有限时间内视情维修决策费用的分布函数估计及其应用

Because of the wide application of sensors in modern industrial systems, the data-driven failure prognosis and corresponding condition-based maintenance attract more and more attention in the field of reliability engineering. This project aims at accurately evaluating and optimizing condition-based maintenance operations based on its finite-time cost, such that the operation cost in real industrial systems can be reduced. Previous research paid much attention to the asymptotic cost rate in the infinite-time span, whilst few researchers considered the basic properties of the finite-time cost for a maintenance policy (e.g., the probability distribution). This project is driven by the initial idea to achieve optimal decisions from inspection data and the preliminary work of the applicant on residual useful life estimation, and it concentrates on the following key topics: 1)stochastic degradation modelling and residual useful lifetime estimation;2)finite-time cost distribution evaluation of various maintenance policies based on the delay time model;3) evaluation and optimization of the condition-based maintenance policies based on finite-time cost using the stochastic degradation model.

随着现代工业系统中大范围的传感器应用，基于观测数据的故障预报与相应的视情维修决策在可靠性研究中得到越来越多的关注。本研究拟基于有限时间内的费用的分布函数来评估及优化拟采取的视情维修决策，从而减少其应用到实际工业系统中所产生的运营成本。在过往的研究中，维修策略的费用估计通常考虑在无限时间域内的渐近费用率，而对有限时间内的费用这一随机变量的基本性质较少研究（例如其概率分布函数）。本项目基于从监测数据到最优决策的思想和申请人在剩余寿命估计上的研究积累，主要解决如下关键问题：1）随机退化过程建模及剩余可用寿命估计；2）有限时间内的基于延迟时间模型的多种维修决策费用分布函数的估计；3）有限时间内基于随机退化过程的视情维修决策费用的评估及优化。

本项目针对数据驱动的维修决策这一应用场景，从数据驱动的剩余寿命预测、基于延迟时间模型的维修决策评估、视情维修决策评估与优化三个方面开展研究，以最终实现生产过程中运维成本的优化。在项目计划书的基础上深化研究了数据退化特征的提取，实现了数据驱动的寿命预测, 构建了基于深度学习与隐随机过程混合建模的寿命预测新框架，以利用深度学习的特征提取能力与随机模型的不确定性建模能力。针对维修决策评估，在延迟时间模型的基础上分析费用分布函数，提出了一个利用积分方程计算延迟时间模型下费用分布函数的新方法，提供了有限时间内维修成本定量分析的基础。针对高维观测数据如何设计决策策略并实现决策优化，提出了预测-决策联合优化的新思路，可通过损失函数调整预测的黑箱输出使其尽量避免经验性决策错误。在本项目资助下，项目组在Reliability Engineering and System Safety, IEEE IoT Journal，ICASSP, APARMS等期刊会议发表论文6篇。课题负责人受项目部分资助对荷兰艾因霍芬理工大学进行了一年访问，与领域内知名学者Alessandro Di Bucchinico、Mykola Pechenizkiy教授建立了良好合作关系。访问期间参与欧盟地平线2020项目，与飞利浦、捷豹路虎等公司合作研发工业4.0下的预测性维修解决方案。