數(shù)據(jù)驅(qū)動的故障預測方法研究

李 磊，李曉猛，付一博，焦瑞華

(航空工業(yè)西安航空制動科技有限公司，陜西 西安 710048)

隨著科學技術(shù)的不斷發(fā)展，航空、航天、通信、電子和化工等多個領(lǐng)域的設(shè)備日趨復雜和智能，設(shè)備使用環(huán)境逐漸苛刻，使用強度不斷提高，加重了腐蝕、疲勞等外部作用產(chǎn)生退化的可能性，而設(shè)備退化引起的失效問題可能會造成嚴重的人員損傷和財產(chǎn)損失，近年來設(shè)備的安全性保障和智能化管理的需求日趨強烈。為全面監(jiān)控復雜設(shè)備的運行情況以及健康狀況，保障高效性與經(jīng)濟行、安全性與可靠性，實現(xiàn)復雜設(shè)備的視情維修，故障預測與健康管理(Prognostic and Health Management,PHM)技術(shù)應運而生，逐漸成為可靠性領(lǐng)域的熱點研究方向[1-3]。PHM技術(shù)旨在通過精確預測設(shè)備壽命為維修替換、備件訂購等管理活動提供科學依據(jù)，使得系統(tǒng)在未完全故障階段就可提前獲取系統(tǒng)健康狀況，實現(xiàn)系統(tǒng)故障前的主動干預，避免被動非計劃性停機，達到降低設(shè)備過載荷使用和實現(xiàn)設(shè)備智能化管理等目標，故大量的專家與學者[1-4]一致認為故障預測是PHM的基礎(chǔ)與核心內(nèi)容。

1 故障預測技術(shù)的內(nèi)涵

1.1 故障預測的概念

故障預測技術(shù)通常采用先進傳感器技術(shù)，基于機理或數(shù)據(jù)模型來監(jiān)測和預測設(shè)備的狀態(tài)。該技術(shù)可最大程度地利用傳統(tǒng)的故障特征檢測技術(shù)，并綜合先進的算法建模，來獲得虛警率幾乎為零的精確故障檢測和隔離結(jié)果[5]。從故障預測技術(shù)誕生至今，國內(nèi)外科研人員給出了各式各樣不同的定義，然而其核心大多還是圍繞剩余使用壽命(Remaining Useful Life,RUL)展開，具體如表1所示。

表1 故障預測的不同定義

綜合各類研究觀點，認為故障預測的要點可歸納為故障征兆辨識和剩余壽命預測。

① 故障征兆辨識指設(shè)備故障的初始特征被識別出來，與正常運轉(zhuǎn)設(shè)備特征參數(shù)有差別，但設(shè)備此時尚能夠滿足正常運轉(zhuǎn)。

② 剩余壽命預測是指從發(fā)現(xiàn)設(shè)備的故障征兆開始到設(shè)備最終發(fā)生故障截至時的時間，并給出盡可能精確的剩余使用壽命預測。

1.2 故障預測方法分類

現(xiàn)有的故障預測方法有很多種，不同的學者和研究機構(gòu)對其分類略有不同，具體如表2所示。

表2 故障預測的分類

結(jié)合當前被普遍認同的分類方法，將故障預測方法主要分為基于物理模型的故障預測和基于數(shù)據(jù)的故障預測?；谖锢砟Ｐ头椒ǖ那疤崾潜挥^測對象的數(shù)學模型是已知的，通過建立被觀測對象的失效模式和物理特性數(shù)學模型，達到識別故障征兆和預測剩余使用壽命的目的。基于數(shù)據(jù)的故障預測方法以采集到的數(shù)據(jù)為基礎(chǔ)，通過數(shù)據(jù)分析、處理和提取得到可利用信息，結(jié)合歷史數(shù)據(jù)中的輸入和輸出之間映射關(guān)系，完成非線性模型的建立，以期使用現(xiàn)有數(shù)據(jù)計算未來值，進而實現(xiàn)故障的成功預測。

2 基于數(shù)據(jù)的故障預測方法

基于模型的故障預測方法雖可以通過研究被觀測對象的固有特性和性質(zhì)，完成對故障的實時預測和精準預測，但是基于模型的故障預測存在建模過程過于復雜的問題，使得其適用范圍并不廣泛。而基于數(shù)據(jù)驅(qū)動的故障預測方法具備的適用范圍廣、預測精度高和建模較易等優(yōu)勢使其成為近年來研究的熱點與主流，累積了大量的優(yōu)秀研究成果。因此，下文主要介紹基于數(shù)據(jù)的幾類主流故障預測方法，主要有：時間序列分析方法、可靠性法、隨機過程方法和人工智能方法，如圖1所示。

圖1 基于數(shù)據(jù)驅(qū)動的故障預測方法分類

2.1 時間序列分析方法

該方法將預測對象的歷史數(shù)據(jù)按照時間進行排列，并建立數(shù)據(jù)隨時間變化的數(shù)學模型，繼而外推至未來進行預測；或?qū)v史數(shù)據(jù)擬合一條曲線，預測對象隨時間變化的趨勢，估計出某時刻的預測值。介紹兩種故障預測領(lǐng)域常用的時間序列分析方法：灰色模型方法和自回歸滑動平均(Auto-Regressive and Moving Average，ARMA)方法。

2.1.1 灰色模型方法

灰色系統(tǒng)模型通常被表示為GM(n,m)，其中n為微分方程的階數(shù)，m為微分方程的變量數(shù)。研究人員大多聚焦在計算效率較高的1階、1個變量的微分方程模型GM(1,1)[12-13]。Yang等[14]建立了一個基于相似信息融合的灰色模型，使用歷史樣本進行相似性匹配，應用灰色模型預測未來退化軌跡，獲取飛機發(fā)動機的剩余使用壽命。杜文然等[15]以動車組百萬公里故障數(shù)據(jù)為基礎(chǔ)，建立基于灰色GM(1,1)的故障率預測模型，使用等維信息灰色GM(1,1)模型進行數(shù)據(jù)更新和精度檢驗，實現(xiàn)對故障的精準預測?；疑Ｐ吞攸c是少數(shù)據(jù)建模，普遍精度高，誤差小[16]。但GM(1,1)模型的預測要求時間序列近似呈指數(shù)規(guī)律變化，且其只考慮到單個特征量的變化趨勢，在實際應用中具有局限性。

2.1.2 自回歸滑動平均方法

ARMA方法將數(shù)據(jù)視為隨機序列，結(jié)合相鄰數(shù)據(jù)之間的數(shù)學關(guān)系建立模型，進而擬合時間序列[17]，傳統(tǒng)ARMA方法對平穩(wěn)數(shù)據(jù)的預測效果良好，適用于短期預測，唐睿[18]使用歷史時間序列完成對ARMA模型的建立，得到軸承性能退化的預測曲線，擬合度可以達到96%。徐達等[19]建立ARMA和BP神經(jīng)網(wǎng)絡組合預測模型，以某型裝甲裝備故障率數(shù)據(jù)為研究對象，故障率預測結(jié)果良好。但是AMRA方法實際運行數(shù)據(jù)一般較難滿足平穩(wěn)條件，通常需對數(shù)據(jù)給出平穩(wěn)性假設(shè)或進行合理變換[20]。

2.2 基于可靠性方法

基于可靠性的故障預測方法是從歷史數(shù)據(jù)的統(tǒng)計特性為出發(fā)點，使用近似相同的設(shè)備歷史故障數(shù)據(jù)來擬合設(shè)備的壽命分布曲線，進而獲取對應概率密度函數(shù)，求得設(shè)備平均剩余壽命。所得到的預測結(jié)果中含有置信度，能夠很好地表征預測結(jié)果的準確度。該方法適合用于批次多、數(shù)量大的設(shè)備[21]。最典型的方法就是比例風險(Proportional Hazards,PH)模型。PH模型中設(shè)備的失效率由基準失效率函數(shù)和協(xié)變量函數(shù)組成，在預測結(jié)果的同時體現(xiàn)了同類設(shè)備的共性屬性和個體差異。蔣文博等[22]運用PH模型結(jié)合壽命和協(xié)變量的關(guān)系，獲取累計風險函數(shù)，利用機器學習算法結(jié)合壽命數(shù)據(jù)和故障時間序列建模，所得到的壽命預測結(jié)果良好。但是PH模型需要大量的高可靠歷史數(shù)據(jù)才能完成對模型參數(shù)的推算，另外還需要失效率和協(xié)變量的差異成比例，使得其在壽命預測領(lǐng)域的應用并不具備廣泛適用性[23]。

2.3 基于隨機過程方法

該方法旨在通過建立隨機過程模型以獲取退化過程的曲線，進而得到剩余壽命概率分布函數(shù)。主要包括的方法有基于Wiener過程的方法、基于馬爾可夫鏈的方法、基于Gamma 過程的方法和基于逆高斯過程的方法。

2.3.1 基于Wiener過程的方法

Wiener過程又稱為帶線性漂移的布朗運動，由于其在非單調(diào)性能退化方面的良好表現(xiàn)，常被用于非單調(diào)退化過程的建模[24-25]，目前已被廣泛應用于設(shè)備可靠性分析和壽命預測領(lǐng)域。趙帥[26]使用Wiener隨機過程分別對設(shè)備單調(diào)和非單調(diào)退化過程進行驅(qū)動，引入PH模型到退化過程中并對設(shè)備故障預測進行建模，通過轉(zhuǎn)移矩陣的方法完成對模型的解算和設(shè)備健康參數(shù)的求解，實現(xiàn)對設(shè)備故障的準確預測。董青等[27]基于自適應Wiener過程，提出了一種考慮隨機沖擊影響的非線性退化設(shè)備剩余壽命預測方法。利用正態(tài)分布描述隨機沖擊對設(shè)備退化量的影響，建立融合隨機沖擊影響的自適應Wiener過程退化模型，并應用期望最大化方法實現(xiàn)模型參數(shù)估計，通過數(shù)值仿真、慣性導航系統(tǒng)陀螺儀實例，驗證了方法的有效性和實用性。但Wiener存在過程參數(shù)的辨識需要大量的歷史數(shù)據(jù)和不適用于非線性退化建模的缺陷。

2.3.2 基于馬爾可夫鏈的方法

該方法在故障預測領(lǐng)域，首先需假設(shè)退化過程{X(t),t≥0}在有限的狀態(tài)空間E={0,1,2,…,M}上進行演化迭代，被觀測對象首次達到失效狀態(tài)點“M”的時間為設(shè)備的使用壽命。這種方法具備似然函數(shù)計算效率高和簡單直觀的優(yōu)點，但當被觀測對象退化過程難以獲取時，隱馬爾可夫模型(Hidden Markov Model，HMM)得到了廣泛的應用，其結(jié)構(gòu)示意圖如圖2所示。

圖2 HMM的結(jié)構(gòu)示意圖

HMM 模型是由兩個隨機過程生成，一個隨機過程用于描述可觀測狀態(tài)的轉(zhuǎn)移，另一個用于狀態(tài)與觀測值之間的映射關(guān)系。轉(zhuǎn)移過程通常是隨機的，其狀態(tài)對應的觀測也為隨機，所以只能通過其一隨機過程估計狀態(tài)的存在和其特性。另外，HMM模型在故障預測應用中還將被觀測對象的健康狀況劃分為“健康”、“亞健康”、“失效”等便于理解的描述方式。楊奕飛等[28]研究了基于隱馬爾科夫模型的故障模式識別方法,利用該模型將微弱變化的信號特征轉(zhuǎn)換為變化較大的對數(shù)似然概率對故障模式實現(xiàn)有效識別。周智利[29]提出一種基于HMM模型的轉(zhuǎn)轍機故障及剩余壽命預測方法，通過實驗獲取到的被觀測設(shè)備的故障預測結(jié)果較為良好。由于該方法的無記憶性，造成壽命預測結(jié)果僅依賴當前設(shè)備的健康狀態(tài)而不能充分利用設(shè)備運行過程的歷史數(shù)據(jù)。另外，該方法無法得到概率密度函數(shù)，進而無法對故障預測結(jié)果進行評估。其近似離散化的處理連續(xù)退化過程的方法也會存在誤差。

2.3.3 基于Gamma 過程的方法

基于 Gamma 過程的故障預測方法需要假設(shè)設(shè)備的退化模型的增量服從Gamma 分布，在預先設(shè)定好失效閾值的前提下求取失效閾值的時間就可以得到剩余壽命[30]。Gamma 隨機過程為一種單調(diào)遞增的跳躍過程，可用于設(shè)備隨機退化過程為嚴格單調(diào)的情況。高首[31]建立了基于 Gamma過程的模型描述產(chǎn)品的退化過程，針對激光器和鋰離子電池退化模型，創(chuàng)新地應用了粒子濾波算法對EM 算法中不易估計的參數(shù)值進行求解，并最終得到了相應的剩余壽命概率密度函數(shù)。李建華[32]建立了一種基于二元伽馬過程的退化模型，利用分步極大似然估計法在線更新模型參數(shù)并對設(shè)備的剩余壽命進行預測，預測精度良好。但受限于實際退化過程的無序波動性，現(xiàn)實退化場景往往并不嚴格遵循Gamma隨機過程的單調(diào)特性。另外，Gamma分布數(shù)學形式較為復雜，存在難以對模型的參數(shù)進行實時估計和更新的問題。

2.3.4 基于逆高斯過程的方法

與Gamma過程相似，逆高斯過程是一種具有單調(diào)性的隨機過程。其在實際應用中能夠較為方便地融入其他物理模型，在設(shè)備的可靠性評估工作中具有較為廣泛的應用前景[33-34]。王藝斐等[35]采用二元過程建立管道剩余強度性能退化量模型，基于管道剩余強度的邊緣概率密度函數(shù)，采用期望值最大化算法估計模型參數(shù)，完成管道壽命預測。吳振宇[36]基于逆高斯過程提出一種考慮個體差異和測量不確定性的加速退化模型，通過遺傳算法和蒙特卡洛積分的方法對模型參數(shù)進行求解，實現(xiàn)了設(shè)備的壽命預測。目前關(guān)于逆高斯過程在壽命預測中的研究相對較少，且逆高斯過程適用于退化過程單調(diào)的應用場景，在復雜退化過程的應用研究較為缺乏。

2.4 基于人工智能的方法

基于人工智能的方法首先選取若干歷史數(shù)據(jù)作為訓練樣本，再使用訓練算法對其訓練后進行故障預測。該方法避免了傳統(tǒng)方法較為復雜的數(shù)學模型建立和專家經(jīng)驗獲取。但需要被觀測對象從起始使用到最終故障時的完整歷史數(shù)據(jù)，否則會降低預測結(jié)果的可信度。另外，由于這類方法屬于黑盒模型，這也意味著預測結(jié)果往往缺乏足夠的可解釋性。目前常用的人工智能方法有：人工神經(jīng)網(wǎng)絡(Artificial Neural Network,ANN)、支持向量機(Support Vector Machine,SVM)和深度學習等方法。

2.4.1 基于ANN的方法

常見ANN有BP網(wǎng)絡、SOM網(wǎng)絡、RBF網(wǎng)絡等。故障預測中最常用的BP神經(jīng)網(wǎng)絡是一種單向傳播的多層前向網(wǎng)絡，其結(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

輸入信號從輸入節(jié)點依次穿過各隱藏層節(jié)點，然后傳到輸出節(jié)點，節(jié)點傳遞函數(shù)一般為sigmoid型函數(shù)。BP神經(jīng)網(wǎng)絡從輸入節(jié)點到輸出節(jié)點存在某一映射g的最佳逼近，通過多次反復擬合訓練，最終得以近似復雜函數(shù)。隱藏層個數(shù)的選取根據(jù)經(jīng)驗公式或者采取試算的方法，輸出層只選取一個，即預測的壽命值。神經(jīng)網(wǎng)絡能較好地反映出設(shè)備狀態(tài)信號與性能退化趨勢之間的關(guān)系，適合非線性復雜系統(tǒng)的故障預測。蘇續(xù)軍等[37]對利用無人機系統(tǒng)故障數(shù)據(jù)集預測無人機故障時的相關(guān)問題進行分析,給出BP神經(jīng)網(wǎng)絡的建模思路和計算方法，使用特征變量顯著性篩選技術(shù)識別故障影響因素,有效地應用至無人機故障預測中。趙輝[38]在對齒輪箱的軸承溫度進行預測時，使用了BP神經(jīng)網(wǎng)絡算法，所得實驗結(jié)果良好，平均誤差能夠控制在5%以內(nèi)。但ANN方法同時也存在諸多問題，如網(wǎng)絡訓練時間長、易陷入局部最優(yōu)點、隱含層數(shù)與節(jié)點選取困難和需要大量數(shù)據(jù)為依據(jù)等。

2.4.2 基于SVM的方法

基于SVM的故障預測方法是基于統(tǒng)計學習理論的結(jié)構(gòu)風險最小化原則的方法。SVM方法的原理旨在求解能夠正確劃分訓練數(shù)據(jù)集并且?guī)缀伍g隔最大的分離超平面。如圖4所示，wx+b=0即為分離超平面，找到最大間隔超平面對數(shù)據(jù)進行分類。

圖4 SVM原理圖

同傳統(tǒng)人工智能方法不同，SVM方法可以用于歷史故障數(shù)據(jù)較少的情況，因此，基于SVM的故障預測方法近年得到越來越多業(yè)界學者關(guān)注。目前已有多個不同類型的SVM方法應用在設(shè)備故障預測中，如One-Class SVM 、Least Square-SVM and Multi-Class SVM等方法。王伊婧心等[39]利用經(jīng)驗模態(tài)分解理論與最小二乘支持向量機構(gòu)建了一種新的預測模型，對非平穩(wěn)時間序列進行EMD分解，通過改進高斯核函數(shù)提高其泛化能力，并利用改進的LS-SVM對各分量進行訓練及預測，通過對波音飛機的經(jīng)典故障率預測算例,驗證方法的有效性和優(yōu)越性。另外，支持向量回歸方法是SVM在故障預測中的應用形式，Benkedjouh等[40]使用該方法建立磨損特征和磨損程度之間的非線性關(guān)系，并應用于磨損機器的剩余壽命預測中。SVM也存在諸多局限性，其最主要的問題在于不能夠提供概率預測，進而增加了預測結(jié)果獲取的不確定性。

2.4.3 基于深度學習的方法

深度學習旨在通過模擬大腦的學習過程，結(jié)合海量的訓練數(shù)據(jù)，對更高階的本質(zhì)特征進行信息提取，并逐層進化特征傳遞，實現(xiàn)信息的認知計算。深度學習通過建立深層次模型克服了傳統(tǒng)方法模型學習能力及泛化性能不足的問題，被廣泛應用于設(shè)備的剩余壽命預測，其主要的網(wǎng)絡模型有卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network，CNN)、長短期記憶網(wǎng)絡(Long Short-Term Memory，LSTM)和深度置信網(wǎng)絡(Deep Belief Network，DBN)。

CNN是典型的深度前饋人工神經(jīng)網(wǎng)絡,受到生物學感受機制的啟發(fā)，一般由卷積層、池化層和全連接層等組成，其主要優(yōu)勢有：① 共享權(quán)值，可很大程度地降低參數(shù)數(shù)量；② 局部連接，可以有效提升計算速度，減少參數(shù)數(shù)量；③ 下采用，可減少樣本總數(shù)，使得模型在具有魯棒性的同時減少參數(shù)數(shù)量[41]。這些優(yōu)勢使得CNN可以最大程度地進行事物的特征提取，使其具備強大的認知和計算能力,為此學者們開始將其引入到故障預測領(lǐng)域,取得了不錯的效果。Alqasem等[42]使用CNN方法用于軟件故障預測研究，通過使用NASA的4個常用數(shù)據(jù)集(即PC1、KC1、KC2和CM1)進行試驗，CNN的準確率和檢出率分別達到標準值：PC1 97.7%、73.9%，KC1 100%、100%，KC2 99.3%、99.2%，CM1 97.3%、82.3%。王文慶等[43]利用CNN自動提取傳感器數(shù)據(jù)的局部抽象特征，采用具有長短期記憶能力的GRU來記憶序列的前后關(guān)系，提高RUL的預測精度，使用CNN進行自動濾波，顯著提升了預測值的穩(wěn)定性和準確度。

LSTM網(wǎng)絡的優(yōu)勢在于可以應用于較長時間序列的預測，具有較長時間的記憶功能，同時LSTM可以有效地解決訓練過程中出現(xiàn)的梯度爆炸和梯度消失問題[44]。LTSM的這些優(yōu)勢能夠有效地挖掘數(shù)據(jù)的內(nèi)在結(jié)構(gòu)信息和關(guān)聯(lián)性,使得故障預測建模精度得以提高。何群等[45]利用相關(guān)輸入變量之間重要關(guān)聯(lián)信息,對歷史監(jiān)測數(shù)據(jù)進行訓練學習,建立齒輪箱油溫監(jiān)測LSTM模型,對預測殘差進行評估計算設(shè)定相應的檢測閾值,通過模型殘差分析和閾值比較實現(xiàn)齒輪箱故障狀態(tài)的檢測和預測，結(jié)果表明，該方法表現(xiàn)出更好的預測性能,能夠較早預測故障的發(fā)生。Liu等[46]將LSTM模型與統(tǒng)計過程分析相結(jié)合，使用NASA和FEMTO-ST研究所發(fā)布的軸承數(shù)據(jù)集進行實驗，預測航空發(fā)動機軸承多階段性能退化的故障，結(jié)果表明該方法具有更高的預測精度。

DBN方法依托于無監(jiān)督深度學習模型，使用受限玻爾茲曼機(Restricted Boltzmann Machin，RBM)對原始數(shù)據(jù)的特征進行自動化提取。DBN模型的特征提取能力較強，能夠克服被觀測設(shè)備內(nèi)部器件的機理和數(shù)據(jù)差異，使用從內(nèi)部各器件所得到的數(shù)據(jù)可直接進行預測數(shù)學模型的建立。代杰杰等[47]使用國家電網(wǎng)公司收集的實際變壓器數(shù)據(jù)，采用DBN建立變壓器運行模型，并融合LSTM預測變壓器油中未來特征氣體濃度和變壓器狀態(tài)。結(jié)果表明，該方法具有較高的預測精度，能夠分析潛在故障。梁天辰[48]基于歷史數(shù)據(jù)和實時數(shù)據(jù)對多個DBN模型進行遷移訓練，有效解決歷史域和目標域數(shù)據(jù)分布差異帶來的預測偏差。

3 結(jié)束語

介紹了故障預測技術(shù)的相關(guān)理論概念和內(nèi)涵，對當前設(shè)備廣泛應用的基于數(shù)據(jù)驅(qū)動的故障預測技術(shù)進行了調(diào)研和分析，重點介紹了數(shù)據(jù)驅(qū)動方法中的時間序列分析法、可靠性法、隨機過程方法和人工智能方法，詳細論述了各類方法的優(yōu)點和不足，并給出各類方法在國內(nèi)外的最新研究進展。雖然現(xiàn)有研究成果在故障預測領(lǐng)域已取得一些階段性的成果，但還存在許多問題，有待進一步深入研究和解決。

① 層級信息互耦合的復雜系統(tǒng)精準故障預測。實際被觀測對象往往由多個互關(guān)聯(lián)和互耦合的子部件或者子系統(tǒng)組成。但目前大多研究成果主要集中在單一層級部件的故障預測上，如Peng[49]和Li[50]等都是針對航空發(fā)動機系統(tǒng)層級的研究，缺乏對融合多層級互耦合信息的部件進行故障預測研究。因此，需研究建立子部件級、子系統(tǒng)級和總體系統(tǒng)級的多層次一體化監(jiān)控預測體系，融合各層級互耦合信息，進而完成對復雜系統(tǒng)的系統(tǒng)級精準故障預測。

② 動態(tài)運行環(huán)境下的復雜系統(tǒng)精確故障預測。在實際工程應用過程中，被測對象所處環(huán)境通常是動態(tài)變化而非一成不變，退化過程也會因所處復雜環(huán)境的動態(tài)變化而發(fā)生改變。因此，在進行復雜系統(tǒng)故障預測時必須考慮現(xiàn)場復雜環(huán)境的變化。而部分涉及動態(tài)運行環(huán)境分析的研究，普遍缺乏對故障模型的普適性，如王振偉等[51]對半球諧振陀螺的故障模式進行在線動態(tài)檢測，存在緩發(fā)性故障檢測能力不足等問題。所以，在退化建模過程中，需研究新的方法模擬環(huán)境動態(tài)變化全過程并將其引入到構(gòu)建的退化模型之中，使得退化建模更加接近實際現(xiàn)場退化過程，進而提高故障預測的精度。

③ 子部件動態(tài)變換下的復雜系統(tǒng)級精確故障預測。實際系統(tǒng)的運行往往伴隨子部件的維護和更換的情況，這種情況會導致故障預測模型變換，預測結(jié)果也會從非健康狀態(tài)突變至亞健康狀態(tài)或健康狀態(tài)。因此，開展考慮子部件變換情況下復雜系統(tǒng)故障預測的研究工作勢在必行。雖然已有諸多學者試圖解決這種問題，如鄭建飛等[52]提出的不完全維護影響的退化建模和RUL預測方法，但在狀態(tài)殘余量的估計準確性和非新維護的RUL預測的準確性上存在諸多不足。需要研究基于設(shè)備的隨機退化模型與子部件動態(tài)變換模型來構(gòu)建新的綜合退化模型，使用新的估計模型參數(shù)方法。

④ 深度網(wǎng)絡模型在線狀態(tài)情況下的復雜系統(tǒng)精確故障預測?，F(xiàn)有深度網(wǎng)絡模型研究成果大多使用離線過程分析，如Ellefsen等[53]通過對深度網(wǎng)絡模型的建立，研究了半監(jiān)督模式下的深度學習方法在離線故障預測方面的應用。另外，多數(shù)深度網(wǎng)絡模型存在訓練時間較長，模型可解釋性較差，模型參數(shù)缺乏統(tǒng)一選取標準等問題。因此，需研究確定模型參數(shù)的選取標準，并在此基礎(chǔ)上，研究設(shè)計具備模型可解釋功能的短訓練深度網(wǎng)絡模型。

⑤ 基于不完美數(shù)據(jù)的復雜系統(tǒng)故障預測?；跀?shù)據(jù)驅(qū)動的故障預測方法本質(zhì)上是將試驗獲取數(shù)據(jù)與預測模型相結(jié)合的方法，而在實際工程應用過程中，由于設(shè)備運行環(huán)境的復雜多變和設(shè)備本身的客觀不確定性，所獲取的試驗數(shù)據(jù)很可能存在數(shù)據(jù)量少、噪聲干擾、數(shù)據(jù)抖動、數(shù)據(jù)缺失等問題，這些不完美數(shù)據(jù)會對預測結(jié)果帶來影響。最新研究成果顯示已有學者提出一些解決方案，但大多都是針對單一特定數(shù)據(jù)問題，如張晟斐等[54]提出針對缺失數(shù)據(jù)下的剩余壽命預測方法和張旺等[55]提出針對數(shù)據(jù)噪聲干擾下的剩余壽命預測方法。因此，需要通過研究探索擴展數(shù)據(jù)或者數(shù)據(jù)融合等新方法保證數(shù)據(jù)質(zhì)量，進而提升不完美數(shù)據(jù)狀況下的故障預測精度。