基于狀態(tài)的裝備故障預(yù)測(cè)技術(shù)綜述

郭 建，徐宗昌，張文俊

(1.中國(guó)人民解放軍96853部隊(duì)，遼寧 沈陽(yáng) 110000；2.陸軍裝甲兵學(xué)院 裝備保障與再制造系，北京 100072)

隨著監(jiān)測(cè)技術(shù)和信號(hào)處理技術(shù)的不斷發(fā)展，獲取裝備健康狀態(tài)技術(shù)的逐漸提高，加之對(duì)復(fù)雜裝備和重要裝備可靠性、安全性和經(jīng)濟(jì)性的要求不斷提高，視情維修(Condition-based Maintenance，CBM)已逐漸成為可能，其成功應(yīng)用不僅提高了裝備可靠性，減少意外停機(jī)，而且大大地減少了維修費(fèi)用。

視情維修作為預(yù)防性維修的高級(jí)形式，其成功應(yīng)用改變了以往僅僅依靠以事件為主導(dǎo)的修復(fù)性維修和以時(shí)間為主導(dǎo)的定時(shí)維修的方式，使獲得裝備狀態(tài)實(shí)施準(zhǔn)確的維修活動(dòng)成為可能。視情維修是在裝備狀態(tài)監(jiān)測(cè)的基礎(chǔ)上，對(duì)裝備進(jìn)行故障預(yù)測(cè)并依據(jù)結(jié)果制定合理的維修計(jì)劃，并主動(dòng)實(shí)施的維修。這樣可以最大化地減少裝備維修的費(fèi)用、增加裝備可用度、提高裝備的可靠性。

1 裝備故障預(yù)測(cè)的主要方法

復(fù)雜技術(shù)的應(yīng)用帶來(lái)了裝備的結(jié)構(gòu)復(fù)雜化、功能集成化以及技術(shù)綜合化，與此同時(shí)，也突顯出裝備故障的多樣化、致命化、隨機(jī)化等特點(diǎn)，人與裝備故障的長(zhǎng)期斗爭(zhēng)中積累了大量裝備維修方面的實(shí)踐和經(jīng)驗(yàn)。隨著裝備維修水平的不斷提高，人們不僅希望能夠在裝備發(fā)生故障之后能夠進(jìn)行快速的診斷和制定合理的預(yù)防性維修計(jì)劃，還更加迫切地需要監(jiān)測(cè)裝備的狀態(tài)，預(yù)測(cè)裝備的剩余壽命，掌握裝備的健康情況。裝備故障預(yù)測(cè)技術(shù)能夠準(zhǔn)確的預(yù)測(cè)裝備的剩余壽命，既是對(duì)狀態(tài)監(jiān)控?cái)?shù)據(jù)有效的使用，又可以作為制定維修決策的重要依據(jù)，通過(guò)采取及時(shí)有效的維修措施來(lái)提高裝備的可靠性，減少發(fā)生故障導(dǎo)致的意外停機(jī)，是提高裝備使用可用度和減少壽命周期費(fèi)用的有效手段，因此大力開(kāi)展裝備故障預(yù)測(cè)研究有著非常重要的意義。可用于故障預(yù)測(cè)的方法有很多，具體來(lái)說(shuō)可以分為基于傳統(tǒng)可靠性的預(yù)測(cè)方法、基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法、基于統(tǒng)計(jì)的預(yù)測(cè)方法和基于失效物理的預(yù)測(cè)方法。

1.1 基于傳統(tǒng)可靠性的故障預(yù)測(cè)方法

基于傳統(tǒng)可靠性的預(yù)測(cè)方法主要可分為基于故障樹(shù)分析和基于壽命分布模型兩種。

基于故障樹(shù)分析的故障預(yù)測(cè)方法是通過(guò)建立故障樹(shù)模型，進(jìn)行故障樹(shù)定性和定量分析來(lái)達(dá)到故障預(yù)測(cè)的目的，對(duì)于無(wú)故障征兆的情況，根據(jù)總體壽命期望值進(jìn)行預(yù)測(cè)；對(duì)于有故障征兆的情況，通過(guò)分析系統(tǒng)內(nèi)部關(guān)系來(lái)確定影響因素和容易導(dǎo)致的故障。陳濤等[1]通過(guò)研究風(fēng)電齒輪箱傳動(dòng)系統(tǒng)，將故障樹(shù)模型分解為幾個(gè)單元，并利用灰色關(guān)聯(lián)理論建立可靠性聯(lián)系，提高了故障樹(shù)分析在預(yù)測(cè)中的準(zhǔn)確度。

基于壽命分布模型的預(yù)測(cè)是根據(jù)同類(lèi)裝備壽命服從的分布來(lái)對(duì)故障時(shí)間進(jìn)行預(yù)測(cè)，常見(jiàn)壽命分布有指數(shù)分布、威布爾分布、正態(tài)分布和對(duì)數(shù)正態(tài)分布。這類(lèi)方法的優(yōu)點(diǎn)是不需要對(duì)裝備進(jìn)行狀態(tài)監(jiān)測(cè)，以及可以對(duì)同類(lèi)設(shè)備的使用壽命進(jìn)行大概的估計(jì)，缺點(diǎn)是只能針對(duì)同類(lèi)裝備進(jìn)行預(yù)測(cè)，對(duì)于單個(gè)裝備無(wú)法進(jìn)行準(zhǔn)確的預(yù)測(cè)。以往開(kāi)展的很多關(guān)于維修策略的文獻(xiàn)中，假設(shè)存在退化趨勢(shì)的機(jī)電產(chǎn)品的壽命分布服從威布爾分布，電子產(chǎn)品的壽命服從指數(shù)分布。

1.2 基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)方法

基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)方法優(yōu)點(diǎn)是不需要建立物理模型，無(wú)需假設(shè)參數(shù)和經(jīng)驗(yàn)性估計(jì)，通常來(lái)說(shuō)復(fù)雜系統(tǒng)建立物理模型是相當(dāng)困難的，建立數(shù)學(xué)模型進(jìn)行故障預(yù)測(cè)相對(duì)簡(jiǎn)單，但是通常需要大量準(zhǔn)確的歷史數(shù)據(jù)。

典型的方法有基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法，它不僅能用于故障診斷，還能很好地應(yīng)用于故障預(yù)測(cè)，經(jīng)過(guò)長(zhǎng)期的發(fā)展與應(yīng)用，人工神經(jīng)網(wǎng)絡(luò)的主要類(lèi)型有BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)等。其主要的優(yōu)點(diǎn)在于它具有其他常規(guī)算法和專(zhuān)家系統(tǒng)不具備的自學(xué)習(xí)和自適應(yīng)功能，能夠處理多變量分析，提供非線(xiàn)性預(yù)測(cè)，并且不需要先驗(yàn)知識(shí)。神經(jīng)網(wǎng)絡(luò)經(jīng)常與其他方法結(jié)合使用，可以取得更好的預(yù)測(cè)效果，黨香俊等[2]研究了基于BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)結(jié)合對(duì)產(chǎn)品退化軌跡進(jìn)行預(yù)測(cè)，不僅實(shí)現(xiàn)了較長(zhǎng)距離的預(yù)測(cè)，而且提高了預(yù)測(cè)的精度。

基于濾波器的預(yù)測(cè)方法也是一種基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)方法，常見(jiàn)的有卡爾曼濾波器、擴(kuò)展式卡爾曼濾波器、強(qiáng)跟蹤濾波器和粒子濾波器。卡爾曼濾波器是最佳的線(xiàn)性估計(jì)器，可實(shí)現(xiàn)極小化系統(tǒng)狀態(tài)估計(jì)誤差，存在的不足是需要精確的數(shù)學(xué)模型并且對(duì)模型不確定性的魯棒性較差。強(qiáng)跟蹤濾波器對(duì)模型的不確定性的魯棒性較強(qiáng)，且對(duì)緩變和突變狀態(tài)都有極強(qiáng)的跟蹤能力，但是只能用于解決高斯噪聲系統(tǒng)的故障預(yù)測(cè)。粒子濾波器與強(qiáng)跟蹤濾波器相反，其具有解決非高斯系統(tǒng)的濾波和預(yù)測(cè)的能力，但是對(duì)于突變狀態(tài)的跟蹤能力較差。杜黨波等[3]研究了在復(fù)雜系統(tǒng)存在缺失數(shù)據(jù)時(shí)，如何采用改進(jìn)的小波-卡爾曼濾波解決故障預(yù)測(cè)問(wèn)題，并進(jìn)行了數(shù)值仿真和實(shí)例驗(yàn)證，證明了算法的有效性和可行性。

1.3 基于統(tǒng)計(jì)的故障預(yù)測(cè)方法

基于統(tǒng)計(jì)的預(yù)測(cè)方法的最大優(yōu)點(diǎn)在于可以通過(guò)觀察到的統(tǒng)計(jì)數(shù)據(jù)建立所需的概率密度函數(shù)，這些概率密度函數(shù)能夠給出足夠的預(yù)測(cè)結(jié)果置信區(qū)間，主要包括貝葉斯網(wǎng)絡(luò)、隱馬爾可夫和隱半馬爾可夫模型、回歸分析方法等。

貝葉斯網(wǎng)絡(luò)是利用對(duì)象個(gè)體的狀態(tài)監(jiān)控?cái)?shù)據(jù)代替事件數(shù)據(jù)，進(jìn)行可靠性評(píng)估，準(zhǔn)確性強(qiáng)烈依賴(lài)對(duì)各種趨勢(shì)特征閾值的準(zhǔn)確確定。蔡志強(qiáng)等[4]將故障模式、影響及危害性分析(FMECA)與貝葉斯網(wǎng)絡(luò)結(jié)合用于故障預(yù)測(cè)，經(jīng)過(guò)實(shí)驗(yàn)表明其在不確定性和定量分析方面具有優(yōu)勢(shì)，能夠準(zhǔn)確地預(yù)測(cè)復(fù)雜裝備的故障。

隱馬爾可夫模型(HMM)是由馬爾可夫模型發(fā)展而來(lái)的，是一種描述隨機(jī)過(guò)程統(tǒng)計(jì)特性的概率模型，與馬爾可夫模型不同，HMM是雙重隨機(jī)過(guò)程，一個(gè)隨機(jī)過(guò)程描述狀態(tài)轉(zhuǎn)移，另一個(gè)描述狀態(tài)與觀察值之間的統(tǒng)計(jì)對(duì)應(yīng)關(guān)系。隱馬爾可夫模型根據(jù)觀察信號(hào)性質(zhì)不同，可分為連續(xù)隱馬爾可夫模型和離散隱馬爾可夫模型，隱半馬爾可夫模型(HSMM)是HMM的一種擴(kuò)展形式，介于連續(xù)和離散HMM的半連續(xù)HMM。馮輔周等[5]為解決微弱信號(hào)特征提取問(wèn)題和故障預(yù)測(cè)精度不高的問(wèn)題，提出一種將小波相關(guān)濾波和排列熵結(jié)合的特征提取方法，并將HMM用于故障預(yù)測(cè)，最后通過(guò)軸承數(shù)據(jù)驗(yàn)證了算法的有效性和優(yōu)越性。徐宇亮等[6]為解決電子設(shè)備的故障預(yù)測(cè)問(wèn)題，提出一種改進(jìn)流形學(xué)習(xí)與HSMM結(jié)合的健康評(píng)估與故障預(yù)測(cè)方法，并應(yīng)用與某型導(dǎo)彈電子設(shè)備，驗(yàn)證了算法的有效性。

回歸分析方法的主要步驟是根據(jù)預(yù)測(cè)目標(biāo)確定自變量和因變量，建立回歸預(yù)測(cè)模型，進(jìn)行相關(guān)分析，模型檢驗(yàn)與修改，計(jì)算預(yù)測(cè)值。可以分為一元線(xiàn)性回歸分析預(yù)測(cè)法、多元線(xiàn)性回歸分析預(yù)測(cè)法和非線(xiàn)性回歸分析預(yù)測(cè)法。其主要特點(diǎn)是預(yù)測(cè)過(guò)程簡(jiǎn)單、技術(shù)成熟，存在的不足之處是誤差較大，外推特性差，且要求大量樣本數(shù)據(jù)。鄧力等[7]提出一種將網(wǎng)絡(luò)中單組件的故障率多項(xiàng)式轉(zhuǎn)換成多元線(xiàn)性回歸模型進(jìn)行求解，給出的預(yù)測(cè)區(qū)間具有較高的預(yù)測(cè)精度。另外，基于時(shí)間序列也是一種重要的預(yù)測(cè)方法，這種方法具有計(jì)算方便快捷，能夠提供線(xiàn)性平穩(wěn)預(yù)測(cè)的優(yōu)點(diǎn)，但是在解決非線(xiàn)性問(wèn)題時(shí)受到局限，而且模型識(shí)別需要確定很多參數(shù)，常用的時(shí)間序列模型有自回歸(AR)模型、滑動(dòng)平均(MA)模型和自回歸滑動(dòng)平均(ARMA)模型，李向前[8]提出基于自回歸滑動(dòng)平均模型與人工神經(jīng)網(wǎng)絡(luò)的狀態(tài)預(yù)測(cè)方法，克服了自回歸滑動(dòng)平均模型無(wú)法解決復(fù)雜非線(xiàn)性問(wèn)題預(yù)測(cè)的局限。杜占龍等[9]將卡爾曼濾波與自相關(guān)模型融合用于故障預(yù)測(cè)，提出帶有次優(yōu)漸消因子的強(qiáng)跟蹤平方根容積卡爾曼濾波方法，解決了非線(xiàn)性復(fù)雜系統(tǒng)參數(shù)不易測(cè)量的問(wèn)題。

1.4 基于失效物理的故障預(yù)測(cè)方法

基于失效物理的預(yù)測(cè)方法是利用裝備壽命周期的載荷和故障的失效機(jī)理來(lái)評(píng)估裝備的可靠性以及預(yù)測(cè)故障，其優(yōu)勢(shì)在于需要的數(shù)據(jù)量少?；谑锢淼念A(yù)測(cè)方法主要有基于帕里斯法則裂紋擴(kuò)展建模、基于Forman規(guī)律的裂紋擴(kuò)展建模、疲勞剝落擴(kuò)展模型和基于剛度的損傷規(guī)律模型等。

基于帕里斯法則裂紋擴(kuò)展建模,利用有限元分析使得基于部件幾何特征、缺陷、載荷與速度等材料應(yīng)力計(jì)算成為可能，但是計(jì)算的成本過(guò)高。鄭戰(zhàn)光等[10]推導(dǎo)了一種基于損傷力學(xué)的一般損傷演化過(guò)程，并結(jié)合帕里斯公式，以有效當(dāng)量應(yīng)力幅和材料損傷特性參數(shù)為控制變量得到了新的疲勞損傷演化模型。

基于Forman規(guī)律的裂紋擴(kuò)展建模,能夠?qū)⒉考臓顟B(tài)監(jiān)測(cè)數(shù)據(jù)和缺陷擴(kuò)展物理特性與壽命關(guān)聯(lián)起來(lái)，但是該方法的簡(jiǎn)化假設(shè)需要驗(yàn)證，對(duì)于復(fù)雜狀況，模型中的參數(shù)仍需確定。劉文光等[11]將廣義的Forman方程模擬疲勞裂紋擴(kuò)展應(yīng)用到懸梁臂表面裂紋上，研究了裂紋面摩擦效應(yīng)對(duì)裂紋疲勞擴(kuò)展的影響。薛飛等[12]使用簡(jiǎn)化的四參數(shù)全范圍Forman模型表征國(guó)產(chǎn)壓水堆核電站主管道母材與焊材全范圍的疲勞擴(kuò)展規(guī)律。王愛(ài)紅等[13]人運(yùn)用Forman公式估算橋式起重機(jī)的疲勞剩余壽命，為橋式起重機(jī)的工作安全提供了保證。

疲勞剝落模型和疲勞剝落擴(kuò)展模型可計(jì)算剝落發(fā)生時(shí)間以及失效時(shí)間，主要用于研究循環(huán)應(yīng)力作用下的非金屬夾雜物、組織不均勻、碳化物等金屬內(nèi)部發(fā)生的裂紋，在接觸表面下發(fā)生并不斷擴(kuò)展就導(dǎo)致了剝離。王艷等[14]在確定材料在受到反復(fù)沖擊條件下的疲勞磨損表現(xiàn)為疲勞剝離后，采用膜層來(lái)提高材料表面硬度，增加耐磨性。趙新澤等[15]研究了鋼絲鋁絞線(xiàn)在干燥和酸性?xún)煞N典型的氣候條件下的微動(dòng)磨損行為，在觀察試樣的表面外貌和磨損微粒的外貌后，發(fā)現(xiàn)磨損機(jī)理為黏著和疲勞剝落。

基于剛度的損傷規(guī)律模型可將軸承的頻率、加速與運(yùn)行和失效時(shí)間關(guān)聯(lián)，計(jì)算時(shí)也需要確定材料常數(shù)。馮培鋒等[16]研究了復(fù)合材料在疲勞作用下的剩余強(qiáng)度衰退模型和剩余剛度衰退模型以及二者之間的關(guān)系，并用實(shí)驗(yàn)對(duì)模型進(jìn)行了驗(yàn)證。顧怡[17]研究了纖維樹(shù)脂復(fù)合材料的剩余強(qiáng)度隨疲勞載荷加載次數(shù)的退化規(guī)律，提出了纖維樹(shù)脂復(fù)合材料剩余強(qiáng)度退化模型，并得到了大量實(shí)驗(yàn)結(jié)果的支持。蘇小萍[18]針對(duì)復(fù)合材料損傷機(jī)理復(fù)雜性和損傷形式多樣性，采用試驗(yàn)方法來(lái)評(píng)價(jià)損傷困難的問(wèn)題，研究了采用電阻變化來(lái)反映層板結(jié)構(gòu)疲勞損傷的方法。

以上文獻(xiàn)綜述了基于失效物理的故障預(yù)測(cè)研究，對(duì)于復(fù)雜裝備來(lái)說(shuō)，考慮到裝備的復(fù)雜性和故障隨機(jī)性很難建模，因此對(duì)于大部分復(fù)雜裝備來(lái)說(shuō)，基于失效物理并不是首選的故障預(yù)測(cè)方法。

2 綜合集成故障預(yù)測(cè)方法

隨著裝備結(jié)構(gòu)的復(fù)雜化和故障模式的多樣化，使用單一的故障預(yù)測(cè)方法的預(yù)測(cè)精度很難滿(mǎn)足需求，另外不同的故障預(yù)測(cè)方法都有其局限性和適用條件，因此，若能融合多種預(yù)測(cè)方法共同進(jìn)行故障預(yù)測(cè)，則能在克服傳統(tǒng)預(yù)測(cè)方法不足的同時(shí)提高預(yù)測(cè)的精確度。趙建忠等[19-20]針對(duì)故障預(yù)測(cè)時(shí)中數(shù)據(jù)采樣間隔不均勻、采樣難度大、數(shù)據(jù)不足的問(wèn)題，提出了一種基于數(shù)據(jù)融合和改進(jìn)的灰色模型結(jié)合的故障預(yù)測(cè)方法，并且用實(shí)例證明了方法的有效性。高甜容等[21]針對(duì)現(xiàn)有的數(shù)控機(jī)床主軸傳動(dòng)系統(tǒng)故障預(yù)測(cè)的不足，以及故障的多發(fā)性，提出了一種基于故障先兆判定模型和動(dòng)態(tài)置信度匹配的主軸潤(rùn)滑故障預(yù)測(cè)方法，該方法能夠?qū)?shù)控機(jī)床的歷史故障數(shù)據(jù)用于定義故障先兆狀態(tài)序列，并利用小波分析和概率神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型，實(shí)驗(yàn)證明，該方法能夠?qū)?shù)控機(jī)床主軸傳動(dòng)系統(tǒng)的故障進(jìn)行預(yù)測(cè)。曾慶虎等[22]為了消除數(shù)據(jù)冗余，獲得高維的故障數(shù)據(jù)，對(duì)信號(hào)進(jìn)行小波相關(guān)濾波處理，并構(gòu)建了小波相關(guān)特征尺度熵向量，結(jié)合隱半馬爾可夫模型(HSMM)對(duì)設(shè)備的退化狀態(tài)進(jìn)行識(shí)別并預(yù)測(cè)故障。費(fèi)勝巍等[23]為了對(duì)變壓器進(jìn)行故障預(yù)測(cè)，提出了一種結(jié)合粗糙集和灰色模型的故障預(yù)測(cè)方法，這種方法可以結(jié)合預(yù)測(cè)對(duì)象的狀態(tài)特征和診斷規(guī)則，盡早發(fā)現(xiàn)潛在的故障，及時(shí)地采取應(yīng)對(duì)措施，避免造成經(jīng)濟(jì)損失。文獻(xiàn)[24]提出了一種基于神經(jīng)網(wǎng)絡(luò)和威布爾分布的剩余壽命預(yù)測(cè)方法，將軸承的振動(dòng)信號(hào)用于預(yù)測(cè)并將軸承的狀態(tài)分為健康狀態(tài)和6個(gè)退化狀態(tài)來(lái)表征軸承的健康程度，實(shí)驗(yàn)結(jié)果表明此方法可以準(zhǔn)確地對(duì)剩余壽命進(jìn)行預(yù)測(cè)，并且可以應(yīng)用于除軸承外的其他機(jī)械設(shè)備中。文獻(xiàn)[25]針對(duì)離散事件后勤系統(tǒng)仿真模型對(duì)剩余壽命預(yù)測(cè)不可靠的問(wèn)題，提出了兩步剩余壽命預(yù)測(cè)評(píng)估離散事件后勤系統(tǒng)仿真模型的規(guī)則和操作方法，并且通過(guò)實(shí)驗(yàn)證明兩步剩余壽命預(yù)測(cè)方法比傳統(tǒng)的單步預(yù)測(cè)方法更加有效。文獻(xiàn)[26]描述了一種結(jié)合粒子群算法與支持向量機(jī)的飛機(jī)發(fā)動(dòng)機(jī)剩余壽命預(yù)測(cè)方法，這種基于粒子群算法與支持向量機(jī)的混合模型的優(yōu)點(diǎn)在于其不需要發(fā)動(dòng)機(jī)的歷史狀態(tài)數(shù)據(jù)，并且用實(shí)驗(yàn)證明了這種方法的實(shí)用性。文獻(xiàn)[27]運(yùn)用關(guān)聯(lián)向量機(jī)對(duì)鋰電池進(jìn)行剩余壽命預(yù)測(cè)，但是預(yù)測(cè)過(guò)程中樣本量少和精確度低的問(wèn)題限制了關(guān)聯(lián)向量機(jī)在鋰電池故障預(yù)測(cè)中的應(yīng)用，要提高預(yù)測(cè)的精度，就要提高動(dòng)態(tài)訓(xùn)練和在線(xiàn)學(xué)習(xí)能力;并提出了通過(guò)增加靈活性和增值優(yōu)化關(guān)聯(lián)向量機(jī)算法來(lái)對(duì)鋰電池進(jìn)行更加準(zhǔn)確的剩余壽命預(yù)測(cè)。

3 裝備故障預(yù)測(cè)中的不確定性

裝備故障預(yù)測(cè)中的不確定性不僅會(huì)直接導(dǎo)致預(yù)測(cè)準(zhǔn)確度下降，還會(huì)間接地影響到維修策略的制定。造成故障預(yù)測(cè)不確定的因素很多，主要的因素有獲取的退化狀態(tài)參數(shù)不準(zhǔn)確、考慮導(dǎo)致故障的因素不全面、模型參數(shù)的不確定性、模型結(jié)構(gòu)的不確定性等。孫強(qiáng)等[28]對(duì)近年來(lái)的基于不確定性的故障預(yù)測(cè)方法進(jìn)行了綜述，并且通過(guò)不確定屬性的不同將故障預(yù)測(cè)分為基于隨機(jī)性、模糊性、灰性及混合不確定性4類(lèi)，綜述了每一類(lèi)方法的研究現(xiàn)狀和不足。

模型參數(shù)和性能參數(shù)的不確定是最常見(jiàn)的引起不確定性的因素，許喆平等[29]針對(duì)由于飛機(jī)性能參數(shù)包含噪聲和非線(xiàn)性而造成故障預(yù)測(cè)不確定性的問(wèn)題，采用增加線(xiàn)性約束的方式來(lái)解決噪聲對(duì)故障預(yù)測(cè)精度的影響，仿真結(jié)果證明，這種方法能夠降低噪聲，提高故障預(yù)測(cè)的準(zhǔn)確性，從而增加飛機(jī)的安全性。鄧宏琛等[30]將動(dòng)態(tài)不確定因果圖理論模型應(yīng)用于核電站的故障預(yù)測(cè)中，該方法能夠得到關(guān)注的假設(shè)事件及狀態(tài)概率表達(dá)，并實(shí)現(xiàn)了推理機(jī)軟件和算法優(yōu)化。張磊等[31]提出了一種基于關(guān)聯(lián)向量機(jī)回歸的故障預(yù)測(cè)算法，預(yù)測(cè)過(guò)程采用多步時(shí)間序列預(yù)測(cè)中的遞推計(jì)算的思路，將每一步預(yù)測(cè)中的不確定性作為下一步預(yù)測(cè)迭代的輸入因素充分考慮，并用仿真實(shí)驗(yàn)證明改進(jìn)的算法優(yōu)于傳統(tǒng)的故障預(yù)測(cè)算法。

除參數(shù)造成的不確定性，環(huán)境因素也可能對(duì)故障預(yù)測(cè)的結(jié)果帶來(lái)不確定性，由于裝備通常需要在多變的復(fù)雜環(huán)境中作業(yè)，因此考慮環(huán)境因素對(duì)裝備壽命產(chǎn)生的影響是非常必要的。蔡志強(qiáng)等[32]針對(duì)不確定環(huán)境下設(shè)備故障的傳播推理問(wèn)題，提出了一種基于貝葉斯網(wǎng)絡(luò)的故障推理模型，利用網(wǎng)絡(luò)結(jié)構(gòu)與概率分布有效表達(dá)裝備中各部件故障狀態(tài)、關(guān)聯(lián)關(guān)系及傳播方式。徐宇亮等[33]針對(duì)導(dǎo)彈電子設(shè)備故障預(yù)測(cè)問(wèn)題，提出了一種基于綜合環(huán)境加速退化試驗(yàn)和粒子濾波的故障預(yù)測(cè)的新方法，并且考慮到環(huán)境應(yīng)力帶來(lái)的不確定因素對(duì)故障預(yù)測(cè)帶來(lái)的影響，定義了電子設(shè)備退化度的概念。文獻(xiàn)[34]將貝葉斯框架運(yùn)用于復(fù)雜多變的隨機(jī)環(huán)境中飛機(jī)發(fā)動(dòng)機(jī)壽命預(yù)測(cè)，提出用4種疲勞模型來(lái)驗(yàn)證貝葉斯框架，通過(guò)更新數(shù)據(jù)參數(shù)，貝葉斯框架能夠提供有用的性能信息和不確定約束，結(jié)果顯示預(yù)測(cè)的疲勞壽命分布符合實(shí)驗(yàn)結(jié)果。

另外，同時(shí)考慮隨機(jī)和動(dòng)態(tài)因素產(chǎn)生的不確定性，以及主觀不確定性和客觀不確定性，采用綜合量化的方法來(lái)盡量消除不確定性對(duì)故障預(yù)測(cè)產(chǎn)生的影響也是常見(jiàn)的一類(lèi)方法。文獻(xiàn)[35]研究了發(fā)動(dòng)機(jī)故障和可靠性預(yù)測(cè)中的隨機(jī)和動(dòng)態(tài)不確定性，采用最小二乘法支持向量機(jī)和非線(xiàn)性迭代濾波來(lái)更新可靠性數(shù)據(jù)的準(zhǔn)確性，并且用兩個(gè)例子來(lái)比較先前文獻(xiàn)中的神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型與此方法，實(shí)驗(yàn)結(jié)果證明提出的新方法在可靠性預(yù)測(cè)有更高的準(zhǔn)確性。文獻(xiàn)[36]研究了在不確定條件下飛機(jī)渦輪的疲勞壽命預(yù)測(cè)，預(yù)測(cè)包含了出現(xiàn)在框架結(jié)構(gòu)完整性評(píng)估中的不確定因素，采用綜合不確定量化方法來(lái)量化多種類(lèi)型的不確定因素，通過(guò)實(shí)驗(yàn)結(jié)果證明預(yù)測(cè)模型具有很高的預(yù)測(cè)精度。

4 結(jié)束語(yǔ)

通過(guò)總結(jié)分析以上文獻(xiàn)可知，在故障預(yù)測(cè)領(lǐng)域,很多機(jī)構(gòu)已經(jīng)開(kāi)展了大量研究并取得了豐碩的研究成果，并且很多研究成果已經(jīng)應(yīng)用到實(shí)際。故障預(yù)測(cè)技術(shù)在解決復(fù)雜裝備的維修問(wèn)題中起到了越來(lái)越重要的作用，遺憾的是故障預(yù)測(cè)的準(zhǔn)確度和預(yù)測(cè)方法的適用性還有待提高，急需發(fā)展新的裝備故障預(yù)測(cè)技術(shù)或綜合多種有效的預(yù)測(cè)手段來(lái)一起解決這個(gè)難題。在剩余壽命預(yù)測(cè)中，使用預(yù)測(cè)壽命區(qū)間代替預(yù)測(cè)壽命值能更加符合實(shí)際情況，給出預(yù)測(cè)壽命值的置信區(qū)間可能成為未來(lái)壽命預(yù)測(cè)的發(fā)展方向。

筆者綜述了在視情維修背景下的故障預(yù)測(cè)的相關(guān)文獻(xiàn)，重點(diǎn)介紹了故障預(yù)測(cè)的主要方法及研究現(xiàn)狀。并對(duì)所綜述的文獻(xiàn)進(jìn)行了分析總結(jié)，對(duì)故障預(yù)測(cè)與維修決策未來(lái)發(fā)展方向進(jìn)行了展望。高新技術(shù)在裝備上的廣泛應(yīng)用在帶動(dòng)裝備發(fā)展的同時(shí)也增加了維修保障的難度，裝備“買(mǎi)得起，用不起”的難題也日益突出，亟待提出更加有效的故障預(yù)測(cè)技術(shù)，盡量發(fā)揮裝備的最大效能。