Скидка на подшипники из наличия!
Новое поступление товара в 2026 году!
Остаточный ресурс оборудования (Remaining Useful Life, RUL) — это суммарная наработка объекта от момента контроля его технического состояния до момента достижения объектом предельного состояния. Прогнозирование RUL опирается на данные мониторинга состояния, физические или статистические модели деградации, а также методы машинного обучения и позволяет планировать ремонты по факту состояния, а не по календарному графику. В материале разобраны три основных подхода — трендовая экстраполяция, модельный (физический) и data-driven подход на основе машинного обучения, — пороги деградации, метрики оценки качества прогноза и связь RUL с современными стратегиями ТОиР.
В отечественной нормативной базе ключевые термины, связанные с понятием ресурса, установлены в стандарте «Надёжность в технике. Надёжность объекта. Термины и определения». Под ресурсом понимается суммарная наработка объекта от начала его эксплуатации или её возобновления после ремонта до момента достижения объектом предельного состояния. Остаточный ресурс — это аналогичная суммарная наработка, но отсчитываемая от момента контроля технического состояния до достижения предельного состояния.
В международной практике принятый термин — Remaining Useful Life (RUL). По стандарту ISO 13381-1 «Мониторинг состояния и диагностика машинных систем. Прогнозирование. Часть 1. Общие руководящие указания и требования», RUL — это оценка периода от текущего момента времени до момента, в который контролируемая машина перестанет выполнять требуемые функции (откажет). Сам стандарт чётко разделяет два понятия:
Прогноз RUL принципиально является статистической оценкой, а не точным значением: будущая траектория деградации содержит неопределённость от свойств самого процесса деградации, от условий эксплуатации и от погрешностей измерительных каналов. Поэтому корректно сформулированный результат прогноза — это точечная оценка RUL плюс доверительный интервал (или функция плотности вероятности).
RUL — это не число, а распределение. Прогноз без указания неопределённости не может быть основой для решения о ремонте.
Все существующие методы прогнозирования RUL принято делить на три большие группы. Различие — в источнике информации, на которую опирается прогноз, и в способе формирования модели деградации.
В стандарте ISO 13381 для подходов к прогнозированию вводятся обобщённые типы: подход на основе изменения характеристик (трендовый), на основе циклических нагрузок и накопленного повреждения, а также комбинированный. Дополнительно используется параллельный по смыслу стандарт ISO 17359 «Мониторинг состояния и диагностика машин. Общие руководящие указания», задающий общую структуру программ мониторинга состояния.
Трендовый подход — самый старый и до сих пор массово применяемый способ оценки RUL. Идея: выбрать индикатор состояния (виброскорость, температуру подшипника, кислотное число масла, толщину футеровки и т. д.), построить его временной ряд и экстраполировать до пересечения с заранее установленным порогом отказа.
Простейшие варианты — линейная регрессия и полиномиальная регрессия 2–3 порядка по последним точкам наблюдений. Они применимы, когда индикатор меняется монотонно и его тренд хорошо аппроксимируется выбранной функцией. Экспоненциальные модели применяются для процессов, где скорость деградации растёт с ростом самого индикатора, например, для развития подшипниковых дефектов в финальной стадии.
Линейная модель: y(t) = a + b·t, оценка RUL из условия y(t_f) = y_lim, откуда RUL = (y_lim − y(t_0))/b − (t_0 − t).
y(t) = a + b·t
y(t_f) = y_lim
RUL = (y_lim − y(t_0))/b − (t_0 − t)
Экспоненциальная модель: y(t) = y_0·exp(λ·t), оценка RUL из условия y(t_f) = y_lim, откуда RUL = (1/λ)·ln(y_lim/y(t_0)).
y(t) = y_0·exp(λ·t)
RUL = (1/λ)·ln(y_lim/y(t_0))
Когда индикатор состояния меняется монотонно, но с шумом, для прогноза удобны стохастические процессы. На практике наиболее распространены два:
Для обоих процессов задача прогнозирования RUL сводится к нахождению распределения времени первого достижения индикатором порогового значения. Это даёт не точку, а полное распределение RUL с естественным доверительным интервалом — что критически важно для принятия решений в условиях неопределённости.
Параметры моделей деградации редко известны точно. Если есть априорная информация (данные с однотипных объектов, экспертная оценка) и поступают текущие измерения, параметры можно непрерывно уточнять методами байесовского оценивания. На практике для этого применяют:
Каждое новое измерение обновляет распределение параметров модели и, как следствие, распределение прогноза RUL — этот процесс называется онлайн-прогнозированием.
Модельный подход применяется тогда, когда известен преобладающий механизм отказа и есть инженерная модель деградации, описывающая его развитие. Прогноз RUL получается интегрированием этой модели от текущего состояния до критического значения параметра деградации.
Один из наиболее изученных и применяемых механизмов отказа — усталостный рост трещин в металлических элементах под действием циклических нагрузок. Базовая феноменологическая модель — закон Парижа:
da/dN = C·(ΔK)m,
da/dN = C·(ΔK)m
где a — длина трещины, N — число циклов нагружения, ΔK — размах коэффициента интенсивности напряжений в вершине трещины, C и m — материальные константы Парижа.
a
N
ΔK
C
m
Интегрируя это уравнение от текущей длины трещины a_0 до критической a_c, получают остаточный ресурс в циклах:
a_0
a_c
N_RUL = ∫(a_0 → a_c) da/[C·(ΔK(a))m]
Закон Парижа применим для среднего диапазона скорости роста трещины; для очень малых и очень больших скоростей используют расширенные модели (Forman, NASGRO и т. п.). На практике параметры C и m часто уточняются по данным мониторинга вибрации или эмиссии акустических сигналов с помощью байесовского оценивания.
Для прогнозирования износа трущихся поверхностей применяется закон Архарда:
V = k·F·s/H,
V = k·F·s/H
где V — объём изношенного материала, F — нормальная сила контакта, s — путь скольжения, H — твёрдость более мягкого из контактирующих материалов, k — безразмерный коэффициент износа (зависит от пары трения, смазки, режима работы).
V
F
s
H
k
Модель применяется для прогнозирования износа направляющих, зубчатых колёс, тормозных колодок, уплотнений. Дифференцируя по пути или по времени, можно перейти к темпу износа и оценить остаточный ресурс по предельно допустимому износу, заданному техническими условиями на изделие.
Сильная сторона модельного подхода — интерпретируемость и возможность переноса между однотипными объектами. Слабая — необходимость точно знать действующий механизм отказа и его параметры, что не всегда возможно при множественных совместных деградациях.
Data-driven подход исходит из того, что историческая запись «от пуска до отказа» однотипных объектов содержит закономерности, которые можно выявить алгоритмами машинного обучения, не строя явной модели деградации. На вход модели подают многомерные временные ряды показаний датчиков, на выход — оценку RUL.
Для прогнозирования RUL по сигналам датчиков особое значение имеют архитектуры, естественно работающие с последовательностями:
Для сравнения методов RUL-прогнозирования сложилась практика использования открытых датасетов. Наиболее цитируемый — NASA C-MAPSS (Commercial Modular Aero-Propulsion System Simulation), включающий четыре поднабора (FD001–FD004), которые различаются числом режимов работы и числом видов отказов. Помимо C-MAPSS, в публикациях встречаются датасеты PHM Society Data Challenge, IMS Bearing dataset, FEMTO Bearing dataset, N-CMAPSS и др.
Качество data-driven прогноза напрямую зависит от того, насколько обучающие данные представительны для эксплуатируемого объекта. При смене режима работы, замене узла, ремонте модель часто требует переобучения либо адаптации.
Оценка RUL имеет смысл только в связке с порогами деградации и регламентом действий при их превышении. В большинстве систем мониторинга задаются несколько уровней:
Конкретные числовые значения порогов задаются техническими условиями производителя оборудования, отраслевыми стандартами и результатами анализа риска. Для вибрации опоры машинного агрегата ориентиром служат стандарты ISO 20816 (механическая вибрация машин — измерение и оценка); для рабочих жидкостей — ISO 4406 (классы загрязнённости); для тепловых параметров — паспортные данные изготовителя.
Качество RUL-прогноза оценивается по нескольким метрикам, каждая из которых отражает свой аспект.
Особо важна асимметричная Score-функция: в задачах ТОиР последствия позднего прогноза (отказ произошёл раньше, чем предсказала модель) обычно тяжелее последствий раннего прогноза (ремонт выполнен с запасом по ресурсу). Поэтому метрика, штрафующая позднее предсказание сильнее, лучше отражает практическую полезность модели, чем симметричная RMSE.
В отечественной нормативной базе виды и методы технического обслуживания и ремонта установлены стандартом «Система технического обслуживания и ремонта техники. Термины и определения». Развитие методов диагностики и прогнозирования меняет принципы построения программ ТОиР: от устранения уже случившихся отказов — к предупреждению отказов на основе прогноза.
Переход к предиктивной стратегии требует не только моделей прогноза, но и зрелой инфраструктуры мониторинга, системы хранения исторических данных «от пуска до отказа» и регламента действий персонала по уровням прогнозного риска. Сам прогноз RUL не имеет ценности без интеграции в производственное планирование и логистику запасных частей.
Ресурс — это суммарная наработка объекта от начала эксплуатации (или возобновления после ремонта) до достижения предельного состояния. Остаточный ресурс — это аналогичная наработка, но отсчитываемая от момента контроля технического состояния до достижения предельного состояния. Иными словами, остаточный ресурс — это то, что объекту ещё предстоит отработать до отказа, оценённое в текущий момент времени по данным мониторинга.
В ISO 13381-1 эти понятия чётко разделены. Prognostics — это процесс прогнозирования, то есть совокупность методов, алгоритмов и процедур, по которым формируется прогноз. Prognosis — это результат, выходные данные процесса прогнозирования: оценка RUL и сопутствующая мера неопределённости. На русском языке оба термина часто переводят одним словом «прогноз», но в технической документации различение принципиально.
Однозначного ответа нет — выбор определяется задачей и доступными данными. Модельный подход даёт интерпретируемый результат и работает даже при ограниченных данных, если известен механизм отказа. Data-driven подход обеспечивает высокую точность при большом массиве данных «от пуска до отказа», но плохо переносится на режимы, отсутствовавшие в обучающей выборке. На практике лучший результат часто даёт гибридный подход, в котором физическая модель задаёт структуру, а машинное обучение уточняет её параметры по данным мониторинга.
Да, такие задачи решает data-driven подход. Однако без понимания механизма отказа труднее обосновать прогноз перед лицом, принимающим решение о ремонте, и труднее адаптировать модель при изменении режимов работы или замене узла. Поэтому даже при data-driven подходе сохраняется ценность инженерного понимания деградационных процессов хотя бы на качественном уровне.
Закон Парижа — это базовая феноменологическая модель скорости роста усталостной трещины: da/dN = C·(ΔK)m. Он связывает скорость прироста длины трещины a с размахом коэффициента интенсивности напряжений ΔK в её вершине. Интегрируя это уравнение от текущей длины трещины до критической, получают остаточный ресурс в циклах нагружения. Закон Парижа применим в среднем диапазоне скоростей роста; для пороговой и критической областей используются расширенные модели (Forman, NASGRO и др.).
NASA C-MAPSS (Commercial Modular Aero-Propulsion System Simulation) — открытый датасет, содержащий смоделированные траектории деградации турбореактивных двигателей. Он состоит из четырёх поднаборов (FD001–FD004), различающихся числом режимов работы и числом видов отказов, и стал стандартным ориентиром для сравнения методов прогнозирования RUL. На нём принято проверять качество новых алгоритмов и сопоставлять результаты с результатами других авторов.
Результат прогноза должен включать не только точечную оценку, но и меру неопределённости. Это может быть доверительный интервал, квантильная оценка (например, 5-й и 95-й процентили), полное распределение или функция плотности вероятности. Без оценки неопределённости невозможно правильно сравнить риски разных сроков ремонта и спланировать действия. По стандарту ISO 13381-1 неопределённость прогноза рассматривается как неотъемлемая часть результата.
В литературе и в практике встречаются RMSE и MAE (средняя квадратичная и средняя абсолютная ошибки), асимметричная Score-функция (штраф растёт экспоненциально и сильнее за поздний прогноз), α-λ accuracy (доля прогнозов в коридоре точности по мере приближения к отказу), prognostic horizon (горизонт, начиная с которого прогноз стабильно укладывается в заданную точность), а также метрики сходимости. Для практических задач асимметричная Score-функция нередко предпочтительнее RMSE, поскольку отражает реальную асимметрию последствий ошибок прогноза.
Обслуживание по состоянию (Condition-Based Maintenance) запускает ремонт в момент, когда индикатор состояния достигает порогового значения. Предиктивная стратегия идёт дальше: она использует прогноз остаточного ресурса с учётом неопределённости, чтобы заранее планировать ремонт с учётом окна простоев, наличия запчастей и операционных ограничений. CBM отвечает на вопрос «пора?», предиктивная стратегия — на вопрос «когда именно и с какой уверенностью?».
Для машин с подшипниковыми и зубчатыми узлами вибрация — один из самых информативных каналов, но обычно не единственный. Для полноценного прогноза RUL её дополняют температурой опор, параметрами рабочей среды, нагрузочными характеристиками, анализом смазочного масла. Стандарт ISO 17359 рекомендует строить программу мониторинга от выявленных приоритетных видов отказов и от индикаторов, чувствительных именно к этим видам отказов, а не от формального набора датчиков.
Вы можете задать любой вопрос на тему нашей продукции или работы нашего сайта.