🛠️ Прогнозоване Обслуговування — Оцінювач Залишкового Ресурсу

Залишковий ресурс — це оцінена кількість годин роботи, яку машина може продовжувати до того, як її ймовірність відмови перетне неприйнятний поріг, безперервно переоцінювана з живих даних про стан, а не фіксована наперед. Календарний графік замінює підшипник кожні N місяців незалежно від того, наскільки важко він насправді працював; прогнозоване обслуговування натомість спостерігає за вібрацією, температурою та іншими показниками стану й рекомендує дію лише тоді, коли докази кажуть, що знос справді прогресував. Це уникає як передчасної заміни справних деталей, так і несподіваних відмов деталей, які зношувалися швидше, ніж передбачав календар.

Постійна (експоненційна) частота відмов припускає, що компонент має однакову ймовірність відмови на 10-й годині, як і на 10 000-й, що реалістично для випадкових електронних відмов, але неправильно для механічного зносу. Функція ризику розподілу Вейбулла h(t) = (β/η)(t/η)^(β–1) має параметр форми β, який дозволяє частоті відмов зростати з віком, коли β > 1 — точно той патерн, що спостерігається в підшипниках, шестернях і ущільненнях у міру накопичення втомних тріщин і поверхневого вищерблення. Ця симуляція використовує режими β > 1 (знос), тож миттєвий ризик відмови зростає з накопиченням годин роботи, відповідаючи реальній статистиці відмов обертового обладнання.

Симуляція масштабує характеристичний ресурс Вейбулла η вниз як степінь множника навантаження, тож вище стійке навантаження скорочує ресурс суперлінійно — подібно до того, як втомний ресурс на кривій S-N (напруження-ресурс) падає швидше, ніж зростає напруження. Підвищення навантаження з 1,0× до 1,5× не просто додає 50% більше зносу за годину; оскільки ресурс масштабується як навантаження в степені від'ємного показника близько 2–2,5, це може скоротити характеристичний ресурс на 40% або більше. Це відображає, чому навіть невелике зниження номінального навантаження обладнання часто дає непропорційний приріст терміну служби.

Базовий процес зносу прихований — точно як у реальній машині, жоден датчик не повідомляє «частку зносу» безпосередньо. Натомість симульовані показання вібрації й температури генеруються зі справжнього стану зносу плюс незалежний гаусів шум датчика, а індекс здоров'я реконструюється нормалізацією кожного датчика відносно власного діапазону від базового рівня до відмови й поєднанням їх у зваженій сумі (вібрація зважена вище, оскільки зростаюча вібрація зазвичай є найранішим і найчутливішим провісником деградації підшипника). Експоненційне ковзне середнє потім згладжує зашумлену поточну оцінку в стабільний тренд індексу здоров'я, так само як реальні системи моніторингу стану фільтрують сирі дані акселерометра й термопари перед побудовою тренду.

Взявши CDF Вейбулла F(t) = 1 – exp(–(t/η)^β) і застосувавши перетворення y = ln(–ln(1–F(t))), отримуємо y = β·ln(t) – β·ln(η), що точно лінійне щодо x = ln(t). Це класична техніка ймовірнісного графіка Вейбулла, що використовується по всій інженерії надійності: перетворити оцінені частки відмов із даних про стан у пари (x,y), запустити регресію методом найменших квадратів, щоб отримати нахил (β̂) та зсув, а потім відновити масштаб як η̂ = exp(–зсув / β̂). Симуляція безперервно переоцінює цю регресію на ковзному вікні оцінок зносу, виведених з індексу здоров'я, тож підігнана крива ризику адаптується в міру накопичення більшої кількості годин роботи-доказів.

Щойно β̂ та η̂ підігнані, ймовірність відмови моделі в будь-який майбутній момент часу — F(t) = 1 – exp(–(t/η̂)^β̂). Симуляція обертає цю формулу, щоб вирішити рівняння для години роботи, коли F(t) дорівнює нижчому порогу «плану» (половина встановленого користувачем порогу обслуговування), та години роботи, коли вона дорівнює повному «терміновому» порогу. Інтервал між цими двома годинами — рекомендоване вікно обслуговування: достатньо раннє, щоб поріг плану дав час на планування деталей і простою, достатньо пізнє, щоб терміновий поріг відображав справді підвищений ризик відмови. Обидві межі рухаються наживо зі зміною повзунка порогу, навантаження чи даних датчиків.

Регресія, що підганяє β̂ та η̂, залежить від оціненої частки зносу, виведеної із зашумлених показань датчиків, і як нахил, так і зсув підгонки методом найменших квадратів чутливі до розкиду у вхідних даних, особливо на початку життя машини, коли доступне лише коротке вікно годин. Підвищення повзунка шуму датчика збільшує розкид у вибірках індексу здоров'я, що розширює діапазон значень β̂ та η̂, які підгонка може дати від одного запуску до наступного, і тому змушує спроєктоване вікно обслуговування стрибати більше між переоцінками — точно ту нестабільність оцінки, яка змушує реальні системи моніторингу стану надавати перевагу довшим вікнам усереднення та кільком надлишковим датчикам, а не довіряти будь-якому одному зашумленому показанню.

Залишковий ресурс залежить від тренду й форми деградації з часом, а не одного миттєвого показання. Машина, чия вібрація була плоскою протягом сотень годин, і машина, чия вібрація щойно почала різко зростати, можуть показувати те саме миттєве значення, водночас маючи дуже різні підігнані β̂ (швидкість прискорення) і дуже різний спроєктований час до перетину порогу відмови. Саме тому симуляція підганяє криву до ковзного вікна історії, а не порогує поточне значення датчика безпосередньо — одне зашумлене високе показання не є доказом неминучої відмови, але стійкий висхідний тренд, узгоджений із формою зносу, є.