计划外停机、故障、维护和零部件更换是任何工厂或设施运营、效率和经济的关键因素。大约 20% 到 40% 的总运营成本是由于维护活动造成的，这可能是一笔非常可观的费用。改进维护策略、防止故障和避免不必要的零部件更换的一个关键因素，是预测机器及其关键部件的剩余使用寿命（RUL） 的能力。

RUL预测具有挑战性和困难性，就像未来预测的任何科学/工程分支（如天气预报）都可能容易出错和具有挑战性一样。剩余寿命的估计通常被认为是一个理论课题，涉及广泛的数学公式和数值模拟。本文讨论了预测泵及其关键部件剩余寿命的实用指南。

计划外停机不仅成本高昂，而且非常麻烦，因此，应尽可能安全可靠地避免或延迟。

RUL预测是避免计划外停机、延迟维护计划或零部件/泵更换的重要步骤。这一预测可以对生产的整体运行、可靠性、安全性和经济性产生积极的影响。这种能力可以降低运营成本、提高可用性并优化部件更换或大修之间的运行时间间隔。通过及时采取维护措施来响应这些预测，有助于避免灾难性故障、不必要的维修和零部件更换。

预测学是一门专注于预测 RUL 的工程学科，预测是对设备和机器的未来状况的了解。通常通过传感器信号监测来实现，预测与诊断和状态监测密切相关。预测的最终结果是对剩余/运行寿命的了解。

充分了解泵及其关键零部件的故障模式，对于制定其剩余寿命估算至关重要。除非了解退化/磨损机制，否则无法采取可靠的状态监测和剩余寿命估计的措施。

许多工厂的不足之处在于，来自泵（和其它机械）的状态监测数据没有转化为增强的故障诊断、良好的检测/识别、预测和剩余寿命/运行数据。在每个工厂或设施中存储了大量的状态监测数据（振动、性能监测、油脂分析等），但没有对其进行详细分析，以发现趋势/变化率、诊断或预测。

RUL估计通常取决于监测传感器的准确性和监测数据的融合。剩余寿命的预测与使用多个独立传感器（监测方法）的状态监测和数据收集密切相关，如振动监测、润滑油分析、磨损碎片监测、声发射（AE）监测等。

一种单一的状态监测方法可能会引起误导性的误解。然而，如果多种独立的监测方法显示相似的结果并得出相似的预测，则这种产生的寿命预测更可靠。换句话说，预测与多个传感器的使用、监测和数据的融合有关。数据研究的自动化方面与数字信号处理和机器学习技术有关。

1）线性阶段，速率几乎恒定。

2）磨损/损坏率呈指数级增长的短暂非线性终端阶段，这是即将发生故障的明确迹象。

1）缓慢变化的参数

2）快速变化的参数

一个关键因素是参数（如振动、通过密封泄漏的流体、润滑油参数、扬程下降或流量下降）从基线到报警设定值（或其它定义的限制）的变化速度。评估参数从正常值到定义限值的变化速度是很重要的。这种变化率通常比正常/基线或限制更重要。

通常，在涉及退化或发展损伤（或非线性终端退化/损伤）的情况下，变化相对较快。在正常和缓慢磨损/退化（或线性低速磨损/退化）的情况下，变化的速度通常相对较慢。

已经提出了各种数据驱动的方法，用来预测退化的泵或泵的退化零部件的RUL（失效前的剩余时间）。当退化过程的显式模型未知时，数据驱动的方法很有意义。它们基于对一台或者多台类似泵（或类似零部件）的退化/磨损过程的观察，并且通常对未来的退化路径进行回归，直到达到预定义的失效标准。这是基于对退化泵/零部件的剩余寿命的预测，并根据过去类似泵/零部件故障的一组参考退化轨迹，为预测提供一种置信度。

应用这种方法的两个关键因素是：

1）期望的相似性解释有多强？

2）参考退化轨迹的信任度是多少？

1）基于退化（基于磨损）的方法。这些方法模拟了退化/磨损的演变。这些是统计模型，从观察到的退化/磨损状态的时间序列中学习退化的演变（磨损、损坏等）。然后将预测的退化/磨损状态与失效基准进行比较。

2）直接寿命预测方法。这些方法直接预测了RUL。这些通常是人工智能（AI）技术，可以直接映射可观察参数和剩余寿命之间的关系，而无需预测退化/磨损状态向失效阈值的演变。

基于退化的预测比直接的剩余寿命预测提供了更多信息和透明的结果，因为它不仅提供了当前RUL的预测，而且还提供了整个退化轨迹的预测。

然而，基于退化的预测需要识别退化指标并确定失效阈值，这在实践中可能很困难，特别是在可用的退化轨迹很少或不规则的情况下，并且可能会引入进一步的不确定性和误差源。

泵的剩余寿命预测应考虑由一系列因素（例如，不可预见的未来负荷、运行设置、外部条件等）引起的退化、磨损和损坏过程的可变性所带来的内在不确定。

不确定性的一个主要来源是泵未来退化/磨损动态的随机性。这种随机性源于参数的变化，如扬程、流量、负荷、温度或突然故障的出现。

另一个挑战是缺乏通常可获得的关于泵的RUL以及相关的磨损、退化和故障的信息。实际的故障历史很难获得。在实验室中准确复制此类事件本质上是不够的，而且通常是昂贵、困难和耗时的。

为了绕过这些问题，可以提出模拟。这种模拟的框架应该以现实生活中的实验为基础。然而，与之相关的还有许多挑战、困难和不准确之处。

每个零件或部件上都有许多磨损、退化和损坏机制，如疲劳、腐蚀、侵蚀、蠕变和裂纹发展，其中一些相互作用。许多退化和磨损过程是非线性的，取决于许多因素、参数和条件。每台泵中都有许多零件和配置，它们可能会相互作用。泵的复杂性和运行环境的复杂性，使得很难建立一套可靠的剩余寿命预测流程。所有这些都可能使问题进一步复杂化。

可以建议对相同的泵进行比较。然而，仍然存在挑战。在相同的服务中，两台相同的泵可能不会经历相同的退化和磨损路径。

考虑到运行历史，这两台所谓的相同的泵到目前为止并没有经历相同的退化和磨损路径，将来也不会遵循相同的路径。

一般来说，当前、过去和未来的退化/磨损都存在不确定性。考虑到上述困难、模糊性和误差，不确定性管理成为剩余寿命预测的一项基本任务。