1.3 研究目的与创新点

目前，由于工业界对预防性维护技术的需求，故障诊断领域的研究重点已逐步转向状态监测、预测性维修和故障早期诊断。预测主要采用自动化的模型探测、诊断和分析物理系统性能的退化，并计算在不可接受的性能退化发生前，设备处于可接受工作状态内的有效剩余寿命。退化分析的主要功能是指研究涉及物理属性的演变，或者导致设备失效的性能测量标准。准确并可靠的预测分析结果是成功执行基于状态的工程系统维护的关键因素，并且它对安全性能的改进、任务的规划、维修时间表的制定、降低维修成本和减少停工时间等都起着至关重要的作用。

在分析国际设备健康状态预测技术的发展并完成相关文献综述的过程中，本书分析比较了各种预测技术的优缺点。其中，隐式马尔可夫模型（Hidden Markove model, HMM）在模式识别领域有着很好的应用，近年来才被引入机械设备健康诊断领域中，并有了一定应用。但HMM技术的局限性使它应用于复杂系统的建模时，难以对真实情况做出高精确度的建模，导致其结果可靠度不高。隐式半马尔可夫模型是HMM的衍生模型，在定义完全的HMM结构上加入了时间组成部分，克服了因马尔可夫链的假设所造成的局限性。在解决实际问题中，HSMM能够提供更好的建模和分析能力，提高模式分类的精度。但HSMM很少应用于机械设备健康诊断和预测领域，且已有的HSMM也没有很好地描述设备的性能退化情况。在结合目前设备维护的实际情况的基础上，本书以单设备系统为研究对象，通过对基于状态的设备维护优化相关内容的研究，可看出本研究的目的与特色在于以下方面。

（1）将考虑设备性能退化的隐式半马尔可夫模型与失效率结合，用于单监测信息的设备在线健康状态分析及寿命预测。

（2）基于单监测信息的在线健康预测模型，考虑多监测信息的设备在线健康状态分析及寿命预测。

（3）在考虑备件库存成本对维护成本与维护风险及维护效果都存在影响的情况下，基于在线健康预测分析数据优化设备动态维护策略。

（4）在设备在线健康状态有效预测的基础上，考虑多部件设备预测性维护调度优化。基于集成维护模型，对多部件设备的维护调度进行优化分析。

针对以上研究目的，本研究从预测分析的实际运用角度出发，提出一个系统地应用于CBM的剩余寿命预测模型。在用于诊断设备健康状态和预测有效剩余寿命的HSMM中，引入老化因子来描述设备性能的退化趋势。与现有的HMM诊断模型比较，考虑了性能退化过程的HSMM更贴合设备在使用中的实际情况，能更精确地描述状态转移的过程。针对多监测信息的处理问题，设计了全新的HSMM，在最大程度上融合了多监测信息。最后，在改进后的预测分析系统的基础上，对如何将预测分析数据运用到实际的设备动态维护策略中进行了探索研究，希望能进一步提高预测分析模型用于实际生产维护计划制订的可能性。在维护策略的制定上，兼顾了维护成本和设备利用率两个指标，同时在维护成本的设计中创造性地引入了备件库存成本。在四类成本的设置上，设备更换成本设为常数值，设备维护成本与操作成本是和系统状态及系统虚龄相关的函数（虚龄的具体设置见第5章，其取值与设备的退化状态相关），备件库存成本与设备的维护策略相关。每次维护执行影响的设备状态参数有设备健康状态转移概率和设备虚龄两种。

围绕设备健康预测技术，开展了设备的维护优化研究，参照国内外最新的研究进展和成果，主要创新成果有以下几个。

（1）针对单监测信息的离线预测缺陷和性能衰退特征，将衰退性能引入在线预测模型，提出了在线联合多步向前健康状态识别算法，描述了设备从正常工作状态到失效状态的一系列退化过程，实现了对设备健康状态的在线描述，建立了单监测信息在线健康预测模型，实现了在线健康预测和在线剩余寿命估计。

（2）针对单监测信息的预测精度问题，利用最大似然线性回归方法对修正HSMM进行训练，提出了多监测信息在线健康预测方法（自适应HSMM），建立了多监测信息的在线剩余寿命估计新方法，实现了多监测信息之间的有效融合，可以获得更符合实际的设备健康状态和剩余寿命。

（3）针对传统的设备维护方式，将在线健康预测模型结合到设备的维护模型中。在设备的维护模型中，考虑了设备的衰退信息（退化信息和老化信息）、诊断和预测信息、资源约束（备件和维修人员）等，建立了基于在线健康预测的双层集成动态维护模型。针对系统的维护策略问题，以每次维护活动的费用和总的维护费用率为目标，基于设备健康预测与集成动态维护模型，考虑设备维护的调整因子、多部件之间的相关性和维护调度资源的约束，建立了多部件设备的维护调度优化模型。