם רכישת נתוני אימון מאלץ שימוש במערכות פשוטות יותר, שבהן הנתונים שנמדדו משמשים לאימון המערכת.

השיטה הנפוצה ביותר היא רשת עצבית מלאכותית (artificial neural network). האלמנטים המשמשים לעיבוד, הכוללים משקלים וצמתים, מקושרים זה לזה דרך קונפיגורציה מרובדת מורכבת. במהלך תהליך האימון, המשקלים עוברים התאמה באמצעות תצפיות הקלט והפלט, וכך מביאים את פונקצית המבחן הלא-ליניארית קרוב ככל האפשר למצב הריאלי. אם הכיוון מתבצע כהלכה, קונפיגורציה מרובדת מורכבת זו מאפשרת למודל לאמוד את מצבה הבריאותי של המכונה.

קיימות שיטות בינה מלאכותית מוכרות אחרות, כמו רשת עצבית עמומה, מערכות לוגיקה עמומה, אלגוריתמים אבולוציוניים ומערכות עצביות עמומות.

שיטות סטטיסטיות: השיטות הסטטיסטיות כוללות שימוש בגישות סטטיסטיות, ויישום פרמטרים סטטיסטיים מסורתיים כמו גורם קרסט, שיא, ממוצע, אינטרוול שיא לשיא, ממוצע שורש הריבועים, סטיית תקן, קורטוזיס, צידוד וכן הלאה. הקושי העיקרי בפיתוח שיטה זו הוא הבחירה הנכונה במידע החשוב ביותר המגיע מהכמות הגדולה של התכונות הראשוניות. קושי נוסף הוא שילוב כל היתרונות של התכונות שנרכשו. הדיוק של גילוי הכשלים יהיה תלוי באיכות וברגישות של האות המקורי.

ניתן ליישם בנוסף את הגישה הבייסיאנית. גילוי התקלות נאמד באמצעות הסתברות המבוססת על שני גורמים מטרימים, אומדן הסתברות קודם ופונקצית נראות המבוססת על מודל הסתברותי של הנתונים הנצפים.

אינדקסי כימות נזקים: אינדקסים של כימות נזקים מספקים אינדיקציית התדרדרות כמותית עבור הערכת ביצועי המכונה. מתבצעים כיום מאמצים לשפר שיטה זו כך שתוכל להתמודד עם בעיות אות שונות, כמו סינון רעשים, ניידות ואי-ודאות בנתונים, אי-ליניאריות והתפלגות מולטי-מודאלית של התכונות הנרכשות ומצבי תפעול שונים.

ניתן להשתמש במספר שיטות שונות: מפות ארגון-עצמי המובילות לחישוב של טעות כימות מינימאלית; שיטות המבוססות על סטטיסטיקות סדר גאוסיאני; סכום אינדיקאטורים מצב-N; אנרגיה מנורמלת; תיאור עמום של נתוני ווקטורים תומכים. שיטות אלו מפיקות תוצאות המשקפות באופן מוצלח יותר את השינויים בהתפתחות הנזק מאשר שיטות המבוססות על RMS, קורטוזיס וגורם קרסט.

שיטות אבחון מבוססות מודלים

שיטות אבחון מבוססות מודלים מאתרות את הרכיב הפגום במערכת בהתבסס על מבנה והתנהגות בלבד. גישה זו מיושמת בעזרת גישות אנליטיות, תוך יישום של מודלים כמותיים או מודלים איכותניים על מנת לבנות גישה מבוססת ידע.

עבור כל שיטה, יש לבסס מודל מתמטי ופיזי מדויק ומוגדר, בו משתמשים בשילוב הנתונים שנאספו על מנת להשיג את שיירי הנתונים באמצעות שיטות ייצור שארית. על ידי השוואת התוצאות הצפויות לנתונים הנרכשים, ניתן לאבחן את המכונה הפעילה. בדרך כלל, המערכות הן מורכבות מדי והניסיון לבסס מודל מתמטי הינו בעייתי או בלתי מעשי.

4.4.2 שיטות לחיזוי כשלים

חיזוי הינו אחד הכלים המועילים ביותר בניטור המצב, והוא מאפשר צפיית כשלים לפני התרחשותם בפועל או לפני שהפרמטרים הנבדקים מגיעים לסף מסוים. מדובר בהליך נוח במיוחד, בכך שהוא מונע את הכשל בנכס. בנוסף, הוא מונע מצב שבו רמת נזק מסוימת הגיעה לשיא והתחזוקה הינה דחופה, אנו עלולים למצוא עצמנו ללא חלקי חילוף או שציוד התחזוקה אינו זמין.

קיימות מספר הגדרות בספרות לגבי מהו חיזוי, אך לפי ארגון התקינה הבינלאומי (ISO) ניתן להגדירו בתור “אומדן זמן הכשל המשוער (ETTF) והסיכון שבקיומן של צורות כשל שונות, או התכנות מאוחרת שלהן”. רוב הספרות בנושא משתמשת במונח “אורך חיים שימושי נותר” (remaining useful life, RUL) במקום אומדן זמן הכשל המשוער. כלומר, מלבד צפיית מצבו הבריאותי העתידי של רכיב מסוים, אומדן אורך החיים השימושי הנותר הוא אחת המטרות העיקריות של תהליך החיזוי [37].

הסיווג הראשון שהוצע עבור שיטת החיזוי היה סיווג של שלוש גישות עיקריות: מבוססת מודל, מבוססת ניסיון ומבוססת נתונים [30]. שיטת סיווג זו נוצרה בהתבסס על ארבעה קריטריונים: מורכבות (complexity), עלות, דיוק וישימות (applicability). מערכת סיווג זו הינה הנפוצה ביותר, והיא זו שבה ניעזר במאמר זה.

איור 4.2: מערכת הסיווג של שיטות חיזוי הכשל [37].

 מימין: קריטריון האומדן –  ישימות; עלות; דיוק; מורכבות.

מעגל עליון: חיזוי מבוסס מודלים.

מעגל שמאלי: חיזוי מבוסס נתונים.

 מעגל ימני: חיזוי מבוסס ניסיון.

 אזורים חופפים, משמאל: מיזוג מודל + נתונים; מיזוג נתונים + ניסיון; מיזוג מודל + ניסיון.

באופן חלופי, ניתן לבחור בשיטות סיווג אחרות, המחלקות את השיטות למבוססות מודל (פיזיקת הכשל), מבוססות נתונים וגישות היברידיות. מכיוון שהגישה מבוססת הניסיון מסתמכת על נתונים שנאספו ממשוב הניסיון, ניתן לשלבה בשיטות מבוססות נתונים. כלומר, עבור סיווג כזה, השיטות מבוססות הניסיון ומבוססות הנתונים מתמזגות לקבוצה אחת, הנקראת גם היא מבוססת נתונים, ונוצרת קבוצה חדשה הנקראת גישה היברידית.

טבלה 4.4: שיטות חיזוי הכשלים בהן נעסוק בפרק זה .

סוג

שיטה

מבוססת ניסיון מבוססת מודל

מערכת מומחה מערכת עמומה מודל התפתחות סדקים על פי חוק פריס מודל התפתחות סדקים על פי חוק פורמן מודל רסיסי עייפות החומר מודל ניתוח מגע מודל כללי נזק מבוסס קשיחות גישות סטטיסטיות                                      מודל צפיית תהליכים                                                                      סינון חלקיקים                                                                     ניתוח רגרסיות                                                                     רשת בייסיאנית דינאמית גישות בינה מלאכותית                                מודל מרקוב חבוי                                                                     רשת עצבית מלאכותית (ANN)

בדרך כלל, תהליך החיזוי מתבצע באופן הבא: הפגם מתגלה בשלב מוקדם; המערכת הפגומה נאמדת ונמצאת תחת מעקב רצוף; יצירת תחזית באמצעות אינטרוול סמך, האומדת את אורך החיים השימושי הנותר וצורות כשל אפשריות שונות. כאשר עוסקים בחיזוי של מסבים, מודולציית אות ורעש הם שני מחסומים עיקריים המקשים על גילוי הפגם.

שיטות אבחון מבוססות ניסיון

צפיית זמן הכשל המשוער ואורך החיים השימושי הנותר מבוססת על פרמטרים שונים הנאספים במשך תקופה ממושכת (כמו זמני הכשל, נתונים לגבי תחזוקה ותפעול) המאפשרים אומדן הפרמטרים של חוקי מהימנות ידועים. משוב הניסיון הנאסף מאפשר ישירות חישובית המחליפה את השימוש במודלים מתקדמים ומורכבים, והתוצאות מושגות באמצעות פונקציות מהימנות פשוטות, כמו חוקי אקספוננט, חוק וייבול וכדומה. חוק וייבול הוא הנפוץ ביותר בספרות, מכיוון שהוא מייצג מספר שלבי זמן בחיי הרכיב. השיטות מסתמכות על תנאים ממוצעים, והן יכולות לגרום לאומדנים שגויים בתקופות של שינוי תנאי התפעול.

ניתן ליצור שני סוגי מערכות עבור סוג שיטות זה: מערכות מומחה ומערכות עמומות. מערכות מומחה הן פשוטות באופיין, בהיותן קלות להבנה ופיתוח, אם כי הן דורשות מספר גדול של כללים, קלט נתונים מדויק ואמין, והן תלויות לחלוטין בידע עדכני ואקטואלי לגבי הרכיב המנוטר. בשל כך, הן עלולות שלא לספק אומדן מדויק לגבי אורך החיים השימושי הנותר או להפיק אינטרוול סמך. מערכות עמומות, לעומת זאת, דורשות פחות כללים ממערכות המומחה, מסוגלות להגיב לקלט רועש, חלקי ובלתי מדויק, ומספקות אינטרוול סמך עבור סוגים מסוימים של מודלים.

למרות ששיטות אלו הן זולות יותר ליישום, הן בלתי מדויקות בהשוואה לחיזוי מבוסס מודלים ושיטות מבוססות נתונים, במיוחד כאשר מדובר במערכות חדשות החסרות נתוני ניסוי ומערכות בהן המצב התפעולי משתנה באופן תדיר. אין להשתמש בשיטות אלו עבור מערכות בהן תוצאות החיזוי הן קריטיות.

שיטות חיזוי מבוססות מודל

שיטות אלו אומדות את המצב הבריאותי באמצעות מודל אנליטי המייצג את ההתנהגות הדינאמית של המערכת ואת תופעות ההתדרדרות שלה. ניתן לבנות אותן באמצעות שימוש משוואות דיפרנציאליות או אלגבריות המבוססות על ידע מומחה ועל תיאוריות וחוקים פיזיקאליים הרלוונטיים למכונה המנוטרת. אחת הסוגיות המאתגרות ביותר היא הגדרת יחס העומס-נזק ובניית מודל עבורו. שיטות אלו מבוססות לרוב על כללים מופשטים כמו כלל נזק ליניארי, כלל עקומת נזק או כלל נזק ליניארי כפול, להם יש חיסרון בולט בכך שהם מתייחסים לגורם הנזק בתור קבוע, אותו קשה לאמוד או למדוד.

שיטה זו מורכבת משני שלבים שונים: בשלב הראשון, מיישמים את השיירים המייצגים את הנפיצה (dispersion) של מדידות החיישנים ואת אלו הנאמדים מהמערכת הבריאה; בשלב השני, בונים מודל מתמטי של התדרדרות הכשל. ניתן להיעזר במספר שיטות מודלים על מנת ליצור מודל של מערכת ריאלית, בדרך כלל לגבי סדקים הנוצרים בשל עייפות החומר ותופעות של שחיקה וקורוזיה. לדוגמא:

* מודל התפתחות סדקים על פי חוק פריס: הביצועים תלויים במידת הדיוק של אומדן גודל הסדק באמצעות נתוני הרעידות והחישוב תלוי בגיאומטריית המסבים, גודל הפגם, עומס ומהירות;

* מודל התפתחות סדקים על פי חוק פורמן: מסתמך על נתוני המצב והנתונים הפיזיים של התפתחות הסדק, אך יש להמשיך ולבחון אותו על מנת להוכיח את הדיוק והישימות שלו;

* מודל רסיסים הנובעים מעייפות החומר (מודל אתחול ומודל סדרה): חישוב הזמן עד השבר או חישבו הזמן מרגע השבר, תוך התחשבות בנזק מצטבר יחד עם המצב התפעולי, אם כי יש מספר פרמטרים פיזיקאליים אותם יש לקבוע לפני כן;

* ניתוח מגע עבור חיזוי מסבים: ניתוח אלמנטים סופי משמש לחישוב הדחק (stress) בהתבסס על גודל הפגם והגיאומטריה, הגודל והמהירות של המסב, כשהחיסרון של שיטה זו הוא חישוביות יקרה;

* מודל כללי נזק מבוסס קשיחות: מבסס קשר בין התדירות והאמפליטודה הטבעית של הרכיב לבין זמן התפעול וזמן הכשל, ודורש כי מספר קבועים מטריאליים יקבעו קודם לכן.

תופעת ההתדרדרות מיוצגת על ידי משתנה אחד או מספר משתנים והדינאמיקה נקבעת על ידי סט של פרמטרים התלוי בסביבה שבתוכה המערכת הפיזית מתפתחת. בחלק מהמקרים, משתני ההתדרדרות יכולים להיחשב כחלק ממודל ההתנהגות הגלובאלי.

עבור מערכות פשוטות במיוחד, שיטה זו יכולה להוות חלופה מוצלחת, אך ככל שהמערכת הופכת מורכבת יותר מתגלה קושי ליצור מודל אנליטי המביע את אי-ליניאריות המערכת ואת מנגנוני ההתדרדרות הסטוכסטיים. בנוסף, כאשר מדובר  ביישומים תעשייתיים, סוג הפגם משתנה מנכס לנכס, דבר המקשה על גילוי כשלים ללא התערבות בתפעול. למרות ששיטה זו מדויקת יותר בצפיית תוצאות מאשר שיטות מבוססות ניסיון, הישימות של שיטות מבוססות מודל היא מוגבלת.

שיטות חיזוי מבוססות נתונים

שיטות מבוססות נתונים מתבססות על התמרת נתוני הניטור למודלים התנהגותיים, באמצעות שימוש בכלי בינה מלאכותית. המידע רלוונטי מומר מהנתונים המקוונים שנאספו באמצעות חיישנים, וכך ניתן לאמוד את מצבה הבריאותי של המערכת. מודל ההתדרדרות נוצר תוך הסתמכות על מספר מודלים, שיטות או כלים סטטיסטיים שונים, שאינם לוקחים בחשבון מודלים אנליטיים או פרמטרים פיזיים.

ניתן ליצור סיווגי-משנה של השיטות מבוססות הנתונים, לפי גישות סטטיסטיות וגישות למידת מכונה. לפי הגישה הראשונה, המודלים נבנים באמצעות התאמת מודל הסתברותי לנתונים הזמינים. בגישה השנייה, המערכת מנסה לזהות דפוסים מורכבים ומשתמשת בנתונים האמפיריים לשם קבלת החלטות מושכלת. שתי הגישות מורכבות משני שלבים: השלב הראשון כולל את למידת המודל ההתנהגותי, ובשלב השני המודל הנלמד משמש לאומדן המצב התפעולי הנוכחי של המערכת ולצפיית מצבה העתידי. החיסרון בגישות אלו הוא הצורך בדגימות רבות של תהליכי התדרדרות המתרחשים במכשור ובציוד, כשבחלק מהמערכות התעשייתיות אסור לאפשר מצב שבו המכונות פועלות עד שהכשל מתרחש בפועל.

ניתן לפתח גישות אלו על בסיס המודלים הבאים:

גישות סטטיסטיות

* מודל צפיית תהליכים: אחת הגישות הפשוטות ביותר, המספקת חישובים קלים, אם כי הם לעתים קרובות מובילים לתחזיות בלתי מדויקות בתקופות של שינויים בתנאי התפעול, בשל העובדה שהם מתבססים על דפוסי התדרדרות קודמים;

* סינון חלקיקים: מודל זה יכול לספק תצפיות לא-ליניאריות, אך ביצועיו יורדים ככל שכמות הנתונים עולה;

* ניתוח רגרסיות: אינו מסוגל לספק אינדיקציות לגבי זמן הכשל המשוער או היתכנות הכשל. כאשר משתמשים בו יחד עם לוגיקה עמומה, התוצאות משתפרות. ניתוח רגרסיות מדגיש את המידע העדכני ביותר ולוגיקה עמומה משמשת לסיווג מידע זה על בסיס תקריות קודמות.

* רשתות בייסיאניות דינאמיות: בניגוד לכמעט כל השיטות הקודמות, מודל זה מספק אומדן מוצלח המבוסס על נתוני המצב בלבד, בניגוד לנתוני אירוע, אך מידת הדיוק שלו תלויה בקביעה נכונה של ערכי-סף מתאימים עבור חלק גדול מהתכונות.

גישות למידת מכונה

* מודל מרקוב חבוי ומודל חצי-מרקוב חבוי ניתנים לאימון כדי לשמש לזיהוי סוגי כשל ומצבים שונים של המסבים, אך תצפיות החיזוי מסתמכות על ערכי-סף של הכשלים. מודלים אלו משמשים לבניית מודלים של התדרדרות המסבים ולאומדן אורך החיים השימושי הנותר.

* רשתות עצביות מלאכותיות (ANN) משמשות עבור יישומים שונים. ניתן להיעזר בהן לצורך אומדן של התפשטות סדקים במסבים (מעקב אחר זמני התפתחות הסדקים, ואומדן אורך החיים השימושי הנותר). אומדני סדרת זמן המסתמכים על ANN אינם דורש מידע קודם, מסוגלים להתמודד במהירות עם ניתוח מרובה משתנים ויכולים לספק תצפיות לא-ליניאריות, אך הם בעלי אופק תחזית קצר המניח כי הכשל מתרחש ברגע שאינדקסי המצב (המייצגים, לפי ההנחה, את הבריאות האמיתית של הנכס) עולים על ערך-הסף המשוער. תצפיות אקספוננציאליות המשתמשות ב-ANN ואינטרפולציות נתונים המשתמשות ב-ANN הן בעלות אופק תחזית ארוך יותר, אך דורשות ANN עצמאית עבור כל מכונה מנוטרת. לתצפית אקספוננציאלית יש יתרון נוסף בכך שהיא צופה את זמן הכשל הממשי, אך היא מתבססת על ההנחה כי כל תהליכי ההתדרדרות פועלים לפי דפוס אקספוננציאלי.

ההתפתחויות האחרונות בתחום החיישנים ומדעי המחשב אפשרו את התפתחותה של הבינה המלאכותית, וכתוצאה מכך, את השיטות מבוססות הנתונים. לשיטות אלו יש שני יתרונות משמעותיים על פני השיטות הקודמות: נתוני ניטור ריאליים המובילים לתוצאות חיזוי מדויקות יותר; והשגת נתונים אמינים עבור יישומים ריאליים היא קלה יותר מאשר בניית מודלי התנהגות פיזיים או אנליטיים. בניית מודל התנהגותי של התדרדרות מסבים הינה משימה קשה ביותר, לעתים אפילו בלתי אפשרית, וחלק מהמודלים הקיימים תקפים רק עבור מסב ספציפי בתנאים ספציפיים. לכן, שיטות מבוססות נתונים יכולות להוות חלופה מוצלחת עבור יישומים שונים לגבי מסבים, למרות שהן מפיקות תוצאות פחות מדויקות מאשר שיטות מבוססות מודלים (אך טובות יותר ממודלים מבוססי ניסיון). שיטות אלו הן פחות מורכבות ובעלות ישימות גבוהה יותר מאשר שיטות מבוססות מודל, אם כי ייתכן וזמן הלמידה שלהן יהיה ממושך יותר.

קיימים מספר אתגרים עתידיים אותם ניתן לפתח בתחום השיטות מבוססות הנתונים, עבור חישוב אורך החיים השימושי הנותר: מודלים המבוססים על סיטואציות נתונים מעטות או בלתי קיימות, המקלים על היישום שלהם במערכות חדשות ללא נתוני אירוע; מיזוג נתונים של נתוני קלט רב-ממדיים הנובעים מניטור המצב; פיתוח דרך עקבית לבניית מודלים של השפעות משתני סביבה חיצוניים; פיתוח מודלים המסוגלים להתמודד עם מספר מצבי כשל [39].