劉家赫，胡彭煒，程海龍

（中國(guó)航天標(biāo)準(zhǔn)化研究所，北京 100071）

0 引 言

復(fù)雜系統(tǒng)維修保障的根本任務(wù)是通過(guò)保障系統(tǒng)的運(yùn)行，使系統(tǒng)保持和恢復(fù)系統(tǒng)戰(zhàn)斗力。隨著高新技術(shù)的不斷應(yīng)用，復(fù)雜系統(tǒng)作為高新武器系統(tǒng)的典型代表，經(jīng)歷的任務(wù)剖面和環(huán)境載荷越來(lái)越多樣，其故障機(jī)理也越來(lái)越具有耦合交聯(lián)性，做出科學(xué)合理的維修決策面臨著巨大挑戰(zhàn)。傳統(tǒng)的維修決策方案多數(shù)依賴(lài)經(jīng)驗(yàn)和專(zhuān)家的定性判斷，缺乏對(duì)典型和特定作戰(zhàn)任務(wù)響應(yīng)的維修規(guī)劃定量化考慮，往往給復(fù)雜系統(tǒng)帶來(lái)故障難以定位、維修過(guò)量或出現(xiàn)備品備件配置不合理、資源調(diào)度不及時(shí)、維修效率低等問(wèn)題，給復(fù)雜系統(tǒng)保障和作戰(zhàn)運(yùn)用帶來(lái)極大阻礙。如何以最快的響應(yīng)、最小的投入獲得最好的維修效果，以及時(shí)、合理、有效的維修工作達(dá)到和維持復(fù)雜系統(tǒng)的戰(zhàn)備完好性水平，保持系統(tǒng)的持續(xù)作戰(zhàn)能力是各方關(guān)注的焦點(diǎn)。

當(dāng)前，復(fù)雜系統(tǒng)維修保障方法正融入新的理念，預(yù) 測(cè) 與 健 康 管 理（prognostics health management，PHM）［1-3］、視 情 維 修（condition-based maintenance，CBM）［4-5］等技術(shù)應(yīng)運(yùn)而生，并發(fā)展成為復(fù)雜系統(tǒng)視情維修保障的重要技術(shù)基礎(chǔ)［6］。本文以復(fù)雜系統(tǒng)為技術(shù)應(yīng)用背景，首先梳理了復(fù)雜系統(tǒng)視情維修決策流程；然后以復(fù)雜系統(tǒng)性能退化數(shù)據(jù)為基礎(chǔ)，開(kāi)展了基于趨勢(shì)濾波的故障預(yù)警模型研究，以實(shí)現(xiàn)系統(tǒng)故障早期預(yù)警并采取相應(yīng)的預(yù)防性維修［7］手段，同時(shí)考慮部件預(yù)防性維修達(dá)到一定次數(shù)后，開(kāi)展了基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型研究，以實(shí)現(xiàn)故障診斷及原因分析并采取相應(yīng)的修復(fù)性維修［8］決策；最后構(gòu)建了基于性能退化的復(fù)雜系統(tǒng)視情維修決策技術(shù)架構(gòu)，從故障早期預(yù)警、故障診斷、維修決策等方面綜合分析，對(duì)復(fù)雜系統(tǒng)維修保障能力和作戰(zhàn)能力的提升具有重要意義。

1 復(fù)雜系統(tǒng)視情維修決策流程

復(fù)雜系統(tǒng)采用先進(jìn)的PHM 技術(shù)進(jìn)行視情維修，能夠?qū)崟r(shí)、智能地對(duì)復(fù)雜系統(tǒng)進(jìn)行維修保障。由于采用視情維修的復(fù)雜系統(tǒng)能夠自動(dòng)做出決策并自動(dòng)完成大部分診斷工作，所以維修人員僅負(fù)責(zé)完成最后的部件拆卸、更換等簡(jiǎn)單的維修工作，從而最大程度地減少了不正確維修活動(dòng)，并降低了保障響應(yīng)要求、提高了系統(tǒng)維修保障能力和維修質(zhì)量。

在視情維修理論中，對(duì)于某部件存在潛在失效閾值Lp為變量，功能失效閾值L為定量，有0

在實(shí)踐中，系統(tǒng)部件受到自然老化與維修技術(shù)的影響，一般情況下不能保證維修如新，會(huì)存在不完美維修的情況。在將預(yù)防性維修看作是不完美維修的條件下，本文認(rèn)為維修后系統(tǒng)部件存在剩余損傷，具體表現(xiàn)如下。

1）經(jīng)過(guò)預(yù)防性維修后，部件仍具有退化累積量，且剩余損傷與維修前退化累積量成正比。

2）系統(tǒng)部件進(jìn)行預(yù)防性維修的次數(shù)到達(dá)N次后，當(dāng)下一次退化累積量Xt超過(guò)潛在失效閾值Lp時(shí)，系統(tǒng)部件進(jìn)行修復(fù)性維修，維修時(shí)間為tf。修復(fù)性維修為直接更換部件，認(rèn)為修復(fù)如新。系統(tǒng)的視情維修策略見(jiàn)圖1。

圖1 系統(tǒng)視情維修策略［9］Fig.1 The CBM strategy of system［9］

綜上所述，復(fù)雜系統(tǒng)視情維修決策流程如圖2 所示。通過(guò)采集到的實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)提取系統(tǒng)部件的性能退化趨勢(shì)，初始時(shí)刻i=1，當(dāng)性能退化數(shù)據(jù)超過(guò)潛在失效閾值時(shí)進(jìn)行第i次預(yù)防性維修，通過(guò)故障早期預(yù)警模型（見(jiàn)第2 章）及時(shí)捕捉早期故障發(fā)生時(shí)刻，適時(shí)進(jìn)行備品備件配置準(zhǔn)備及資源調(diào)度規(guī)劃等一系列預(yù)防性維修準(zhǔn)備動(dòng)作，支撐復(fù)雜系統(tǒng)預(yù)防性維修。由于故障初發(fā)時(shí)刻后，故障仍然會(huì)繼續(xù)發(fā)展，認(rèn)為經(jīng)過(guò)N次預(yù)防性維修后，系統(tǒng)部件退化已經(jīng)累積到一定程度，需要針對(duì)系統(tǒng)加強(qiáng)重點(diǎn)監(jiān)測(cè)，等到下一次在線(xiàn)監(jiān)測(cè)的性能退化數(shù)據(jù)超過(guò)潛在失效閾值時(shí)，通過(guò)故障診斷模型（見(jiàn)第3 章）識(shí)別系統(tǒng)故障模式，分析故障類(lèi)型及故障原因，進(jìn)行故障隔離定位并指導(dǎo)復(fù)雜系統(tǒng)修復(fù)性維修。

圖2 復(fù)雜系統(tǒng)視情維修決策流程Fig.2 The CBM decision process of complex system

2 基于趨勢(shì)濾波的故障早期預(yù)警模型研究

為實(shí)現(xiàn)獲取基于部件的性能退化趨勢(shì)捕捉系統(tǒng)早期故障發(fā)生時(shí)刻，支撐預(yù)防性維修決策，本文提出了一種基于l1趨勢(shì)濾波的故障早期預(yù)警模型，具體技術(shù)及模型流程如下。

2.1 l1趨勢(shì)濾波技術(shù)

l1趨勢(shì)濾波方法原理與最小絕對(duì)收縮和選擇算法（least absolute shrinkage and selection operator，LASSO）回歸相似，通過(guò)l1范數(shù)處理將二次差分項(xiàng)縮減到0，由此獲取分段線(xiàn)性有折點(diǎn)的趨勢(shì)項(xiàng)。因此，l1趨勢(shì)濾波對(duì)分段線(xiàn)性的時(shí)間序列曲線(xiàn)進(jìn)行趨勢(shì)估計(jì)十分適用［10］。在工程實(shí)際中，當(dāng)監(jiān)測(cè)信號(hào)趨勢(shì)的斜率發(fā)生變化時(shí)，往往代表設(shè)備出現(xiàn)了故障，利用l1趨勢(shì)濾波就可以發(fā)現(xiàn)監(jiān)測(cè)信號(hào)趨勢(shì)曲線(xiàn)的斜率變化，及早準(zhǔn)確地定位系統(tǒng)早期故障發(fā)生時(shí)間點(diǎn)。

假設(shè)標(biāo)準(zhǔn)時(shí)間序列yi(i=1，…，n)是由基本趨勢(shì)xi和隨機(jī)變量zi構(gòu)成，那么趨勢(shì)濾波的目的就是估計(jì)出標(biāo)準(zhǔn)時(shí)間序列的基本趨勢(shì)xi，或者估計(jì)出標(biāo)準(zhǔn)時(shí)間序列的隨機(jī)變量zi=yi-xi的過(guò)程。

l1趨勢(shì)濾波是通過(guò)最小化加權(quán)目標(biāo)函數(shù)實(shí)現(xiàn)的，加權(quán)目標(biāo)函數(shù)式為

λ是一個(gè)非負(fù)參數(shù)來(lái)控制趨勢(shì)線(xiàn)的平滑性和平衡余項(xiàng)的大小，控制估計(jì)的趨勢(shì)和信號(hào)冗余之間的平衡。對(duì)x而言，由于加權(quán)目標(biāo)函數(shù)是凸函數(shù)，最小值xl1具有唯一性，則xl1就代表了濾波后的趨勢(shì)。

2.2 基于l1趨勢(shì)濾波的故障早期預(yù)警模型

本文在l1趨勢(shì)濾波技術(shù)的基礎(chǔ)上，提出一種基于l1趨勢(shì)濾波的故障預(yù)警模型，如圖3所示。常規(guī)固定閾值線(xiàn)故障分級(jí)報(bào)警方式存在報(bào)警不及時(shí)和反復(fù)穿越報(bào)警線(xiàn)的問(wèn)題，而且難以追蹤系統(tǒng)正常工作狀態(tài)的退化趨勢(shì)及發(fā)展［11］。在工程應(yīng)用中，復(fù)雜系統(tǒng)部件采集到的監(jiān)測(cè)數(shù)據(jù)往往是不連續(xù)的散點(diǎn)數(shù)值，數(shù)值的升高或降低往往是不連續(xù)的，曲線(xiàn)成階梯或跳動(dòng)折線(xiàn)狀。當(dāng)經(jīng)過(guò)l1趨勢(shì)濾波處理后的監(jiān)測(cè)數(shù)據(jù)曲線(xiàn)斜率發(fā)生變化時(shí)，往往說(shuō)明此刻系統(tǒng)部件已經(jīng)發(fā)生了異常故障。

圖3 基于l1趨勢(shì)濾波的故障早期預(yù)警模型流程圖Fig.3 The flow chart of the early fault warning model based on l1 trend filtering

本文提出的方法根據(jù)復(fù)雜系統(tǒng)實(shí)際監(jiān)測(cè)數(shù)據(jù)變化，將連續(xù)q組數(shù)據(jù)組成數(shù)據(jù)窗口，設(shè)置窗口滑動(dòng)步長(zhǎng)n，s表示窗口中各組數(shù)據(jù)的斜率，即窗口每滑動(dòng)一次，窗口內(nèi)前n組數(shù)據(jù)刪除，在窗口后接入新來(lái)的n組數(shù)構(gòu)成新的數(shù)據(jù)窗口，實(shí)現(xiàn)數(shù)據(jù)實(shí)時(shí)計(jì)算。本方法判斷早期故障發(fā)生時(shí)刻通過(guò)l1趨勢(shì)濾波技術(shù)提取窗口數(shù)據(jù)真實(shí)退化趨勢(shì)，捕捉趨勢(shì)濾波后監(jiān)測(cè)數(shù)據(jù)曲線(xiàn)初始斜率變化，即當(dāng)窗口內(nèi)最后一組數(shù)據(jù)斜率絕對(duì)值超過(guò)m倍于窗口內(nèi)所有點(diǎn)處斜率絕對(duì)值的平均值時(shí)，認(rèn)為此時(shí)發(fā)生早期故障，獲取復(fù)雜系統(tǒng)早期故障發(fā)生時(shí)間。

針對(duì)不同系統(tǒng)在不同工況情況下，窗口長(zhǎng)度q、滑動(dòng)步長(zhǎng)n、平滑度系數(shù)λ和斜率倍數(shù)參數(shù)m都需要利用監(jiān)測(cè)正常數(shù)據(jù)、故障案例數(shù)據(jù)進(jìn)行不斷的訓(xùn)練和優(yōu)化。

3 基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型研究

當(dāng)在線(xiàn)監(jiān)測(cè)的性能退化數(shù)據(jù)超過(guò)潛在失效閾值時(shí)，需通過(guò)故障診斷模型識(shí)別系統(tǒng)故障模式，支撐修復(fù)性維修決策，本文提出了一種基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型，集成了深度置信網(wǎng)絡(luò)特征提取、模糊C均值聚類(lèi)分析、支持向量數(shù)據(jù)描述等技術(shù)，具體技術(shù)及模型流程如下。

3.1 深度置信網(wǎng)絡(luò)的特征提取技術(shù)

深度置信網(wǎng)絡(luò)（deep belief network，DBN）是由多個(gè)受限玻爾茲曼機(jī)（restricted Boltzmann machine，RBM）堆疊而成的多隱含層神經(jīng)網(wǎng)絡(luò)，其核心是通過(guò)逐層貪婪學(xué)習(xí)算法優(yōu)化DBN 各隱含層之間的連接權(quán)重，從而有效挖掘原始數(shù)據(jù)中的故障特征。圖4（a）為三個(gè)RBM 和soft-max 堆疊而成的DBN 模型結(jié)構(gòu)，每一個(gè)RBM 由可視層和隱含層組成。RBM 層間的神經(jīng)元相互獨(dú)立無(wú)連接，層與層之間的神經(jīng)元全連接，如圖4（b）所示。圖中：v為可視層神經(jīng)元；h為隱含層神經(jīng)元；a為可視層偏置向量；b為隱含層偏置向量；Wnm為可視層與隱含層之間的連接權(quán)重。RBM 作為DBN 的基本組成單元，訓(xùn)練DBN 的實(shí)質(zhì)就是對(duì)RBM進(jìn)行訓(xùn)練，其訓(xùn)練過(guò)程如圖4（c）所示。

圖4 DBN模型結(jié)構(gòu)［12］Fig.4 DBN model structure［12］

DBN 方法的訓(xùn)練過(guò)程綜合了無(wú)監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)，能夠精準(zhǔn)提取多種退化趨勢(shì)不明顯的數(shù)據(jù)信號(hào)的融合特征，此種特征提取方法需要大量數(shù)據(jù)樣本進(jìn)行訓(xùn)練，但對(duì)監(jiān)測(cè)數(shù)據(jù)的質(zhì)量要求低。

3.2 模糊C均值聚類(lèi)分析技術(shù)

模糊聚類(lèi)算法［13］是一種根據(jù)隸屬度最大原則來(lái)劃分類(lèi)別的數(shù)學(xué)方法，它允許一種對(duì)象以不同隸屬度同時(shí)劃分到不同類(lèi)別之中。其中模糊C均值聚類(lèi)（fuzzyC-means，F(xiàn)CM）方法應(yīng)用最為廣泛，該方法的原理是通過(guò)優(yōu)化目標(biāo)函數(shù)得到各樣本點(diǎn)對(duì)于所有類(lèi)的隸屬度以實(shí)現(xiàn)數(shù)據(jù)分類(lèi)。

假設(shè)存在一組數(shù)據(jù)樣本集X=[x1，x2，…，xN]，每個(gè)樣本為n維矢量，即xk=[xk1，xk2，…，xkN]T，如果將該樣本數(shù)組劃分為c 類(lèi)(2 ≤c≤N)。定義劃分矩陣U和聚類(lèi)中心矩陣V為

式中：νi為第i 類(lèi)的聚類(lèi)中心矢量；μik為第k 個(gè)樣本對(duì)第i類(lèi)的隸屬度。

式中：m為平滑參數(shù)，能夠控制類(lèi)間劃分的模糊度，m越大，類(lèi)間的劃分越模糊，反之則越明確，m一般取1 ≤m≤5；θi為劃分到一類(lèi)的樣本的加權(quán)平均，權(quán)重是樣本對(duì)于該類(lèi)的隸屬度μik。

模糊C均值聚類(lèi)方法利用隸屬度概念，能夠?qū)?fù)雜系統(tǒng)關(guān)鍵部件的各類(lèi)故障模式進(jìn)行柔性劃分，對(duì)故障特征間具有耦合關(guān)系的故障模式具有較好的區(qū)分能力。

3.3 支持向量數(shù)據(jù)描述方法

支持向量數(shù)據(jù)描述（support vector data description，SVDD）［14］是一種廣泛用于離群點(diǎn)檢測(cè)的分類(lèi)的模型，其主要思想是在高維空間中找到要描述的目標(biāo)數(shù)據(jù)集周?chē)那蛐芜吔?，在考慮到異常值存在的條件下，要包含盡可能多的目標(biāo)數(shù)據(jù)。SVDD 的算法原理如圖5 所示，假設(shè)在三維特征空間中存在一個(gè)類(lèi)別為1 的目標(biāo)數(shù)據(jù)集，定義一個(gè)球心為a、半徑為R的超球模型，SVDD 模型訓(xùn)練的目的就是通過(guò)最小化R來(lái)找到體積最小的超球體，從而對(duì)目標(biāo)數(shù)據(jù)進(jìn)行準(zhǔn)確的描述，使被描述的目標(biāo)數(shù)據(jù)盡可能多地包含在超球體內(nèi)，而將其余的非目標(biāo)數(shù)據(jù)排除在外，其中用于邊界描述的數(shù)據(jù)就被稱(chēng)為支持向量。

圖5 SVDD原理圖［15］Fig.5 The schematic diagram of SVDD

給定一個(gè)訓(xùn)練數(shù)據(jù)集xi∈Rd(i=1，…，N)，假設(shè)存在中心為a、半徑為R的超球模型，則SVDD 的優(yōu)化問(wèn)題就轉(zhuǎn)變?yōu)槭街校害蝘表示引入的松弛因子，目的是防止過(guò)擬合；C是一個(gè)指定的固定參數(shù)，用于控制超球體的體積和錯(cuò)分率的平衡。該式表示一個(gè)能夠?qū)⒂?xùn)練數(shù)據(jù)x映射到高維空間的函數(shù)。那么該問(wèn)題可以通過(guò)最優(yōu)化下面的對(duì)偶問(wèn)題得到解決

通過(guò)SVDD 方法能夠定義復(fù)雜系統(tǒng)不同故障模式對(duì)應(yīng)的最小半徑的超球面模型，將不同故障模式樣本點(diǎn)盡可能多地包含在球體中，能夠通過(guò)計(jì)算測(cè)試樣本點(diǎn)到球心距離是否超過(guò)半徑判斷該測(cè)試樣本點(diǎn)的故障模式類(lèi)別。如果D>R，則測(cè)試樣本被視為離群值，即不屬于目標(biāo)樣本這一類(lèi)；如果D≤R，則測(cè)試樣本將被視為目標(biāo)樣本這一類(lèi)。

3.4 基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型

面對(duì)多種故障模式下失效程度持續(xù)退化的情況，本文提出一種基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型，集成了前文中深度置信網(wǎng)絡(luò)特征提取、模糊C均值聚類(lèi)分析、支持向量數(shù)據(jù)描述等技術(shù)。在模型離線(xiàn)訓(xùn)練部分，以系統(tǒng)歷史多種類(lèi)型故障數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，首先通過(guò)深度置信網(wǎng)絡(luò)（DBN）技術(shù)提取故障相關(guān)特征信號(hào)，然后利用模糊聚類(lèi)分析（FCM）方法對(duì)各類(lèi)故障進(jìn)行分類(lèi)，并通過(guò)支持向量數(shù)據(jù)描述（SVDD）方法構(gòu)建超球面模型，得到各類(lèi)故障所對(duì)應(yīng)的超球面半徑，構(gòu)建系統(tǒng)故障模式知識(shí)庫(kù)及故障診斷準(zhǔn)則；在模型在線(xiàn)監(jiān)測(cè)部分，實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)同樣經(jīng)過(guò)特征提取后，計(jì)算特征信號(hào)對(duì)應(yīng)的SVDD 超球面半徑，并與不同類(lèi)故障對(duì)應(yīng)超球面半徑進(jìn)行距離比較，通過(guò)臨近原則進(jìn)行故障模式識(shí)別，得到故障診斷結(jié)論?；跀?shù)據(jù)驅(qū)動(dòng)故障診斷模型流程圖如圖6所示。

圖6 基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型流程圖Fig.6 The flow chart of the fault diagnosis model based on data-driven

4 基于性能退化的復(fù)雜系統(tǒng)視情維修技術(shù)架構(gòu)構(gòu)建

參照復(fù)雜系統(tǒng)視情維修決策流程，依據(jù)基于趨勢(shì)濾波的故障早期預(yù)警模型和基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型，構(gòu)建基于性能退化的復(fù)雜系統(tǒng)視情維修技術(shù)架構(gòu)如圖7所示，主要包括在線(xiàn)監(jiān)測(cè)與數(shù)據(jù)處理模塊、基于性能退化的復(fù)雜系統(tǒng)視情維修模塊和復(fù)雜系統(tǒng)綜合性維修決策模塊。

圖7 基于性能退化的復(fù)雜系統(tǒng)視情維修技術(shù)架構(gòu)Fig.7 Framework of the condition-based maintenance of complex system based on performance degradation

首先，在在線(xiàn)監(jiān)測(cè)與數(shù)據(jù)處理模塊中，利用在復(fù)雜系統(tǒng)周邊布置溫度、應(yīng)力、電渦流、加速度等高精度傳感器進(jìn)行數(shù)據(jù)采集得到的監(jiān)測(cè)數(shù)據(jù)形成數(shù)據(jù)湖，然后將數(shù)據(jù)湖中的正常運(yùn)行監(jiān)測(cè)數(shù)據(jù)和故障數(shù)據(jù)通過(guò)多源異構(gòu)數(shù)據(jù)采集、存儲(chǔ)、預(yù)處理技術(shù)存儲(chǔ)到歷史數(shù)據(jù)庫(kù)中，為系統(tǒng)視情維修決策提供數(shù)據(jù)支撐。

然后，在基于性能退化的復(fù)雜系統(tǒng)視情維修模塊中，將實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)輸入到基于趨勢(shì)濾波的故障早期預(yù)警模型中，利用滑動(dòng)窗口判斷早期故障發(fā)生時(shí)刻，若故障發(fā)生或發(fā)展后則開(kāi)始進(jìn)行備品備件配置準(zhǔn)備等預(yù)防性維修準(zhǔn)備動(dòng)作，并在特征參量超過(guò)潛在失效閾值時(shí)進(jìn)行預(yù)防性維修。經(jīng)過(guò)N次預(yù)防性維修后，當(dāng)特征參量再次超出功能失效閾值時(shí)，對(duì)復(fù)雜系統(tǒng)部件進(jìn)行故障診斷并采取修復(fù)性維修。即進(jìn)入基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型中，利用歷史數(shù)據(jù)構(gòu)建故障模式識(shí)別準(zhǔn)則，并基于監(jiān)測(cè)數(shù)據(jù)驅(qū)動(dòng)診斷故障類(lèi)型，從而進(jìn)行修復(fù)性維修。

最后，在復(fù)雜系統(tǒng)綜合性維修決策模塊中，綜合由預(yù)防性維修和修復(fù)性維修構(gòu)成的視情維修決策，得出復(fù)雜系統(tǒng)綜合性維修決策結(jié)論。

5 結(jié)束語(yǔ)

本文針對(duì)當(dāng)前維修技術(shù)多數(shù)依據(jù)專(zhuān)家經(jīng)驗(yàn)的現(xiàn)狀，以系統(tǒng)在線(xiàn)監(jiān)測(cè)性能退化數(shù)據(jù)為基礎(chǔ)，梳理了復(fù)雜系統(tǒng)視情維修決策流程，并針對(duì)系統(tǒng)部件狀態(tài)監(jiān)測(cè)存在報(bào)警不及時(shí)和虛警率高的問(wèn)題，以退化特征斜率變化為故障判據(jù)，提出一種基于趨勢(shì)濾波的故障早期預(yù)警模型，分析得出部件早期故障發(fā)生時(shí)刻。針對(duì)復(fù)雜系統(tǒng)在多種故障模式下失效程度持續(xù)退化的情況，提出一種基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型，實(shí)現(xiàn)部件故障模式知識(shí)及故障診斷準(zhǔn)則的離線(xiàn)訓(xùn)練，以及基于實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)的故障診斷及故障原因分析。構(gòu)建了基于性能退化的復(fù)雜系統(tǒng)視情維修技術(shù)架構(gòu)，能夠提升系統(tǒng)故障判斷的準(zhǔn)確性和維修的時(shí)效性，對(duì)復(fù)雜系統(tǒng)維修保障能力提升具有重要意義。