本書重點關(guān)注數(shù)據(jù)驅(qū)動的剩余壽命預(yù)測與維護決策技術(shù)，針對復雜裝備的智能運維需求提供了一種較為完整的解決方案。全書共10章：第1章介紹了剩余壽命預(yù)測與維護決策的國內(nèi)外研究現(xiàn)狀和發(fā)展趨勢；第2～4章分別介紹了基于多變量模型、基于相似性模型以及基于隨機過程模型的典型的剩余壽命預(yù)測方法；第5～10章介紹了考慮安全風險規(guī)避、預(yù)測不確定性、維修不確定性以及維修資源約束下的預(yù)測維護方法。本書內(nèi)容由淺入深，語言通俗易懂，注重實踐性，并緊跟領(lǐng)域研究的前沿發(fā)展，為讀者提供既豐富又實用的專業(yè)內(nèi)容。
本書可作為控制科學與工程、工業(yè)工程等學科的師生參考用書，同時對裝備健康管理、安全保障等領(lǐng)域的科研人員及工程技術(shù)人員具有一定的參考價值。

陸寧云，南京航空航天大學教授，先后于1998、2000、2004年在東北大學獲學士、碩士、博士學位，2004年至2005年在香港科技大學化學工程系擔任副研究員，2006年至今任職于南京航空航天大學，曾任自動化學院自動控制系副主任、主任，現(xiàn)任自動化學院副院長。 長期致力于復雜系統(tǒng)智能診斷與預(yù)測運維的理論與應(yīng)用研究，相關(guān)成果應(yīng)用于航空航天、軌道交通、船舶裝備、流程工業(yè)等行業(yè)領(lǐng)域。承擔國家自然科學基金項目4項以及科技部重點研發(fā)項目子課題、工信部**專項課題、江蘇省工業(yè)轉(zhuǎn)型升級重大專項、廣州市產(chǎn)學研轉(zhuǎn)化重大專項、南京“紫金之巔”產(chǎn)業(yè)鏈技術(shù)攻關(guān)揭榜項目等縱向計劃項目6項，完成航空工業(yè)、中國電科、中國船舶等多個國防單位委托的產(chǎn)學研課題12項；出版中英文專著4部、譯著1部，發(fā)表學術(shù)論文160余篇，授權(quán)發(fā)明專利30余項；研究成果獲江蘇省科學技術(shù)一等獎和二等獎各1項、教育部自然科學二等獎1項、廣東省科技進步二等獎1項以及中國自動化學會、中國電子學會、中國機械工業(yè)學會、中國城市軌道交通學會等科研獎勵5項；擔任江蘇省自動化學會副秘書長、中國自動化學會全國技術(shù)過程故障診斷與安全專業(yè)委員會委員等社會兼職以及SCI期刊Sensors編委等學術(shù)兼職。

任何一個工程裝備或工業(yè)系統(tǒng)都無法避免長時間運行所帶來的老化問題。當系統(tǒng)關(guān)鍵部件發(fā)生性能退化時，若未及時發(fā)現(xiàn)并采取恰當?shù)木S護措施，將有可能引發(fā)整個系統(tǒng)的功能失效或任務(wù)中止，嚴重時甚至導致人員傷亡和重大財產(chǎn)損失。以剩余壽命預(yù)測和維護決策優(yōu)化為核心支撐的預(yù)測與健康管理技術(shù)，能夠通過實時狀態(tài)監(jiān)測、異常工況檢測、故障診斷與隔離以及剩余壽命預(yù)測，在故障發(fā)生之前或故障發(fā)生后的早期階段，通過及時恰當?shù)木S護或維修，提高裝備全生命周期的運營安全性、可靠性和經(jīng)濟性。隨著人工智能和新一代信息技術(shù)的發(fā)展，數(shù)據(jù)驅(qū)動的剩余壽命預(yù)測與維護決策成為預(yù)測與健康管理領(lǐng)域的研究熱點，能在難以獲取準確的裝備退化失效機理時，通過挖掘、分析裝備運行的狀態(tài)監(jiān)測數(shù)據(jù)，實現(xiàn)較為準確的剩余壽命預(yù)測和最優(yōu)維護決策。
本書基于南京航空航天大學姜斌教授領(lǐng)銜的“智能診斷與健康管理”科研團隊十余年來的工作積累，結(jié)合國內(nèi)外最新研究成果，較為全面系統(tǒng)地介紹了數(shù)據(jù)驅(qū)動的裝備預(yù)測維護技術(shù)，并通過若干案例對相關(guān)方法和技術(shù)的基本原理及實施過程進行了解釋說明。全書圍繞裝備剩余壽命預(yù)測和維護決策優(yōu)化這兩個密切關(guān)聯(lián)的主題，建立比較完整的內(nèi)容體系；針對理論研究和實踐應(yīng)用中存在的問題，給出了針對性解決方案，并做了案例分析與研究。全書內(nèi)容設(shè)置如圖1所示。
全書由南京航空航天大學的姜斌教授、陸寧云教授，東南大學的呂建華教授，南京工業(yè)大學的陳闖博士和王村松博士，以及上海大學的李洋博士共同編寫完成。編寫過程中得到了德國杜伊斯堡埃森大學的Steven Ding（丁先春）教授、加拿大約克大學的George Zhu（朱正宏）教授、意大利米蘭理工大學的Enrico Zio教授、意大利費拉拉大學的Silvo Simani教授、香港科技大學的Furong Gao（高福榮）教授、東北大學的王福利教授等國內(nèi)外相關(guān)領(lǐng)域著名學者的指導和幫助，特別感謝他們針對本領(lǐng)域的前沿問題與南京航空航天大學團隊開展人才聯(lián)合培養(yǎng)和科研項目合作。
本書的相關(guān)研究工作得到了國家重點研發(fā)計劃項目（2021YFB3301300）、國家自然科學基金（62273176、62203213、62373104）、航空科學基金（62020106003）、航空航天結(jié)構(gòu)力學及控制全國重點實驗室基金（MCMSI0521G02）等的資助，在此表示誠摯感謝。
裝備預(yù)測與健康管理是一個新興的前沿技術(shù)領(lǐng)域，筆者對該領(lǐng)域的認知和積累有限，書中難免存在不足之處，懇請廣大讀者批評指正。

著者

第1章 緒論001
1.1裝備維護保障的必要性和重要性001
1.2剩余壽命預(yù)測與維護決策的相關(guān)概念002
1.3剩余壽命預(yù)測研究現(xiàn)狀與趨勢004
1.4維護決策研究現(xiàn)狀與趨勢009

第2章 基于多變量模型的剩余壽命預(yù)測方法014
2.1概述014
2.2主要思想015
2.3裝備退化特征提取017
2.3.1Spearman相關(guān)性指標018
2.3.2Spearman趨勢性指標018
2.4基于多變量深度森林算法的健康評估模型019
2.4.1基于量子模糊聚類的健康狀態(tài)劃分019
2.4.2基于深度森林算法的離線系統(tǒng)健康狀態(tài)評估021
2.5基于DLSTM的離線退化趨勢預(yù)測建模024
2.5.1LSTM網(wǎng)絡(luò)結(jié)構(gòu)簡介024
2.5.2退化趨勢預(yù)測模型026
2.6基于組合模型的裝備在線剩余壽命預(yù)測方法027
2.6.1剩余壽命在線預(yù)測實施過程027
2.6.2預(yù)測評價標準028
2.7實驗驗證029
2.7.1數(shù)據(jù)來源029
2.7.2退化特征選擇結(jié)果031
2.7.3離線健康狀態(tài)評估建模與在線驗證結(jié)果033
2.7.4離線退化趨勢預(yù)測建模和在線RUL估計037
2.8本章小結(jié)040

第3章 基于相似性模型的剩余壽命預(yù)測方法041
3.1概述041
3.2主要思想042
3.3多變量退化特征提取043
3.3.1基于Relief算法的退化特征篩選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壽命預(yù)測046
3.4.1基于時間序列片段時延的相似性評估046
3.4.2基于KDE密度加權(quán)的模型綜合048
3.5實驗驗證049
3.5.1預(yù)測性能指標050
3.5.2相似性評估與參數(shù)選擇053
3.6本章小結(jié)056

第4章 基于隨機過程模型的剩余壽命預(yù)測方法057
4.1概述057
4.2主要思想057
4.3基于加速退化試驗的混合退化過程建模058
4.4混合退化過程的壽命分布059
4.5混合退化過程的未知參數(shù)估計060
4.5.1動態(tài)權(quán)重估計060
4.5.2使用M-H方法的混合過程未知參數(shù)估計062
4.6實驗驗證063
4.6.1參數(shù)估計063
4.6.2正常應(yīng)力水平下的可靠性分析066
4.6.3混合退化模型與傳統(tǒng)模型的比較068
4.7本章小結(jié)069

第5章 帶有風險規(guī)避自適應(yīng)的預(yù)測維護方法070
5.1概述070
5.2主要思想070
5.3剩余壽命預(yù)測建模071
5.3.1SVR的基本理論071
5.3.2退化特征與剩余壽命之間關(guān)系建模072
5.4規(guī)避風險的預(yù)測維護策略制定073
5.4.1風險規(guī)避函數(shù)設(shè)計073
5.4.2在線剩余壽命預(yù)測076
5.4.3維護策略制定與成本計算077
5.5實驗驗證078
5.5.1單一預(yù)測模型的剩余壽命預(yù)測結(jié)果078
5.5.2規(guī)避風險剩余壽命預(yù)測結(jié)果與分析078
5.5.3預(yù)測維護規(guī)劃結(jié)果與分析080
5.6本章小結(jié)082

第6章 基于剩余壽命預(yù)測區(qū)間的預(yù)測維護方法084
6.1概述084
6.2主要思想084
6.3剩余壽命預(yù)測區(qū)間估計086
6.3.1健康狀態(tài)劃分086
6.3.2剩余壽命預(yù)測邊界確定088
6.3.3在線剩余壽命預(yù)測區(qū)間估計090
6.4最優(yōu)維護決策091
6.4.1剩余壽命分布構(gòu)建091
6.4.2維護成本率函數(shù)形成與優(yōu)化092
6.4.3預(yù)測維護實施過程094
6.5實驗驗證094
6.5.1預(yù)測區(qū)間評估標準094
6.5.2預(yù)測區(qū)間估計實驗結(jié)果與分析095
6.5.3維護決策實驗結(jié)果與分析101
6.6本章小結(jié)103

第7章 基于失效概率估計的預(yù)測維護方法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預(yù)測107
7.3.1退化趨勢預(yù)測107
7.3.2未來不同時間窗口的失效概率估計108
7.4兩種期望維護成本博弈下的維護決策110
7.4.1維護成本計算110
7.4.2基于成本評估的維護時間的確定110
7.4.3維護成本率計算111
7.5實驗驗證112
7.5.1離線預(yù)測建模結(jié)果112
7.5.2在線維護規(guī)劃結(jié)果113
7.5.3維護策略性能分析116
7.6本章小結(jié)117

第8章 考慮備件管理約束的預(yù)測維護方法118
8.1概述118
8.2主要思想118
8.3基于深度學習集成的系統(tǒng)健康預(yù)測119
8.3.1兩種深度學習算法集成119
8.3.2裝備健康預(yù)測實現(xiàn)過程121
8.4基于預(yù)測信息的維護和庫存決策規(guī)則122
8.4.1維護決策規(guī)則122
8.4.2庫存決策規(guī)則123
8.4.3預(yù)測維護實施過程123
8.5實驗驗證124
8.5.1預(yù)測精度討論125
8.5.2動態(tài)預(yù)測維護決策結(jié)果與分析130
8.6本章小結(jié)133

第9章 基于失效時刻概率密度預(yù)測的預(yù)測維護方法134
9.1概述134
9.2主要思想134
9.3失效時刻概率密度預(yù)測135
9.3.1基于深度學習分位數(shù)回歸的剩余壽命預(yù)測135
9.3.2基于核密度估計的失效時刻分布計算136
9.4基于預(yù)測信息的維護和庫存策略137
9.4.1維護策略137
9.4.2庫存策略138
9.5實驗驗證139
9.5.1DAE-LSTMQR模型的參數(shù)配置139
9.5.2失效時刻概率密度預(yù)測結(jié)果140
9.5.3維護和庫存決策結(jié)果142
9.6本章小結(jié)144

第10章 面向非定期不可靠檢查的預(yù)測維護方法145
10.1概述145
10.2主要思想146
10.3維護策略的框架：描述和分析147
10.3.1維護描述147
10.3.2退化過程建模149
10.3.3維護成本函數(shù)149
10.4維護狀態(tài)演化與維護周期計算150
10.4.1基于半再生過程的長期成本率計算150
10.4.2半再生過程中不可靠檢查的影響151
10.5維護優(yōu)化和參數(shù)更新153
10.5.1決策變量的確定153
10.5.2退化參數(shù)更新154
10.6實驗驗證155
10.6.1完美檢查下的維護策略分析156
10.6.2不可靠檢查下的維護策略分析158
10.6.3與定期可靠檢查下的維護策略比較160
10.7本章小結(jié)161

參考文獻162