数据驱动的剩余寿命预测与维护决策技术

本书重点关注数据驱动的剩余寿命预测与维护决策技术，针对复杂装备的智能运维需求提供了一种较为完整的解决方案。全书共10章：第1章介绍了剩余寿命预测与维护决策的国内外研究现状和发展趋势；第2～4章分别介绍了基于多变量模型、基于相似性模型以及基于随机过程模型的典型的剩余寿命预测方法；第5～10章介绍了考虑安全风险规避、预测不确定性、维修不确定性以及维修资源约束下的预测维护方法。本书内容由浅入深，语言通俗易懂，注重实践性，并紧跟领域研究的前沿发展，为读者提供既丰富又实用的专业内容。
本书可作为控制科学与工程、工业工程等学科的师生参考用书，同时对装备健康管理、安全保障等领域的科研人员及工程技术人员具有一定的参考价值。

陆宁云，南京航空航天大学教授，先后于1998、2000、2004年在东北大学获学士、硕士、博士学位，2004年至2005年在香港科技大学化学工程系担任副研究员，2006年至今任职于南京航空航天大学，曾任自动化学院自动控制系副主任、主任，现任自动化学院副院长。 长期致力于复杂系统智能诊断与预测运维的理论与应用研究，相关成果应用于航空航天、轨道交通、船舶装备、流程工业等行业领域。承担国家自然科学基金项目4项以及科技部重点研发项目子课题、工信部**专项课题、江苏省工业转型升级重大专项、广州市产学研转化重大专项、南京“紫金之巅”产业链技术攻关揭榜项目等纵向计划项目6项，完成航空工业、中国电科、中国船舶等多个国防单位委托的产学研课题12项；出版中英文专著4部、译著1部，发表学术论文160余篇，授权发明专利30余项；研究成果获江苏省科学技术一等奖和二等奖各1项、教育部自然科学二等奖1项、广东省科技进步二等奖1项以及中国自动化学会、中国电子学会、中国机械工业学会、中国城市轨道交通学会等科研奖励5项；担任江苏省自动化学会副秘书长、中国自动化学会全国技术过程故障诊断与安全专业委员会委员等社会兼职以及SCI期刊Sensors编委等学术兼职。

任何一个工程装备或工业系统都无法避免长时间运行所带来的老化问题。当系统关键部件发生性能退化时，若未及时发现并采取恰当的维护措施，将有可能引发整个系统的功能失效或任务中止，严重时甚至导致人员伤亡和重大财产损失。以剩余寿命预测和维护决策优化为核心支撑的预测与健康管理技术，能够通过实时状态监测、异常工况检测、故障诊断与隔离以及剩余寿命预测，在故障发生之前或故障发生后的早期阶段，通过及时恰当的维护或维修，提高装备全生命周期的运营安全性、可靠性和经济性。随着人工智能和新一代信息技术的发展，数据驱动的剩余寿命预测与维护决策成为预测与健康管理领域的研究热点，能在难以获取准确的装备退化失效机理时，通过挖掘、分析装备运行的状态监测数据，实现较为准确的剩余寿命预测和最优维护决策。
本书基于南京航空航天大学姜斌教授领衔的“智能诊断与健康管理”科研团队十余年来的工作积累，结合国内外最新研究成果，较为全面系统地介绍了数据驱动的装备预测维护技术，并通过若干案例对相关方法和技术的基本原理及实施过程进行了解释说明。全书围绕装备剩余寿命预测和维护决策优化这两个密切关联的主题，建立比较完整的内容体系；针对理论研究和实践应用中存在的问题，给出了针对性解决方案，并做了案例分析与研究。全书内容设置如图1所示。
全书由南京航空航天大学的姜斌教授、陆宁云教授，东南大学的吕建华教授，南京工业大学的陈闯博士和王村松博士，以及上海大学的李洋博士共同编写完成。编写过程中得到了德国杜伊斯堡埃森大学的Steven Ding（丁先春）教授、加拿大约克大学的George Zhu（朱正宏）教授、意大利米兰理工大学的Enrico Zio教授、意大利费拉拉大学的Silvo Simani教授、香港科技大学的Furong Gao（高福荣）教授、东北大学的王福利教授等国内外相关领域著名学者的指导和帮助，特别感谢他们针对本领域的前沿问题与南京航空航天大学团队开展人才联合培养和科研项目合作。
本书的相关研究工作得到了国家重点研发计划项目（2021YFB3301300）、国家自然科学基金（62273176、62203213、62373104）、航空科学基金（62020106003）、航空航天结构力学及控制全国重点实验室基金（MCMSI0521G02）等的资助，在此表示诚挚感谢。
装备预测与健康管理是一个新兴的前沿技术领域，笔者对该领域的认知和积累有限，书中难免存在不足之处，恳请广大读者批评指正。

著者

第1章 绪论001
1.1装备维护保障的必要性和重要性001
1.2剩余寿命预测与维护决策的相关概念002
1.3剩余寿命预测研究现状与趋势004
1.4维护决策研究现状与趋势009

第2章 基于多变量模型的剩余寿命预测方法014
2.1概述014
2.2主要思想015
2.3装备退化特征提取017
2.3.1Spearman相关性指标018
2.3.2Spearman趋势性指标018
2.4基于多变量深度森林算法的健康评估模型019
2.4.1基于量子模糊聚类的健康状态划分019
2.4.2基于深度森林算法的离线系统健康状态评估021
2.5基于DLSTM的离线退化趋势预测建模024
2.5.1LSTM网络结构简介024
2.5.2退化趋势预测模型026
2.6基于组合模型的装备在线剩余寿命预测方法027
2.6.1剩余寿命在线预测实施过程027
2.6.2预测评价标准028
2.7实验验证029
2.7.1数据来源029
2.7.2退化特征选择结果031
2.7.3离线健康状态评估建模与在线验证结果033
2.7.4离线退化趋势预测建模和在线RUL估计037
2.8本章小结040

第3章 基于相似性模型的剩余寿命预测方法041
3.1概述041
3.2主要思想042
3.3多变量退化特征提取043
3.3.1基于Relief算法的退化特征筛选043
3.3.2基于主成分分析的退化特征提取044
3.4基于退化特征相似性的剩余寿命预测046
3.4.1基于时间序列片段时延的相似性评估046
3.4.2基于KDE密度加权的模型综合048
3.5实验验证049
3.5.1预测性能指标050
3.5.2相似性评估与参数选择053
3.6本章小结056

第4章 基于随机过程模型的剩余寿命预测方法057
4.1概述057
4.2主要思想057
4.3基于加速退化试验的混合退化过程建模058
4.4混合退化过程的寿命分布059
4.5混合退化过程的未知参数估计060
4.5.1动态权重估计060
4.5.2使用M-H方法的混合过程未知参数估计062
4.6实验验证063
4.6.1参数估计063
4.6.2正常应力水平下的可靠性分析066
4.6.3混合退化模型与传统模型的比较068
4.7本章小结069

第5章 带有风险规避自适应的预测维护方法070
5.1概述070
5.2主要思想070
5.3剩余寿命预测建模071
5.3.1SVR的基本理论071
5.3.2退化特征与剩余寿命之间关系建模072
5.4规避风险的预测维护策略制定073
5.4.1风险规避函数设计073
5.4.2在线剩余寿命预测076
5.4.3维护策略制定与成本计算077
5.5实验验证078
5.5.1单一预测模型的剩余寿命预测结果078
5.5.2规避风险剩余寿命预测结果与分析078
5.5.3预测维护规划结果与分析080
5.6本章小结082

第6章 基于剩余寿命预测区间的预测维护方法084
6.1概述084
6.2主要思想084
6.3剩余寿命预测区间估计086
6.3.1健康状态划分086
6.3.2剩余寿命预测边界确定088
6.3.3在线剩余寿命预测区间估计090
6.4最优维护决策091
6.4.1剩余寿命分布构建091
6.4.2维护成本率函数形成与优化092
6.4.3预测维护实施过程094
6.5实验验证094
6.5.1预测区间评估标准094
6.5.2预测区间估计实验结果与分析095
6.5.3维护决策实验结果与分析101
6.6本章小结103

第7章 基于失效概率估计的预测维护方法105
7.1概述105
7.2主要思想105
7.3基于性能退化的失效概率预测107
7.3.1退化趋势预测107
7.3.2未来不同时间窗口的失效概率估计108
7.4两种期望维护成本博弈下的维护决策110
7.4.1维护成本计算110
7.4.2基于成本评估的维护时间的确定110
7.4.3维护成本率计算111
7.5实验验证112
7.5.1离线预测建模结果112
7.5.2在线维护规划结果113
7.5.3维护策略性能分析116
7.6本章小结117

第8章 考虑备件管理约束的预测维护方法118
8.1概述118
8.2主要思想118
8.3基于深度学习集成的系统健康预测119
8.3.1两种深度学习算法集成119
8.3.2装备健康预测实现过程121
8.4基于预测信息的维护和库存决策规则122
8.4.1维护决策规则122
8.4.2库存决策规则123
8.4.3预测维护实施过程123
8.5实验验证124
8.5.1预测精度讨论125
8.5.2动态预测维护决策结果与分析130
8.6本章小结133

第9章 基于失效时刻概率密度预测的预测维护方法134
9.1概述134
9.2主要思想134
9.3失效时刻概率密度预测135
9.3.1基于深度学习分位数回归的剩余寿命预测135
9.3.2基于核密度估计的失效时刻分布计算136
9.4基于预测信息的维护和库存策略137
9.4.1维护策略137
9.4.2库存策略138
9.5实验验证139
9.5.1DAE-LSTMQR模型的参数配置139
9.5.2失效时刻概率密度预测结果140
9.5.3维护和库存决策结果142
9.6本章小结144

第10章 面向非定期不可靠检查的预测维护方法145
10.1概述145
10.2主要思想146
10.3维护策略的框架：描述和分析147
10.3.1维护描述147
10.3.2退化过程建模149
10.3.3维护成本函数149
10.4维护状态演化与维护周期计算150
10.4.1基于半再生过程的长期成本率计算150
10.4.2半再生过程中不可靠检查的影响151
10.5维护优化和参数更新153
10.5.1决策变量的确定153
10.5.2退化参数更新154
10.6实验验证155
10.6.1完美检查下的维护策略分析156
10.6.2不可靠检查下的维护策略分析158
10.6.3与定期可靠检查下的维护策略比较160
10.7本章小结161

参考文献162