基于狀態(tài)監(jiān)測的設(shè)備壽命預(yù)測與預(yù)防維護(hù)規(guī)劃研究進(jìn)展

孟 光，尤明懿

(上海交通大學(xué) 機(jī)械系統(tǒng)與振動國家重點(diǎn)實(shí)驗(yàn)室，上海 200240)

設(shè)備能否持續(xù)高效、安全地工作，維護(hù)能否及時、有效地開展，都與一個機(jī)構(gòu)、公司乃至國家的競爭力息息相關(guān)。如今，越來越復(fù)雜精巧的設(shè)備使其有效運(yùn)行的可靠性成為突出問題;另一方面，競爭激烈的市場又要求設(shè)備能更可靠高效地工作。由此，高效、經(jīng)濟(jì)的維護(hù)策略的重要性就顯而易見了。1981年，美國國內(nèi)工廠針對重要設(shè)備的維護(hù)費(fèi)用為6000億美元。20年內(nèi)，這一數(shù)字翻了20倍。一個更驚人的事實(shí)是，由于無效、低效的維護(hù)，有1/3至1/2的維護(hù)費(fèi)用被浪費(fèi)了［1］。因此，就需要不斷發(fā)展與改進(jìn)現(xiàn)有的維護(hù)策略。如今，設(shè)備維護(hù)策略已由事后維護(hù)(corrective maintenance)，基于時間的預(yù)防維護(hù)(time-based preventive maintenance)，逐步發(fā)展為基于狀態(tài)的維護(hù)(conditionbased maintenance(CBM))［2］。對于維護(hù)費(fèi)用的分析顯示，設(shè)備失效后維護(hù)的費(fèi)用往往數(shù)倍于采用CBM策略的維護(hù)費(fèi)用［3］。另一份調(diào)查顯示，對狀態(tài)監(jiān)測投入1萬美元－2萬美元，每年有望節(jié)省50萬美元的維護(hù)費(fèi)用［3］。CBM的益處不僅是維護(hù)費(fèi)用的降低，還包括:設(shè)備失效時間的減少(設(shè)備可用度的提高)，庫存的削減，和后勤與供應(yīng)鏈的改善［4］。例如:美國“智能維護(hù)系統(tǒng)”中心(center for intelligent maintenance systems)估計(jì)，僅在美國國內(nèi)，若采用CBM策略，僅因設(shè)備可用度提高這一項(xiàng)，每年就可節(jié)省50億美元［5］。

CBM對維護(hù)決策的支持主要有兩方面:診斷(diagnostics)與預(yù)測(prognostics)。Diagnostics致力于失效發(fā)生后的發(fā)現(xiàn)、隔離與鑒定;Prognostics致力于預(yù)測、防止失效的發(fā)生。雖然無法完全代替diagnostics，prognostics在預(yù)防失效發(fā)生方面更為有效。然而，相對diagnostics而言，prognostics方面的研究較少［2］。

Prognostics主要有兩大方面的研究:壽命預(yù)測與預(yù)防維護(hù)規(guī)劃［2］。文獻(xiàn)［1］總結(jié)了至2008年壽命預(yù)測方面的一些工作，文獻(xiàn)［2］總結(jié)了至2005年壽命預(yù)測和預(yù)防維護(hù)規(guī)劃兩大方面的主要研究。然而，一方面prognostics的研究日新月異，新的方法、模型不斷涌現(xiàn)，需要及時總結(jié);另一方面需要對prognostics的各種方法、模型進(jìn)行分類和歸納，將有助于掌握各類方法的特點(diǎn)及其適用性，并發(fā)現(xiàn)新的研究方向。本文對目前為結(jié)、分類和簡單的比較，進(jìn)而探討一些必要的、有價值的研究方向。

1 基于狀態(tài)監(jiān)測的壽命預(yù)測方法

基于狀態(tài)監(jiān)測的設(shè)備壽命預(yù)測，具體而言，是在設(shè)備A運(yùn)行的某一時刻t，根據(jù)監(jiān)測的(至?xí)r刻t的)設(shè)備A的運(yùn)行狀態(tài)和/或同類設(shè)備的歷史數(shù)據(jù)，預(yù)測設(shè)備A由當(dāng)前至失效的剩余壽命(residual life)(或剩余有效壽命(remaining usefullife))。這里，歷史數(shù)據(jù)可以是同類設(shè)備從運(yùn)行到失效過程中的狀態(tài)監(jiān)測數(shù)據(jù)(condition monitoring data)，可以是失效時間數(shù)據(jù)、維護(hù)時間數(shù)據(jù)等事件數(shù)據(jù)(event data)，也可以是兩者的綜合。Jardine等［2］將剩余壽命表述為:

式中，T為表示失效時刻的隨機(jī)變量，t為當(dāng)前時刻，向量Z(t)為至當(dāng)前的狀態(tài)數(shù)據(jù)。更全面地，可將式(1)拓展為:

式中，向量Zhj(v)為同類設(shè)備j在運(yùn)行時刻ν的狀態(tài)監(jiān)測數(shù)據(jù)，向量Ehj為同類設(shè)備j的事件數(shù)據(jù)(尤其是失效時間，預(yù)防維護(hù)時間等數(shù)據(jù))，u∈［0，t］，ν∈［0，Thj］，j=1，2，…，L，L表示可獲得歷史數(shù)據(jù)的同類設(shè)備的個數(shù)，Thj為同類設(shè)備j的最終失效或不再服役的時刻。壽命預(yù)測，既指預(yù)測變量T－t的分布，有時也指預(yù)測T－t的期望［2］，即:

文獻(xiàn)中，設(shè)備壽命預(yù)測的方法主要可以分為［1，2］:基于物理(第一原理)的方法和基于經(jīng)驗(yàn)的方法，下文1.1節(jié)和1.2節(jié)總結(jié)近年來關(guān)于這兩類方法的主要工作。

1.1 基于物理(第一原理)的方法

基于物理的方法試圖結(jié)合:①設(shè)備特定的機(jī)械動力學(xué)知識(如:損傷增長模型);②設(shè)備在線狀態(tài)監(jiān)測數(shù)據(jù)，以預(yù)測設(shè)備的剩余壽命。文獻(xiàn)中常見的基于物理的方法主要使用裂紋擴(kuò)展模型，碎裂增長模型等。

Ray與Tangirala［6］提出了裂紋擴(kuò)展的非線性隨機(jī)模型，結(jié)合實(shí)測傳感器信號估計(jì)裂紋長度、裂紋擴(kuò)展速率及材料的剩余壽命。

Li等［7］提出了一個滾動軸承壽命預(yù)測的框架，該框架包括一個確定性損傷擴(kuò)展模型，一個診斷模型和一個自適應(yīng)算法。其中，診斷模型用于從傳感性信號中估計(jì)缺陷尺寸;由此估計(jì)，損傷擴(kuò)展模型可計(jì)算得缺陷擴(kuò)展率，并預(yù)測下一時刻的損傷尺寸;自適應(yīng)算法根據(jù)預(yù)測值和實(shí)際值的偏差在線更新?lián)p傷擴(kuò)展模型的參數(shù)，這就抓住了損傷擴(kuò)展的動態(tài)特性。可是，診斷模型并未予以詳細(xì)討論，在文獻(xiàn)［7］的實(shí)驗(yàn)中，直接使用了實(shí)測的損傷尺寸。在后續(xù)的工作中，Li等［8］將確定性損傷擴(kuò)展模型推廣到隨機(jī)損傷擴(kuò)展模型。

Glodez等［9］提出了一個齒輪壽命的確定性計(jì)算模型，該模型以應(yīng)變－壽命方法計(jì)算裂紋萌生所需的應(yīng)力循環(huán)數(shù)，以Paris方程模擬裂紋擴(kuò)展過程，以位移相關(guān)法計(jì)算應(yīng)力強(qiáng)度因子與裂紋長度的函數(shù)關(guān)系，最后估計(jì)齒輪的壽命。

基于振動響應(yīng)分析和損傷力學(xué)，Qiu等［10］提出了一個基于剛度的軸承系統(tǒng)預(yù)測模型。在文獻(xiàn)［10］中，軸承系統(tǒng)作為單自由度振動系統(tǒng)，因此其固有頻率和加速度幅值可與系統(tǒng)剛度相關(guān)聯(lián)。另一方面，通過損傷力學(xué)，可將失效時間，服役時間和剛度變化聯(lián)系起來。這樣，一個軸承系統(tǒng)的固有頻率和加速度幅值便可與失效時間和服役時間聯(lián)系起來。因此，可以通過振動測量在線預(yù)測軸承系統(tǒng)的失效時間。

Oppenheimer和 Loparo［11］提出了一個基于物理的轉(zhuǎn)軸裂紋診斷與預(yù)測方法，該方法包括監(jiān)測器和壽命模型。假設(shè)可由實(shí)測信號計(jì)算軸端速度和軸端力，根據(jù)轉(zhuǎn)軸的動力學(xué)模型，監(jiān)測器可估計(jì)裂紋的長度。而后，壽命模型基于線彈性斷裂力學(xué)Forman裂紋增長原理計(jì)算轉(zhuǎn)軸的剩余壽命。

基于簡化的齒輪動力學(xué)方程，Wang［12］提出了在線估計(jì)、更新齒輪嚙合剛度、嚙合系數(shù)的方法。而后，根據(jù)齒輪嚙合剛度和嚙合系數(shù)的變化就可判斷齒輪的健康狀態(tài)，并預(yù)測其剩余壽命。不過，文獻(xiàn)［12］指出仍需要一個裂紋擴(kuò)展模型來預(yù)測齒輪的剩余壽命。

針對飛機(jī)發(fā)動機(jī)的油濕部件，Orsagh等［13］討論了信息融合框架，融合方法等一系列有關(guān)故障診斷和預(yù)測的概念。文獻(xiàn)［13］中以軸承為例討論了軸承接觸失效情況下的壽命預(yù)測方法，在碎裂(spall)萌生前使用Yu-Harris模型，在碎裂萌生后則使用碎裂擴(kuò)展模型。同時，文獻(xiàn)［13］也討論了將Yu-Harris模型和碎裂擴(kuò)展模型隨機(jī)化的方法，該方法考慮了載荷、不對中、潤滑和制造過程中的不確定因素。

Chelidze和 Cusumano 等［14－16］將失效過程視為分級動態(tài)系統(tǒng)，其中損傷擴(kuò)展的過程遠(yuǎn)慢于可觀測的系統(tǒng)動態(tài)特性，并假設(shè)快速的、可觀測的系統(tǒng)動態(tài)特性由某常微分方程控制，但并不需要知道該方程的具體模型。另一方面，若需進(jìn)行壽命預(yù)測，則需要知道損傷擴(kuò)展的數(shù)學(xué)模型。這方面類似的研究還有文獻(xiàn)［17］。文獻(xiàn)［17］可視為對文獻(xiàn)［14－16］的進(jìn)一步擴(kuò)展，將狀態(tài)監(jiān)測數(shù)據(jù)與具體的物理模型結(jié)合以提高壽命預(yù)測的精確度。

以H－60直升機(jī)中級齒輪箱的主動齒輪為例，文獻(xiàn)［18］將疲勞失效分為裂紋形成與裂紋擴(kuò)展階段。在裂紋形成階段，用Neuber原理估計(jì)裂紋萌生的循環(huán)數(shù);在裂紋擴(kuò)展階段，則使用Paris公式計(jì)算裂紋擴(kuò)展至失效的循環(huán)數(shù)。(這樣的思路與文獻(xiàn)［13］中相似。)文獻(xiàn)［18］中建議，當(dāng)基于狀態(tài)監(jiān)測數(shù)據(jù)的裂紋長度估計(jì)模型建立后，可用該模型取代Paris公式以估計(jì)裂紋擴(kuò)展至失效長度的概率分布。

Li和Lee［19］提出了一個直齒輪壽命預(yù)測方法，該方法包括一個基于有限元法的齒輪裂紋長度估計(jì)模型，一個齒輪動力學(xué)仿真器(以估計(jì)齒輪載荷)，一個計(jì)算應(yīng)力強(qiáng)度因子的仿真器，和一個基于Paris公式的壽命預(yù)測模型。文獻(xiàn)［19］中方法考慮了在裂紋擴(kuò)展過程中，齒輪剛度變化造成的動態(tài)載荷。試驗(yàn)證明，該方法具有較高的預(yù)測精度。若事先將齒輪載荷與應(yīng)力強(qiáng)度因子在各種情況下的值制成查詢表，文獻(xiàn)［19］中的方法則適用于現(xiàn)場應(yīng)用。

Marble和Morton［20］就軸承碎裂擴(kuò)展進(jìn)行了一系列實(shí)驗(yàn)研究，他們指出碎裂形成的過程是多個小裂紋萌生和聚結(jié)的結(jié)果，而非單一主裂紋擴(kuò)展的過程。因此，傳統(tǒng)的裂紋擴(kuò)展模型(例如Paris公式)并不適用于軸承。文獻(xiàn)［20］中提出了碎裂擴(kuò)展公式，結(jié)合有限元方法計(jì)算公式中需要的碎裂周圍的應(yīng)力，進(jìn)而預(yù)測軸承壽命。同時，文獻(xiàn)［20］也討論了根據(jù)在線診斷結(jié)果更新模型的方法。

Ramakrishana 和 Pecht［21］根據(jù)線性損傷理論(Palmgren－Miner理論)估計(jì)印刷電路板上焊點(diǎn)在振動和溫度載荷下的損傷累計(jì)，并以同樣的方法估計(jì)焊點(diǎn)僅在熱循環(huán)(thermal cycling)下的剩余壽命。試驗(yàn)結(jié)果表明，線性損傷理論能較好地估計(jì)一批樣本的剩余壽命均值，但文獻(xiàn)［21］中未討論如何對單個樣本的剩余壽命做出較好地預(yù)測。類似地，Gu等［22］用應(yīng)變計(jì)檢測振動載荷下印刷電路板的響應(yīng)(彎曲曲率)，以解析模型進(jìn)一步計(jì)算焊點(diǎn)的應(yīng)變，然后以Miner原理估計(jì)焊點(diǎn)損傷的累積并預(yù)測焊點(diǎn)的剩余壽命。類似的研究還有文獻(xiàn)［23］。

基于物理的壽命預(yù)測方法，由于具備設(shè)備特定的物理學(xué)模型，往往不需要大量同類設(shè)備的歷史數(shù)據(jù)即可獲得較精確的預(yù)測結(jié)果。但是，該方法有時需要進(jìn)行停機(jī)檢查［7］，這往往是不經(jīng)濟(jì)的甚至為生產(chǎn)所不允許。更重要的是，對于復(fù)雜設(shè)備，建立完備的物理學(xué)模型往往非常復(fù)雜［17］。這就催生了直接基于設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)，而不使用具體的物理學(xué)模型的方法:基于經(jīng)驗(yàn)的方法。

1.2 基于經(jīng)驗(yàn)的方法

基于經(jīng)驗(yàn)的方法，又稱數(shù)據(jù)驅(qū)動的(data-driven)方法，試圖直接從狀態(tài)監(jiān)測數(shù)據(jù)(及同類設(shè)備的歷史數(shù)據(jù))在線預(yù)測設(shè)備的剩余壽命。對基于經(jīng)驗(yàn)的方法，在一些文獻(xiàn)中有進(jìn)一步的分類［1］，但往往各小類之間有所重疊，如:基于狀態(tài)外推的方法和基于人工智能的方法。我們認(rèn)為，按照“監(jiān)測狀態(tài)－失效/剩余壽命”之間的不同聯(lián)系，可將目前主要的基于經(jīng)驗(yàn)的方法進(jìn)一步分為:基于狀態(tài)預(yù)測/外推的方法，基于統(tǒng)計(jì)回歸的方法，和基于相似性的方法。

(1)基于狀態(tài)預(yù)測/外推的方法

基于狀態(tài)預(yù)測/外推的方法，認(rèn)為設(shè)備失效可直接定義于狀態(tài)空間，即可用確定性的失效閥值(單變量情況［24］)或失效面(多變量情況［25］)定義設(shè)備失效。在設(shè)備A運(yùn)行的當(dāng)前時刻t，基于狀態(tài)預(yù)測/外推的方法試圖預(yù)測其狀態(tài)的進(jìn)一步發(fā)展，并將預(yù)測的未來狀態(tài)與失效閥值(或失效面)進(jìn)行比較以預(yù)測設(shè)備的剩余壽命分布，并估計(jì)剩余壽命。

以一個附有張力的鋼帶為例，Swanson等［26］以Kalman濾波器跟蹤鋼帶的固有頻率。給定一個固有頻率的失效閥值，Swanson等進(jìn)而給出了預(yù)測失效時間及計(jì)算預(yù)測不確定性的模型。

Engel等［27］以多項(xiàng)式模型外推特征變量以預(yù)測直升機(jī)齒輪箱的剩余壽命。文獻(xiàn)［27］中提出了以壽命預(yù)測為目標(biāo)，評估多個特征變量的一種方法，而目前文獻(xiàn)中大多數(shù)評估的方法則以故障的早期發(fā)現(xiàn)或故障診斷為目標(biāo)。文獻(xiàn)［27］中也指出，一個有效的壽命預(yù)測方法，不僅需要考察預(yù)期剩余壽命，也需考慮該預(yù)測的不確定性(以置信區(qū)間表達(dá))。

Cheng和Pecht［28］討論了將基于物理的方法和基于經(jīng)驗(yàn)的方法融合的預(yù)測框架。其中基于物理的方法主要用于確定關(guān)鍵參數(shù)，確定潛在的失效機(jī)制并為其排序，確定失效模型，定義失效;基于經(jīng)驗(yàn)的方法主要用于從監(jiān)測變量中提取特征，建立健康基準(zhǔn)，異常監(jiān)測，預(yù)測參數(shù)的變化趨勢等。從壽命預(yù)測的角度講，文獻(xiàn)［28］中的方法主要還是基于經(jīng)驗(yàn)的。

Vachtsevanos和Wang［29］介紹了基于動態(tài)小波神經(jīng)網(wǎng)絡(luò)(dynamic wavelet neural network)的預(yù)測方法，并以一個滾動軸承為例展示了該方法的可行性。示例中，以軸承振動信號的功率譜密度(PSD)為特征變量。在預(yù)測剩余壽命時，需假設(shè)基于PSD的失效閥值。

Chinnam和Baruach［30］指出在一些情況下無法在特征變量空間定義失效(即找到確定性的失效閥值或失效面)，卻可以根據(jù)專家知識(expert knowledge)或操作經(jīng)驗(yàn)來定義失效。這樣的情況下，他們建議采用focused time－lagged feed－forward神經(jīng)網(wǎng)絡(luò)預(yù)測特征變量，采用Sugeno模糊推理模型來定義失效，進(jìn)而預(yù)測設(shè)備的性能可靠性。文獻(xiàn)［30］中以鉆頭為例描述了其方法的可行性，但是限于其神經(jīng)網(wǎng)絡(luò)的預(yù)測步長較短而無法估計(jì)剩余壽命。但是，文獻(xiàn)［30］中對失效定義的處理方法仍有借鑒意義，結(jié)合能進(jìn)行長程預(yù)測的預(yù)測模型，可以繼續(xù)探討在此失效定義下，剩余壽命預(yù)測的精確性。

給定失效閥值，Orchard和 Vachtsevanos［31］使用粒子濾波方法預(yù)測行星載板的剩余壽命，并給出該預(yù)測的置信區(qū)間。試驗(yàn)結(jié)果顯示文獻(xiàn)［31］中的方法具有對系統(tǒng)加載條件和特征變量信噪比的“魯棒性”。

文獻(xiàn)［32，33］中，Gebraeel等以 Bayes方法在線更新指數(shù)衰退模型的參數(shù)，結(jié)合失效閥值得到設(shè)備剩余壽命分布的封閉形式，并將該方法應(yīng)用于軸承的加速壽命試驗(yàn)中監(jiān)測的振動幅值數(shù)據(jù)。文獻(xiàn)［32，33］中方法的推廣、改進(jìn)有文獻(xiàn)［34－36］。Gebraeel和 Pan［34］考慮了設(shè)備運(yùn)行環(huán)境是時變的情形。Gebraeel等［35］考慮了同類設(shè)備歷史數(shù)據(jù)中失效時間數(shù)據(jù)可得，但沒有失效過程中的狀態(tài)監(jiān)測數(shù)據(jù)的情形。Chakraborty等［36］考慮了設(shè)備性能衰退模型的隨機(jī)參數(shù)不呈正態(tài)分布的情形，發(fā)展了性能衰退模型的隨機(jī)參數(shù)符合更普遍分布形式時設(shè)備剩余壽命分布的預(yù)測方法。

由以上文獻(xiàn)可見，基于狀態(tài)預(yù)測/外推的方法往往采用各類時間序列的預(yù)測方法。因此，文獻(xiàn)中大量其他的時間序列預(yù)測方法(例如，在線支持向量回歸方法，指數(shù)平滑算法等)也可以在類似的框架下應(yīng)用，并可能取得更好的預(yù)測效果。

(2)基于統(tǒng)計(jì)回歸的方法

基于統(tǒng)計(jì)回歸的方法，認(rèn)為監(jiān)測的狀態(tài)是影響設(shè)備失效概率的因素。該方法往往需根據(jù)同類設(shè)備的歷史數(shù)據(jù)建立起“設(shè)備失效概率，設(shè)備監(jiān)測狀態(tài)及設(shè)備運(yùn)行時間”之間的函數(shù)(簡稱函數(shù)B)。在設(shè)備A運(yùn)行的當(dāng)前時刻t，基于統(tǒng)計(jì)的方法一般也需預(yù)測設(shè)備狀態(tài)的進(jìn)一步發(fā)展，并將該預(yù)測代入函數(shù)B，進(jìn)而以設(shè)備失效概率分布的期望值預(yù)測設(shè)備A的剩余壽命。相比于基于狀態(tài)預(yù)測/外推的方法，基于統(tǒng)計(jì)回歸的方法往往無需定義確定性的失效閥值。

Goode等［37］指出許多設(shè)備(如:熱軋鋼廠的水泵［37］)的失效過程可分為穩(wěn)態(tài)過程和非穩(wěn)態(tài)過程。其中，穩(wěn)態(tài)過程對應(yīng)于設(shè)備正常運(yùn)行的階段，而非穩(wěn)態(tài)過程對應(yīng)于發(fā)現(xiàn)故障到設(shè)備最終失效的階段。Goode等建議用統(tǒng)計(jì)過程控制的方法區(qū)分這兩個過程。在穩(wěn)態(tài)過程，文獻(xiàn)［37］中使用可靠性數(shù)據(jù)(即穩(wěn)態(tài)過程和非穩(wěn)態(tài)過程長度的分布)進(jìn)行壽命預(yù)測。進(jìn)入非穩(wěn)態(tài)過程，文獻(xiàn)［37］假設(shè)設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)呈指數(shù)型增長，并同時利用狀態(tài)監(jiān)測數(shù)據(jù)和可靠性數(shù)據(jù)進(jìn)行壽命預(yù)測。當(dāng)然，文獻(xiàn)［37］中方法的有效性很大程度上取決于模型的假設(shè)是否成立，以及狀態(tài)檢測數(shù)據(jù)的質(zhì)量。

Wang等［38］將專家建議(關(guān)于水泵是否需要維護(hù))分為四等，同時假設(shè)水泵軸承與造紙機(jī)軸承的壽命分布具有相同的形狀函數(shù)(shape parameter)和不同的尺度函數(shù)(scale parameter)，并以此計(jì)算水泵中關(guān)鍵軸承的風(fēng)險函數(shù)，進(jìn)而對單個水泵進(jìn)行壽命預(yù)測。

Kwan等［39］提出了一個基于隱馬爾科夫模型(HMM)的診斷與預(yù)測框架，并以軸承實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證該框架的有效性。但是，文獻(xiàn)［39］中認(rèn)為預(yù)測主要是失效后對設(shè)備狀態(tài)變化過程的估計(jì)，而并未討論如何在設(shè)備失效前預(yù)測其剩余壽命的方法。在文獻(xiàn)［39］的基礎(chǔ)上，Zhang等［40］提出了軸承失效診斷與預(yù)測的集成方法，該方法包括主成分分析，HMM，和一個自適應(yīng)隨機(jī)預(yù)測模型。其中，用PCA提取監(jiān)測信號的主要特征，用HMM診斷軸承當(dāng)前的狀態(tài)(即:失效類型和當(dāng)前處于HMM中最終失效狀態(tài)的概率(健康指標(biāo)))，用自適應(yīng)隨機(jī)預(yù)測模型預(yù)測并更新健康指標(biāo)的發(fā)展趨勢，在此基礎(chǔ)上進(jìn)行壽命預(yù)測。

Baruach 和 Chinnam［41，42］也建議使用 HMM 進(jìn)行診斷與預(yù)測，對設(shè)備失效過程中的每個健康狀態(tài)都單獨(dú)建立一個HMM，再估計(jì)每個樣本的狀態(tài)轉(zhuǎn)變點(diǎn)，進(jìn)而估計(jì)狀態(tài)轉(zhuǎn)變點(diǎn)的條件分布，但文獻(xiàn)［41，42］中并未具體討論如何預(yù)測剩余壽命。Camci和 Chinnam［43，44］將分級HMM(hierarchical HMM)視為動態(tài)貝葉斯網(wǎng)絡(luò)進(jìn)行診斷和預(yù)測。相比于文獻(xiàn)［41，42］的方法，文獻(xiàn)［43，44］中的方法可以直接估計(jì)設(shè)備健康狀態(tài)之間的轉(zhuǎn)移概率。文獻(xiàn)［43，44］中假設(shè)每個健康狀態(tài)的區(qū)間為指數(shù)分布，采用Monte Carlo仿真的方法估計(jì)設(shè)備的剩余壽命及其置信區(qū)間，并以鉆頭為例展示了其方法的有效性。類似的研究還有文獻(xiàn)［45］。

Dong 和 He［46，47］指出傳統(tǒng)的 HMM 的不足在于隱含地以指數(shù)分布刻畫各健康狀態(tài)的區(qū)間長度，而這往往并不符合實(shí)際。因此，就有必要明確刻畫各狀態(tài)的區(qū)間長度。文獻(xiàn)［46，47］使用隱半馬爾科夫模型(hidden semi－Markov model(HSMM))以克服此不足之處。在水泵試驗(yàn)中，HSMM較傳統(tǒng)的HMM取得更優(yōu)的狀態(tài)識別率。Peng和Dong在［48］的基礎(chǔ)上進(jìn)一步考慮了狀態(tài)區(qū)間長度與設(shè)備老化相關(guān)的情況，在HSMM中引入老化因子以刻畫不同時刻各狀態(tài)區(qū)間長度的分布。在水泵試驗(yàn)中，在接近水泵失效時，文獻(xiàn)［48］中的方法較文獻(xiàn)［46，47］中的方法能更精確地預(yù)測水泵的剩余壽命。

Yan等［49］建議使用logistic regression來建立設(shè)備的特征變量與其失效概率之間的聯(lián)系，同時建議采用ARMA模型對特征變量進(jìn)行預(yù)測，將預(yù)測值輸入經(jīng)訓(xùn)練的logistic模型進(jìn)行剩余壽命預(yù)測。但是，文獻(xiàn)［49］中僅給出剩余壽命預(yù)測的示意圖，并未給出具體的方法。

Volk 等［50，51］建議使用比例強(qiáng)度模型(proportional intensity model，PIM)預(yù)測設(shè)備的壽命，并以此評價預(yù)防維護(hù)的效果。文獻(xiàn)［51］中同時介紹了可修系統(tǒng)與不可修系統(tǒng)壽命預(yù)測的PIM。

Banjevic和 Jardine［52］使用比例風(fēng)險模型(proportional hazards model，PHM)預(yù)測設(shè)備的可靠性函數(shù)與剩余壽命。文獻(xiàn)［52］中將內(nèi)部和(或)外部協(xié)變量的發(fā)展過程刻畫為Markov過程，以此在某一時刻對協(xié)變量未來的發(fā)展趨勢進(jìn)行預(yù)測，并結(jié)合PHM預(yù)測設(shè)備的剩余壽命。文獻(xiàn)［52］中以運(yùn)輸機(jī)的轉(zhuǎn)動機(jī)構(gòu)為例展示了方法的主要概念。但是，將協(xié)變量發(fā)展過程刻畫為Markov過程往往需要對一“連續(xù)”的協(xié)變量進(jìn)行區(qū)間劃分，進(jìn)而以有限個數(shù)的“狀態(tài)”描述協(xié)變量的發(fā)展過程。區(qū)間劃分的得當(dāng)與否將很大程度上決定文獻(xiàn)［52］中模型的預(yù)測效果。因此，在實(shí)際應(yīng)用中，必須仔細(xì)尋找適當(dāng)?shù)膮^(qū)間劃分方案(區(qū)間個數(shù)，各區(qū)間范圍)。

以軸承為例，Liao等［53］比較了 Logistic regression方法和PHM模型在預(yù)測單個設(shè)備剩余時的表現(xiàn)。文獻(xiàn)［53］中以監(jiān)測振動信號的均方根值和翹度值作為PHM中的協(xié)變量進(jìn)行壽命預(yù)測，試驗(yàn)結(jié)果表明PHM的預(yù)測精度好于Logistic regression模型。

Ghasemi等［54］認(rèn)為PHM的協(xié)變量應(yīng)為系統(tǒng)的真實(shí)狀態(tài)，他們假設(shè)在一CBM計(jì)劃中系統(tǒng)的狀態(tài)不直接可見，但可以觀察到一些特征信號，這些特征信號與系統(tǒng)狀態(tài)隨機(jī)相關(guān)。于是，隱馬爾科夫模型(HMM)便可用于描述特征信號－系統(tǒng)狀態(tài)的映射。在此基礎(chǔ)上，將系統(tǒng)狀態(tài)作為PHM的協(xié)變量用于估計(jì)系統(tǒng)的條件可靠性函數(shù)和預(yù)測剩余壽命。

Wang［55］假設(shè)設(shè)備的狀態(tài)監(jiān)測信號是其剩余壽命的函數(shù)(而與之前的狀態(tài)監(jiān)測信號無關(guān))，在此基礎(chǔ)上利用隨機(jī)濾波方法(stochastic filtering)建立設(shè)備剩余壽命的概率密度函數(shù)。文獻(xiàn)［55］中以滾動軸承為例比較了真實(shí)的剩余壽命與預(yù)測的剩余壽命分布，結(jié)果較佳。根據(jù)文獻(xiàn)［55］的方法，Carr和 Wang［56］繼而考察了系統(tǒng)有多個失效模式時的情況。文獻(xiàn)［56］中指出，在系統(tǒng)存在多種失效模式時，識別系統(tǒng)的失效模式，進(jìn)而根據(jù)具體失效模式建立相應(yīng)的壽命預(yù)測模型相對于不考慮失效模式的廣義模型能去的更高的預(yù)測精度。

Tian等［57］建議同時利用失效和刪失樣本的數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，進(jìn)而預(yù)測設(shè)備的剩余壽命。文獻(xiàn)［57］中的神經(jīng)網(wǎng)路，以設(shè)備的壽命(運(yùn)行時間)和狀態(tài)監(jiān)測信號為輸入，以設(shè)備的壽命百分比為輸出。文獻(xiàn)［57］中以水泵軸承的振動信號數(shù)據(jù)驗(yàn)證了其方法較傳統(tǒng)的不使用刪失樣本的神經(jīng)網(wǎng)絡(luò)能取得更精確、可靠的預(yù)測結(jié)果。

(3)基于相似性的方法

基于相似性的方法，認(rèn)為某正在服役的設(shè)備A的剩余壽命可預(yù)測為同類設(shè)備(又稱參考設(shè)備)在某一時刻剩余壽命的“加權(quán)平均”。其中，權(quán)值根據(jù)設(shè)備A與各參考設(shè)備之間的相似性計(jì)算，而相似性則需進(jìn)一步根據(jù)各設(shè)備在失效過程中的狀態(tài)監(jiān)測數(shù)據(jù)確定。相比于基于狀態(tài)預(yù)測/外推的方法和基于統(tǒng)計(jì)回歸的方法，基于相似性的方法有時無需進(jìn)行狀態(tài)預(yù)測。

Zio和Maio［58］提出了一個基于相似性的壽命預(yù)測方法。文獻(xiàn)［58］中以基于模糊邏輯的“距離值”刻畫①正服役系統(tǒng)的特征變量與②參照集中系統(tǒng)的特征變量之間的相似程度，進(jìn)而計(jì)算權(quán)重值，并以參照集中系統(tǒng)的剩余壽命的加權(quán)平均預(yù)測正服役系統(tǒng)的剩余壽命。文獻(xiàn)［58］以一核電系統(tǒng)的應(yīng)用展示了改方法的有效性。試驗(yàn)顯示，該方法具有較高的預(yù)測精度。類似的研究還有文獻(xiàn)［59］，但文獻(xiàn)［59］中使用了不同的刻畫相似程度和加權(quán)平均剩余壽命的方法。

以上兩篇文獻(xiàn)根據(jù)監(jiān)測狀態(tài)直接計(jì)算相似性，也有一些文獻(xiàn)以監(jiān)測狀態(tài)估計(jì)設(shè)備當(dāng)前運(yùn)行時間等參數(shù)，進(jìn)而根據(jù)估計(jì)值與實(shí)際值之間的誤差計(jì)算相似性和權(quán)重值，總結(jié)如下。

Gebraeel等［60］采用軸承的損傷頻率及其六次諧波處的振動幅值為特征變量，提出兩種基于神經(jīng)網(wǎng)絡(luò)的壽命預(yù)測方法，取得較佳的預(yù)測精度。兩種方法中，均以歷史數(shù)據(jù)(訓(xùn)練集)為基礎(chǔ)建立起多個前饋反向傳播神經(jīng)網(wǎng)絡(luò)，估計(jì)某正服役軸承的服役時間，進(jìn)而根據(jù)各神經(jīng)網(wǎng)絡(luò)對服役時間的預(yù)測誤差確定權(quán)重值。不同的是，第一種方法將正服役軸承的壽命計(jì)算為訓(xùn)練集中各軸承壽命的加權(quán)平均;第二種方法則以加權(quán)平均的方法估計(jì)服役軸承指數(shù)性能衰減模型的參數(shù)，以進(jìn)一步計(jì)算軸承壽命。文獻(xiàn)［60］中以一振動幅值的閥值來定義軸承失效。

Huang等［61］提出了一個基于自組織映射(self－organizing map)的振動信號特征提取方法，在此基礎(chǔ)上以文獻(xiàn)［61］中的神經(jīng)網(wǎng)絡(luò)方法預(yù)測球軸承的服役時間，進(jìn)而預(yù)測其剩余壽命。

Gebraeel和 Lawley［62］使用前饋反向轉(zhuǎn)播神經(jīng)網(wǎng)絡(luò)估計(jì)軸承特征變量指數(shù)衰退模型的參數(shù)，結(jié)合失效閥值預(yù)測軸承的失效時間。同時，文獻(xiàn)［62］中以Bayes方法依據(jù)某軸承的在線特征變量更新剩余壽命的分布。與其他兩類不使用更新的基準(zhǔn)方法比較，文獻(xiàn)［62］中方法的平均預(yù)測誤差較小。

2 基于狀態(tài)監(jiān)測的預(yù)防維護(hù)規(guī)劃模型

Prognostics的目的就是要為維護(hù)方案的制定提供決策支持(decision support)［2］。因此，很自然地，需要在設(shè)備狀態(tài)預(yù)測的過程中考慮下一步的維護(hù)方案。上一部分中總結(jié)的設(shè)備壽命預(yù)測的方法提供了設(shè)備剩余壽命的估計(jì)，而維護(hù)規(guī)劃主要是在此基礎(chǔ)上進(jìn)一步確定恰當(dāng)?shù)膱?zhí)行維護(hù)的時間。可見，比起壽命預(yù)測，維護(hù)規(guī)劃更直接地決定了維護(hù)策略的有效與否，更直接地影響了一個企業(yè)的產(chǎn)能。但是，維護(hù)規(guī)劃問題往往較壽命預(yù)測更為復(fù)雜。總結(jié)目前相關(guān)文獻(xiàn)，一個預(yù)防維護(hù)規(guī)劃模型一般包含五大因素，即:

① 目標(biāo)，如:維護(hù)費(fèi)用最小化，維護(hù)費(fèi)用率最小化，系統(tǒng)平均可用度最大化等;

② 維護(hù)方案，刻畫了維護(hù)執(zhí)行的特點(diǎn)(框架)，如:周期性(periodic)維護(hù)，順序型(sequential)維護(hù)，控制限度(control－limit)維護(hù)等;

③ 維護(hù)質(zhì)量(或維護(hù)效果)，刻畫了維護(hù)行動將設(shè)備性能提升的程度，有:修復(fù)如新(perfect maintenance)，修復(fù)非新(imperfect maintenance)，修復(fù)如舊(minimal maintenance)等;

④ 退化模型，刻畫了設(shè)備退化的過稱，有:傳統(tǒng)的壽命分布(lifetime distribution)，Gamma過程，馬爾科夫過程等;

⑤ 維護(hù)限制，如:部件間的維護(hù)沖突，維護(hù)零件有限等。

下面總結(jié)近年來主要的相關(guān)模型。基于狀態(tài)監(jiān)測的維護(hù)規(guī)劃模型分類方法多樣，例如，Jardine等［2］將之分為完全可見系統(tǒng)和部分可見系統(tǒng)。其中，對于完全可見系統(tǒng)，狀態(tài)監(jiān)測變量完全體現(xiàn)了系統(tǒng)的真實(shí)狀態(tài);對于部分可見系統(tǒng)，狀態(tài)監(jiān)測變量不能完全體現(xiàn)系統(tǒng)的真實(shí)狀態(tài)，但與之相關(guān)。我們將各種維護(hù)規(guī)劃模型分類為離線預(yù)防維護(hù)規(guī)劃模型和在線預(yù)防維護(hù)規(guī)劃模型。

2.1 離線預(yù)防維護(hù)規(guī)劃模型

離線預(yù)防維護(hù)規(guī)劃模型指依據(jù)反映系統(tǒng)群體特征的衰退信息建立的維護(hù)模型。維護(hù)策略一旦確定(如:確定最優(yōu)維護(hù)狀態(tài)閥值)，并不隨某一實(shí)際運(yùn)行設(shè)備的實(shí)時監(jiān)測數(shù)據(jù)改變。在應(yīng)用離線預(yù)防維護(hù)規(guī)劃模型時，某一實(shí)際運(yùn)行設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)往往用于觀測其狀態(tài)值是否達(dá)到了先前確定的最優(yōu)維護(hù)狀態(tài)閥值。若未達(dá)到，則允許設(shè)備繼續(xù)運(yùn)行;一旦達(dá)到，則執(zhí)行預(yù)防維護(hù)。目前文獻(xiàn)中的離線預(yù)防維護(hù)規(guī)劃模型，主要使用的估計(jì)設(shè)備失效概率的衰退模型有:PHM，幾類隨機(jī)衰退/損傷累計(jì)模型，馬爾科夫衰退過程等。

(1)基于PHM的離線預(yù)防維護(hù)規(guī)劃模型

Makis和Jardine［63］假設(shè)系統(tǒng)的失效概率不僅依賴于其工作時間(age)也依賴于一診斷隨機(jī)過程(diagnostic stochastic process)，并使用PHM描述系統(tǒng)的失效概率，在此基礎(chǔ)上建立了一個替換策略以最小化長期期望費(fèi)用率。文獻(xiàn)［63］中，Makis和Jardine假設(shè)只在離散時刻可以觀察到系統(tǒng)診斷隨機(jī)過程的值，并以階躍函數(shù)近似計(jì)算離散觀測點(diǎn)間的隨機(jī)過程。

Kumar和 Westberg［64］提出了一個基于狀態(tài)監(jiān)測的替換策略。其中，用PHM確定系統(tǒng)失效是否與監(jiān)測變量有關(guān)，進(jìn)一步使用PHM估計(jì)系統(tǒng)的可靠性，在此基礎(chǔ)上建立系統(tǒng)的預(yù)防維護(hù)模型以求取最優(yōu)替換時刻。值得指出的是，文獻(xiàn)［64］中的監(jiān)測變量指的是壓力等常值環(huán)境變量。

Banjevic等［65］考察了一個基于狀態(tài)監(jiān)測的控制限度替換策略，以最小化長期期望費(fèi)用率。文獻(xiàn)［65］中以PHM估計(jì)系統(tǒng)的失效率，同時假設(shè)監(jiān)測的狀態(tài)符合非齊次Markov過程，進(jìn)而估計(jì)系統(tǒng)的失效概率以估計(jì)長期期望費(fèi)用率，最后求得最優(yōu)維護(hù)限度。文獻(xiàn)［65］中也討論了收集、預(yù)處理和使用實(shí)際油樣、振動信號的一些經(jīng)驗(yàn)。類似的基于PHM的替換策略及其應(yīng)用還有文獻(xiàn)［66－69］。

Ghasemi等［70］提出了一個基于周期狀態(tài)監(jiān)測的替換模型以最小化長期期望費(fèi)用率。文獻(xiàn)［70］中考察了監(jiān)測變量不能直接反映系統(tǒng)真實(shí)狀態(tài)，但與系統(tǒng)狀態(tài)隨機(jī)相關(guān)的情況，以PHM估計(jì)系統(tǒng)的失效概率，進(jìn)而建立系統(tǒng)費(fèi)用率模型。Ghasemi等［71］在文獻(xiàn)［70］的基礎(chǔ)上進(jìn)一步考察了非周期監(jiān)測的情況。

(2)基于隨機(jī)衰退/損傷累計(jì)模型的離線預(yù)防維護(hù)規(guī)劃模型

Barbera等［72］提出了一個基于狀態(tài)檢測的預(yù)防維護(hù)模型，以最小化長期期望費(fèi)用。在該模型中，預(yù)防維護(hù)在系統(tǒng)狀態(tài)值達(dá)到某一閥值時進(jìn)行，并且預(yù)防維護(hù)可完全恢復(fù)系統(tǒng)的狀態(tài)。文獻(xiàn)［72］中假設(shè)系統(tǒng)的狀態(tài)為非減函數(shù)，在任一時刻，系統(tǒng)損傷的增長為一與累計(jì)損傷無關(guān)，且概率密度函數(shù)已知的隨機(jī)變量，同時系統(tǒng)的可靠性為系統(tǒng)狀態(tài)的指數(shù)函數(shù)。在文獻(xiàn)［73］中，使用與文獻(xiàn)［72］中類似的建模方法，Barbera等又考查了一個由兩個串聯(lián)部件組成的系統(tǒng)級維護(hù)模型。Shahanaghi等［74］在文獻(xiàn)［72］的基礎(chǔ)上考察了修復(fù)非新的情況，認(rèn)為修復(fù)后系統(tǒng)的狀態(tài)隨機(jī)地處于全新與修復(fù)前的狀態(tài)之間。

Aven［75］以計(jì)數(shù)過程方法建立了一個基于狀態(tài)監(jiān)測的替換策略，以最小化長期期望費(fèi)用率。在文獻(xiàn)［75］的模型中，預(yù)防維護(hù)在系統(tǒng)失效率達(dá)到某一閥值時進(jìn)行，替換之后系統(tǒng)恢復(fù)全新的狀態(tài)。文獻(xiàn)［75］中假設(shè)在某一時刻系統(tǒng)的失效率是其狀態(tài)的確定性函數(shù)，但并未做具體的討論。

Hontelez等［76］考察了漂移衰退過程的基于狀態(tài)監(jiān)測的維護(hù)策略以最小化一段時間內(nèi)的平均維護(hù)費(fèi)用。文獻(xiàn)［76］中將漂移衰退過程分成(N+1)段，并建模成馬爾科夫過程。文獻(xiàn)［76］中使用控制控制限度維護(hù)策略，假設(shè)維修之后系統(tǒng)恢復(fù)全新的狀態(tài)，確定了最優(yōu)監(jiān)測時間間隔與最優(yōu)維修時間。類似的研究有文獻(xiàn)［77］。

Wang［78］提出了一個基于狀態(tài)監(jiān)測的替換模型。文獻(xiàn)［77］中基于隨機(jī)參數(shù)增長模型估計(jì)系統(tǒng)在某一時刻的失效概率，在此基礎(chǔ)上進(jìn)行建模，進(jìn)而確定最優(yōu)監(jiān)測區(qū)間和最優(yōu)維護(hù)限度，以優(yōu)化系統(tǒng)的長期期望費(fèi)用率，失效時間率或可靠性。

Grall等［79］提出了一個針對隨機(jī)衰減系統(tǒng)的基于狀態(tài)監(jiān)測的替換模型，求取最優(yōu)維護(hù)閥值和最優(yōu)監(jiān)測時間間隔，以最小化系統(tǒng)的長期期望費(fèi)用率。文獻(xiàn)［79］中假設(shè)系統(tǒng)的狀態(tài)衰退在任一時刻非負(fù)，且狀態(tài)衰退增長程度的概率密度函數(shù)已知，同時系統(tǒng)的確定性失效閥值已知，在此基礎(chǔ)上估計(jì)系統(tǒng)在某一時刻的失效概率。值得指出的是，文獻(xiàn)［79］中考慮了監(jiān)測時間間隔非常數(shù)的情況，根據(jù)系統(tǒng)的狀態(tài)實(shí)時地確定下一個最優(yōu)監(jiān)測時間間隔。類似的研究還有文獻(xiàn)［80－83］。文獻(xiàn)［79］的基礎(chǔ)上的進(jìn)一步的研究有文獻(xiàn)［84］。Deloux等［84］考察了單部件系統(tǒng)存在兩種失效形式的情況，其中一種為累計(jì)損傷失效，另一種為應(yīng)力環(huán)境下的沖擊失效，進(jìn)而優(yōu)化系統(tǒng)長期期望費(fèi)用率。Zhao等［85］考察了系統(tǒng)狀態(tài)非單調(diào)衰退且受環(huán)境因素影響的情況下的最優(yōu)監(jiān)測、替換策略，以最小化長期期望費(fèi)用率。文獻(xiàn)［85］中以類似PHM的方式刻畫環(huán)境因素對系統(tǒng)狀態(tài)衰退的影響。

Nakagawa和Ito［86］考察了多部件系統(tǒng)的情況，他們假設(shè)系統(tǒng)受到的外界的隨機(jī)沖擊(各沖擊間隔長度符合同一概率函數(shù)，各沖擊造成的損傷大小而造成損傷累積符合同一概率函數(shù))，當(dāng)累積的損傷超過一定值時系統(tǒng)失效。在次基礎(chǔ)上，他們建立了系統(tǒng)預(yù)防維護(hù)模型，計(jì)算最優(yōu)維護(hù)閥值(累積損傷值)以最小化長期期望費(fèi)用率。

Wang等［87］提出一個基于狀態(tài)監(jiān)測的訂貨－替換模型，考慮了維修部件需提前預(yù)定的情況。文獻(xiàn)［87］中假設(shè)系統(tǒng)衰退符合隨機(jī)衰退模型，衰退增量單調(diào)遞增，各時刻增量互相獨(dú)立且符合同樣的統(tǒng)計(jì)分布。文獻(xiàn)［87］中考察了系統(tǒng)的長期期望費(fèi)用率，預(yù)防替換率和系統(tǒng)平均可用度指標(biāo)，根據(jù)這些指標(biāo)以優(yōu)化訂貨限度，預(yù)防替換限度和監(jiān)測周期長度。Wang等［88］考察了基于馬爾科夫衰退過程的預(yù)防替換模型及另一種庫存機(jī)制。Wang等［89］在文獻(xiàn)［87］的基礎(chǔ)上考察了系統(tǒng)失效閥值不確定的情況。

Liao等［90］提出了一個連續(xù)監(jiān)測的單部件系統(tǒng)的預(yù)防維護(hù)模型，尋找最優(yōu)控制限度(定義于系統(tǒng)的狀態(tài)空間)以最大化系統(tǒng)平均可用度。文獻(xiàn)［90］中基于隨機(jī)衰退模型(如Gamma過程)計(jì)算系統(tǒng)的失效概率，認(rèn)為系統(tǒng)在預(yù)防維護(hù)后的狀態(tài)分布于全新與修復(fù)前的狀態(tài)之間，且其密度符合某概率函數(shù)。

(3)基于馬爾科夫衰退過程的離線預(yù)防維護(hù)規(guī)劃模型

Marseguerra等［91］考察了一個多部件串并聯(lián)系統(tǒng)的基于狀態(tài)監(jiān)測的維護(hù)模型。該模型以同時優(yōu)化系統(tǒng)利潤與可用度為目標(biāo)，在系統(tǒng)的馬爾科夫衰退模型中考慮了非完全維護(hù)因素，以遺傳算法確定各部件的最優(yōu)維護(hù)狀態(tài)閥值。為了描述更復(fù)雜的情況，如系統(tǒng)衰退與外界載荷相關(guān)，維護(hù)人員有限等情況，文獻(xiàn)［91］又建議使用Monte Carlo仿真的方法。在系統(tǒng)馬爾科夫衰退模型已建立的情況下，文獻(xiàn)［90］中模型針對的主要是系統(tǒng)設(shè)計(jì)階段，而未考慮實(shí)際運(yùn)行中對某一個系統(tǒng)的實(shí)時維護(hù)。類似的研究還有文獻(xiàn)［92］，但文獻(xiàn)［92］中采用最小化一段時間內(nèi)的期望費(fèi)用為目標(biāo)，并采用隨機(jī)衰退模型。

基于一個連續(xù) －離散隨機(jī)衰退模型，Makis和Jiang［93］提出了一個基于狀態(tài)監(jiān)測的優(yōu)化框架以最小化長期期望費(fèi)用率。文獻(xiàn)［93］中，隱藏的設(shè)備狀態(tài)發(fā)展由連續(xù)馬爾科夫過程描述，監(jiān)測變量與設(shè)備狀態(tài)有關(guān)且由離散隨機(jī)過程描述。

(4)其他

Zhou等［94］提出了一個基于狀態(tài)監(jiān)測的單部件系統(tǒng)可靠性限度維護(hù)策略，以最小化長期期望費(fèi)用率。文獻(xiàn)［94］通過混合概率模型刻畫修復(fù)非新的預(yù)防維護(hù)效果。但文獻(xiàn)［94］中未詳述如何刻畫系統(tǒng)的衰退過程以求取其在某一時刻的失效概率，未考慮到實(shí)時運(yùn)行系統(tǒng)失效概率的動態(tài)特性。

Camci［95］提出了一個多部件系統(tǒng)的基于狀態(tài)監(jiān)測的維護(hù)模型，考慮了一些維護(hù)限制(如部件之間的維護(hù)沖突，維護(hù)資源有限等)，以最小化一段時間內(nèi)的系統(tǒng)期望維護(hù)費(fèi)用。文獻(xiàn)［95］指出，由于系統(tǒng)各部件之間的聯(lián)系，優(yōu)化各部件的維護(hù)策略不一定導(dǎo)致最優(yōu)系統(tǒng)維護(hù)策略，因此就有必要進(jìn)行系統(tǒng)級的維護(hù)時序規(guī)劃。但是，文獻(xiàn)［95］中假設(shè)系統(tǒng)的失效概率已知，并未考慮實(shí)際運(yùn)行系統(tǒng)不斷變化的狀態(tài)。類似的研究還有文獻(xiàn)［96］。

2.2 在線預(yù)防維護(hù)模型

與離線預(yù)防維護(hù)模型不同，在線預(yù)防維護(hù)模型依據(jù)某一實(shí)際運(yùn)行系統(tǒng)的在線狀態(tài)監(jiān)測數(shù)據(jù)不斷更新最優(yōu)預(yù)防維護(hù)策略，并在恰當(dāng)?shù)臅r機(jī)執(zhí)行預(yù)防維護(hù)。在線預(yù)防維護(hù)模型針對每個設(shè)備制定不同的預(yù)防維護(hù)策略，而在離線預(yù)防維護(hù)模型中所有設(shè)備均使用同一預(yù)防維護(hù)策略。

Christer等［97］發(fā)展了一個感應(yīng)電爐的感應(yīng)器的替換策略。文獻(xiàn)［97］中，由于感應(yīng)電爐的結(jié)構(gòu)限制，感應(yīng)器裂紋的尺寸無法直接測量，文獻(xiàn)［97］使用可以測量的“傳導(dǎo)率”為特征變量，通過狀態(tài)空間模型估計(jì)實(shí)際裂紋尺寸。文獻(xiàn)［97］中采用卡爾曼濾波方法預(yù)測和更新感應(yīng)器的失效概率，在此基礎(chǔ)上計(jì)算最優(yōu)替換時間，以最小化期望費(fèi)用率。

Pedregal和 Carnero［98］描述了一個案例研究，對一個石油廠的離心壓縮機(jī)進(jìn)行基于狀態(tài)監(jiān)測的維護(hù)，以最小化長期期望費(fèi)用率。文獻(xiàn)［98］中考慮修復(fù)如新的情況，對離心壓縮機(jī)上兩個位置的振動信號進(jìn)行狀態(tài)空間建模，并以循環(huán)算法(如卡爾曼濾波器，固定區(qū)間平滑(fixed interval smoothing))預(yù)測振動信號，估計(jì)系統(tǒng)的失效概率，進(jìn)而建立系統(tǒng)的費(fèi)用率模型。類似的模型有文獻(xiàn)［99］。

Kaiser和 Gebraeel［100］以文獻(xiàn)［32］中的衰減模型為基礎(chǔ)，提出了一個在線預(yù)測維策略文獻(xiàn)，根據(jù)系統(tǒng)在線衰減信號不斷更新衰減模型進(jìn)而更新對系統(tǒng)剩余壽命的預(yù)測。文獻(xiàn)［100］中假設(shè)維護(hù)后系統(tǒng)狀態(tài)恢復(fù)全新，提出了一個基于系統(tǒng)在線可靠性的更新停止指標(biāo)，從而實(shí)時地確定進(jìn)行預(yù)防維護(hù)的時間。在一個制造工廠仿真試驗(yàn)中，Kaiser和Gebraeel比較了① 文獻(xiàn)［100］中提出的維護(hù)策略;② 傳統(tǒng)的基于可靠性的預(yù)防維護(hù)策略;③ 基于群體衰退模型(未根據(jù)某一系統(tǒng)在線衰退信號進(jìn)行更新)的預(yù)防維護(hù)策略，結(jié)果表明在文獻(xiàn)［100］中的策略下，預(yù)防維護(hù)的總費(fèi)用最低。但是，文獻(xiàn)［100］中并未考慮維護(hù)策略的優(yōu)化。類似的研究有文獻(xiàn)［101］，文獻(xiàn)［101］中使用神經(jīng)網(wǎng)絡(luò)在線估計(jì)設(shè)備的失效概率。

3 研究方向討論

在總結(jié)當(dāng)前主要的壽命預(yù)測方法和預(yù)防維護(hù)規(guī)劃模型的基礎(chǔ)上，我們提出以下幾點(diǎn)有必要的、有價值的研究方向:

(1)基于相似性的壽命預(yù)測方法是新近興起的壽命預(yù)測方法。該方法可以進(jìn)行長程預(yù)測，同時不需要對設(shè)備衰退信號本身進(jìn)行建模，是一種簡便、有效的壽命方法。但是，相關(guān)的研究還很少，針對該方法核心因素(如:相似性測度函數(shù)，權(quán)重函數(shù))的研究很少。因此，可開展針對該方法各核心因素的比較、優(yōu)化研究。

(2)總結(jié)當(dāng)前基于狀態(tài)監(jiān)測的預(yù)防維護(hù)模型，可以看出，大多數(shù)模型是離線模型，并不隨某一實(shí)際運(yùn)行系統(tǒng)的實(shí)時信號相應(yīng)更新，在線模型很少。文獻(xiàn)［100］中的研究指出，相比于離線模型，在線模型可以取得更好的表現(xiàn)(如:更低的維護(hù)費(fèi)用)。因此，深入開展在線預(yù)測維護(hù)模型的研究很有必要，特別是當(dāng)前在線預(yù)測維護(hù)模型均未考慮常見的修復(fù)非新的預(yù)防維護(hù)效果(不完全修復(fù))。此外，多部件復(fù)雜系統(tǒng)在線預(yù)測模型更少。

(3)目前壽命預(yù)測和預(yù)防維護(hù)規(guī)劃的研究比較獨(dú)立，作為prognostics的兩個方面，兩者間的結(jié)合也是值得研究的方向，如:壽命預(yù)測方法與傳統(tǒng)的基于壽命分布的預(yù)防維護(hù)規(guī)劃模型的結(jié)合，壽命預(yù)測方法與在線預(yù)測維護(hù)模型的結(jié)合等。

(4)在壽命預(yù)測和預(yù)防維護(hù)規(guī)劃研究中，考察環(huán)境因素(如:溫度，濕度，外界壓力等)對設(shè)備衰退特性的影響(進(jìn)而對壽命預(yù)測方法和預(yù)防維護(hù)規(guī)劃模型的影響)是近來逐步引起重視的一個問題。然而，這方面的研究還處在初步階段［34，85，102，103］。因此，開展這方面的研究，特別是結(jié)合試驗(yàn)數(shù)據(jù)定量地刻畫環(huán)境因素對設(shè)備性能衰退的影響并進(jìn)行建模，是很有價值的。

(5)無論是離線維護(hù)模型，還是在線維護(hù)模型［97，98］，針對基于狀態(tài)監(jiān)測的預(yù)防維護(hù)規(guī)劃模型和傳統(tǒng)的基于壽命分布的預(yù)防維護(hù)規(guī)劃模型的比較研究很少。然而，這樣的比較研究對論證基于狀態(tài)監(jiān)測的預(yù)防維護(hù)策略的有效性很重要。因此，很有必要開展基于一個實(shí)際系統(tǒng)的，針對上述兩類維護(hù)策略的比較研究。

4 結(jié)束語

CBM的研究方興未艾，作為其重要部分的prognostics的研究更是層出不窮。本文對近年來主要的壽命預(yù)測方法和預(yù)防維護(hù)規(guī)劃模型進(jìn)行總結(jié)、分類和簡單的比較，并探討了一些潛在的研究方向。目前，對prognostics中各方法定量的比較研究尚較缺乏，大型、復(fù)雜系統(tǒng)的案例研究很少。要真正將prognostics的各種方法和模型運(yùn)用到實(shí)踐之中，從中受益，尚需做大量的工作。

［1］Heng A，Zhang S，Tan A C C，et al.Rotating machinery prognostics:state of the art，challenges and opportunities［J］.Mechanical Systems and Signal Processing，2009，23(3):724－739.

［2］Jardine A K S，Lin D，Banjevic D.A review on machinery diagnostics and prognostics implementing condition-based maintenance ［J］. Mechanical Systems and Signal Processing，2006，20(7):1483－1510.

［3］Saranga H，Knezevic J.Reliability prediction for conditionbased maintenance systems［J］.Reliability Engineering and System Safety，2001，71(2):219 －224.

［4］Camci F.Process monitoring，diagnostics and prognostics using support vector machines and hidden Markov models［D］.Detroit:Wayne State University，2005.

［5］Harbor Research Pervasive Internet Report.Approaching zero downtime:the Center for Intelligent Maintenance Systems［R］.2003.

［6］Ray A，Tangirala S.Stochastic modeling of fatigue crack dynamics for on-line failure prognostics ［J］. IEEE Transactions on Control System Technology，1996，4(4):443－451.

［7］Li Y，Billington S，Zhang C，et al.Adaptive prognostics for rolling element bearing condition［J］.Mechanical Systems and Signal Processing，1999，13(1):103－113.

［8］Li Y，Kurfeess T R，Liang S Y.Stochastic prognostics for rolling element bearings［J］.Mechanical Systems and Signal Processing，2000，14(5):747－762.

［9］Glodez S，Sraml M，Kramberger J.A computational model for determination of service life of gears［J］.International Journal of Fatigue，2002，24(10):1013 －1020.

［10］Qiu J.Damage mechanics approach for bearing lifetime prognostics［J］.Mechanical Systems and Signal Processing，2002，16(5):817－829.

［11］Oppenheimer C H，Loparo K A.Physically based diagnosis and prognosis of cracked rotor shafts［J］.Proceedings of SPIE.2002:122－132.

［12］Wang W.Towards dynamic model-based prognostics for transmission gears ［J］. Proceedings of SPIE，2002:157－167.

［13］Orsagh R F，Sheldon J，Klenke C J.Prognostics/Diagnostics for gas turbine engine bearings［J］.ASME，International Gas Turbine Institute， Turbo Expo(Publication)ICTI，2003:159－167.

［14］Chelidze D，Cusumano J P，Chatterjee A.A dynamical systems approach to damage evolution tracking，part 1:description and experimental application［J］.Journal of Vibration and Acoustics，Transactions of the ASME，2002，124(2):250－257.

［15］Cusumano J P，Chelidze D，Chatterjee A.A dynamical systems approach to damage evolution tracking，part 2:model-based validation and physical interpretation ［J］.Journal of Vibration and Acoustics，Transactions of the ASME，2002，124(2):258－264.

［16］Chelidze D.A dynamic systems approach to failure prognosis［J］.Journal of Vibration and Acoustics，Transactions of the ASME，2004，126(1):2－8.

［17］Luo J，Pattipati K R，Qiao L，et al.Model-based prognostic techniques applied to a suspension system ［J］.IEEE Transactions on Systems，Man，and Cybernetics-Part A:Systems and Humans，2008，38(5):1156－1168.

［18］Kacprzynskl G J， Sarlashkar A， Roemer M J， et al.Predicting remaining life by fusing the physics of failure modeling with diagnostics［J］.JOM，2004，56(3):29－35.

［19］Li C J，Lee H.Gear fatigue crack prognosis using embedded model，gear dynamic model and facture mechanics ［J］.Mechanical Systems and Signal Processing，2005，19(4):836－846.

［20］Marble S，Morton B P.Predicting the remaining life of propulsion system bearings［J］.Proceedings of the 2006 IEEE Aerospace Conference，2006.

［21］Ramakrishnan A，Pecht M G.A life consumption monitoring methodology for electronic systems［J］.IEEE Transactions on Components and Packaging Technologies，2003，26(3):625－634.

［22］Gu J，Barker D，Pecht M.Prognostics implementation of electronics under vibration loading［J］.Microelectronics Reliability，2007，47(12):1849－1856.

［23］Musallam M，Johnson C M，Yu C，et al.In-service life consumption estimation in power modules［J］.200813thInternational Power Electronics and Motion Control Conference，2008:76－83.

［24］Lu H， Kolarik W J， Lu S S. Real-time performance reliability prediction ［J］.IEEE Transactions on Reliability，2001，50(4):353－357.

［25］Lu S， Lu H， Kolarik W J. Multivariate performance reliability prediction in real-time［J］.Reliability Engineering and System Safety，2000，72(1):39－45.

［26］Swanson D C，Spencer J M，Arzoumanian S H.Prognostic modeling of crack growth in a tensioned steel band ［J］.Mechanical Systems and Signal Processing，2000，14(5):789－803.

［27］Engel S J，Gilmartin B J，Bongort K，et al.Prognostics，the real issues involved predicting life remaining［J］.IEEE Aerospace Conference Proceedings，2000，6:457 －470.

［28］Cheng S，Pecht M.A fusion method for remaining useful life prediction of electronic products ［J］. 2009 IEEE International Conference on Automation Science and Engineering，2009:102 －107.

［29］Vachtsevanos G，Wang P.Fault prognosis using dynamic wavelet neural networks［J］.Autotestcon(Proceedings)，2001，857－870.

［30］Chinnam R B， Baruah P. A neuro-fuzzy approach for estimating mean residual life in condition-based maintenance systems［J］.International Journal of Materials and Product Technology，2004，20(1－3):166－179.

［31］Orchard M E， Vachtsevanos G J. A particle filtering approach for on-line failure prognosis in a planetary carrier plate［J］.International Journal of Fuzzy Logic and Intelligent Systems，2007，7(4):221－227.

［32］Gebraeel N Z，Lawley M A，Li R，et al.Residual-life distributions from component degradation signals:a Bayesian approach［J］.IIE Transactions，2005，37(6)，543－557.

［33］Gebraeel N Z.Sensory-updated residual life distributions for components with exponential degradation patterns［J］.IEEE Transactions on Automation Science and Engineering，2006，3(4):382－393.

［34］Gebraeel N Z，Pan J.Prognostic degradation models for computing and updating residual life distributions in a timevarying environment［J］.IEEE Transactions on Reliability，2008，57(4):539－550.

［35］Gebraeel N Z，Elwany A，Pan J.Residual life predictions in the absence of prior degradation knowledge［J］.IEEE Transactions on Reliability，2009，58(1):106－116.

［36］Chakraborty S，Gebraeel N Z，Lawley M，et al.Residual-life estimation for components with non-symmetric priors［J］.IIE Transactions，2009，41(4)，372－387.

［37］Goode K B，Moore J，Roylance B J.Plant machinery working life prediction method utilizing reliability and conditionmonitoring data ［J］.Proceedings of the Institution of Mechanical Engineers，2000，214(2):109 －122.

［38］Wang W，Scarf P A，Smith M A J.On the application of a model of condition-based maintenance［J］.The Journal of the Operational Research Society， 2000， 51(11):1218－1227.

［39］Kwan C，Zhang X，Xu R，et al.A novel approach to fault diagnostics and prognostics［J］.Proceedings of the 2003 IEEE International Conference on Robotics＆ Automation，2003:604－609.

［40］Zhang X，Xu R，Kwan C，et al.An integrated approach to bearing fault diagnostics and prognostics［J］.Proceedings of the American Control Conference，2005，4:2750－2755.

［41］Chinnam R B， Baruah P.Autonomous diagnostics and prognostics through competitive learning driven HMM-based clustering［J］. Proceedings of the International Joint Conference on Neural Networks，2003，4:2466 －2471.

［42］Chinnam R B， Baruah P. HMMs for diagnostics and prognostics in machining processes［J］.International Journal of Production Research，2005，43(6):1275－1293.

［43］Camci F，Chinnam R B.Hierarchical HMMs for autonomous diagnostics and prognostics［J］.2006 International Joint Conference on Neural Networks，2006:2445 －2452.

［44］Camci F， Chinnam R B. Health-state estimation and prognostics in machining processes［J］.IEEE Transactions on Automation Science and Engineering，to be published.

［45］Chinnam R B，Baruah P. Autonomous diagnostics and prognostics in machining processes through competitive learning driven HMM-based clustering［J］.International Journal of Production Research， 2009， 47(23):6739－6758.

［46］Dong M， He D. Hidden semi-Markov model based methodology for multi-sensor equipment health diagnosis and prognosis［J］.European Journal of Operational Research，2007，178(3):858－878.

［47］Dong M，He D.A segmental hidden semi-Markov model(HSMM)based diagnostics and prognostics framework and methodology ［J］. Mechanical Systems and Signal Processing，2007，21(5):2248－2266.

［48］Peng Y，Dong M.A prognosis method using age-dependent hidden semi-Markov model for equipment health prediction［J］.Mechanical System and Signal Processing，to be published.

［49］Yan J，Kog M，Lee J.A prognostic algorithm for machine performance assessment and its application［J］.Production Planning＆ Control，2004，15(8):796－801.

［50］Volk P J.Dynamic residual life estimation of industrial equipment based on failure intensity proportions［D］.Pretoria:University of Pretoria，2001.

［51］Volk P J，Wnek M，Zygmunt M.Utilising statistical residual life estimates of bearings to quantify the influence of preventive maintenance actions［J］.Mechanical Systems and Signal Processing，2004，18(4):833 －847.

［52］Banjevic D，Jardine A K S.Calculation of reliability function and remaining useful life for a Markov failure time processes［J］.IMA Journal of Management Mathematics，2006，17(2):115－130.

［53］Liao H，Zhao W，Guo H.Predicting remaining useful life of an individual unit using proportional hazards model and logistic regression model［J］.Proceedings-Annual Reliability and Maintainability Symposium，2006:127－132.

［54］Ghasemi A，Yacout S，Ouali M S.Evaluating the reliability function and the mean residual life for equipment with unobservable states［J］.IEEE Transactions on Reliability，2010，59(1):45－54.

［55］Wang W.A model to predict the residual life of rolling element bearings given monitored condition information to date［J］.IMA Journal of Management Mathematics，2002，13(1):3－16.

［56］Carr M J，Wang W.Modeling failure modes for residual life prediction using stochastic filtering theory ［J］. IEEE Transactions on Reliability，to be published.

［57］Tian Z，Wong L，Safaei N.A neural network approach for remaining useful life prediction utilizing both failure and suspension histories［J］.Mechanical Systems and Signal Processing，2010，24:1542－1555.

［58］Zio E，Maio F D.A data-driven fuzzy approach for predicting the remaining useful life in dynamic failure scenarios of a nuclear system ［J］.Reliability Engineering and System Safety，2010，95(1):49－57.

［59］Wang T， Yu J， Siegel D， et al. A similarity-based prognostics approach for remaining useful life estimation of engineered systems［C］. International Conference on Prognostics and Health Management，2008.

［60］Gebraeel N Z，Lawley M，Liu R，et al.Residual life predictions from vibration-based degradation signals:a neural network approach ［J］.IEEE Transactions on Industrial Electronics，2004，51(3):694 －700.

［61］Huang R，Li L，Xi L，et al.Residual life predictions for ball bearings based on self-organizing map and back propagation neural network methods［J］.Mechanical Systems and Signal Processing，2007，21(1):193－207.

［62］Gebraeel N Z，Lawley M A.A neural network degradation model for computing and updating residual life distributions［J］. IEEE Transactions on Automation Science and Engineering，2008，5(1):154－163.

［63］Makis V，Jardine A K S.Optimal replacement in the proportional hazards model ［J］.INFOR Journal，1992，30(2):172－183.

［64］Kumar D，Westberg U.Maintenance scheduling under age replacement policy using proportional hazards model and TTT-plotting ［J］.European Journal of Operational Research，1997，99(3):507－515.

［65］Banjevic D，Jardine A K S，Makis V，et al.A control-limit policy and software for condition-based maintenance optimization［J］.INFOR Journal，2001，39(1):32 －50.

［66］Jardine A K S，Banjevic D，Makis V.Optimal replacement policy and the structure of software for condition-based maintenance ［J］. Journal of Quality in Maintenance Engineering，1997，3(2):109－119.

［67］Jardine A K S，Banjevic D.Optimizing a mine haul truck wheel motor's condition monitoring program:use of proportional hazards modeling［J］.Journal of Quality in Maintenance Engineering，2001，7(4):286－301.

［68］Lin D，Wiseman M，Banjevic D，et al.An approach to signal processing and condition-based maintenance for gearboxes subject to tooth failure［J］.Mechanical Systems and Signal Processing，2004，18(5):993－1007.

［69］Lin D， Banjevic D， Jardine A K S. Using principal components in a proportional hazards mode with applications in condition-based maintenance［J］.Journal of Operational Research Society，2006，57(8):910－919.

［70］Ghasemi A，Yacout S，Ouali M S.Optimal condition based maintenance with imperfect information and the proportional hazards model［J］.International Journal of Production Research，2007，45(4):989－1012.

［71］Ghasemi A，Yacout S，Ouali M S.Optimal replacement policy and observation interval for CBM with imperfect information［J］.Proceedings of the World Congress on Engineering and Computer Science，2007.

［72］Barbera F， Schneider H， Kelle P. A condition based maintenance model with exponential failures and fixed inspection intervals［J］.Journal of Operational Research Society，1996，47(8):1037－1045.

［73］Barbera F，Schneider H，Watson E.A condition based maintenance model for a two-unit series system ［J］.European Journal of Operational Research，1999，116(2):281－290.

［74］Shahanaghi K，Babaei H，Bakhsha A，et al.A new condition based maintenance model with random improvements on the system after maintenance actions:optimizing by Monte Carlo simulation ［J］.World Journal of Modelling and Simulation，2008，4(3):230－236.

［75］Aven T.Condition based replacement policies-a counting process approach［J］.Reliability Engineering and System Safety，1996，51(3)，275－281.

［76］Hontelez J A M，Burger H H，Wijnmalen D J D.Optimum condition-based maintenance policies for deteriorating systems with partial information［J］.Reliability Engineering and System Safety，1996，51(3):267－274.

［77］Maillart L M.Maintenance policies for systems with condition monitoring and obvious failures［J］.IIE Transactions，2006，38(6):463－475.

［78］Wang W.A model to determine the optimal critical level and the monitoring intervals in condition-based maintenance［J］.International Journal of Production Research，2000，38(6):1425－1436.

［79］Grall A， Berenguer C， Dieulle L. A condition-based maintenance policy for stochastically deteriorating systems［J］.Reliability Engineering and System Safety，2002，76(2):167－180.

［80］Castanier B，Berenguer C，Grall A.A sequential conditionbased repair/replacement policy with non-periodic inspections for a system subject to continuous wear［J］.Applied Stochastic Models in Business and Industry，2003，19(4):327－347.

［81］Castanier B，Berenguer C，Grall A.A condition-based maintenance policy with non-periodic inspections for a twounit series system ［J］.Reliability Engineering and System Safety，2005，87(1):109 －120.

［82］Dieulle L，Berenguer C，Grall A，etal.Sequentialconditionbased maintenance scheduling for a deteriorating system［J］.European Journal of Operational Research，2003，150(2)，451－461.

［83］Grall A，Dieulle L，Berenquer C，et al.Continuous-time predictive maintenance scheduling for a deteriorating system［J］.IEEE Transactions on Reliability，2002，51(2):141－150.

［84］Deloux E，Castanier B，Berenguer C.Predictive maintenance policy for a gradually deteriorating system subject to stress［J］.Reliability Engineering and System Safety，2009，94(2):418－431.

［85］Zhao X，F(xiàn)ouladirad M，Berenguer C，et al.Condition-based inspection/replacement policies for non-monotone deteriorating systems with environmental covariates ［J］.Reliability Engineering and System Safety， 2010， 95:921－934.

［86］Nakagawa T，Ito K.Optimal maintenance policies for a system with multiechelon risks［J］.IEEE Transactions on Systems， Man， and Cybernetics-Part A:Systems and Humans，2008，38(2):461 －469.

［87］Wang L， Chu J， Mao W. A condition-based orderreplacement policy for a single-unit system ［J］.Applied Mathematical Modelling，2008，32(11):2274－2289.

［88］Wang L，Chu J，Mao W.An optimum condition-based replacement and spare provisioning policy based on Markov chains［J］.Journal of Quality in Maintenance Engineering，2008，14(4):387－401.

［89］Wang L，Chu J，Mao W.A condition-based replacement and spare provisioning policy for deteriorating systems with uncertain deterioration to failure［J］.European Journal of Operational Research，2009，194(1):184－205.

［90］Liao H， Elsayed E A， Chan L Y. Maintenance of continuously monitored degradation systems［J］.European Journal of Operational Research， 2006， 175(2):821－835.

［91］Marseguerra M，Zio E，Podofillini L.Condition-based maintenance optimization by means of genetic algorithms and Monte Carlo simulation［J］.Reliability Engineering and System Safety，2002，77(2):151－166.

［92］Barata J，Soares C G，Marseguerra M，et al.Simulation modeling of repairable multi-component deteriorating systems for on condition'maintenance optimization［J］.Reliability Engineering and System Safety，2002，76(3):255－264.

［93］Makis V，Jiang X.Optimal Replacement under partial observations［J］.Mathematics of Operations Research，2003，28(2):382－294.

［94］Zhou X，Xi L，Lee J，Reliability-centered predictive maintenance scheduling for a continuously monitored system subject to degradation［J］.Reliability Engineering and System Safety，2007，92(4):530－534.

［95］Camci F.System maintenance scheduling with prognostics information using genetic algorithm［J］.IEEE Transactions on Reliability，2009，58(3):539－552.

［96］Yang Z，Djurdjanovic D，Ni J.Maintenance scheduling in manufacturing systems based on predicted machine degradation ［J］.Journal of Intelligent Manufacturing，2008，19(1):87－98.

［97］Christer A H，Wang W，Sharp J M.A state space condition monitoring model for furnace erosion prediction and replacement［J］. European Journal of Operational Research，1997，101(1):1－14.

［98］Pedregal D J，Carnero M C.State space models for condition monitoring:a case study.Reliability Engineering and System Safety，2006，91(2):171－180.

［99］Lu S， Tu Y C， Lu H. Predictive condition-based maintenance for continuously deteriorating systems［J］.Quality and Reliability Engineering International，2007，23(1):71－81.

［100］Kaiser K A， Gebraeel N Z. Predictive maintenance management using sensor-based degradation models［J］.IEEE Transactions on Systems，Man，and Cybernetics-Part A:Systems and Humans，2009，39(4):840 －849.

［101］Wu S J，Gebraeel N Z，Lawley M A，et al.A neural network integrated decision support system for conditionbased optimal predictive maintenance policy［J］.IEEE Transactions on Systems，Man，and Cybernetics-Part A:Systems and Humans，2007，37(2):226 －236.

［102］Kharoufeh J P，Cox S M.Stochastic models for degradationbased reliability ［J］. IIE Transactions， 2005， 37:533－542.

［103］Kharoufeh J P，Solo C J，Ulukus M Y.Semi-Markov models for degradation-based reliability ［J］.IIE Transactions，2010，42:599－612.