本書重點關注數據驅動的剩余壽命預測與維護決策技術，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測與維護決策的國內外研究現狀和發展趨勢；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測方法；第5～10章介紹了考慮安全風險規避、預測不確定性、維修不確定性以及維修資源約束下的預測維護方法。本書內容由淺入深，語言通俗易懂，注重實踐性，并緊跟領域研究的前沿發展，為讀者提供既豐富又實用的專業內容。
本書可作為控制科學與工程、工業工程等學科的師生參考用書，同時對裝備健康管理、安全保障等領域的科研人員及工程技術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，現任自動化學院副院長。 長期致力于復雜系統智能診斷與預測運維的理論與應用研究，相關成果應用于航空航天、軌道交通、船舶裝備、流程工業等行業領域。承擔國家自然科學基金項目4項以及科技部重點研發項目子課題、工信部**專項課題、江蘇省工業轉型升級重大專項、廣州市產學研轉化重大專項、南京“紫金之巔”產業鏈技術攻關揭榜項目等縱向計劃項目6項，完成航空工業、中國電科、中國船舶等多個國防單位委托的產學研課題12項；出版中英文專著4部、譯著1部，發表學術論文160余篇，授權發明專利30余項；研究成果獲江蘇省科學技術一等獎和二等獎各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過程故障診斷與安全專業委員會委員等社會兼職以及SCI期刊Sensors編委等學術兼職。

任何一個工程裝備或工業系統都無法避免長時間運行所帶來的老化問題。當系統關鍵部件發生性能退化時，若未及時發現并采取恰當的維護措施，將有可能引發整個系統的功能失效或任務中止，嚴重時甚至導致人員傷亡和重大財產損失。以剩余壽命預測和維護決策優化為核心支撐的預測與健康管理技術，能夠通過實時狀態監測、異常工況檢測、故障診斷與隔離以及剩余壽命預測，在故障發生之前或故障發生后的早期階段，通過及時恰當的維護或維修，提高裝備全生命周期的運營安全性、可靠性和經濟性。隨著人工智能和新一代信息技術的發展，數據驅動的剩余壽命預測與維護決策成為預測與健康管理領域的研究熱點，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監測數據，實現較為準確的剩余壽命預測和最優維護決策。
本書基于南京航空航天大學姜斌教授領銜的“智能診斷與健康管理”科研團隊十余年來的工作積累，結合國內外最新研究成果，較為全面系統地介紹了數據驅動的裝備預測維護技術，并通過若干案例對相關方法和技術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測和維護決策優化這兩個密切關聯的主題，建立比較完整的內容體系；針對理論研究和實踐應用中存在的問題，給出了針對性解決方案，并做了案例分析與研究。全書內容設置如圖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外相關領域著名學者的指導和幫助，特別感謝他們針對本領域的前沿問題與南京航空航天大學團隊開展人才聯合培養和科研項目合作。
本書的相關研究工作得到了國家重點研發計劃項目（2021YFB3301300）、國家自然科學基金（62273176、62203213、62373104）、航空科學基金（62020106003）、航空航天結構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。
裝備預測與健康管理是一個新興的前沿技術領域，筆者對該領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剩余壽命預測與維護決策的相關概念002
1.3剩余壽命預測研究現狀與趨勢004
1.4維護決策研究現狀與趨勢009

第2章 基于多變量模型的剩余壽命預測方法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劃分019
2.4.2基于深度森林算法的離線系統健康狀態評估021
2.5基于DLSTM的離線退化趨勢預測建模024
2.5.1LSTM網絡結構簡介024
2.5.2退化趨勢預測模型026
2.6基于組合模型的裝備在線剩余壽命預測方法027
2.6.1剩余壽命在線預測實施過程027
2.6.2預測評價標準028
2.7實驗驗證029
2.7.1數據來源029
2.7.2退化特征選擇結果031
2.7.3離線健康狀態評估建模與在線驗證結果033
2.7.4離線退化趨勢預測建模和在線RUL估計037
2.8本章小結040

第3章 基于相似性模型的剩余壽命預測方法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密度加權的模型綜合048
3.5實驗驗證049
3.5.1預測性能指標050
3.5.2相似性評估與參數選擇053
3.6本章小結056

第4章 基于隨機過程模型的剩余壽命預測方法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估計060
4.5.1動態權重估計060
4.5.2使用M-H方法的混合過程未知參數估計062
4.6實驗驗證063
4.6.1參數估計063
4.6.2正常應力水平下的可靠性分析066
4.6.3混合退化模型與傳統模型的比較068
4.7本章小結069

第5章 帶有風險規避自適應的預測維護方法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系建模072
5.4規避風險的預測維護策略制定073
5.4.1風險規避函數設計073
5.4.2在線剩余壽命預測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單一預測模型的剩余壽命預測結果078
5.5.2規避風險剩余壽命預測結果與分析078
5.5.3預測維護規劃結果與分析080
5.6本章小結082

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

第7章 基于失效概率估計的預測維護方法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測107
7.3.1退化趨勢預測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離線預測建模結果112
7.5.2在線維護規劃結果113
7.5.3維護策略性能分析116
7.6本章小結117

第8章 考慮備件管理約束的預測維護方法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健康預測119
8.3.1兩種深度學習算法集成119
8.3.2裝備健康預測實現過程121
8.4基于預測信息的維護和庫存決策規則122
8.4.1維護決策規則122
8.4.2庫存決策規則123
8.4.3預測維護實施過程123
8.5實驗驗證124
8.5.1預測精度討論125
8.5.2動態預測維護決策結果與分析130
8.6本章小結133

第9章 基于失效時刻概率密度預測的預測維護方法134
9.1概述134
9.2主要思想134
9.3失效時刻概率密度預測135
9.3.1基于深度學習分位數回歸的剩余壽命預測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模型的參數配置139
9.5.2失效時刻概率密度預測結果140
9.5.3維護和庫存決策結果142
9.6本章小結144

第10章 面向非定期不可靠檢查的預測維護方法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149
10.4維護狀態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維護優化和參數更新153
10.5.1決策變量的確定153
10.5.2退化參數更新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161

參考文獻162