1.2 设备健康预测方法的研究及进展
近些年来，随着人们安全意识的提高，设备的健康预测理论得到了国内外科研机构和工业界的广泛研究，各种不同的模型、新算法和新技术被提出并引入机械设备健康预测的研究之中。立足现有的研究成果，可以将机械设备健康预测方法归纳为三类：基于物理模型的健康预测、基于知识的健康预测、基于数据的健康预测。
1.2.1 基于物理模型的方法
基于模型的健康预测方法通常是采用数学模型去描述那些会直接或间接影响机械设备健康状态的物理过程。应用基于物理模型的健康预测方法的前提条件是已知对象设备的数学模型，这些模型通常由相关领域的专家提出，并且需要运用大量的数据对其进行验证。
Oppenheimer和Loparo提出了一种基于物理模型的诊断和预测方法，并结合了基于裂缝变化规律的故障强度模型的基础上，可用于预测设备的剩余有效寿命[12]。Liang等人在分析了系统产生的振动信号以及设备故障的产生机理的基础上，建立了相应的模型对系统的可观测变量与特征变量之间关系进行描述，通过递推最小二乘算法调整模型的参数，从而对系统未来某个时刻的故障特征的变化情况进行预测[13]。刘兰英和许亮提出一种将信息物理融合系统和感知控制论相结合的PC-CPS模型，该系统模型具有实时监测、故障诊断和故障预测等功能[14]。Li等学者采用非线性递推最小二乘法，通过分析疲劳裂纹拓展模型和诊断模型间的映射关系，预测滚动轴承的裂纹尺寸[15]。Luo等学者也建立了一种集成性的基于物理模型的预测方法，建模的基础是设备在正常状态和衰退状态下的大量仿真数据收集[16]。Kacprzynski等人将物理失效模型和相关的诊断信息相融合，建立一个可对直升机上齿轮的健康状态进行预测的模型[17]。Cai等人提出了一种基于物理模型的线性分布参数方法对传感器的故障进行诊断评估[18]。Liu等人提出了一个数据驱动的动态分层贝叶斯退化模型，利用物理有限元模型和贝叶斯框架处理结构损伤增长预测[19]。
基于物理模型的健康预测方法具有深入对象系统本质的性质和实时寿命预测的优点。并且，对象系统的故障特征通常与模型参数紧密联系，随着对设备故障演化机理理解的逐步深入，模型可以逐渐修正以提高其预测精度。但是在实际工程应用中，建立模型的花费却非常昂贵；另外模型的针对性较强，有的模型只能运用于特定的设备，在经济适用性方面存在局限。此外，当面对复杂的设备时，很难建立起数学模型。因此基于物理模型的健康预测方法在实际运用中受到一定的限制。
1.2.2 基于知识驱动的方法
基于知识的健康预测方法，即在已构建起来的知识库基础上，通过运用科学有效的推理技术和方法，对设备的剩余寿命进行预测。与其他方法相比，这类方法不需要模型，当精确的数学模型难以获得时，常采用该方法。主要方法包括专家系统和模糊逻辑。专家系统在诸多领域都有应用，并且在实际应用过程中取得了巨大的成果，该方法主要包含知识获取、知识表达以及模型确立三大方面的内容。模糊模型能在不明确、不准确、噪声以及信息遗漏的情况下，提供一种简单的方法对信息进行定义，并得到问题的解决方法。模糊逻辑能表达出定性知识与经验，利用隶属度函数，处理模糊集合和模糊关系，解决不确定性问题。
1989年Lembessis建立了一个实时专家系统对故障进行诊断，该系统可以实现对工业设备的健康状态连续地监测[20]。随后，Butler设计出一个用于故障的探测和预测性维护（failure detection and predictive maintenance, FDPM）的专家系统框架，在该系统中，有无数个与专家系统相关的组件与数据库，并且在该系统中很好地运用了数学模型和神经网络模型[21]。Biagetti和Sciubba建立了集成健康预测和智能检测的专家系统，通过对严重故障类型生成实时健康信息，从而预测未来潜在的故障和失效，并对预防和控制健康劣化提出解决方案[22]。Sikora针对采矿设备的微弱振动故障进行了推理机制归纳，建立了专用算法以获取分类规则，并利用基于规则的过滤机进行设备健康预测[23]。南京工业大学的杨慧勇、殷晨波等将模糊理论引入对超龄塔机剩余寿命的综合评判，建立了二级评判模型[24]。杨东升等人针对电能表自动检定流水线故障特点，构建了以模糊推理为基础的故障诊断专家系统，该专家系统在一定程度上弥补了运维人员经验的不足，提高了生产效率[25]。司景萍等人以某型号发动机为研究对象，运用测试技术、信号处理、小波分析、神经网络和模糊控制理论，提出了基于模糊神经网络的智能故障诊断系统[26]。秦俊奇等人介绍了一种基于动态模糊评判与专家系统推理相结合的设备健康预测方法，并且将该方法应用于火炮故障预测的实例中[27]。
基于知识的健康预测方法的技术优势在于借助领域专家丰富的知识和经验，可以获得准确的领域规则或启发式规则，提高设备健康预测的准确性。但是，基于知识的方法在获得领域知识并将其转化为规则时常常会遇到困难，系统模型容易受到人类专家知识的限制，模糊逻辑需要与其他方法结合才可用于预测，模糊规则不容易设定，缺乏学习能力且没有记忆能力。
1.2.3 基于数据驱动的方法
基于数据的健康预测方法是通过运用数理统计以及数据挖掘等方法，分析设备劣化的内在规律，在获得的大量实际数据基础上合理预测设备未来的劣化趋势。在对实际生产中的机械设备进行健康预测时，一方面可能无法对复杂的系统建立精确模型，另一方面该领域内专家的知识以及经验难以获取与表达。基于数据的健康预测方法可以在收集到的设备健康状态数据基础上，对数据中的趋势规律进行挖掘，该方法主要分为以下三类。
1）灰色模型
灰色系统理论是由中国学者邓聚龙教授在1982年首先提出来的一种理论方法。灰色模型是通过少量的、不完全的信息，建立灰色微分预测模型，对事物发展规律做出模糊性的长期描述。灰色理论预测方法已被验证具有小样本、贫信息环境下的预测建模优势，适用于机械设备健康的中短期预测。
Sheu和Kuo利用灰色理论和演化分析建立了一个健康状态预测模型，用来预知不同生产设备的维护时机，以降低维护对生产作业的负面影响[28]。Wang等学者创新提出一种灰色预测与马尔可夫预测交互优化的灰色马尔可夫模型[29]。徐文等人在传统灰色预测模型的基础上，将背景值优化和新陈代谢模型相结合，构造出改进灰色模型GM（1，1，P），并将其应用于数控机床的故障预测[30]。王开军和林品乐针对故障预测具有不确定性的问题，提出将模糊数学中的直觉模糊集和灰色模型相结合的故障预测新方法，并通过实验验证了该方法的可行性，可及时准确地预测出系统故障[31]。郭宇和杨育为更有效地预测设备故障，提出一种基于灰色粗糙集与BP神经网络的设备故障预测模型，并以地铁信号设备故障预测为例进行实例验证，结果表明该模型预测误差更小，预测准确率更高[32]。
2）人工神经网络技术
人工神经网络技术是一个由输入层、隐藏层以及输出层组成的数据处理系统，每一层由一定数量的“神经元”类似处理单元构成，这些单元通过数字化的权重彼此连接相互作用。基于神经网络的方法最主要的优点体现在能够提高数据处理速度以及降低系统的复杂性，因此在预测领域得到了广泛的运用。
Zhang和Ganesan利用自组织神经网络进行故障发展的多变量趋势跟踪，从而对轴承系统的剩余寿命进行预测[33]。Byington运用神经网络理论对飞机制动器组件的有效剩余寿命评估问题进行研究[34]。此外，学者们在运用神经网络对设备故障进行预测时，还将此技术与其他技术进行结合，因此出现了如小波神经网络、模糊神经网络等多种形式的神经网络结构。这些特殊形式的神经网络一方面发扬了传统神经网络技术的优势，另一方面也克服了传统方法中存在的不足，从而在健康预测中获得了很好的效果。Wang等人在利用传感器对设备进行检测的基础上，根据获得的数据，运用动态小波神经网络，建立了针对对象系统故障特征随时间演变的模型，进而对设备的剩余寿命进行预测[35]。Gebraeel等人提出了两类基于神经网络的剩余寿命预测方法，通过案例分析可知这两种方法可以获得较高的预测精度[36]。Kiakojoori等人研究了飞机燃气轮发动机的健康监测与预测问题，并设计了两种不同的动态神经网络[37]。
3）隐马尔可夫模型（HMM）和隐半马尔可夫模型（HSMM）
作为随机过程的一种重要形式，隐马尔可夫模型一开始被广泛运用于语音信号处理上，HMM具有丰富的数学结构和坚实的理论基础，另外相比于纯粹的黑盒子建模方法而言，HMM更容易对模型进行解释。
学者Bunks率先指出，可以在机械设备的预测领域中运用HMM[38]。Baruah和Chinnam使用基于HMM的方法来执行诊断和预测，HMM被用来对传感器信号建模，判定出系统所处状态，对有效剩余寿命进行评估[39][40]。Liao等人提出了一种基于模拟退火算法和期望最大化算法的隐马尔可夫模型来用于设备故障预测，提出的算法具有较强的全局收敛性并且优化了参数估计过程[41]。Du等人利用HMM对润滑油的剩余寿命进行预测，并采用期望最大化算法对参数进行估计[42]。
由于HMM存在着无法对状态持续时间进行描述的缺陷，HSMM在HMM基础上添加了一个时间组件，该模型可以描述出状态持续时间的概率问题。从本质上而言，HSMM是将一个描述清晰的状态持续时间概率函数添加到HMM中，但是添加函数后的模型不再遵循严格的马尔可夫过程。Dong和He在HMM的基础上提出了隐半马尔可夫预测方法，搭建了一个集成框架多传感器的收集的信号进行融合，显著提高了健康预测的准确性[43][44][45]。Khaleghei和Makis考虑了一个随机失效的部分观测系统，利用HSMM对系统的状态进行建模，并假设状态的逗留时间服从爱尔朗分布[46]。另外，对于多传感器的信息处理，Liu等人提出了自适应隐半马尔可夫模型（AHSMM）的设备健康诊断和预测方法，采用失效率方法对剩余有效寿命进行了预测[47]。Wang等人针对设备运行状态识别与故障预测问题，提出一种基于时变转移概率的隐半Markov模型，并通过滚动轴承的实验证明了提出的方法比传统方法更为有效[48]。
基于数据驱动的预测方法不依赖任何物理或工程原理，是该方法最大的优势。但在使用该方法时，需要对设备运行过程中的特征数据进行采集和存储，在实际中，设备的历史故障数据可能较稀缺，同时预测结果依赖于数据的可用性。
另外，健康预测领域数据不确定性问题的研究在国内外也早已开展。Bo-Suk和Kwang介绍了Dempster Shafer理论在韩国感应电动机故障诊断中的应用，通过将振动和电流分类器分类结果融合来提高诊断的准确性[49]。Fang等人针对退化信号不完全问题提出了一个半参数方法来预测部分退化系统的剩余寿命，首先利用函数主成分分析法确定历史数据中的主要信号特征，然后使用自适应函数回归模型模拟截取信号特征与失效时间之间的关系[50]。Si等人提出了一种基于Wiener过程的退化建模方法，该方法同时考虑系统的随机退化和不确定测量，并采用卡尔曼滤波技术实现潜在退化状态的估计[51]。郑建飞和胡昌华等人针对工程实际中大量存在的非线性随机性退化系统，同时考虑了不确定测量和个体差异的剩余寿命估计[52]。杨森等人将灰色理论和人工神经网络算法相结合，提出一种基于改进灰色神经网络的故障预测模型[53]。张阳等人提出基于DS证据理论的电网故障诊断方法来解决由于不知道所引起的不确定性，并利用一个算例测试验证了该方法能够有效地识别故障元件[54]。