第 53 卷 第3期 吉 林 大 学 学 报 （工 学 版） Vol. 53 No.

3
2023 年 3 月 Journal of Jilin University （Engineering and Technology Edition） Mar. 2023

面向复杂系统健康评估的若干思考
全 权 1 ，崔 根 1 ，赵峙尧 2 ，戴训华 3 ，温 畅 4 ，蔡开元 1
（1. 北 京 航 空 航 天 大 学 自 动 化 科 学 与 电 气 工 程 学 院 ，北 京 100191；2. 北 京 工 商 大 学 人 工 智 能 学 院 ，北 京
100048；3. 中南大学 计算机学院，长沙 410083；4. 北京航空航天大学医院，北京 100191）

摘 要：随着工程中系统复杂性的不断提高，系统的可靠性和安全性面临新的挑战，与此同时，
系统的可靠性、安全性等概念进一步发展成为一种新的综合性指标 ，即“健康”。于是，复杂系
统的预测和健康管理逐步成为系统工程领域一个新的研究热点，并在航空航天、机械、电力电
子等领域得到应用实践。本文介绍了复杂系统健康评估的研究现状，并在此基础上提出了一
种 面 向 复 杂 系 统 的 健 康 评 估 框 架 ，其 包 含 数 据 获 取 、数 据 处 理 、健 康 评 估 和 健 康 预 测 等 4 个 部
分。最后，对复杂系统的健康评估进行了总结和展望，并建议开展面向健康评估开源项目的研
究工作，即 OpenHA。
关键词：系统工程；复杂系统；健康评估；健康预测；OpenHA
中图分类号：TP277 文献标志码：A 文章编号：1671‐5497（2023）03‐0601‐28
DOI：10. 13229/j. cnki. jdxbgxb . 20221370

Speculative views on health assessment of complex systems

QUAN Quan1 ，CUI Gen1 ，ZHAO Zhi-yao2 ，DAI Xun-hua3 ，WEN Chang4 ，CAI Kai-yuan1
（1. School of Automation Science and Electrical Engineering，Beihang University，Beijing 100191，China；2. School of
Artificial Intelligence，Beijing Technology and Business University，Beijing 100048，China；3. School of Computer Science
and Engineering，Central South University，Changsha 410083，China；4. Beihang University Hospital，Beijing 100191，
China）

Abstract：With the increasing system complexity in various engineering applications，greater demands are
being placed on the reliability and safety of these systems. A kind of more comprehensive requirement
called“health”has been naturally put up beyond reliability and safety. Consequently，Prognostics and
Health Management（PHM） for complex systems has naturally become a hotspot in systems engineering.
Moreover，it has been applied in many areas，such as aerospace，machinery，and power electronics. This
paper summarizes and proposes a framework for the health assessment of complex systems，which consists
of four aspects：data acquisition，data processing，health assessment，and health prediction. At last，the
prospect view of health assessment is presented， and a system-leveled open-source project， namely
OpenHA（Open Health Assessment）is suggested.
Key words：system engineering；complex system；health assessment；health prediction；OpenHA

收稿日期：2022‐10‐26.
基金项目 ：国 家 自 然 科 学 基 金 项 目（61973015，61903008）；科 技 创 新 2030——“ 新 一 代 人 工 智 能 ”重 大 项 目
（2021ZD0140301）.
作者简介：全权（1981-），男，教授，博士生导师 . 研究方向：可靠飞行控制和健康评估 . E-mail：qq_buaa@buaa.edu.cn
 · 602 · 吉 林 大 学 学 报（ 工 学 版 ） 第 53 卷

0 引 言 在 实 际 工 程 应 用 中 ，仅 仅 用 可 靠 或 可 信 与 否
作 为 系 统 的 综 合 评 价 是 略 有 偏 颇 的 ，毕 竟 系 统 的
健康评估作为健康管理的重要组成部分之一，
退化或性能变化往往是动态且连续的。对于结构
需要回答两个问题，一个是什么是健康？另一个是
和 功 能 复 杂 的“ 大 ”系 统 ，其 运 行 状 态 或 模 式 也 往
如何通过观测数据、相似案例、基本原理及模型等
往 是 复 杂 多 样 的 ，较 为 简 单 的 二 值 判 定 在 某 些 情
不同类型的数据和信息，对部件、子系统乃至整个
况 下 可 能 并 不 合 适 。 此 时 ，针 对 系 统 的 状 态 需 要
复杂系统的健康进行评估（定性或定量）和验证？
考虑等级的、体现“模糊”的表达和表征。因此，人
系 统 健 康 的 概 念 与 可 靠 性 、可 信 性 等 概 念 以
们开始尝试把医学中“健康”和“亚健康”概念引入
及 医 学 领 域 的 健 康 概 念 密 切 相 关 ，并 仍 在 不 断 发
工 程 领 域 ，将 医 学 领 域 的“ 亚 健 康 ”评 估 和 管 理 技
展。可靠性工程是系统工程的一个重要分支，
“可
术理念应用于系统健康管理中。系统健康是一种
靠性”通常描述给定系统或组件在指定环境下、指
非 二 值（0 或 1）、模 糊 的 概 念 ，是 系 统 可 信 性 工 程
定时间段内可以持续运行以完成规定功能的能
的 扩 展 和 应 用［3］以 及 可 靠 性 、可 信 性 的 延 伸 。 与
力 ，这 在 许 多 情 况 下 可 以 用 概 率 表 示 。 随 着 航 天
可 靠 性 和 可 信 性 相 比 ，健 康 是 对 系 统 更 为 宏 观 的
和 军 工 等 领 域 对 产 品 质 量 需 求 的 不 断 提 高 ，关 于
认识和评价，是系统的综合属性，是更符合人直觉
可 靠 性 理 论 、方 法 和 技 术 的 研 究 以 及 工 程 应 用 出
感受的、对系统状态的模糊描述。在实际应用中，
现新进展。20 世纪 80 年代，
“ 可信性（Dependabil‐
系统“不健康”主要体现在系统退化或偏离期望正
ity）”首 次 被 提 出［1］，定 义 为 对 产 品 的 可 用 性 以 及
常 工 作 状 态 的 程 度［4］；系 统 健 康 这 一 属 性 包 含 了
影 响 因 素 的 描 述 ，是 可 用 性 、可 靠 性 、安 全 性 以 及
系统中所有设备的健康情况以及它们所提供功能
维修保障性的集合性术语。可靠性和可信性都是
的可用状态，反映了系统中设备、系统结构和功能
系 统 失 效 工 程 考 量 的 重 要 特 性 ，相 比 之 下 ，
“可靠
的所有有效信息［5］。
性 ”一 词 通 常 是 指 面 向 系 统 或 元 器 件 失 效 的 一 个
系 统 的 健 康 情 况 需 要 在 某 一 情 境 下 ，根 据 某
定 性 或 定 量 的 指 标 体 系 ，以 及 相 应 的 理 论 、方 法 、
一 参 考 标 准 进 行 评 价 ，而 标 准 的 产 生 和 界 定 与 系
技术和工程管理活动等。
“ 可 信 性 ”一 词 的 含 义 则
更为广泛，包含了可靠性、可用性、安全性、可维修 统 的 预 设 任 务（或 者 说 用 户 对 于 系 统 的 期 望 行 为

性 等 ，同 时 其 侧 重 点 因 人 而 异 、因 工 程 而 异 ，甚 至 与 状 态）密 切 相 关 。 以 近 视 为 例 ，经 过 眼 镜 矫 正

因时而异。 后 ，近 视 对 于 普 通 近 视 人 群 的 日 常 工 作 和 生 活 可

系统健康的理念是在可靠性和可信性基础上 能没有影响；但对于飞行员甚至空军飞行员，良好

逐 渐 发 展 成 型 的 ，也 是 在 医 学 领 域 中 健 康 理 念 的 的裸眼视力是从事飞行工作的基本条件。因此，

启发和影响下，系统失效工程进一步发展的产物。 不同的任务安排和行为预期下，对于系统“健康标

医学领域的“健康”指的是在生理或心理方面没有 准”的理解一般是不同的，因此在开展健康评估工
疾病或损伤的状态。人体是否“健康”的标准是抽 作 前 ，明 确 系 统 的 任 务 边 界 和 功 能 、性 能 要 求 ，对
象和模糊的，即便以现今的医疗水平，准确地给出 于定义健康及判定健康状态具有重要意义。
判定人是否健康的参考标准也是一件困难的事 本 文 对“ 健 康 评 估 ”一 般 含 义 、与 故 障 的 诊 断
情，而个体差异性的存在使这件事变得更加困难。 关 系 等 理 论 问 题 进 行 了 阐 释 ，并 借 助 文 献 分 析 工
另外，除了健康和不健康两种状态之外，人体还可 具对该领域的起源和发展进行了回顾和分析。同
能 处 于 亚 健 康 状 态（Suboptimal health status），即 时 ，提 出 了 针 对 复 杂 系 统 健 康 评 估 问 题 的 基 本 框
没 有 典 型 的 疾 病 表 现 ，但 存 在 一 些 心 理 或 生 理 方 架和结构，对该框架中各部分的主要功能、常用方
面的功能障碍。医生往往通过体检 ，借助查体、 ［2］
法、研究现状及成果等进行了介绍和说明。
影像学检查和体液检验等手段，测定诸如血压、核
1 健康评估框架
磁共振影像、血常规等客观生理指标，并与从临床
经 验 或 大 数 据 统 计 所 得 到 的“ 健 康 标 准 ”进 行 比 1. 1 PHM 相关简介
较。最后，综合多指标结果和临床经验，对人体各 1. 1. 1 PHM 概览
器 官 和 系 统 的 健 康 程 度 ，给 出 尽 可 能 客 观 公 正 的 PHM（Prognostics and health management）相
判定和评价。 关 概 念 最 早 起 源 于 结 构 健 康 评 估（Structural
 第3期 全 权，等：面向复杂系统健康评估的若干思考 · 603 ·

health management，SHM）
［6］
。 SHM 主 要 用 于 材
料 结 构 完 整 性 和 功 能 性 监 测 ，如 疲 劳 和 损 伤 检
测［7，8］，在飞行器机身结构健康监控和寿命估计方
面 也 有 广 泛 应 用［9，10］。 逐 步 地 ，美 国 国 家 航 空 航
天 局（National aeronautics and space administra‐
tion，NASA）将 SHM 的 概 念 引 入 航 空 航 天 领 域 ，
并 发 展 为 PHM［11］。 如 今 ，PHM 在 许 多 其 他 行 业
都有广泛的市场和应用前景。
以“Prognostics and health management”为 关
键 词 ，检 索 SCIE 数 据 库 中 2000 年 ~2022 年 之 间
有 关 PHM 的 研 究 成 果 ，并 采 用 CiteSpace 专 业 文 图1 PHM 相关文献逐年统计折线图

献分析软件［12］完成相关文献检索和分析工作。 Fig. 1 Line plot of the number of PHM-related

本 次 检 索 共 发 现 211 种 期 刊 上 累 计 发 表 的
904 篇 文 献 ，其 按 年 份 分 布 如 图 1 所 示 。 从 图 1 中
可 以 看 出 ：21 世 纪 以 来 ，每 年 发 表 的 有 关“PHM”
的 文 献 数 量 逐 年 增 加 ，且 增 长 趋 势 不 断 扩 大 。 这
表 明 ，PHM 相 关 研 究 的 热 度 和 关 注 度 逐 年 增 加 ，
PHM 已然成为一个热门的研究方向。
文献的聚类分析结果如图 2 所示。概括地
讲 ，PHM 正 朝 着 智 能 化 、集 成 化 方 向 发 展 。 从 图
2 中 可 以 发 现 ，与 PHM 相 关 的 聚 类 关 键 词 共 有 8
个。图中，顶部色带的不同颜色对应不同年份，从
iteratures in each year
白色到深紫色，再逐渐过渡到红色，表示时间越来
越 近 。 由 于 2000 年 ~2003 年 期 间 未 检 索 到 相 关
文 献 ，因 此 图 2 中 顶 部 色 带 的 对 应 年 份 实 际 从
2004 年 开 始 。 综 合 下 方 聚 类 结 果 的 可 视 化 展 示
可以看出，PHM 相关研究起源于“build-in test”并
在 2013 年 后 出 现 爆 发 。 在 所 有 聚 类 关 键 词 中 ，
“deep learning”是 出 现 频 次 最 高 且 时 间 距 今 最 近
的 一 类 关 键 词 ，明 确 说 明 了 深 度 学 习 在 PHM 领
域的应用研究已然成为一个新的热门方向。

图2 CiteSpace 聚类分析可视化结果
Fig. 2 Clustering analysis results from CiteSpace
1. 1. 2 PHM 的流程 DA）、数 据 处 理（Data manipulation，DM）、状 态 检
行 业 标 准 方 面 ，目 前 较 为 常 用 的 视 情 维 护 开 测（State detection，SD）、健 康 评 估（Health assess‐
源 系 统 架 构（Open system architecture for condi‐ ment，HA）、预 测 评 估（Prognostics assessment，
tion-based maintenance，OSA-CBM）规 定 PHM PA）以及决策支持（Decision support，DS）
［13］
。
包 含 6 个 基 本 流 程 ：数 据 获 取（Data acquisition， （1）数 据 获 取（DA）：收 集 目 标 系 统 的 各 类 各
 · 604 · 吉 林 大 学 学 报（ 工 学 版 ） 第 53 卷

项数据，并将所有模拟信号转换为数字信号。 1. 2 复杂系统的健康评估
（2）数 据 处 理（DM）：完 成 数 据 清 理 和 预 处 理 1. 2. 1 复杂系统
工 作 ，具 体 包 括 离 群 点 检 测 和 排 除 、噪 声 去 除 、曲 准确定义什么是复杂系统是一件困难的事
线平滑、特征向量提取等。 情。一般来说，
“ 复杂系统”是指规模较大、结构复
（3）状态检测（SD）：异常的基本检测，把得到 杂 、功 能 繁 多 、故 障 模 态 多 样 、外 部 环 境 未 知 多 变
的目标系统的部分状态量或输出量与基准阈值对 的 一 类 系 统 ，其 往 往 具 有 非 线 性 、动 态 多 变 、规 模
比，得出各种特征数据的异常信息，进一步将所有 大 、层 级 多 、去 中 心 化 等 特 性［16］，如 人 体 ，亦 或 是
数据和信息输出至下一层。 各 类 航 空 航 天 飞 行 器 、精 密 数 控 机 床 等 机 械 或 电
（4）健 康 评 估（HA）：利 用 人 工 经 验 或 自 动 化 气系统等，都是复杂系统的典型代表。另外，本文

装置确定设备当前的健康状况并诊断现有的故障 中 的“ 复 杂 系 统 ”也 是 对 系 统 的 一 个 通 用 描 述 ，因

状 况 ，通 过 融 合 DA、DM、SD 或 其 他 HA 模 块 的 此“ 简 单 系 统 ”可 以 看 作 是“ 复 杂 系 统 ”的 一 种

输出，确定研究对象的健康情况和潜在故障。 特例。

（5）预测评估（PA）：作为经典 PHM 系统的核 从 更 宏 观 的 角 度 来 看 ，系 统 的 健 康 评 估 在 系

心部分之一，其应具备根据系统状态信息，在可能
严重影响系统正常工作的故障发生前进行预警提
示 的 能 力［14，15］。 从 实 际 应 用 来 看 ，剩 余 使 用 寿 命
估计是“预测”这一要点最直观的体现。
（6）决 策 支 持（DS）：即 PHM 中 的 管 理（Man‐
agement），根 据 上 述 各 环 节 的 信 息 ，给 出 任 务 执
行 、后 勤 维 护 、维 修 等 环 节 的 决 策 建 议 ，优 化 调 整
目标系统的任务和维护方案等。
如 前 文 所 述 ，系 统 的 健 康 评 估 和 管 理 是 对 医
学 领 域 相 关 知 识 的 学 习 和 借 鉴 ，因 此 上 述 环 节 可
以在医学领域找到其相应的对应关系。
（1）病 历 是 医 务 人 员 在 医 疗 活 动 过 程 中 形 成
的文字、符号、图表、影像等资料的总和，包括各种
门 诊 和 住 院 病 历 ，其 对 应 着 上 述 中 的 DA、DM 及
SD 环节。
（2）诊 断 和 病 因 分 析 ，是 医 生 从 医 学 角 度 对
人 们 的 精 神 和 身 体 状 态 做 出 判 断 ，并 对 致 病 因 素
进行分析，其主要对应于上述中的 HA 环节。
（3）预后环节，主要是对创伤或疾病可能造成
的 后 果 的 预 测 ，包 括 未 经 治 疗 的 结 局 情 况 和 治 疗
干预后的结局情况，对应于上述中的 PA 环节。
（4）DS 对 应 于 治 疗 方 案 ，是 治 疗 疾 病 的 综 合
性具体实施计划，是对病人诊断后的处理意见。
综 上 ，预 测 和 健 康 管 理 系 统 是 保 障 设 备 日 常
运 行 和 及 时 维 护 的 综 合 管 理 工 具 ，也 是 相 关 理 论
和技术逐步积累的必然产物，是对数据处理、状态
监 测 、故 障 检 测 、剩 余 寿 命（Remaining useful life，
RUL）估 计 、决 策 规 划 等 一 系 列 技 术 和 方 法 的 综
合实践。
统科学中属于系统认知论的研究范畴。系统科学
从系统角度研究不同类型的系统及其不同层次的
共 性 规 律 ，复 杂 系 统 健 康 评 估 的 相 关 理 论 也 可 以
在 社 会 、经 济 、生 命 、生 态 等 更 加 复 杂 的 系 统 中 得
到应用。
1. 2. 2 故障诊断和健康评估
如 前 文 所 述 ，系 统 的 健 康 包 含 了 系 统 所 有 设
备 的 健 康 以 及 它 们 所 提 供 功 能 的 可 用 状 态 ，不 同
于前文中含义接近故障诊断的“健康评估（Health
assessment）”，本 文 介 绍 的“ 健 康 评 估 ”是 指 对 系
统或设备状态的一种更为宏观的观察（这里“健康
评 估 ”的 英 文 表 达 选 择 为“Health assessment”。
本文主要考虑产品落地应用阶段的健康评估问
题 ，此 时 一 般 表 示 为“Assessment”而 并 非“Evalu‐
ation”，后 者 一 般 是 指 产 品 生 产 过 程 中 的“ 评
估”
）。 广 义 地 讲 ，其 指 的 是 在 产 品 的 落 地 使 用 阶
段，通过监测并分析目标系统运行的相关数据，结
合系统模型，评估系统当前的工作状态是否正常，
以及在未来一段时间内是否存在潜在的健康
退化［17］。
如 图 3 所 示 ，故 障 与 症 状 之 间 是 严 格 的 因 果
关系，症状是故障发展的必然结果，数据是记录症
状 的 重 要 证 据 。 健 康 评 估 是 通 过 对 观 测 数 据 、相
似案例、基本原理及模型等数据，正向分析系统当
前 的 剩 余 能 力 以 及 对 任 务 的 影 响 ；故 障 诊 断 则 是
逆向推理，通过相关方法定位故障位置，分析故障
原因以及故障程度。健康评估更关注外在的性能
退 化 的 影 响 ；故 障 诊 断 更 关 注 如 何 定 位 内 在 故 障
发 生 的 位 置 。 若 聚 焦 一 个 系 统 或 部 件 ，如 果 仅 仅
关 注 该 个 体 是 否 发 生 故 障 ，那 么 也 可 以 用 其 是 否
第3期 全 权，等：面向复杂系统健康评估的若干思考 · 605 ·

健康进行判断。此时两者无法严格区分。但是针 4 中 曲 线 A，此 时 健 康 情 况 和 工 作 效 能 是 简 单 的 、
对 各 种 复 杂 系 统 ，健 康 评 估 和 故 障 诊 断 终 究 是 有 离 散 化 的 表 达 —— 坏 了 或 者 没 坏 ，对 于 灯 丝 熔 断
所 区 别 的 ，前 者 从 下 而 上 总 结 ，后 者 从 上 而 下 溯 的白炽灯，其健康情况就是简单明确的坏了，确定
源 ，两 者 相 辅 相 成 ，都 是 PHM 系 统 的 重 要 组 成 灯丝熔断的原因则是故障诊断的工作范畴。另一
部分。 方面，特别对于复杂系统，其健康变化可能是一个
缓 慢 、逐 步 退 化（Degradation）、恶 化（Deteriora‐
tion）或 老 化（Ageing）的 过 程 ，如 图 4 中 曲 线 B 所
示 ，比 如 电 池 的 可 用 容 量 会 随 着 充 放 电 次 数 的 增
加 而 逐 渐 减 小 ，白 炽 灯 的 亮 度 也 会 随 着 使 用 时 间
图3 故障与症状关系 增 加 而 逐 渐 降 低 ，此 时 健 康 情 况 的 描 述 需 要 一 个
Fig. 3 Relationship between faults and symptoms 连续、单调变化的指标，用于描述系统某时刻介于
针 对 二 者 的 关 系 ，这 里 还 可 以 以 人 为 例 进 行 100% 与 0% 之间的可用性。
说明。例如，对于身体异常发热、体温升高这一异
常状态，可能的诱因很多，比如流感病毒引发的病
毒性感冒常常伴随着发烧症状，或者肠胃炎、呼吸
道 感 染 、伤 口 感 染 等 细 菌 感 染 引 发 的 炎 症 也 经 常
引起身体发热反应。对此，
“ 故 障 诊 断 ”的 目 的 是
明 确 引 起 发 烧 症 状 的 具 体 病 因 ，进 而 便 于 对 症 下
药。而“健康评估”的目的则是判断当前是“低烧”
还 是“ 高 烧 ”，是 否 能 够 完 成 某 些 指 定 任 务 ，或 休
息 ，或 就 医 。 再 比 如 对 于 多 旋 翼 这 一 常 见 且 常 用
的 系 统 ，如 果 当 飞 行 过 程 中 动 力 系 统 性 能 突 然 下
降 ，此 时 系 统 性 能 的 变 化 以 及 系 统 可 控 性 的 评 估
就 是 健 康 评 估 的 问 题 ，而 动 力 系 统 的 具 体 故 障 原
图4 状态/性能随时间退化或恶化曲线
因 是 出 自 电 机 、电 调 或 是 桨 叶 则 需 要 经 过“ 诊 断 ”
Fig. 4 Condition/performance degradation or
才能知道。 deterioration curves over time
对 于 简 单 的 子 系 统 或 者 是 诸 如 轴 承 、转 子［18］
退 化 、恶 化 或 者 老 化 的 发 生 过 程 一 般 也 有 两
等基本零部件，其健康评估是简单直观的，通过关
种 情 况 ：① 在 装 备 使 用 或 系 统 运 行 期 间 ，设 备 、材
键 参 数 构 建 的 直 观 的 健 康 因 子（Health index 或 料 的 老 化 和 疲 劳 总 是 时 刻 发 生 的 ；② 一 些 意 外 的
Health indicator）一 般 即 可 用 于 表 征 其 健 康 情 小损伤，如涡轮叶片中的小裂纹，一般不会立即导
况［19］。 而 对 结 构 、功 能 复 杂 的 大 型 系 统 进 行 健 康 致 失 效 事 件 或 事 故 发 生 ，但 其 存 在 对 部 件 或 系 统
评估则是一个巨大的挑战。以人体这一我们最熟 的 健 康 确 实 产 生 了 严 重 影 响 ，损 伤 发 展 扩 大 至 某
悉 的 复 杂 系 统 为 例 ，78 个 大 大 小 小 的 器 官 组 成 了 一程度时可能导致严重故障发生［5］。以上内容都
消化、呼吸、循环、内分泌、神经、运动、泌尿以及生 是进行“健康评估”需要考虑的问题。
殖 共 八 大 系 统 ，共 同 支 持 着 一 个 人 的 正 常 生 活 。 1. 2. 3 健康评估的框架设计
但 并 非 每 个 器 官 都 是 生 存 所 必 需 的 ，人 可 以 在 部 从 研 究 内 容 和 边 界 来 说 ，面 向 复 杂 系 统 的 广
分 器 官 缺 失 的 情 况 下 存 活 ，或 用 医 疗 设 备 取 代 某 义健康评估的研究内容主要包括健康评估和健康
个无法发挥功能的器官。对于诸如此类甚至更为 预测两点，其一般流程如图 5 所示。
复 杂 的 系 统 ，如 何 合 理 、有 效 地 进 行 健 康 评 估 ，始 （1）健康评估：具体包括健康属性评估和系统
终是一个巨大的难题和挑战。 健康评估：①健康属性评估：基于特定特征或状态
不同领域和不同对象对于健康的理解必然不 参数，对系统中不同层级、不同大小研究对象的某
同 ，但 其 深 层 的 内 涵 总 会 存 在 一 些 共 通 的 地 方 。 个 属 性 的 评 估 。 ② 系 统 健 康 评 估 ：由 于 复 杂 系 统
一 方 面 ，健 康 的 变 化 可 以 是 快 速 、跳 跃 式 的 ，如 图 中各部件、子系统的相互影响和作用，系统的健康
 · 606 · 吉 林 大 学 学 报（ 工 学 版 ） 第 53 卷

图6 健康评估的一般结构设计
Fig. 6 General architecture for health assessment

2 数据获取
数据是健康评估的理论和技术研究的支撑材
料 和 重 要 依 据 ，其 反 映 了 系 统 的 相 关 属 性 。 这 些
属 性 是 与“ 健 康 ”定 义 相 对 应 的 、与“ 健 康 ”有 关 的
侧 面 。 因 此 ，数 据 获 取 自 然 而 然 成 为 了 一 项 重 要
的 基 础 性 工 作［20］。 不 仅 如 此 ，在 PHM 系 统 的 部
署 、应 用 等 阶 段 ，数 据 获 取 环 节 的 诸 多 相 关 事 项 ，
如 采 集 、传 输 、存 储 等 ，仍 存 在 各 种 挑 战 和 难 题 亟
待解决［21］。
2. 1 数据的类别
根 据 分 类 角 度 和 依 据 的 不 同 ，数 据 的 分 类 方
法各不相同。比如，白箱和黑箱数据、定性和定量
数据，都是较为常见的数据分类方法。另外，根据
被 观 测 主 体 的 不 同 ，数 据 可 以 分 为 直 接 数 据 或 相
图5 健康评估的一般流程 似数据；根据数据加工程度的不同，数据又可以分
Fig. 5 Flow chart of health assessment 为 观 测 数 据 或 经 验 数 据 。 从 时 间 维 度 考 虑 ，数 据
不 是 子 部 件 、子 系 统 健 康 的 简 单 加 和 。 系 统 健 康 可以分为历史数据和当前数据；从空间维度考虑，
评 估 ，则 是 融 合 复 杂 系 统 中 不 同 层 次 间 的 评 估 信 数据又可以分为内部数据和环境数据。除此之
息 和 涉 及 系 统 健 康 指 标 的 拓 扑 结 构 ，综 合 评 估 顶 外，还有真实数据和模拟数据、测试数据和运行数
层系统状态或整体的可用性。 据等不同的数据分类方法。各种分类方法相互独
（2）健 康 预 测 ：基 于 评 估 或 系 统 状 态 的 历 史 立 ，一 份 数 据 根 据 不 同 分 类 依 据 可 以 有 不 同 的 含
信息，预测其发展趋势。 义和解释。
继 续 以 多 旋 翼 这 一 常 用 对 象 为 例 。 例 如 ，通 2. 1. 1 白箱数据和黑箱数据
过电机的温度、力效等评估该部件的健康，或者通 “白箱”和“黑箱”其本质上是对数据来源对象
过 整 个 多 旋 翼 系 统 的 动 态 响 应 速 度 、稳 定 裕 度 等 的一种描述。
“ 白箱”指的是对于外部观察者，其内
或 简 单 、或 复 杂 、或 直 接 、或 间 接 的 各 种 指 标 评 估 部运行机制、理化过程、变化动态清晰可知的一类
多 旋 翼 系 统 的 健 康 ，都 属 于 健 康 属 性 评 估 范 畴 。 系统。因此，对于一个白箱对象，除了其暴露在外
在 此 基 础 之 上 ，在 每 个 电 机 的 属 性 评 估 结 果 之 上 的、可直接观测的输出值之外，还可以根据系统的
估计整个动力系统的性能，或综合整机中动力、通 数 学 模 型 进 行 数 据 观 测 ，亦 或 是 直 接 通 过 内 部 传
信 、控 制 系 统 等 子 系 统 的 评 估 结 果 考 量 整 机 的 任 感 器 测 量 ，进 而 较 为 方 便 、准 确 地 获 取 其 内 部 状
务执行能力等，都属于系统健康评估的范畴。 态。相反，
“ 黑箱”指的则是其他的，内部机制过于
以 复 杂 系 统“ 健 康 评 估 ”为 新 的 出 发 点 ，完 整 复杂而导致很难甚至完全无法探知的“不透明”系
的健康评估系统的大致结构如图 6 所示。本文后 统。对于黑箱对象的内部状态，只能被动地观测。
续 将 按 照 图 6 所 示 的 信 息 处 理 各 部 分 ，对 其 主 要 综上，根据数据来源对象的透明程度，数据可以分
功能、应用实例、研究现状等进行分析和说明。 为白箱数据和黑箱数据。
 第3期 全 权，等：面向复杂系统健康评估的若干思考
2. 1. 2 定量数据和定性数据
直 观 来 看 ，可 以 将 数 据 分 为 定 量 数 据 和 定 性
数 据 两 大 类 。 在 现 代 医 疗 领 域 ，各 种 先 进 的 检 验
检 测 仪 器 为 医 生 进 行 准 确 、快 速 的 诊 断 提 供 了 重
要 诊 断 依 据 ，各 种 客 观 检 验 数 据 背 后 都 反 映 了 人
体健康情况，如血压、血糖水平反映了循环系统的
健康，血氧水平反映了呼吸系统的健康等。另外，
病人或患者对自身情况的口语化描述或形容也都
是 医 生 进 行 诊 断 的 重 要 参 考 依 据 。 类 似 地 ，用 于
复 杂 系 统 健 康 评 估 的 数 据 种 类 同 样 很 多 ，包 括 由
传 感 器 监 测 的 定 量 数 据 ；专 家 或 其 他 监 测 人 员 等
对 系 统 运 行 状 态 的 整 体 定 性 判 断 和 人 工 标 记 ，如
“ 系 统 运 行 良 好 ”，
“ 系 统 噪 声 水 平 异 常 ”等 则 属 于
典型的定性数据。
2. 1. 3 观测数据和经验数据
根 据 数 据 加 工 程 度 的 不 同 ，可 以 将 数 据 分 为
观测数据和经验数据。观测数据是对目标对象客
观物理量的直接记录，其有两条重要来源：一条是
系 统 的 运 行 日 志 ；另 一 条 是 安 装 的 其 他 传 感 器 网
络的记录数据。运行日志中一般记录了系统运行
期 间 的 许 多 重 要 数 据 ，如 机 械 振 动 、控 制 器 输 出 、
执 行 器 动 作 及 其 他 可 以 帮 助 用 户 回 顾 、分 析 系 统
运行状态的关键数据。比如，在无人机、无人车等
小型驾驶平台中常用的控制硬件 Pixhawk 默认搭
载了加速度计、陀螺仪、磁力计、气压计等传感器，
系 统 固 件 PX4 或 ArduPilot 在 日 常 运 行 过 程 中 会
实时读取并记录传感器输出结果。除默认数据
外，用户还可进行自定义设置，将某些自定义变量
保存至日志中。这些一般出于控制目的而搭载的
传感器所记录的数据在健康评估应用中也有着重
［5］
要作用 。如果日志中数据的采样频率、种类、实
时 性 等 各 方 面 条 件 无 法 满 足 评 估 算 法 的 要 求 ，那
么就需要在系统中部署额外的传感器网络。经验
数 据 则 是 基 于 历 史 经 验 ，由 第 三 方 进 行 的 人 工 或
自动对系统运行和健康情况的描述、判断或打分，
是根据专家知识对数据进行了加工，如“系统噪声
水平异常”、
“ 系统工作状态正常”、
“ 系统的可靠性
只有正常状态的 70%”等。
2. 1. 4 直接数据和相似数据
根 据 观 测 主 体 的 不 同 ，可 以 将 数 据 分 为 直 接
数 据 和 相 似 数 据 。 简 单 来 说 ，直 接 数 据 是 用 户 所
关 心 的 目 标 个 体 数 据 ，而 相 似 数 据 是 某 个 与 目 标
个体类似的或真实或虚拟的个体数据。如针对设
· 607 ·
备 中 某 一 轴 承 的 故 障 诊 断 和 健 康 评 估 问 题 ，除 该
个 体 的 数 据 外 ，同 批 次 其 他 轴 承 的 数 据 也 是 开 展
问题研究时的重要参考。
2. 1. 5 真实数据和模拟数据
数据的获取途径主要包括真机和模拟仿真。
毫 无 疑 问 ，在 物 理 世 界 运 行 真 机 得 到 的 数 据 是 最
真 实 可 靠 的 ，但 物 理 世 界 的 各 种 约 束 也 确 实 对 数
据获取产生了许多限制。一方面，收集真机数据，
尤 其 是 一 些 失 效 或 故 障 数 据 ，所 需 的 财 力 、物 力 、
人 力 、时 间 等 各 方 面 成 本 很 高 ；另 一 方 面 ，出 于 各
种因素的限制，相关数据无法对外公开，研究人员
无 法 直 接 获 取 所 需 数 据 。 随 着 实 时 仿 真 、高 精 度
建 模 和 辨 识 等 技 术 的 日 益 成 熟 ，模 拟 仿 真 开 始 受
到 研 究 人 员 的 关 注 和 青 睐 ，如 文 献［22］提 出 了 一
种 基 于 可 编 程 阵 列 逻 辑（Field programmable gate
array，FPGA）的 无 人 机 硬 件 在 环 仿 真 开 发 平 台 ，
旨 在 帮 助 用 户 快 速 完 成 仿 真 测 试 ，并 获 取 仿 真 数
据。仿真平台允许用户方便、快捷、高效地获取所
需数据，但仿真数据的真实性问题同样不容忽视。
为 量 化 仿 真 结 果 的 可 靠 性 ，文 献［23］中 给 出 了 一
种计算分析方法。为了从根本上使仿真更加接近
真 实 世 界 ，系 统 模 型（尤 其 是 仿 真 模 型 的 分 析 、搭
建）需 要 尽 可 能 细 致 且 完 善 ，这 往 往 也 是 很 难 实
现的。
2. 1. 6 测试数据和运行数据
除了在日常状态和常见任务下系统运行产生
的 数 据 外 ，特 定 预 设 实 验 的 实 验 数 据 也 是 一 类 重
要 的 分 析 数 据 ，如 分 析 系 统 响 应 速 度 的 阶 跃 响 应
实验，或分析其频率响应特性的扫频实验，又或者
是 分 析 验 证 系 统 安 全 性 的 故 障 注 入 实 验 等 ，该 类
实 验 数 据 一 般 具 有 较 强 的 针 对 性 ，是 进 行 系 统 设
计 、维 护 的 重 要 依 据 之 一 。 另 一 方 面 ，受 技 术 水
平、结构约束或其他因素限制，某些关键的物理量
也 许 无 法 使 用 传 感 器 直 接 测 量 ，此 时 往 往 需 要 通
过其他相关传感器的数据结合系统物理模型进行
数据融合和参数估计。
2. 1. 7 历史数据和当前数据
历史数据和当前数据是从时间维度对数据进
行 分 类 。 从 时 间 上 来 看 ，目 标 系 统 在 设 计 、制 造 、
搭建、运行等不同历史阶段中，往往会产生和积累
大 量 数 据 ，如 零 件 组 装 前 的 疲 劳 测 试 数 据 、高/低
温测试数据等。当前数据主要指系统运行过程中
实 时 获 取 的 数 据 ，或 者 最 近 几 次 运 行 结 束 后 离 线
 · 608 · 吉 林 大 学 学 报（ 工 学 版 ） 第 53 卷

获取的数据。系统的历史状态会对当前的行为产 虑 ，用 户 希 望 传 感 器 网 络 稳 定 可 靠 、方 便 扩 展 、延
生 影 响 ，因 此 ，当 前 时 刻 的 健 康 状 态 确 定 ，往 往 需 迟 低 、信 噪 比 高［27］，以 保 证 系 统 可 以 稳 定 、正 确 运
要历史数据中包含的信息作为参考和补充。 作 。 但 需 要 注 意 的 是 ，系 统 引 入 更 多 传 感 器 的 同
2. 1. 8 内部数据和环境数据 时，也引入了更多的传感器故障的模态，此时对于
从 空 间 角 度 ，数 据 可 以 分 为 内 部 数 据 和 环 境 高 可 信 的 健 康 评 估 系 统 来 说 ，硬 件 冗 余 、数 据 融
数 据 。 记 录 系 统 内 部 结 构 、状 态 等 信 息 的 内 部 数 合、交叉验证也是需要满足的必不可少的条件［5］。
据 是 系 统 运 行 状 态 的 直 接 反 映 ，因 此 往 往 是 用 户 数据可信是健康评估结果可信的基础。
关 注 的 重 点 和 焦 点 。 另 外 ，系 统 运 行 环 境 的 信 息 （3）隐 私（Private） 在 数 据 获 取 和 使 用 过 程
也 对 系 统 的 状 态 以 及 运 行 过 程 产 生 重 要 影 响 ，如 中 ，隐 私 的 相 关 问 题 也 是 需 要 重 点 考 虑 的 问 题 之
温 度 、湿 度 、辐 射 、灰 尘 、光 照 等 。 因 此 ，在 系 统 健 一 。 在 当 前 大 数 据 时 代 ，数 据 有 着 重 要 的 战 略 意
康 评 估 工 作 中 ，环 境 数 据 信 息 对 于 正 确 认 识 系 统 义 ，因 此 对 于 包 含 了 企 业 生 产 活 动 或 者 个 人 生 活
状态的情况有一定参考价值。 隐 私 信 息 的“ 隐 秘 ”数 据 应 当 慎 重 考 虑 ，或 者 探 索
2. 2 数据及数据获取的特征 是 否 存 在 其 他 替 代 方 案 。 例 如 ，对 于 空 巢 老 人 居
数据自身的特征以及数据获取过程的特征是 家 健 康 监 测 这 一 问 题 ，安 装 监 控 摄 像 头 固 然 是 一
数据获取时需要考虑的两个重要问题。本节将对 种 既 简 单 又 划 算 的 方 案 ，但 会 对 被 监 测 者 的 隐 私
以上两个问题进行简要介绍和分析。 权 造 成 严 重 侵 犯 。 对 于 这 种 情 况 ，通 过 水 电 气 的
2. 2. 1 数据的特征 消 耗 判 断 生 活 状 态 ，亦 或 者 通 过 气 压 传 感 器 估 计
（1）充分（Sufficient） 对于用户可获取的、用 老 人 生 活 及 活 动 情 况 等 ，都 是 更 好 的 解 决 方 案 。
于 健 康 评 估 的 数 据 ，首 先 需 要 保 证 其 对 于 系 统 的 另外，在数据处理前总要进行适当的脱敏处理，确
故障检测或者性能退化监测是充分的。换句话 保隐私和敏感信息不会在后续过程意外泄露。
说 ，在 当 前 性 能 评 估 或 故 障 诊 断 的 模 型 和 精 度 要 2. 2. 2 数据获取的特征
求 下 ，该 数 据 是 可 以 满 足 健 康 评 估 需 求 的 。 如 果 在 数 据 获 取 过 程 中 ，用 户 同 样 需 要 考 虑 数 据
为采集更多其他所需数据而在系统部署额外的传 源头是否可信、获取途径是否可靠、获取手段是否
感器网络，那就是增加了新的测试点，即修改了系 侵 犯 隐 私 等 基 本 问 题 。 另 外 ，经 济（Affordable）、
统的测试性模型。测试性（Testability），又称可测 高效（Efficient）、安全（Safe & Secure）和实时（Re‐
性，指产品能及时、准确地确定其状态（可工作、不 al-time）都是数据获取过程中需要考虑的问题。
可工作或性能下降程度）、并隔离其内部故障的一 （1）经 济（Affordable） 从 经 济 角 度 来 说 ，在
种 设 计 特 性 ，是 系 统 的 通 用 质 量 特 性 之 一 。 系 统 得 到 满 足 要 求 的 有 效 数 据 情 况 下 ，希 望 成 本 越 低
测试性是在系统设计研制初期就要基于测试性建 越好，因此针对各种应用场景，研究较为“廉价”的
［24］
模和设计 技 术 特 别 考 量 的 一 种 关 键 特 性 ，通 过 解决方案成为了一个重要方向。如针对某一地区
［25］
测试性验证和评估 技术，基于故障检测率（Crit‐ 内病毒、毒品等物质的含量及传播检测，除大规模
ical fault detection rate，CFDR）、故 障 隔 离 率 筛查外，通过检测下水道中的物质，可以在保证一
（Fault isolation rate，FIR）、平 均 虚 警 间 隔 时 间 定 精 度 的 情 况 下 ，极 大 节 省 成 本 。 为 了 将 部 署 传
（Mean time between false alarms，MTBFA）等 测 感器网络的额外成本和支出控制在一个合理的水
试性指标进行测试性评价也是完善系统测试性的 平 ，传 感 器 的 数 量 、采 样 频 率 、量 化 精 度 、稳 定 性 ，
一项重要工作。 以 及 数 据 传 输 的 带 宽 和 时 序 同 步 性 、数 据 存 储 设
（2）可信（Dependable） 从数据源角度考虑 ， 备容量和可靠性等都是需要用户进行相互权衡考
数据应当是可信的。当前传感器技术的进步使得 虑 的 因 素 。 随 着 各 种 需 求 的 出 现 ，传 感 器 网 络 的
用 户 在 设 计 、搭 建 传 感 器 网 络 时 有 更 灵 活 丰 富 的 优 化 ，提 高 传 感 器 计 算 协 作 能 力 和 健 壮 性 也 成 为
选 择 ，如 综 述 文 献［26］介 绍 了 在 机 械 健 康 监 测 领 了 相 关 领 域 的 一 个 重 点 研 究 方 向 ，如 文 献［28］探
域 应 用 较 为 广 泛 的 各 种 振 动 传 感 器 ，同 时 分 析 了 讨了高速列车传动系统多传感器布局优化和信息
当 前 一 些 新 型 的 传 感 器 的 研 究 进 展 ，并 对 其 发 展 融合的故障诊断和健康预测问题。
趋势进行了探讨和展望。从数据可信的角度考 （2）高 效（Efficient） 数 据 获 取 的 方 便 、高 效
 第3期 全 权，等：面向复杂系统健康评估的若干思考 · 609 ·

也是一个需要考虑的问题。同样以人的健康体检 NASA 的 开 源 数 据 集 、竞 赛 PHM Data Challenge

为 例 ，除 了 亲 自 前 往 医 院 由 精 密 仪 器 检 测 身 体 指 的 开 源 数 据 集 等 ，但 与 机 器 学 习 领 域 的 数 据 库 相
标外，近年来，通过家居便携甚至是可穿戴外设进 比 ，整 体 明 显 体 量 更 小 、种 类 更 少 。 目 前 ，健 康 评
行健康体检也成为一个重要市场方向。在系统健 估 领 域 缺 乏 这 样 的 标 准 平 台 或 数 据 集 ，在 一 定 程
康 监 测 方 面 ，除 了 常 用 的 通 过 在 目 标 系 统 内 部 署 度上限制了该领域的发展。
传感器获取数据进行健康监测外，近年来，通过系
统外的视觉传感器获取图像信息实现系统健康情
3 数据处理
况 的 实 时 监 测 ，逐 渐 成 为 许 多 用 户 和 研 究 人 员 关 数据处理是数据获取之后开展健康评估必不
注的方向。机器学习和大数据相关理论和技术的 可少的一个环节，对于提高数据可用性、保证评估
发展，使图像信息的处理、存储、识别等成为可能， 结果的准确有效具有重要意义。第 2 节介绍的各
也极大地促进了图像识别在各行各业的应用和 种不同结构、不同类型的数据，一般都有其对应的
发展。 不同处理方法。本节主要以定量观测数据为对象
（3）安 全（Safe & Secure） “Safe”和“Se‐ 介 绍 数 据 处 理 流 程 ，一 般 包 含 预 处 理 和 特 征 提 取
cure”作为形容词使用时含义近似但也略有不同， 两个主要步骤，如图 7 所示。
虽然都表示免于损伤、风险，但前者指免于外部的
伤害，强调被保护的状态；后者指避免内部原因的
缺 陷 ，强 调 主 动 保 护 的 行 为 。 本 文 中 的 安 全 指 的
是 数 据 获 取 对 目 标 系 统 的 安 全 影 响 、数 据 传 输 及
存 储 等 环 节 的 安 全 保 障 等 相 关 事 项 。 一 方 面 ，考
虑到某些数据获取过程会对目标对象造成不可逆
损 伤 ，因 此 在 数 据 获 取 过 程 中 的 安 全 风 险 需 要 谨 图7 数据处理一般过程

慎考量。另一方面，考虑到数据保密安全问题，在 Fig. 7 General procedure of data processing

数据获取过程中，数据传输、存储等操作阶段的安
全保障也尤为重要。尤其是针对无线数据传输，
过程中数据被恶意截获及破解的可能性和风险较
大，因此在传输前进行合理、有效的信息加密成为
一项必不可少的环节。
（4）实 时（Real-time） 除 离 线 获 取 数 据 外 ，
如 何 实 时 获 取 数 据 并 展 开 健 康 评 估 工 作 ，逐 步 成
为众多研究人员关注并投入的方向。对于有实时
健 康 评 估 需 求 的 系 统 ，数 据 获 取 的 实 时 性 是 限 制
整个评估流程实时性的重要因素之一。实时的健
康 评 估 对 于 系 统 的 及 时 响 应 和 决 策 、保 障 运 行 安
全等方面有重要参考价值。对于实时数据获取，
除 了 考 虑 传 感 器 自 身 性 能 外 ，数 据 传 输 和 存 储 的
策 略 、健 康 评 估 算 法 的 要 求 以 及 在 线 运 算 平 台 的
算力情况等因素也都需要重点考虑。
2. 3 小结
总 的 来 说 ，数 据 获 取 是 开 展 健 康 评 估 工 作 前
一 项 繁 杂 琐 碎 但 又 至 关 重 要 的 基 础 性 工 作 ，需 要
权 衡 考 虑 诸 多 因 素 。 此 外 ，类 似 于 机 器 学 习 领 域
的 一 些 公 开 数 据 集 ，健 康 评 估 和 故 障 诊 断 等 相 关
领 域 也 有 一 些 常 用 的 数 据 集 供 研 究 人 员 使 用 ，如
3. 1 数据预处理
数据预处理一般是在开展健康评估工作之
前 ，从 统 计 分 析 等 数 据 科 学 的 角 度 对 原 始 数 据 进
行 处 理 ，其 中 以 针 对 时 序 信 号 的 数 字 信 号 处 理 技
术 最 为 常 用 。 本 节 从 应 用 目 的 的 角 度 ，从 离 群 点
检 测 、对 齐 和 补 齐 以 及 去 噪 3 个 方 面 对 数 据 预 处
理进行简要说明。
3. 1. 1 离群点和异常点检测
在 各 种 传 感 器 返 回 的 采 集 数 据 中 ，噪 声 的 存
在 不 可 避 免 。 离 群 点（Outlier），有 时 也 称“ 野 值
点 ”，一 般 是 由 于 各 种 原 因 产 生 的 明 显 偏 离 于“ 预
期位置”的点。从偏离产生的原因来看，由系统结
构 、环 境 等 因 素 的 突 变 致 使 系 统 性 能 变 化 进 而 产
生 的 离 群 点 ，其 本 身 是 包 含 了 系 统 信 息 的 有 价 值
的 点 ，应 当 予 以 保 留 ；但 对 于 传 感 器 故 障 、通 信 干
扰、记录错误等原因产生的“错误”的异常点，应当
及 时 剔 除 ，避 免 对 评 估 的 正 确 性 产 生 影 响 。 需 要
注意的是，在各种工程应用，尤其是在一些小样本
的应用中，数据的剔除应当仔细和慎重。
离群点检测（Outlier detection）是数据处理时
的 一 项 常 用 的 基 本 操 作 ，统 计 学 领 域 中 的 Q 检 验
 · 610 · 吉 林 大 学 学 报（ 工 学 版 ） 第 53 卷

法、狄克逊检验法、格鲁布斯检验法等方法都是经 （Variational mode decomposition）、经 验 模 态 分 解

典的基于假设检验的离群点检测方法。除此之 （Empirical mode decomposition）、希 尔 伯 特 -黄 变
外 ，还 有 如 基 于 样 本 分 布 密 度 局 部 异 常 因 子 算 法 换（Hilbert-huang transform）等。
（Local outlier factor，LOF）、孤 立 树 算 法（Isola‐ 基于频域分析和信号分解的各种去噪方法总
tion tree）等［29］
方 法 ，数 字 信 号 处 理 领 域 常 用 的 中 体来说思路相近，即通过分析变换将信号分解后，
值 滤 波 方 法 等 。 再 如 随 机 抽 样 一 致 算 法（Ran‐ 滤 除 其 中 的 低 能 量 分 量 ，随 后 进 行 信 号 重 构 得 到
dom sample consensus，RANSAC） ，是 计 算 机
［30］
去噪后的信号，思路如图 8 所示。
视 觉 领 域 的 一 种 常 用 算 法 ，也 可 用 于 部 分 离 群 点
检测场景。该算法的一般步骤为反复迭代选取数
据中一组随机子集、建立拟合模型、计算非离群点
数 量 ，最 大 化 非 离 群 点 数 量 时 的 子 集 外 的 点 一 般
确 定 为 离 群 点 。 为 提 高 检 测 准 确 率 ，算 法 中 迭 代 图8 信号分解去噪方法
次数和参数模型都需要谨慎选择。 Fig. 8 Denoising methods by signal decomposition
3. 1. 2 对齐和补齐 由 于 具 备 各 种 优 异 特 性 ，小 波 变 换 在 信 号 去
一方面，各种传感器由于硬件的工作频率、采 噪 方 面 具 有 良 好 的 应 用 效 果 ，常 用 的 小 波 去 噪 方
样 频 率 不 同 ，获 取 的 时 序 样 本 序 列 的 频 率 可 能 会 法 有 基 于 小 波 变 换 极 大 值 原 理 去 噪 、基 于 相 关 性
互不相同；另一方面，对于理论上严格均匀采样的 去 噪 、小 波 阈 值 去 噪 等［32］。 目 前 在 故 障 诊 断 和 健
时 序 信 号 ，去 除 离 群 点 后 可 能 会 出 现 部 分 采 样 点 康 评 估 领 域 ，基 于 小 波 变 换 的 去 噪 方 法 有 着 广 泛
测 量 值 空 缺 的 问 题 ，或 者 硬 件 性 能 影 响 也 可 能 导 应用［33，34］。
致实际采样时间分布不均匀。针对以上在数据融 3. 2 特征提取
合 或 处 理 时 常 见 的 数 据 对 齐 或 补 齐 等 问 题 ，一 般 特 征（Feature）是 数 据 内 部 有 效 信 息 的 综 合
可以通过重采样（Resampling）的方法进行解决。 和 集 中 体 现 ，特 征 选 择 和 提 取 就 是 寻 找 数 据 中 信
重 采 样 可 分 为 降 采 样 和 升 采 样 两 类 ，顾 名 思 息 量 最 多 的 特 征 ，并 舍 去 一 些 信 息 量 较 小 特 征 的
义，降采样指降低原始信号的采样频率，最简单的 过 程［35］。 常 用 的 数 据 特 征 可 以 大 致 分 为 特 定 设
降采样方法即直接抽取或先抽取后滤波。与之相 计 的 特 征（Specially designed features），即 含 义 明
反，升采样则是提高采样频率，升采样可用方法有 确的物理指征，以及基于压缩降维的特征，即物理
先 插 零 后 滤 波 、插 值 等 。 其 中 ，插 值 法（Interpola‐ 含 义 无 法 明 确 分 析 的 虚 拟 指 征［36］。 从 信 息 论 的
tion）指 使 用 连 续 函 数 在 某 些 约 束 下 拟 合 一 段 离 角度，特征可以理解为数据中信息的编码，在某种
散 数 据 进 而 得 到 其 中 某 一 时 刻 的 近 似 值 ，常 用 的 维度下可以有效替代原始数据而不影响算法对数
插 值 方 法 有 线 性 插 值 、埃 尔 米 特（Hermite）插 值 、 据的理解和识别。通过去除一些不重要特征以及
样条（Spline）插值等。 冗余信息实现数据压缩，可以有效降低数据体量，
3. 1. 3 去噪 缓解存储压力，对于提高数据处理、利用效率也有
数 据 采 集 过 程 中 的 噪 声 虽 然 不 可 避 免 ，但 可 重要意义。
以 通 过 一 定 方 法 去 除 部 分 噪 声 ，这 对 于 提 升 信 噪 3. 2. 1 常用的统计特征
比 、提 高 数 据 可 用 性 和 评 估 准 确 率 具 有 重 要 作 虽 然 人 工 特 征 提 取 存 在 着 诸 多 缺 陷 ，如 比 较
［31］
用 。 目 前 ，最 简 单 的 去 噪 方 法 是 使 用 数 字 滤 波 依 赖 相 关 工 程 经 验 ，对 目 标 系 统 要 求 具 备 一 定 先
器，如低通滤波器（Low pass filter，LPF）和带通滤 验知识等，但根据长期的工程经验积累，也有一些
波 器（Band pass filter，BPF）等 滤 除 信 号 中 特 定 频 较为常用的统计特征在实际健康评估系统中得到
率 段 的 噪 声 。 同 时 ，许 多 研 究 人 员 开 始 探 索 其 他 应用，一般与其他方法综合应用，共同构造特征向
更 有 效 的 去 噪 方 法 ，如 基 于 Allen 方 差 的 噪 声 分 量 。 如 文 献［37］中 选 取 了 最 大/最 小 值 、均 值 、均
析 和 建 模 ，此 外 基 于 信 号 分 解 的 去 噪 方 法 是 目 前 方根、峰值因子等多个时域特征，连同小波包三层
较为常用、效果较好的一类方法，其核心的信号分 分解子频带的能量值共同组成特征向量。一般常
解方法包括傅里叶分解、小波分解、变分模态分解 用 的 统 计 特 征 量 如 表 1 所 示 。 其 中 ，X 为 满 足 某
 第3期 全 权，等：面向复杂系统健康评估的若干思考 · 611 ·

种特定分布特性的随机变量，x 1，x 2，⋯，x n 为随机 第 一 主 成 分 和 第 二 主 成 分 。 接 下 来 ，本 小 节 将 针

变量 X 的样本。 对压缩感知或者深度学习在特征提取方面的应用
表 1 时序信号常用数据特征 进行举例介绍。
Table 1 Common statistic characteristics of
digital signal
序号 特征名称 计算公式
1 n
1 均值（Mean） μ=
n
∑x i
i= 1

整理平均值（Average recti‐ 1 n
2
fied value）
X ARV =
n
∑| x | i
n=1

1 n

∑ ( x - μ)
2
3 方差（Variance） σ2 = i
n-1 i= 1

( )
2
1 n
4 方根幅值 Xr =
n
∑ | xi |
图9
i= 1
主成分分析示意图
5 峰峰值（Peak to peak） X PP = max x i - min x i( ) ( ) Fig. 9 Schematic diagram of principal
6 峰值（Peak） X P = max (| x | ) i component analysis
均方根（Root mean square， 1 n
（1）基 于 压 缩 感 知 的 特 征 提 取 压缩感知
7
RMS）
X RMS =
n
∑x 2
i
i= 1
（Compressed sensing）是 一 种 有 别 于 经 典 奈 奎 斯
( x - μ)
4
1 n
特 采 样 定 理 框 架 的 新 型 信 号 采 集 、描 述 和 处 理 理
∑
i
8 峰度（Kurtosis） XK =
σ4 i= 1 n
论，其核心思想在于对某高维稀疏信号，通过一个
3. 2. 2 基于频域分析方法的特征提取 测 量 矩 阵 将 其 投 影 至 某 一 低 维 空 间 中 ，然 后 通 过
小波分析和小波包分析在时序信号时频分析 求解一个最优化问题从低维空间的投影中重构出
和 特 征 提 取 方 面 有 着 重 要 应 用 ，如 文 献［38］中 选 原始信号。其数学表达式为：
取了小波分解去噪后各频段信号能量值构造特征
向 量 ；文 献［39］通 过 核 熵 成 分 分 析 结 合 小 波 分 析 { X = Ψθ
Y = ΦX = ΦΨθ
提出了一种新的过程监测算法；文献［40，41］中则 式中：θ ∈ R N 为原信号 X ∈ R N 在基底 Ψ ∈ R N × N 下
是 通 过 小 波 包 分 解 动 态 信 号 ，以 各 频 段 系 数 标 准 的 稀 疏 表 达 坐 标 ；Φ ∈ R M × N 为 测 量 矩 阵 ；
差作为特征向量。 Y ∈ R M ( M << N ) 为压缩后的观测值。
3. 2. 3 基于时域分析方法的特征提取 在 健 康 评 估 的 数 据 处 理 阶 段 ，压 缩 感 知 被 广
随着数据科学的发展以及大数据相关技术的 泛应用于信号去噪、压缩、特征提取等用途。如文
进步，各种人工智能领域的经典算法，乃至机器学 献［42］讨 论 了 将 使 用 压 缩 感 知 原 理 得 到 的 低 维
习 、深 度 学 习 的 研 究 成 果 和 技 术 也 逐 步 应 用 于 压 缩 观 测 值 作 为 信 号 特 征 ，直 接 进 行 轴 承 故 障 诊
PHM 领 域 。 在 进 行 数 据 降 维 、构 造 特 征 向 量 方 断方法的可行性，并进行了实验验证。此外，结合
面 ，常 用 的 经 典 算 法 包 括 但 不 限 于 主 成 分 分 析 压缩感知和深度学习的方法［43，44］也成为许多研究
（Principal component analysis）、多 维 尺 度 变 换 人员的研究方向。
（Multidimensional scaling）、支 持 向 量 机（Support （2）基于深度学习网络的自学习特征提取
vector machine）等 。其中，主成分分析是一种经
［6］
由 于 良 好 的 特 征 自 动 提 取 和 学 习 能 力 ，深 度
典且常用的线性数据压缩方法，如图 9 所示，以二 学 习 在 PHM 领 域 的 数 据 处 理 环 节 也 有 着 广 泛 应
维数据为例 ，图中样本数据的两个维度 x 1 和 x 2 明 用。基于学习和反馈的深层特征自动提取可以克
显 存 在 较 强 的 相 关 性 ，此 时 选 择 某 个 向 量 F 1 ，要 服 人 工 提 取 特 征 不 充 分 、浅 层 次 、主 观 性 强 等 缺
求 其 满 足 数 据 在 该 向 量 上 投 影 的 方 差 最 大 ，那 么 点 。 以 图 10 所 示 的 卷 积 神 经 网 络（Convolutional
即 可 将 数 据 在 向 量 F1 上 的 投 影 近 似 替 代 原 始 数 neural network，CNN）为例，输入数据经多次卷积
据。若数据损失过大，则类似地，继续选择某个与 池 化 后 再 通 过 多 层 网 络 得 到 输 出 ，根 据 误 差 反 馈
F1 正交的向量 F2 并计算原样本数据在其上的投 迭 代 调 整 网 络 参 数 ，就 可 以 找 到 当 前 训 练 集 下 最
影 ，以 此 类 推 ，数 据 在 F 1 和 F 2 上 的 投 影 依 次 称 为 优的深层特征提取网络。如文献［45］中使用一维
 · 612 · 吉 林 大 学 学 报（ 工 学 版 ） 第 53 卷

卷 积 网 络 构 建 出 一 种 多 通 道 融 合 特 征 提 取 器 ，从 （1）健 康 状 态 ：记 作 s k ∈ R n ，其 中 ，下 标 k 表 示
传 感 器 原 始 信 号 提 取 设 备 退 化 特 征 ，并 设 计 了 一 时间或第 k 个周期。它可以是基于有效数据直接
种自适应特征选择器进行特征选择以实现性能的 分 析 、估 计 获 得 的 具 有 物 理 含 义 的 变 量 ，比 如 温
优化。工程中常用的深度学习框架还包括自动编 度 、压 力 、振 幅 等 ，或 者 是 数 据 处 理 环 节 得 到 的 特
［46 - 48］
码器、深度置信网络、长短期记忆网络等 。 征 数 据 ，如 剩 余 寿 命 或 者 稳 定 裕 度［49］等 。 健 康 状
态 是 可 以 直 接 反 映 目 标 对 象 健 康 的 关 键 指 标 ，是
进行健康评估的依据和基础。
（2）健 康 集 合 ：记 作 Η ，一 般 根 据 专 家 经 验 或
统计分析获得，是进行优劣评估的参考“标准”。
（3）健康度量：评估的量尺，给出状态、健康集
合 之 间 如 距 离 、相 似 性 、相 近 程 度 等 信 息 的 量 化
值，记作函数 M ( ⋅ ) 。
图 10 卷积神经网络示意图
Fig. 10 Schematic diagram of convolutional 健康度量的直接结果，即健康评估的结果，是
neural network 表 征 对 象 系 统 退 化 程 度 的 直 接 体 现 ，一 般 将 其 称
为 健 康 因 子 或 健 康 指 标（Health index 或 Health
3. 3 小结
indicator，HI）。
总 的 来 说 ，数 据 处 理 是 保 障 健 康 评 估 准 确 性
关 于 健 康 度 量 方 法 ，引 入 模 糊 数 学 概 念 的 率
和 可 信 度 的 一 项 重 要 工 作 。 其 中 ，预 处 理 是 对 原
模 可 靠 度 是 一 种 可 行 的 度 量 方 法［50，51］。 具 体 来
始 数 据 进 行 简 单 梳 理 的 初 加 工 ，以 得 到“ 干 净 ”、
说 ，该 方 法 中 将 简 单 的“ 健 康 ”和“ 不 健 康 ”二 值 逻
“准确”又“符合后续处理要求”的数据源。特征提
取则是通过时域、频域或其他方法，进一步抽取出 辑扩展到模糊空间中，引入图 11 所示的隶属函数

数据更简短、高效的表达形式，进而减少算力或存 表 示 状 态 处 于“ 健 康 ”或“ 不 健 康 ”的 模 糊 可 靠 性 ，

储需求，提高算法的泛化能力。 即此时变量对于健康集合的隶属关系是模糊的。
基于一定假设，通过研究图 12 所示各状态之间的
4 健康评估 转 移 问 题 ，文 献［52，53］给 出 了 率 模 健 康 度 量 方

不 同 于 前 文 第 1. 2. 2 小 节 中 的 介 绍 ，这 里 指 法 的 定 义 和 计 算 方 法 。 图 12 中 ，1，2，⋯，N 为 模
的 是 狭 义 上 的“ 健 康 评 估 ”。 具 体 来 说 ，主 要 包 括 糊 健 康 空 间 的 划 分 ，此 时 给 定 时 间 区 间 [ t 0，t ]，率
系统性能退化的量化评估等相关层面的内容。 模区间可靠度定义为：
一 般 来 说 ，根 据 评 估 方 法 中 考 虑 的 系 统 模 型 R ( t 0，t ) = P {T HF 在时间 [ t 0，t ] 不发生 }
的透明程度，健康评估方法可以分为白箱方法、黑 式中：T HF 为从模糊健康状态 H 到模糊失效状态 F
箱方法以及其他综合方法。从应用的实时性来 的转移，可认为是一个模糊事件。
说 ，评 估 方 法 可 以 分 为 实 时 评 估 和 离 线 评 估 。 本
小 节 则 是 从 评 估 方 法 的 尺 度 和 粒 度 出 发 ，将 健 康
评 估 分 为 健 康 属 性 评 估 和 系 统 健 康 评 估 ，实 际 应
用过程，可根据不同的方法特性和工程需求，进行
实时评估或离线评估即可。本节将对两种评估的
图 11 隶属函数示意图
内涵、流程、一般方法等进行简要总结和说明。
Fig. 11 Schematic diagram of membership function
4. 1 健康属性评估
4. 1. 1 属性评估三要素 总 的 来 说 ，率 模 可 靠 度 作 为 健 康 度 量 的 一 种
属性评估的目标对象可以是复杂系统中结构 方法，通过隶属函数描述系统运行状态，由此系统
或 功 能 方 面 的 最 基 本 单 元 ，也 可 以 是 子 系 统 或 复 状态不再是健康与否的简单二值问题。该方法将
杂系统本身，基于其关键参数的模态、特征等信息 健 康 度 量 推 广 到 模 糊 空 间 ，更 加 符 合 实 际 工 程 需
量化对象的健康信息。属性评估的三要素可以概 求，是健康度量方法的一种有力补充。
括如下。 基于上述定义，属性评估的数学表示为：
 第3期 全 权，等：面向复杂系统健康评估的若干思考 · 613 ·

图 14 分步属性评估流程图
Fig. 14 Step-by-step attribute assessment flow chart
表 2 体重范围判定表
Table 2 Table for determining the weight condition
体重情况 BMI
体重过低 <18.5
体重正常 18.5~23.9
超重 24~27.9
图 12 模糊逻辑下的健康空间和不健康空间 肥胖 ≥28
Fig. 12 Healthy and unhealthy sets under fuzzy logic
（1）基于模型和残差的分步属性评估
h k = M ( s k，⋯，s 0，Η ) ，k ≥ 0 （1）
基于模型的分步属性评估方法一般是基于目
式中：h k 为评估结果（见图 13）。
标 系 统 的 失 效 机 理 或 动 态 特 性 的 数 学 模 型 ，结 合
根 据 技 术 路 线 的 不 同 ，属 性 评 估 可 以 再 细 分
测量数据判断系统的损伤、故障或性能退化情况。
为：分步属性评估和直接属性评估。
模 型 是 所 观 测 的 目 标 系 统 的 数 学 表 征 ，可 用 于 分
析其退化或故障机制。为了建立一个尽可能精
确、真实的模型，对系统运行过程的物理机制进行
深入了解是必不可少的。但目标系统的复杂性越
高 ，系 统 的 数 学 模 型 中 的 参 数 、方 程 也 会 越 多 ，增
加 了 模 型 仿 真 运 算 量 。 因 此 ，往 往 需 要 引 入 一 定
的假设和近似保证最终模型简约可用且尽量真实
有效。基于模型和残差的分步属性评估方法最显
著 的 优 势 就 是 无 需 大 量 失 效 数 据 ，也 不 需 要 针 对
特定失效事件的数据［6］。
具体来说，基于模型的分步属性评估方法，属
图 13 健康集合或不健康集合示意图
性 评 估 三 要 素 为 ：① 健 康 状 态 ：一 般 通 过 残 差 r
Fig. 13 Schematic diagram of healthy or unhealthy sets
（Residual）描 述 系 统 偏 离 或 退 化 状 态 ，此 时 s = r 。
4. 1. 2 分步属性评估
②健康集合：基于以上健康状态，零偏差一般是健
如 前 文 所 述 ，分 步 属 性 评 估 指 的 是 通 过 评 估
康 状 态 的 期 望 ，即 Η = { 0 }。 ③ 健 康 度 量 ：度 量 方
三 要 素 中 健 康 集 合 和 度 量 方 法 的 显 示 表 达 式 ，逐
法 M ( ⋅ ) 的 选 取 方 面 ，一 方 面 残 差 值 本 身 便 是 系
步 、依 次 得 到 各 目 标 对 象 各 健 康 状 态 对 应 的 健 康
统 状 态 偏 离 健 康 集 合 的 一 种 度 量 结 果 ，即 h =
评估结果，其各环节如图 14 所示。以人的体重健
康 评 估 问 题 为 例 ，身 高 质 量 指 数（Body mass in‐ M ( s ) = r。

dex，BMI）是常用的一种判定指标，是基于身高和 该 方 法 中 ，残 差 的 生 成 或 计 算 方 法 有 两 条 主
体 重 这 两 个 原 始 数 据 计 算 得 到 的 ，可 以 在 一 定 程 要思路。一条思路如图 15 所示，基于目标系统实
度上表征体重健康的健康状态。中国成人正常体 际输出 y 与期望输出 y est 的残差 r 对系统的健康进
重 标 准 BMI 一 般 选 取 为 18. 5~23. 8，即 健 康 标 行量化评估或识别诊断故障。此时可以不需要系
准 ，健 康 度 量 方 法 如 表 2 所 示 。 本 小 节 将 对 分 步 统 的 状 态 向 量 估 计 ，直 接 通 过 目 标 系 统 的 输 入 输
属性评估的一些常用方法和研究实例进行简单 出 模 型（Input-output model）估 计 、预 测 输 出 值 即
介绍。 可［54］。 如 文 献［55］即 采 用 如 图 15 所 示 的 结 构 针
 · 614 · 吉 林 大 学 学 报（ 工 学 版 ）
对 直 升 机 进 行 动 力 系 统 和 传 感 器 故 障 识 别 ，文 中
考 虑 了 直 升 机 悬 停 或 上 下 、前 后 飞 行 等 简 单 场 景
以避免非线性、强耦合模型。同时，为减小运算复
杂 度 ，观 测 器 采 用 线 性 动 态 模 型 —— 外 因 输 入 的
自 回 归 模 型（Auto regressive eXogenous）模 拟 直
升 机 在 以 上 场 景 中 无 故 障 的 良 好 工 作 状 态 ，模 型
参数则是通过部分历史信息和数据进行辨识
得到。
图 15 基于输出偏差的评估方法示意图
Fig. 15 Schematic diagram of assessment
method based on output bias
另一条主要思路如图 16 所示，以目标系统的
失 效 模 型 或 动 态 模 型 为 基 础 。 一 般 来 说 ，工 作 状
态 、系 统 性 能 的 改 变 往 往 对 应 关 键 参 数 的 缓 慢 或
突 然 变 化 。 因 此 ，基 于 失 效 模 型 中 的 失 效 因 子 或
变量，或数学模型中部分与系统性能、健康密切相
关 的 状 态 量 的 估 计 值 或 观 测 量 ，可 以 对 系 统 健 康
和工作状态进行评估和评价。由于被估计量在一
定 程 度 上 与 系 统 健 康 存 在 某 种 联 系 ，且 在 系 统 运
行 期 间 ，被 估 计 量 一 般 单 调 变 化 ，将 被 估 计 量 x est
与标准阈值（Threshold）进行比较生成残差 ，并进
行 归 一 化 去 量 纲 等 处 理 得 到 偏 离 率 ，偏 离 率 可 以
作为健康评估的一种关键指标。
图 16 基于状态偏差的评估方法示意图
Fig. 16 Schematic diagram of assessment method
based on state deviations
在 上 述 两 种 思 路 中 ，系 统 输 出 一 般 可 通 过 测
量直接得到，而内部的状态变量往往是不可知的，
需通过状态估计方法，根据系统的输入输出信息，
对其内部状态进行适当估计。在实际应用或研究
中 ，卡 尔 曼 滤 波 器（Kalman filter，KF）是 最 为 常 用
的状态估计方法之一。它可以从含有噪声干扰的
观 测 量 中 估 计 系 统 的 未 知 状 态 ，通 过 预 测 和 更 新
的 不 断 迭 代 实 现 状 态 估 计 。 准 确 来 说 ，卡 尔 曼 滤
第 53 卷
波器是可以在存在白噪声干扰时不断逼近状态变
量的无偏估计。估计误差的协方差矩阵反映了估
计误差的随机特性，根据式（1）分析协方差传播特
性 可 以 得 到 属 性 评 估 结 果 h k 的 协 方 差 矩 阵 ，进 而
(- - )
可以分析其置信区间 h k ，h k 。
卡尔曼滤波器的局限性是要求噪声符合高斯
分布，且仅适用于线性系统。为克服以上局限性，
研 究 人 员 提 出 了 各 种 卡 尔 曼 滤 波 的 改 进 算 法 ，如
扩 展 卡 尔 曼 滤 波 器（Extended Kalman filter，
EKF）、无 迹 卡 尔 曼 滤 波 器（Unscented Kalman fil‐
ter，UKF）、粒 子 滤 波（Particle filter，PF）等 算
法［56，57］，并进行了实际应用。
作 为 模 型 状 态 估 计 的 一 种 重 要 方 法，EKF 在
健康评估过程中有许多重要应用。如文献［58］通
过 EKF 估 计 了 四 旋 翼 飞 行 器 动 力 系 统 故 障 模 型
中 的 失 效 因 子 ，并 基 于 此 给 出 控 制 能 力 指 标 的 定
义 和 计 算 方 法 ，由 该 指 标 实 现 四 旋 翼 飞 行 器 控 制
能 力 的 在 线 快 速 评 估 。 文 献［59］则 通 过 EKF 估
计 四 旋 翼 飞 行 器 数 学 模 型 的 状 态 向 量 ，并 给 出 一
种 残 差 定 义 用 于 实 现 状 态 监 测 。 文 献［60］通 过
EFK 结 合 电 池 模 型 估 计 了 可 以 直 接 反 映 电 池 健
康 的 关 键 指 标 SoC（State of charge）和 SoH（State
of health）。
基于模型和残差的分步属性评估方法一直是
健康评估的一类重要且不可取代的关键方法。但
就 具 体 工 程 应 用 来 说 ，各 目 标 对 象 以 及 评 估 角 度
的 不 同 导 致 最 终 进 行 健 康 评 估 选 择 的 模 型 、建 模
方 法 基 本 不 同 ，因 此 即 便 基 于 模 型 进 行 健 康 评 估
具 备 诸 多 明 显 优 势 ，但 在 实 际 应 用 中 也 存 在 着 技
术 门 槛 较 高 、方 法 普 适 性 和 扩 展 性 不 强 等 明 显
短板。
（2）基于聚类的分步属性评估
各 聚 类 算 法 采 用 无 监 督 学 习 方 法 ，通 过 重 复
迭 代 反 馈 ，自 动 寻 找 训 练 数 据 集 中 关 系“ 相 近 ”或
类 型“ 相 似 ”的 样 本 完 成 类 别 的 划 分 和 识 别 ，即 对
健康集合或不健康集合进行自动确定。较为常用
的 聚 类 算 法 有 网 格 聚 类（Grid clustering）、减 法 聚
类（Subtractive clustering）、模 糊 k 均 值 聚 类
（Fuzzy k-means）、k 最近邻聚类（k-Nearest-neigh‐
bors，KNN）、归 纳 监 测 系 统（Inductive monitoring
system）等。
基于聚类的分步属性评估方法的三要素为：
①健康状态，一般直接选取特征数据 s i ；②健康集
 第3期 全 权，等：面向复杂系统健康评估的若干思考 · 615 ·

合 ，使 用 聚 类 方 法 的 目 的 便 是 完 成 健 康 集 合 Η 的 4. 1. 3 直接属性评估
自 动 寻 找 和 划 分 ；③ 健 康 度 量 ，聚 类 方 法 中 ，度 量 与分步属性评估相比，直接属性评估（或称为
方 法 M ( ⋅ ) 用 于 描 述 样 本 关 系 是 否“ 相 似 ”，一 般 “端到端”
（End-to-end）评 估）应 用 于 对 目 标 对 象
通 过 样 本 点 间 距 离 d 表 示 ，d 越 小 表 示 两 样 本 点 认 识 有 限 ，模 型 分 析 复 杂 、困 难 ，导 致 健 康 集 合 或
距离越近，相似度越高，反之越低。距离 d 的常用 度量方法不便于或者无法显示表示的一类应用场
计 算 公 式 为 ：d = ‖ s i - s j ‖ ，其 中 ，
‖ ⋅ ‖q 为 向 量 的 q 景 。 此 时 评 估 不 宜 继 续 分 步 依 次 进 行 ，通 过 数 据
q
驱动的监督学习方法训练的网络模型拟合经验数
范 数 ，当 q = 2 时 ，该 距 离 称 为 欧 氏 距 离（Euclide‐
据，进而根据输入变量直接得到评估结果，是一种
an distance），当 q = 1 时 ，称 为 曼 哈 顿 距 离（Man‐
较为常用的可行方法。该方法不再明确定义和区
hattan distance），用 户 需 根 据 不 同 应 用 场 景 选 择
分 属 性 评 估 方 法（见 式（1））中 健 康 集 合 Η 和 健 康
不 同 的 q 值 。 另 外 一 种 常 用 的 马 氏 距 离（Mahala‐
度量 M ( ⋅ ) 。
(s - s ) (s - s )，
T
nobis distance）为 ：d M = i j Σ -1
i j 根 据 训 练 数 据 标 签 的 来 源 ，直 接 属 性 评 估 的
其 中 ，Σ 为 协 方 差 矩 阵 。 应 根 据 不 同 应 用 的 情 况 应 用 场 景 可 以 大 致 分 为 两 类 ：① 训 练 集 标 签 来 源
选择合适的距离计算方法。 于 有 经 验 的 专 家 或 工 程 人 员 的 人 工 标 记 ，网 络 模
聚 类 算 法 中 ，k 最 近 邻 算 法 是 较 为 简 单 但 最 型 则 是 对 专 家 经 验 的 近 似 和 模 拟 ；② 训 练 集 标 签
为常用的聚类算法之一。它是一种非参数学习算 可 以 方 便 地 直 接 获 得 ，且 可 以 直 接 作 为 健 康 评 估
法 ，通 过 在 训 练 数 据 集 中 找 到 最“ 相 似 ”的 样 本 进 结果，常见的如电池的全生命周期数据，网络则对
行分类，并相应地对它们进行分组。训练完成后， 目 标 对 象 全 生 命 周 期 内 状 态 恶 化 、性 能 退 化 过 程
KNN 即可根据新加入的、未知的样本点与已寻找 进 行 拟 合 ，进 而 实 现 对 目 标 对 象 的 健 康 量 化 或 剩
确 定 的 样 本 集 合 的 相 似 关 系 确 定 其 类 别 ，如 图 17 余寿命估计。
所 示 。 为 提 高 分 类 的 准 确 性 ，一 般 还 要 经 过 投 票 根 据 上 述 介 绍 ，直 接 属 性 评 估 的 方 法 适 用 于
过程最终确定样本点类别情况。 大 量 数 据 便 于 获 取 ，但 系 统 模 型 相 关 知 识 相 对 欠
缺的一类应用场景。其本质是通过挖掘或学习数
据中的隐藏信息，辨识系统特征、提取损伤过程的
内部特征以及预测部件或子系统的预期状态。相
对较低的算法开发成本和对系统底层物理的更少
的知识要求是该评估方法的主要优势之一。其主
要缺点则是依赖于从故障事件中获取大量准确数
据 。 由 于 安 全 限 制 ，在 某 些 行 业 ，如 航 空 航 天 等 ，
一方面相关数据很难获取，另一方面，故障事件也
相对较少。
具 体 来 说 ，健 康 评 估 一 般 采 用 机 器 学 习 相 关
图 17 聚类示意图 方 法 ，比 如 人 工 神 经 网 络（Artificial neural net‐
Fig. 17 Schematic diagram of clustering work，ANN）、卷 积 神 经 网 络 等 较 为 常 用 的 方 法 ，
在 健 康 评 估 相 关 应 用 或 研 究 方 面 ，文 献［61］ 此外还有支持向量机等。
采 用 加 权 KNN 分 类 器 实 现 旋 转 机 械 的 故 障 诊 从原理来说，由于缺少模型相关知识，加之系
断 ，并 详 细 介 绍 了 数 据 特 征 构 造 和 降 维 方 法 。 文 统 全 生 命 周 期 相 关 数 据 获 取 难 度 较 大 ，该 类 方 法
献［62］针 对 传 统 KNN 计 算 复 杂 度 高 的 问 题 提 出 一 般 无 法 对 目 标 系 统 健 康 进 行 精 准 细 致 描 述 ，因
一种改进算法。文献［63］利用主成分分析在降维 此该类方法一般主要局限于进行故障检测和诊断
方 面 的 优 异 性 ，以 及 KNN 故 障 检 测 算 法 在 非 线 层面的实际应用。
性 和 多 模 态 处 理 方 面 的 优 势 ，提 出 了 一 种 基 于 主 （1）人工神经网络
成 分 的 KNN 算 法 。 文 献［64］针 对 某 一 固 定 场 景 人工神经网络是最为常用的机器学习算法之
对比了多种 KNN 算法在实际应用中的差异。 一，由多层神经元结点连接组成多层感知机，通过
 · 616 · 吉 林 大 学 学 报（ 工 学 版 ） 第 53 卷

误 差 反 向 传 播 迭 代 调 整 网 络 参 数 ，可 以 实 现 对 复
杂非线性系统的模拟和拟合。常用的神经网络之
一的卷积神经网络，引入卷积核这一概念，在神经
结 点 层 前 通 过 多 次 卷 积 、池 化 等 操 作 实 现 对 数 据
特 征 的 自 动 提 取 。 凭 借 其 良 好 的 学 习 特 性 ，卷 积
神 经 网 络 在 目 标 识 别 、对 象 分 类 等 监 督 学 习 领 域
有着广泛应用，尤其是故障检测和诊断相关领域，
也有诸多研究人员基于此进行研究。
文 献［65］基 于 卷积神经网络和长短时记忆网
络构造了一个结构较为复杂的、面向无人旋翼飞机
的执行器故障检测和识别网络，仿真和实验结果表
明该方法具有较高的准确性。基于卷积神经网络 图 18 复杂系统总的健康情况由各子系统、部件和
对轴承等旋转机械进行故障诊断也是机械行业较 传感器共同决定［5］
为热门的应用之一。除卷积神经网络外，稀疏编码 Fig. 18 Total health of complex systems depends on all
器 ［66］
、深度置信网络、循环神经网络 ［48］
等深度学习 subsystems，sensors and components，etc.

方法在健康评估领域都具有一定的应用场景。 种技术方法对系统状态进行的综合顶层分析。
（2）支持向量机 假 设 系 统 S 中 包 含 m 个 子 部 件 ，分 别 记 作
支 持 向 量 机 是 一 种 典 型 的 机 器 学 习 算 法 ，最 C j，j = 1，2，⋯，m ，则 系 统 S 健 康 评 估 的 一 般 数 学
早 用 于 二 分 类 问 题 ，其 通 过 某 一 支 持 向 量 作 为 分 表达为：
类边界。因此，与深度学习网络相比，支持向量机 (
h Sk = I h (k1)，h (k2)，⋯，h (km )，Τ ) （2）
无 法 实 现 特 征 的 自 动 抽 取 和 构 建 ，上 一 环 节 所 述 式 中 ：h (k j )，j = 1，2，⋯，m 为 子 部 件 或 子 系 统 C j 在
的 特 征 构 建 、特 征 的 选 择 和 融 合 依 然 是 必 不 可 少 时 刻 k 的 健 康 评 估 结 果 ；Τ 为 系 统 的 联 结 或 拓 扑
的 一 环［67］，相 应 地 ，特 征 提 取 的 优 劣 在 一 定 程 度 模型。
上决定了算法结果的可靠性。 4. 2. 1 基于物理模型的系统健康评估
为 提 高 评 估 准 确 性 ，文 献［68］采 用 层 叠 降 噪 复杂系统是底层部件或者各子系统的结构和
自 动 编 码 器 实 现 了 信 号 去 噪 和 特 征 提 取 ，同 时 与 功 能 上 的 复 杂 集 合 ，对 于 一 些 结 构 或 功 能 不 太 繁
基于数理统计方法提取的时域特征结合组成联合 杂 的 系 统 ，通 过 建 立 该 系 统 的 全 面 或 简 化 模 型 进
特 征 向 量 。 在 健 康 评 估 相 关 应 用 中 ，支 持 向 量 机 行综合分析也是进行系统健康评估的一种行之有
参数优化也是研究人员考虑的问题之一。 效的手段。如对于多旋翼飞行器之类的多执行器
4. 2 系统健康评估 系统或装备，在不同的执行器硬件搭配、分布结构
系 统 健 康 是 系 统 中 子 系 统 、部 件 设 备 所 有 的 等 情 况 下 ，由 基 本 执 行 单 元 到 整 个 执 行 系 统 的 健
可 用 信 息 的 总 和 。 在 评 估 复 杂 系 统 健 康 时 ，往 往 （Degree of control‐
康指标拓扑即可通过“可控度”
需要考虑和分析大量底层基础数据。当系统性能 lability，DOC）这 一 常 用 的 物 理 模 型 特 性 进 行
退化、工况恶化乃至故障事故发生时或发生前，可 分析。
以反映系统健康的有效信息往往就潜藏在这些繁 如图 19 所示，多旋翼飞行器有各种各样的动
杂的数据之中。数据中反映出的症状（Symptom） 力单元组合的可能性，即便旋翼数量相同，多旋翼
或征兆（Sign）是分析和研判系统健康情况的重要 的旋翼分布构型也可能是不尽相同的。在整个多
依 据 。 如 图 18 所 示 ，症 状 一 般 在 部 件 或 子 系 统
［5］
旋 翼 飞 行 器 中 ，动 力 系 统 的 安 全 可 靠 对 飞 行 安 全
层级，通过各种传感器、观测装置或特殊测试实验 的 保 障 具 有 重 要 作 用 ，因 此 对 于 动 力 系 统 可 靠 性
进 行 检 测 ，而 系 统 或 设 备 的 健 康 信 息 一 般 则 需 要 分 析 和 控 制 研 究 具 有 重 要 意 义［69］。 可 控 度 是 一
通 过 各 种 系 统 健 康 评 估 方 法 ，综 合 考 量 和 融 合 底 个 重 要 指 标 ，它 综 合 考 虑 了 多 旋 翼 中 各 动 力 单 元
层 信 息 才 能 得 到 。 可 以 说 ，系 统 健 康 评 估 是 基 于 可靠性以及整体动力单元几何分布构型。常用的
各种相关数据，考虑系统功能或物理结构，通过各 可控度的定义有模态可控度、状态范数可控度，基
 第3期 全 权，等：面向复杂系统健康评估的若干思考 · 617 ·

于 可 控 性 Gramian 矩 阵 的 可 控 度 等［70］。 如 文 献 4. 2. 2 基于加权模型的系统健康评估

［71］中 定 义 了 一 种 基 于 剩 余 控 制 能 力（Available
control authority index，ACAI）的 可 控 度 ，文 献
［72］中定义了一种表示抗干扰能力的可控度。
加权模型是进行系统健康评估的一种简单、
常 用 方 法 。 对 于 属 性 评 估 的 最 小 粒 度 单 元 ，若 同
时有多个参数，表征同一对象不同方面的健康，一
般 需 要 根 据 每 个 参 数 的 重 要 程 度 、对 健 康 影 响 的
重要性等因素，对参数进行加权处理，综合得到最
终 的 系 统 健 康 评 估 指 标 。 具 体 来 说 ，假 设 某 设 备
C 的 健 康 情 况 由 s( 1)，s( 2)，⋯，s( n ) 共 n 个 状 态 反 映 ，
其属 性评估结果 分别为 h ( 1)，h ( 2)，⋯，h ( n ) ，则设 备 C
的健康评估指标可表示为：
n

hC = ∑ w h( )
j= 1
j
j
（5）

式 中 ：h C 为 设 备 C 的 综 合 健 康 指 标 ；w j ∈ [ 0，1 ] 为
不 同 参 数 在 综 合 考 量 中 的 不 同 的 权 重 ，它 表 现 了
该参数对设备健康程度影响作用的大小。
权重的选择要根据设备的可靠性测试实验结
果 或 专 家 经 验 等 先 验 知 识 合 理 选 取 ，要 求 满 足 ：
n
∑ w j = 1，w j ≥ 0 。 先 验 知 识 是 权 重 w j 的 重 要 选
j= 1

图 19 不同布局、结构的多旋翼示意图 取 依 据 ，如 果 确 实 缺 乏 相 关 知 识 ，取 w j = 1/n 也
Fig. 19 Schematic diagram of different structures and
是一种选择方案。
configurations of different multicopters
层 次 分 析 法（Analytic hierarchy progress，
文献［73］则是在可控度的基础上考虑了动力 AHP）是 基 于 先 验 知 识 分 配 、设 计 权 重 的 一 种 常
单元的失效概率，进一步提出了可控概率（Proba‐ 用 解 决 方 法 。 一 般 来 说 ，层 次 分 析 法 是 系 统 工 程
bility of being controllable）P CP 和 平 均 可 控 度（Av‐ 进行综合最优决策的常用工具［75，76］。对于层次分
erage DOC）的概念 ρ ADoC 。其定义为： 析 法 ，需 要 将 问 题 抽 象 为 目 标 层 、指 标 层 和 方 案
■| N
层 。 对 于 上 述 权 重 选 取 问 题 ，各 参 数 的 健 康 指 标
| P CP = ∑ P j h
( j)
|| j= 0 处于指标层。通过两两比较各指标之间重要度构
■ N
（3）
建 判 断 矩 阵 ，一 般 选 取 归 一 化 后 的 矩 阵 的 无 穷 范
ADoC = ∑ ρ j P j h
|| ρ ( j)
|| 数或最大特征值的特征向量作为各指标对应的权
■ j = 0

式 中 ：P j、ρ j 分 别 为 事 件 c j 的 发 生 概 率 和 可 控 度 ， 重 。 基 于 此 权 重 及 式（5）就 可 以 得 到 最 优 评 估
j = 1，2，⋯，2n ，其中，n p 为多旋翼的个数。
p 结果。
4. 2. 3
此外，h ( j ) = M ρ 选择为：( ) j
基于故障树模型的系统健康评估
可靠性分析的相关理论在系统健康评估领域
■ 0， ρ≤0
M ( ρ) ≜ ■ （4） 中具有重要应用价值。在健康评估的最小粒度之
1， ■ ρ>0
上，如图 18 针对复杂系统各层次间健康评估结果
文 献［73］中 规 定 j 的 二 进 制 的 右 起 第 i 位 的 汇 总 或 整 合 阶 段 ，最 简 单 、基 本 的 联 接 模 型 如 图
“0”和“1”分 别 对 应 第 i 个 旋 翼 失 效 和 正 常 两 种 状 20 所 示 ，一 般 可 分 为 串 联 、并 联 或 二 者 的 混 联 模
态 。 如 针 对 四 旋 翼 ，对 于 事 件 c 13 ，j = 13 ( 10 ) = 型以及表决模型等。设其中设备或子系统的健康
1101 ( 2) ，因 此 事 件 c 13 表 示 动 力 单 元 #1、#3 和 #4 状 指标为 h ( ) ，由 n 个设备或子系统串联的系统健康
C j

态正常，#2 完全失效这一事件。分析和计算结果 是各串联设备的健康指标之积，计算公式为：

n
表 明 ，定 义 的 可 控 概 率 打 通 了 飞 行 器 控 制 、设
计 ［74］
与 风 险 之 间 的 桥 梁 ，可 以 进 行 风 险 定 量 刻
h (串S ) = ∏ h(
j= 1
Cj ) （6）

画，用于飞行器设计和评估等方面。 由 n 个设备或子系统并联的系统健康是各串
 · 618 · 吉 林 大 学 学 报（ 工 学 版 ） 第 53 卷

联设备健康指标中的最大值，计算公式为：
h (并S ) = max
i = 1，2，⋯，n
{ h( ) }
Cj
（7）

由 n 个设备或组成的表决系统的系统健康计
算公式为：

h (表决
S)
= ∑
n

i= r
()
n
i
∏ h( )∏ ( 1 - h(
i

j
Cj
n-i

k
Ck )
) （8）

当 然 ，式（6）~（8）所 示 的 计 算 方 式 只 是 众 多
可选方法中的一部分。

图 21 故障树示意图
Fig. 21 Schematic diagram of fault tree

逐层展开直至遇到不再需要进一步发展的事件
（底 事 件）。 在 故 障 树 分 析 阶 段 ，一 般 从 定 性 评 估
和 定 量 评 估 两 方 面 考 虑 。 简 单 来 说 ，定 性 评 估 可
以 通 过 故 障 树 的 最 小 割 集 ，一 方 面 考 察 系 统 或 装
备的可靠性、安全性设计是否合理；另一方面大致
评 定 故 障 模 态 的 定 性 重 要 度 、共 因 敏 感 度 等 定 性
评 价 指 标 。 此 外 ，故 障 树 定 性 分 析 还 包 括 蕴 涵 族
寻 找 、模 块 子 树 寻 找 等 一 系 列 理 论 方 法 。 定 量 分
析则是通过计算底事件相关概率和健康指标计算
顶事件概率、发生频度、危害度等。
总 的 来 说 ，故 障 树 提 供 了 一 种 结 合 逻 辑 分 析
图 20 常见的系统可靠性方框图 系统故障的计算方法。其优点是可以使用不同的
Fig. 20 Common reliability block diagrams 逻 辑 节 点（或 、和 、异 或），而 不 是 有 向 图 中 主 要 使
故 障 树 是 可 靠 性 分 析 的 另 一 项 重 要 工 具 ，故 用 的 或 节 点 。 这 有 助 于 减 少 虚 假 的 解 决 方 案 ，并
障 树 分 析（Fault tree analysis，FTA）是 一 种 经 典 以 简 洁 的 方 式 表 示 系 统 。 不 过 ，故 障 树 最 大 的 问
的 系 统 分 析 技 术 ，一 种 针 对 复 杂 系 统 基 于 图 形 演 题是开发过程费时、费力，同时在不同阶段容易出
绎 的 故 障 分 析 方 法 ，其 核 心 部 分 是 根 据 一 定 规 则 错、疏忽或遗漏重要信息。
及 系 统 故 障 模 态 分 析 结 果 ，使 用 一 系 列 有 特 定 含 4. 2. 4 基于变结构单调关联系统模型的系统健
义的专门符号建造故障树 ［77］
，如图 21 所示。故障 康评估
树分析是基于失效模式、效应及危害度分析（Fail‐ 变 结 构 单 调 关 联 系 统（Variable-structure co‐
ure mode， effects and criticality analysis，FME‐ herent system）是 在 单 调 关 联 系 统 研 究 的 基 础 上
CA）［78］
的缺陷和不足而提出的一项新技术。 进 一 步 提 出 的 新 概 念［81］。 它 指 的 是 一 类 随 着 运
FMECA 是 失 效 模 式 和 效 应 分 析（Failure mode 行和工作，系统结构可以随时间切换，进而使系统
and effects analysis，FMEA）的 改 进 版 本 ，后 者 是 工 作 在 不 同 单 调 关 联 系 统 模 态 下 的 系 统 。 图 22
前 者 的 基 础 和 前 提 。 另 外 ，FMECA 增 加 了 对 故 （a）所 示 的 阶 段 循 环 系 统 就 是 一 个 典 型 的 变 结 构
障危害度的量化分析。基于故障树理论的各种方 单 调 关 联 系 统 ；不 同 阶 段 所 关 联 的 系 统 部 件 一 般
法在健康评估或故障诊断领域已经有着诸多 是不同的，如图 22（b）所示。
［79，80］
实践 。 在单调关联系统的可靠性理论研究基础上，
故 障 树 是 通 过 问 题 询 问 逐 层 构 建 的 ，比 如 什 变结构单调关联系统有较为清晰的数学定义及结
么 情 况 的 发 生 有 可 能 导 致 顶 层 事 件 的 发 生 ，随 后 构特性。设系统存在 m 个子部件和 p 种关联结
 第3期 全 权，等：面向复杂系统健康评估的若干思考 · 619 ·

求 ，在 一 定 程 度 上 限 制 了 该 类 方 法 在 实 际 工 程 中
的相关应用。
4. 3 小结
本文将健康评估分为健康属性评估和系统健
康 评 估 。 具 体 来 说 ，属 性 评 估 是 以 前 文 中 评 估 三
要素为基础，使用各种模型完成一些较为基础、关
键参数层面的健康评估工作。系统健康评估则是
由 部 件 到 系 统 ，或 者 由 系 统 到 更 上 层 系 统 的 信 息
图 22 阶段循环系统的流程图及一个简单示例 综 合 和 分 析 。 二 者 角 度 不 同 、方 法 不 同 、思 路 不
Fig. 22 Flow chart and a simple example of 同 ，但 相 辅 相 成 、相 互 嵌 套 ，可 以 完 成 最 终 对 复 杂
phase-cyclic system 系统全面、细致的健康评估工作。
构，则式（2）变化为：
5 健康预测
(
■| I 1 h (k1，1)，h (k1，2)，⋯，h (k1，q )，Τ 1
||
1
)
( S)
hk = ■
||
( ( 2，1) ( 2，2 )
| I 2 h k ，h k ，⋯，h k ，Τ 2
( 2，q )
2
) （9）
健康预测指的是基于研究对象的历史信息，
对未来一段时间内系统健康的发展趋势进行估计
| ⋮
|| 或 预 知 。 具 体 来 说 ，是 预 测 系 统 偏 离 期 望 正 常 状
(
|| I h ( p，1)，h ( p，2)，⋯，h ( p，q )，Τ
|■ p k k k
p
p ) 态 的 退 化 过 程 ，以 及 估 计 剩 余 寿 命 的 过 程［82］。 换
个 角 度 理 解 ，健 康 预 测 是 从 时 间 维 度 上 对 研 究 对
式 中 ：Τ p 为 第 p 种 关 联 结 构 ；h (k p，1)，h (k p，2)，⋯，h (k )
p，q p

象 进 行 的 健 康 评 估 ，如 剩 余 寿 命 、首 次 到 达 时 间
为 h 1k，h 2k，⋯，h mk 中 的 q p 个 子 部 件 或 子 系 统 的 健 康
等，都可以是时间尺度上评估的结果。目前，剩余
评估结果。
寿命估计在各领域中都有着广泛的理论和应用研
4. 2. 5 基于人工神经网络模型的系统健康评估
究［83，84］。 在 之 前 健 康 评 估 环 节 中 ，通 过 各 种 状 态
使 用 卷 积 神 经 网 络 或 者 简 单 的 BP 神 经 网 络
监测及故障识别策略可以实现对研究对象健康情
等静态网络求解复杂系统或装备的健康综合问题
况或退化程度的量化和评估。在此基础上引入预
也是系统健康评估一种可用的求解思路。通过复
测方法，可以实现对系统潜在风险的早发现、早防
杂 非 线 性“ 网 络 ”，根 据 输 入 实 时 计 算 输 出 得 到 系
范，如图 23 所示。这对于提高复杂关键系统的可
统 健 康 评 估 的 结 果 ，综 合 拓 扑 的 各 种 细 节 则 隐 藏
靠性、可用性，减缓性能退化，降低经济成本，避免
在 复 杂 的 网 络 之 中 。 当 然 ，使 用 该 方 法 的 前 提 是
风险加剧等具有重要意义。
搭 建 完 成 训 练 网 络 ，并 通 过 训 练 集 训 练 得 到 最 终
最 优 的 网 络 参 数 ，因 此 该 方 法 还 是 往 往 适 用 于 大
量数据储备或数据方便获取，同时数据标签完整、
完 备 等 一 类 应 用 场 景 。 总 的 来 说 ，该 方 法 在 实 际
工程中的应用条件还是较为严苛的。
其次，与静态网络模型对应，动态神经网络也
是求解系统健康评估问题的一个可用思路。与静
态模型相比，
“ 动 态 ”模 型 指 该 模 型 一 般 表 示 为 微
分 方 程 或 差 分 方 程 的 形 式 ，模 型 的 的 输 出 不 仅 与
当前时刻的输入有关，还和历史输入有关，即模型 图 23 状态预测示意图
是“有记忆的”。动态神经网络模型以循环神经网 Fig. 23 Schematic diagram of state prediction

络 及 其 改 进 模 型 最 为 常 用 ，网 络 的 当 前 输 出 不 仅 5. 1 预测的一般思路
考 虑 了 当 前 时 刻 的 输 入 ，同 时 考 虑 了 历 史 时 刻 的 如图 24 所示，历史样本数据是“预知未来”的
网 络 状 态 ，在“ 健 康 预 测 ”小 节 中 会 对 此 进 行 更 详 基础，通过各种模型拟合既有样本，并假设系统状
细的介绍。当然，类似于静态神经网络，动态神经 态 的 演 化 模 态 在 未 来 一 段 时 间 内 保 持 不 变 ，进 而
网络在实际应用中同样对训练数据方面有一定要 进行一步或多步预测。
 · 620 · 吉 林 大 学 学 报（ 工 学 版 ）
图 24 模型拟合和预测示意图
Fig. 24 Schematic diagram of model
fitting and prediction
健 康 预 测 的 技 术 路 线 大 致 可 以 分 为 两 条 ：基
于健康状态递推的健康预测和基于评估结果递推
的 健 康 预 测 。 第 一 条 路 线 中 ，系 统 健 康 状 态 s 是
预测的直接结果，在此基础上，针对健康状态预测
值 的“ 属 性 评 估 ”结 果 h 是 健 康 预 测 的 最 终 结 果 ，
其数学表达式为：
■| s k + t = P s ( s k + t |s k，⋯，s 0 )
■ （10）
|■ h k + t = M ( s k + t，⋯，s k + 1，s k，⋯，s 0，Η )
式中：P s 为系统状态变化的拟合函数。
例 如 文 献［85］的 思 路 ，先 预 测 系 统 未 来 的 混
杂状态分布，再根据相关方法评估健康。相对地，
第二条路线则是直接基于健康评估的结果数据
h k，⋯，h 0 进 行 未 来 预 测 ， 即 ： h k + t =
( )
P h h k + t |h k，⋯，h 0 ，其 中 ，P h 为 健 康 评 估 结 果 变 化
的 拟 合 函 数 。 可 见 ，这 两 条 路 线 很 符 合 人 的 一 般
直 觉 ，这 里 以 预 测 灯 泡 亮 度 为 例 进 行 说 明 。 假 设
当 前 时 刻 为 t 0 ，目 标 为 预 测 t 1 时 刻 灯 泡 的 亮 度 。
若 采 取 路 线 一 ，则 是 要 针 对 灯 泡 电 阻 这 关 键 一 参
数 ，根 据 其 历 史 信 息 ，预 测 在 t 1 时 刻 的 值 ，进 而 根
据 电 路 、光 学 相 关 知 识 计 算 此 时 灯 泡 的 亮 度 。 若
采 取 路 线 二 ，则 直 接 通 过 t 0 及 之 前 时 刻 采 集 的 亮
度信息进行未来预测，得到 t 1 时刻亮度预测值。
两 条 路 线 各 有 优 劣 ，路 线 一 考 虑 了 系 统 健 康
状 态 s 的 演 化 和 发 展 ，基 于 其 预 测 值 间 接 预 测 系
统 健 康 的 发 展 变 化 ；路 线 二 则 是 直 接 基 于 评 估 结
果 预 测 系 统 健 康 。 从 信 息 含 量 来 看 ，路 线 一 考 虑
的信息更多、更全面，但从根本上来说无法直接判
定两种路线的优劣，最终评估结果的准确性、可信
度还需要针对不同应用具体分析，无法一概而论。
需要注意的是，预测 P s ( ⋅ ) 或 P h ( ⋅ ) 既可以是
第 53 卷
一 个 确 定 性 问 题（Deterministic problem），也 可 以
是 一 个 概 率 性 问 题（Probabilistic problem）。 由 于
在 实 际 系 统 中 ，预 测 任 务 总 是 伴 随 着 各 种 不 确 定
性 ，不 确 定 性 越 大 ，预 测 结 果 的 可 信 度 就 越 低 ；另
外 ，预 测 周 期 越 长 ，不 确 定 性 累 积 越 大 ，预 测 结 果
的 可 信 度 也 就 相 应 地 越 低 。 因 此 ，对 于 概 率 性 预
测 问 题 ，还 必 须 准 确 估 计 未 来 的 不 确 定 性 并 将 其
纳 入 预 测 算 法 ，分 析 预 测 结 果 置 信 区 间 等 置 信 度
指标［86］。
无 论 选 择 其 中 哪 条 路 线 ，常 用 的 预 测 方 法
P s ( ⋅ ) 与 P h ( ⋅ ) 是基本相通的，其可以大致分为基
于 模 型 的 预 测 方 法 、数 据 驱 动 的 预 测 方 法 以 及 两
种方法的综合应用。
5. 2 基于模型的预测方法
基于真实物理规律建立的复杂系统或装备的
数 学 模 型 预 测 ，是 进 行 状 态 预 测 、分 析 变 化 趋 势 、
估 计 剩 余 寿 命 等 应 用 的 一 条 重 要 技 术 路 线［87］。
相比系统动态模型，在求解预测问题方面，基于失
效 或 故 障 机 理 的 物 理 失 效（Physical of failure）模
型一般更为常用。类似于基于模型的健康评估，
基于模型的仿真预测同样要求对系统的内部结构
和运行机制具备详尽的相关知识。建立模型的准
确性在一定程度上决定了预测结果的准确性。如
文 献［88］阐 述 了 基 于 模 型 的 、面 向 各 类 系 统 执 行
装置的故障诊断和预测方法，与其他方法相比，该
方 法 方 便 用 户 追 踪 故 障 和 故 障 模 式 ，并 追 查 到 具
有 物 理 意 义 的 系 统 参 数 ，可 以 为 维 修 人 员 提 供 宝
贵 的 诊 断 和 预 测 信 息 。 文 献［89，90］则 是 采 用 成
熟可靠的疲劳寿命模型和渐进损伤模型对风力涡
轮机中关键部件的寿命估计问题进行研究。
目前，对于复杂、不确定、非线性系统，如何使
用基于动态运行或退化过程的数学模型进行预
测 ，成 为 许 多 研 究 人 员 的 研 究 方 向［91］。 如 文 献
［92］中考虑了含有随机扰动的系统的预测问题：
y (t) = f (t) + ε (t) （11）
式中：f ( t ) 为系统的动态模型；ε ( t ) 为随机扰动。
文 献［92］研 究 了 多 旋 翼 飞 行 器 避 碰 问 题 ，并
以 期 望“ 首 次 到 达 时 间 ”评 估 飞 行 安 全 性 问 题 ，阐
释 了 基 于 蒙 特 卡 洛（Monte Carlo）模 拟 的 求 解 思
路并同时给出改进方法以减小时间复杂度。首次
到 达 时 间（First hitting time 或 First passage time，
FHT）是指随机过程中从初始状态开始到第 一 次
遇 见 阈 值 或 边 界 值 所 需 的 时 间［93］。 如 对 于 离 散
 第3期 全 权，等：面向复杂系统健康评估的若干思考
随 机 变 量 X ，考 虑 首 次 到 达 状 态 N 的 时 间 T：T =
min { n；X n = N }。由于首次到达时间 T 可以理解
为 随 机 过 程 的 某 个 函 数 ，因 此 其 本 身 也 是 某 随 机
过 程 的 随 机 变 量 ，其 数 学 期 望 为 E ( T ) 。 该 文 献
的 基 本 思 想 如 图 25 所 示 ，简 单 来 说 ，是 通 过 蒙 特
卡 洛 方 法 迭 代 求 解 微 分 方 程 ，将 多 次 仿 真 后 状 态
预测的均值和频率作为状态预测估计和置信概
率。此外，也有研究人员研究如何基于连续模型，
无采样地直接求解期望 FHT 问题［94］。
图 25 蒙特卡洛方法思想
Fig. 25 Monte Carlo methodology
5. 3 数据驱动的预测方法
5. 3. 1 基于统计模型的预测
另 一 种 常 用 方 法 是 采 用 统 计 分 析 模 型 ，基 于
系 统 退 化 过 程 中 历 史 数 据 的 统 计 学 特 性 ，预 测 其
发展趋势。如最小二乘是一种简单的线性回归分
析 ，其 他 常 用 方 法 有 剩 余 寿 命 估 计 常 用 的 维 纳 过
程（Wiener process） 、贝叶斯估计（Bayesian esti‐
［95］
mation）、高 斯 过 程 回 归（Gaussian process regres‐
sion，GPR）等。本小节对该方向中常用的一些方
法进行简要介绍。
（1）Box-Jenkins 模型
Box-Jenkins 模 型 是 一 种 典 型 的 时 序 序 列 分
析模型，由 Box 等 于 1970 年提出。根据样本的
［96］
自 相 关 和 偏 相 关 统 计 特 征 ，可 选 择 的 相 关 模 型 包
括 自 回 归（Autoregressive，AR）模 型 、滑 动 平 均 模
型（Moving average，MA）、自 回 归 滑 动 平 均 模 型
和自回归积分滑动平均模型等。通过时序历史样
本 估 计 选 择 模 型 的 参 数 ，在 此 基 础 上 对 预 期 变 化
做 出 合 理 预 测 。 作 为 一 种 典 型 、简 单 且 常 用 的 线
性 拟 合 模 型 ，其 在 寿 命 预 测 或 参 数 预 测 方 面 也 有
诸多应用。如文献［97］建立了基于自回归的变压
器 故 障 概 率 预 测 模 型 ，综 合 考 虑 多 指 标 对 故 障 概
率 估 计 和 预 测 的 影 响 ，实 验 表 明 该 模 型 比 现 有 模
· 621 ·
型得到的结果准确率更高。文献［98］同样基于自
回归模型对锂电池电量状态进行了预测。
（2）高斯过程回归
高斯过程回归是一种基于贝叶斯理论和统计
学习理论的全新机器学习方法，在面对高维数、小
样 本 、非 线 性 等 复 杂 回 归 应 用 场 景 方 面 具 有 良 好
表 现 。 高 斯 过 程 回 归 本 身 是 一 种 无 参 数 方 法 ，通
过所有采样的训练数据而非通过一系列参数及模
型 进 行 预 测 ，避 免 了 模 型 的 过 拟 合 及 泛 化 能 力 较
弱 等 缺 陷［99］。 总 的 来 说 ，高 斯 过 程 回 归 具 有 容 易
实 现 、超 参 数 自 适 应 计 算 以 及 预 测 输 出 具 有 概 率
意 义 等 一 系 列 优 点 ，其 主 要 缺 陷 是 计 算 量 较 大 以
及局限于高斯噪声分布的假设［100］。
基 于 贝 叶 斯 理 论 的 预 测 方 法 在 PHM 领 域 已
经有诸多应用［101，102］。关于高斯过程回归，其在锂
电池寿命分析预测等领域也有着诸多应用及相关
研究，如文献［103］针对锂离子电池在线寿命预测
较 难 以 及 预 测 结 果 准 确 性 较 低 等 情 况 ，构 建 了 一
种 新 的 锂 电 池 在 线 剩 余 寿 命 预 测 方 法 体 系 ，其 中
将锂电池放电过程中等压降时间作为表征电池容
量 健 康 的 间 接 健 康 因 子 ，结 合 高 斯 过 程 回 归 分 析
预测剩余寿命并给出不确定区间。
5. 3. 2 基于机器学习的预测
深度学习相关方法在状态预测方面也有广泛
的应用和研究成果，通过复杂网络拟合历史数据，
常 用 方 法 如 循 环 神 经 网 络（Recurrent neural net‐
work，RNN）、长 短 时 记 忆 网 络（Long short-term
memory，LSTM）、门 控 循 环 神 单 元（Gated recur‐
rent unit，GRU）等 。 不 同 于 卷 积 神 经 网 络 的 无 记
忆 性 ，循 环 神 经 网 络 将 时 间 序 列 的 概 念 引 入 网 络
结构设计中，因此在时序数据分析、预测领域更具
有 适 应 性 。 长 短 时 记 忆 网 络 、门 控 神 经 网 络 则 是
在 循 环 神 经 网 络 单 元 的 基 础 上 增 加 了 输 入 门 、输
出 门 、遗 忘 门 和 状 态 单 元 等 模 块 ，克 服 了 RNN 的
缺点，在时序数据处理方面效果更好。
随 着 深 度 学 习 领 域 研 究 的 深 入 ，许 多 研 究 人
员或各行业从业人员将深度学习应用于 PHM、状
态 预 测 等 相 关 领 域 。 如 文 献［104］基 于 改 进 的 循
环神经网络和自回归模型对船舶设备的故障状态
进 行 了 预 测 。 文 献［105］首 先 通 过 神 经 网 络 提 取
滚 动 轴 承 振 动 信 号 中 的 健 康 信 息 ，进 一 步 通 过
LSTM 进 行 剩 余 寿 命 估 计 和 预 测 ，同 时 还 完 成 了
健康监测和剩余寿命估计软件的设计和实现。
 · 622 · 吉 林 大 学 学 报（ 工 学 版 ） 第 53 卷

5. 4 小结 自 适 应 能 力 ，以 及 较 强 的 鲁 棒 性 和 泛 化 能 力 等 方
如前文所述，从广义角度来看，健康预测是从 面的要求越来越高。
时间维度上对目标系统进行“健康评估”。健康预 （5）提 高 健 康 评 估 的 实 时 性 。 对 于 复 杂 系 统
测 则 是 通 过 基 于 模 型 或 者 数 据 驱 动 ，又 或 者 是 二 而言，能够在线、实时且准确地实现状态监测和健
者综合的各种方法求解确定性或概率性的问题。 康评估，对于保障系统可靠性、作业过程的安全性
从 某 些 角 度 来 说 ，预 测 未 来 、指 导 决 策 、提 前 规 划 和全生命周期内的经济性具有重要正面意义。同
才是健康评估的关键意义所在。 时 ，主 动 容 错 控 制（Active fault tolerant con‐
trol）
［107，108］
对于系统状态的实时、准确反馈也有着
6 未来发展趋势
严格要求。当前受限于技术方法、算力、传感测试
健康评估的研究和应用领域中依然有众多问 技 术 等 各 方 面 的 发 展 ，某 些 关 键 系 统 或 子 系 统 的
题 亟 待 解 决 和 完 善 ，本 小 节 对 其 可 能 的 研 究 发 展 在线实时评估实现依然具有一定难度。
趋势进行展望。 （6）促 进 健 康 评 估 的 标 准 化 。 标 准 化 包 括 评
（1）丰 富 健 康 内 涵 及 指 标 体 系 设 计 。 实 际 工 估 过 程 的 标 准 化 和 评 估 数 据 的 标 准 化 ，是 标 准 制
程 应 用 中 ，一 般 是 面 向 任 务 要 求 设 计 制 造 各 种 复 定 、规 范 统 一 的 初 衷 和 目 标 ，学 术 研 究 成 果 、工 程
杂 装 备 ，因 此 其 健 康 指 标 体 系 的 设 计 也 应 面 向 任 应用等按既定标准进行开发，对于方便学术交流、
务需求。本文主要讨论的是基于运行状态和日常 促进产学研转化具有重要的积极作用。
维 护 的 健 康 及 健 康 评 估 ，针 对 面 向 任 务 的 健 康 及 （7）建 立 健 康 评 估 数 据 仓 库 。 虽 然 当 前 健 康
健康评估，如何定义“健康”的概念及体系指标，以 评 估 领 域 研 究 较 为 热 门 ，但 相 关 的 开 源 共 享 数 据
及如何设计并验证健康评估算法都是健康评估研 集却较少。虽然各种工程应用中一般都有大量的
究及应用过程中面临的挑战和难题。 数 据 积 累 ，如 航 空 发 动 机 运 行 期 间 就 会 产 生 海 量
（2）创 新 和 优 化 数 据 获 取 方 法 。 在 数 据 获 取 的 监 测 数 据 ，但 获 取 诸 如 航 空 航 天 工 程 等 特 殊 项
方法优化方面：①需要检测原理的创新；②需要高 目中的数据依然有较大难度。即使能够完成原始
超 的 设 计 和 制 造 工 艺 生 产 高 精 度 、高 可 靠 的 传 感 数 据 获 取 ，随 后 的 数 据 标 注 工 作 也 难 以 进 行 。 一
器 ；③ 考 虑 如 何 放 置 传 感 器 或 者 优 化 传 感 器 布 局 般来说，面向健康属性评估的数据较多，而面向复
等以实现对期待物理量的测量和监测。以上问题 杂系统的健康评估数据较少，归根原因在于：①这
都是数据获取过程中会面临的重要难题和挑战。 些 数 据 往 往 掌 握 在 系 统 的 生 产 商 手 里 ，用 于 自 身
最 后 ，面 对 少 样 本 情 形 ，还 可 以 通 过 数 据 增 强 提高产品，是市场竞争的重要资源，生产商很难有
（Data augmentation）手 段 在 有 限 数 据 的 基 础 上 产 动力分享数据；②相关数据一般比较复杂，数据分
生更多数据，或者通过数字模型获取仿真数据等。 析的专业要求高，准入门槛高；③这些数据要为他
（3）探 索 和 研 究 数 据 处 理 方 法 。 数 据 科 学 的 人使用还需要进行大量的标准化和文档相关工
发 展 为 数 据 处 理 带 来 了 理 论 完 备 、功 能 强 大 的 数 作，而标准化工作相对欠缺，加剧了数据难以流通
学 工 具 。 但 面 对 变 化 多 样 的 应 用 对 象 和 场 景 ，许 的问题。以上问题都是现实中当前领域发展的重
多 情 况 下 用 户 依 然 束 手 无 策 。 如 针 对 强 耦 合 、强 要问题。
非线性系统的控制问题，或者少样本、无失效数据 （8）软件健康评估。软件规模庞大，其可能的
下的寿命估计问题，又或者高采样频率、高算力要 不 同 路 径 的 数 量 更 是 天 文 数 字 ，因 此 软 件 系 统 是
求 下 数 据 压 缩 和 运 算 需 求 等 。 因 此 ，数 据 处 理 方 一类非常复杂的系统。当今软件已经渗透到人类
法和技术依然有广大的探索和研究空间。 生活和生产的方方面面，且成为其核心能力之一，
（4）增 强 健 康 评 估 的 智 能 化 。 目 前 各 种 深 度 其重要性不言而喻。软件已经在改变及定义整个
学习算法在健康评估领域已有诸多研究和应用实 世 界 。 未 来 的 软 件 系 统 应 该 是 自 主 、可 信 且 经 济
例。随着数据科学以及人工智能领域的快速发 的 （Autonomous， dependable and affordable，
展，智能化成为健康评估一个越来越重要的方向。 ADA） ［109］
。 因 此 ，软 件 系 统 的 健 康 评 估 是 未 来 一
传统的预测和健康管理概念也逐渐转向智能健康 个重要的发展方向。事实上，许多复杂系统，包括
［106］
管理 ，用户对健康评估算法的自学习、自优化、 复 杂 控 制 系 统 ，也 应 该 是 自 主 、可 信 且 经 济 的 ，
 第3期 全 权，等：面向复杂系统健康评估的若干思考
ADA 控 制（ADA control）将 是 一 个 重 要 研 究
主题。
7 结束语
针 对 当 前“ 健 康 评 估 ”研 究 存 在 的 标 准 不 统
一 、平 台 不 共 享 、架 构 不 兼 容 等 问 题 ，本 文 通 过 回
顾、梳理、分析当前的研究现状，总结、凝练出一种
健 康 评 估 设 计 框 架 ，其 包 含 数 据 获 取 、数 据 处 理 、
健 康 评 估 以 及 健 康 预 测 4 个 层 次 。 随 后 ，在 各 个
章节中依次对上述 4 个层次的含义、主要功能、输
入 输 出 概 述 等 情 况 进 行 了 详 细 的 阐 释 和 说 明 ，同
时基于当前该领域中前人已有的各种研究成果，
对一些常见、常用、经典的技术手段和算法以及应
用 实 例 进 行 了 简 要 说 明 介 绍 。 同 时 ，以 数 学 语 言
对 各 个 层 次 的 输 入 输 出 关 系 进 行 细 致 阐 述 ，并 通
过图示方式展示和说明了具体流程要求和规范。
总 之 ，更 健 全 的 健 康 指 标 体 系 设 计 ，更 智 能 、
更 实 时 的 评 估 算 法 是 该 研 究 方 向 的 一 个 趋 势 ，而
评 估 流 程 和 接 口 的 标 准 化 、数 据 的 标 准 化 和 仓 库
的 建 立 则 是 面 对 挑 战 、迈 向 最 终 目 标 的 一 条 行 之
有 效 的 途 径 。 建 立 开 源 健 康 评 估 平 台 ，即
OpenHA（Open health assessment）
［110］
，做 到 数 据
标准化、数据共享、健康定义和指标体系共享以及
方 法 共 享 ，是 健 康 评 估 领 域 向 前 发 展 过 程 中 不 能
忽视、不可绕过的一个重要趋势。
参考文献：
[ 1 ] Laprie J C, Medhaffer-Kanoun K. Dependability
modeling of safety systems[J]. Microelectronics Reli‐
ability, 1982, 22(5): 997-1026.
[ 2 ] Yan Y X, Liu Y Q, Li M, et al. Development and
evaluation of a questionnaire for measuring suboptimal
health status in urban Chinese[J]. Journal of Epidemi‐
ology, 2009, 19(6): 333-341.
[ 3 ] Cai K Y. System failure engineering and fuzzy meth‐
odology an introductory overview[J]. Fuzzy Sets and
Systems, 1996, 83(2): 113-133.
[ 4 ] Vichare N M, Pecht M G. Prognostics and health
management of electronics[J]. IEEE Transactions on
Components and Packaging Technologies, 2006, 29
(1): 222-229.
[ 5 ] Aaseng G B, Patterson-Hine A, Garcia-Galan C. A
review of system health state determination methods
[C] ∥1st Space Exploration Conference: Continuing
the Voyage of Discovery, Orlando, Florida, USA,
· 623 ·
2005: No. 2005-2528.
[ 6 ] Ranasinghe K, Sabatini R, Gardi A, et al. Advances
in integrated system health management for mission-
essential and safety-critical aero-space applications
[J]. Progress in Aerospace Sciences, 2022, 128:
No. 100758.
[ 7 ] Annamdas V G M, Bhalla S, Soh C K. Applications
of structural health monitoring technology in Asia[J].
Structural Health Monitoring, 2017, 16(3): 324-346.
[ 8 ] Tibaduiza Burgos D A, Gomez Vargas R C, et al.
Damage identification in structural health monitoring:
a brief review from its implementation to the use of da‐
ta-driven applications[J]. Sensors, 2020, 20(3),
No. 733.
[ 9 ] 尚德广, 夏禹, 薛龙, 等 . 飞机结构单机疲劳寿命监
控 技 术 研 究 综 述 [J]. 北 京 工 业 大 学 学 报 , 2020, 46
(6): 556-570.
Shang De-guang, Xia Yu, Xue Long, et al. Review
on fatigue life monitoring technology for individual air‐
craft structure[J]. Journal of Beijing University of
Technology, 2020, 46(6): 556-570.
[10] 张卫方, 何晶靖, 阳劲松, 等 . 面向飞行器结构的健
康 监 控 技 术 研 究 现 状 [J]. 航 空 制 造 技 术 , 2017(19):
38-47.
Zhang Wei-fang, He Jing-jing, Yang Jin-song, et
al. Research status on structural health monitoring
technology for aircraft structures[J]. Aeronautical
Manufacturing Technology, 2017(19): 38-47.
[11] Smith G, Schroeder J B, Navarro S, et al. Develop‐
ment of a prognostics and health management capabili‐
ty for the joint strike fighter[C]∥1997 IEEE Autotest‐
con Proceedings, Anaheim, CA, USA, 1997:
676‐682.
[12] Chen C. CiteSpace: a Practical Guide for Mapping
Scientific Literature[M]. Hauppauge, NY, USA:
Nova Science Publishers, 2016.
[13] 周圣林 . OSA-CBM 标准适用性分析和航空应用探
讨[J]. 航空标准化与质量, 2012(3): 38-41.
Zhou Sheng-lin. Analysis of the applicability of the
OSA-CBM standard and exploration of aviation appli‐
cations[J]. Aeronautic Standardization & Quality,
2012(3): 38-41.
[14] Sheppard J W, Kaufman M A, Wilmer T J. IEEE
standards for prognostics and health management[J].
IEEE Aerospace and Electronic Systems Magazine,
2009, 24(9): 34-41.
[15] Jouin M, Gouriveau R, Hissel D, et al. Prognostics
and health management of PEMFC-State of the art
 · 624 · 吉 林 大 学 学 报（ 工 学 版 ）
and remaining challenges[J]. International Journal of
Hydrogen Energy, 2013, 38(35): 15307-15317.
[16] Ladyman J, Lambert J, Wiesner K. What is a com ‐
plex system? [J]. European Journal for Philosophy of
Science, 2013, 3(1): 33-67.
[17] 赵 峙 尧 . 基 于 率 模 可 靠 度 的 一 类 混 杂 动 态 系 统 健 康
评 估 技 术 [D]. 北 京 : 北 京 航 空 航 天 大 学 自 动 化 科 学
与电气工程学院, 2017.
Zhao Zhi-yao. A profust reliability based health evalu‐
ation technique for a class of hybrid dynamical systems
[D]. Beijing: School of Automation Science and Elec‐
trical Engineering, Beihang University, 2017.
[18] Wang D, Tsui K L, Miao Q. Prognostics and health
management: a review of vibration based bearing and
gear health indicators[J]. IEEE Access, 2018, 6:
665-676.
[19] 彭 宇 , 刘 大 同 . 数 据 驱 动 故 障 预 测 和 健 康 管 理 综 述
[J]. 仪器仪表学报, 2014, 35(3): 481-495.
Peng Yu, Liu Da-tong. Data-driven prognostics and
health management: a review of recent advances[J].
Chinese Journal of Scientific Instrument, 2014, 35
(3): 481-495.
[20] 景 博 , 徐 光 跃 , 黄 以 锋 , 等 . 军 用 飞 机 PHM 技 术 进
展分析及问题研究[J]. 电子测量与仪器学报 , 2017,
31(2): 161-169.
Jing Bo, Xu Guang-yue, Huang Yi-feng, et al. Re‐
cent advances analysis and new problems research on
PHM technology of military aircraft[J]. Journal of
Electronic Measurement and Instrumentation, 2017,
31(2): 161-169.
[21] Esperon-Miguez M, John P, Jennions I K. A review
of integrated vehicle health management tools for lega‐
cy platforms: challenges and opportunities[J]. Prog‐
ress in Aerospace Sciences, 2013, 56: 19-34.
[22] Dai X, Ke C, Quan Q, et al. RflySim: automatic test
platform for UAV autopilot systems with FPGA-
based hardware-in-the-loop simulations[J]. Aero‐
space Science and Technology, 2021, 114:
No. 106727.
[23] Dai X, Ke C, Quan Q, et al. Simulation credibility
assessment methodology with FPGA-based hard‐
ware-in-the-loop platform[J]. IEEE Transactions on
Industrial Electronics, 2021, 68(4): 3282-3291.
[24] 邱静, 刘冠军, 杨鹏, 等 . 装备测试性建模与设计技
术[M]. 北京: 科学出版社, 2012.
[25] 石 君 友 . 测 试 性 试 验 与 评 价 [M]. 北 京 :北 京 航 空 航
天大学出版社, 2021.
[26] 张永芳, 王霞, 邢志国, 等 . 面向机械装备健康监测
第 53 卷
的 振 动 传 感 器 研 究 现 状 [J]. 材 料 导 报 , 2020, 34
(13): 13121-13130.
Zhang Yong-fang, Wang Xia, Xing Zhi-guo, et al.
Research on vibration sensors for health monitoring of
mechanical equipment[J]. Materials Reports, 2020,
34(13): 13121-13130.
[27] Araujo A, Garcia-Palacios J, Blesa J, et al. Wire‐
less measurement system for structural health moni‐
toring with high time-synchronization accuracy[J].
IEEE Transactions on Instrumentation and Measure‐
ment, 2012, 61(3): 801-810.
[28] 乔 宁 国 . 基 于 多 传 感 器 数 据 融 合 的 高 速 列 车 传 动 系
统 故 障 诊 断 与 健 康 状 态 预 测 [D]. 长 春 : 吉 林 大 学 交
通学院, 2019.
Qiao Ning-guo. Fault diagnosis and health prediction
of high-speed train transmission system based on
multi-sensor fusion[D]. Changchun: College of
Transportation, Jilin University, 2019.
[29] Blázquez-García A, Conde A, Mori U, et al. A re‐
view on outlier/anomaly detection in time series data
[J]. ACM Computing Surveys, 2021, 54(3): 1-33.
[30] Fischler M A, Bolles R C. Random sample consen‐
sus: a paradigm for model fitting with applications to
image analysis and automated cartography[J]. Com ‐
munications of the ACM, 1981, 24(6): 381-395.
[31] 雷 达 , 钟 诗 胜 . 基 于 奇 异 值 分 解 和 经 验 模 态 分 解 的
航 空 发 动 机 健 康 信 号 降 噪 [J]. 吉 林 大 学 学 报 :工 学
版, 2013, 43(3): 764-770.
Lei Da, Zhong Shi-sheng. Aircraft engine health sig‐
nal denoising based on singular value decomposition
and empirical decomposition methods[J]. Journal of Ji‐
lin University (Engineering and Technology Edition),
2013, 43(3): 764-770.
[32] 孙 延 奎 . 小 波 分 析 及 其 应 用 [M]. 北 京 : 清 华 大 学 ,
2005.
[33] 周小龙, 徐鑫莉, 王尧, 等 . 基于变分模态分解和最
大 重 叠 离 散 小 波 包 变 换 的 齿 轮 信 号 去 噪 方 法 [J]. 振
动与冲击, 2021, 40(12): 265-274,289.
Zhou Xiao-long, Xu Xin-li, Wang Yao, et al. A
gear signal denoising method based on variational
mode decomposition and maximal overlap discrete
wavelet packet transform[J]. Journal of Vibration and
Shock, 2021, 40(12): 265-274,289.
[34] Yang F, Cui Y C, Wu F, et al. Fault monitoring of
chemical process based on sliding window wavelet de‐
noisingGLPP[J]. Processes, 2021, 9(1): No. 86.
[35] Anowar F, Sadaoui S, Selim B. Conceptual and em ‐
pirical comparison of dimensionality reduction algo‐
 第3期 全 权，等：面向复杂系统健康评估的若干思考
rithms (PCA, KPCA, LDA, MDS, SVD, LLE,
ISOMAP, LE, ICA, t-SNE) [J]. Computer Science
Review, 2021, 40: No. 100378.
[36] Wang T, Han Q, Chu F, et al. Vibration based con‐
dition monitoring and fault diagnosis of wind turbine
planetary gearbox: a review[J]. Mechanical Systems
and Signal Processing, 2019, 126: 662-685.
[37] 赵帅, 黄亦翔, 王浩任, 等 . 基于拉普拉斯特征马氏
距离的滚珠丝杠健康评估 [J]. 机械工程学报, 2017,
53(15): 125-130.
Zhao Shuai, Huang Yi-xiang, Wang Hao-ren, et al.
Laplacian eigenmaps and mahalanobis distance based
health assessment methodology for ball screw[J].
Journal of Mechanical Engineering, 2017, 53(15):
125-130.
[38] Shao R, Hu W, Wang Y, et al. The fault feature ex‐
traction and classification of gear using principal com ‐
ponent analysis and kernel principal component analy‐
sis based on the wavelet packet transform[J]. Mea‐
surement, 2014, 54: 118-132.
[39] Yang Y, Li X, Liu X, et al. Wavelet kernel entropy
component analysis with application to industrial pro‐
cess monitoring[J]. Neurocomputing, 2015, 147:
395-402.
[40] Yan J, Zhao Z, Liu H, et al. Fault detection and
identification for quadrotor based on airframe vibration
signals: a data-driven method[C] ∥Proceedings of the
34th Chinese Control Conference, Hangzhou, China,
2015: 6356-6361.
[41] Rafiee J, Arvani F, Harifi A, et al. Intelligent condi‐
tion monitoring of a gearbox using artificial neural net‐
work[J]. Mechanical Systems and Signal Processing,
2007, 21(4): 1746-1754.
[42] 张 新 鹏 . 压 缩 感 知 及 其 在 旋 转 机 械 健 康 监 测 中 的 应
用 [D]. 长 沙 : 国 防 科 学 技 术 大 学 智 能 科 学 学 院 ,
2015.
Zhang Xin-peng. Application research on compressed
sensing in health monitoring of rotating machinery
[D]. Changsha: College of Intelligence Science and
Technology, National University of Defense Technol‐
ogy, 2015.
[43] 杜小磊, 陈志刚, 张楠, 等 . 压缩感知和改进深层小
波 网 络 在 轴 承 故 障 诊 断 中 的 应 用 [J]. 机 械 强 度 ,
2020, 42(4): 777-785.
Du Xiao-lei, Chen Zhi-gang, Zhang Nan, et al. Ap‐
plication of compressive sensing and improved deep
wavelet neural network in bearing fault diagnosis[J].
Journal of Mechanical Strength, 2020, 42(4):
· 625 ·
777-785.
[44] Jiang W, Mu L, Zhang X. A new method of power
system fault recording based on compressed sensing
[J]. IEEJ Transactions on Electrical and Electronic
Engineering, 2017, 12(4): 546-552.
[45] 岳 研 , 刘 畅 , 刘 韬 . 基 于 深 度 融 合 神 经 网 络 的 轴 承
健 康 指 标 构 建 [J]. 电 子 测 量 与 仪 器 学 报 , 2021, 35
(7): 44-52.
Yue Yan, Liu Chang, Liu Tao. Deep fusion neural
network for health indicator construction of bearings
[J]. Journal of Electronic Measurement and Instru‐
mentation, 2021, 35(7): 44-52.
[46] Ellefsen A L, Æsøy V, Ushakov S, et al. A compre‐
hensive survey of prognostics and health management
based on deep learning for autonomous ships[J].
IEEE Transactions on Reliability, 2019, 68(2):
720-740.
[47] Guo J, Li Z, Li M. A review on prognostics methods
for engineering systems[J]. IEEE Transactions on Re‐
liability, 2020, 69(3): 1110-1129.
[48] 任浩, 屈剑锋, 柴毅, 等 . 深度学习在故障诊断领域
中 的 研 究 现 状 与 挑 战 [J]. 控 制 与 决 策 , 2017, 32(8):
1345-1358.
Ren Hao, Qu Jian-feng, Chai Yi, et al. Deep learn‐
ing for fault diagnosis: The state of the art and chal‐
lenge[J]. Control and Decision, 2017, 32(8): 1345-
1358.
[49] 胡 寿 松 . 自 动 控 制 原 理 [M]. 6 版 . 北 京 : 科 学 出 版
社, 2015.
[50] Cai K-Y, Wen C Y, Zhang M L. Fuzzy reliability
modeling of gracefully degradable computing systems
[J]. Reliability Engineering & System Safety, 1991,
33(1): 141-157.
[51] Cai K-Y. Introduction to Fuzzy Reliability[M]. Lon‐
don: Kluwer Academic Publishers, 1996.
[52] Zhao Z, Quan Q, Cai K-Y. A profust reliability
based approach to prognostics and health management
[J]. IEEE Transactions on Reliability, 2014, 63(1):
26-41.
[53] Zhao Z, Quan Q, Cai K-Y. A modified profust-per‐
formance-reliability algorithm and its application to
dynamic systems[J]. Journal of Intelligent & Fuzzy
Systems, 2017, 32(1): 643-660.
[54] Patton R J, Chen J. Observer-based fault detection
and isolation: robustness and applications[J]. Control
Engineering Practice, 1997, 5(5): 671-682.
[55] Heredia G, Ollero A, Béjar M, et al. Sensor and ac‐
tuator fault detection in small autonomous helicopters
 · 626 · 吉 林 大 学 学 报（ 工 学 版 ）
[J]. Mechatronics, 2008, 18(2): 90-99.
[56] Julier S J, Uhlrnann J K, Durrant-Whyte H F. A
new approach for filtering nonlinear systems[C]∥Pro‐
ceedings of 1995 American Control Conference, Seat‐
tle, Washington, USA, 1995: No. 529783.
[57] 刘 亚 姣 , 刘 振 泽 , 宋 晨 辉 . 基 于 改 进 粒 子 滤 波 的 锂
离 子 电 池 RUL 预 测 [J]. 吉 林 大 学 学 报 : 信 息 科 学
版, 2018, 36(2): 173-177.
Liu Ya-jiao, Liu Zhen-ze, Song Chen-hui. Im ‐
proved particle filter algorithm for RUL prediction of
lithium-ion batteries[J]. Journal of Jilin University (In‐
formation Science Edition), 2018, 36(2): 173-177.
[58] 刘斌, 杨斌先, 赵峙尧, 等 . 一种四旋翼飞行控制能
力 实 时 评 估 方 法 [C]∥第 33 届 中 国 控 制 会 议 论 文 集,
南京, 2014: 3112-3117.
[59] Lu P, Van Kampen E J, Yu B. Actuator fault detec‐
tion and diagnosis for quadrotors[C]∥IMAV 2014: In‐
ternational Micro Air Vehicle Conference and Compe‐
tition 2014, The Netherlands, 2014: 3112-3117.
[60] 邓涛, 罗卫兴, 李志飞, 等 . 双卡尔曼滤波法估计电
动汽车电池健康状态[J]. 电池, 2018, 48(2): 95-99.
Deng Tao, Luo Wei-xing, Li Zhi-fei, et al Estima‐
tion state of health of electric vehicle battery by dual
Kalman filter[J]. Battery Bimonthly, 2018, 48(2):
95-99.
[61] 葛 江 华 , 刘 奇 , 王 亚 萍 , 等 . 支 持 张 量 机 与 KNN-
AMDM 决 策 融 合 的 齿 轮 箱 故 障 诊 断 方 法 [J]. 振 动
工程学报, 2018, 31(6): 1093-1101.
Ge Jiang-hua, Liu Qi, Wang Ya-ping, et al. Fault
diagnosis method of gearbox supporting tension ma‐
chine and KNN-AMDM decision fusion[J]. Journal
of Vibration Engineering, 2018, 31(6): 1093-1101.
[62] Yang J, Sun Z, Chen Y. Fault detection using the
clustering-kNN rule for gas sensor arrays[J]. Sen‐
sors, 2016, 16(12): No. 2069.
[63] He Q P, Wang J. Principal component based k-near‐
est-neighbor rule for semiconductor process fault detec‐
tion[J/OL]. [2022-03-20]. https: ∥folk. ntnu. no/sk‐
oge/prost/proceedings/acc08/data/papers/1149. pdf
[64] Ali M Z, Shabbir M N S K, Liang X, et al. Machine
learning-based fault diagnosis for single- and multi-
faults in induction motors using measured stator cur‐
rents and vibration signals[J]. IEEE Transactions on
Industry Applications, 2019, 55(3): 2378-2391.
[65] Sadhu V, Zonouz S, Pompili D. On-board deep-
learning-based unmanned aerial vehicle fault cause de‐
tection and identification[C] ∥2020 IEEE Internation‐
al Conference on Robotics and Automation (ICRA),
第 53 卷
Paris, France, 2020:No. 00336.
[66] 温江涛, 闫常弘, 孙洁娣, 等 . 基于压缩采集与深度
学习的轴承故障诊断方法 [J]. 仪器仪表学报, 2018,
39(1): 171-179.
Wen Jiang-tao, Yan Chang-hong, Sun Jie-di, et al.
Bearing fault diagnosis method based on compressed
acquisition and deep learning[J]. Chinese Journal of
Scientific Instrument, 2018, 39(1): 171-179.
[67] 田 书 , 康 智 慧 . 基 于 改 进 变 分 模 态 分 解 和 SVM 的
断路器机械故障振动分析[J]. 振动与冲击, 2019, 38
(23): 90-95.
Tian Shu, Kang Zhi-hui. Circuit breaker mechanical
fault vibration analysis based on improved variational
mode decomposition and SVM[J]. Journal of Vibra‐
tion and Shock, 2019, 38(23): 90-95.
[68] 时培明, 梁凯, 赵娜, 等 . 基于深度学习特征提取和
粒子群支持向量机状态识别的齿轮智能故障诊断
[J]. 中国机械工程, 2017, 28(9): 1056-1061,1068.
Shi Pei-ming, Liang Kai, Zhao Na, et al. Intelligent
fault diagnosis for gears based on deep learning fea‐
ture extraction and particle swarm optimization svm
state identification[J]. China Mechanical Engineer‐
ing, 2017, 28(9): 1056-1061,1068.
[69] Emran B J, Najjaran H. A review of quadrotor: an
underactuated mechanical system[J]. Annual Reviews
in Control, 2018, 46: 165-180.
[70] 杜 光 勋 , 全 权 . 输 入 受 限 系 统 的 可 控 度 及 其 在 飞 行
控 制 中 的 应 用 [J]. 系 统 科 学 与 数 学 , 2014, 34(12):
1578-1594.
Du Guang-xun, Quan Quan. Degree of controllabili‐
ty and its application in aircraft flight control[J]. Jour‐
nal of Systems Science and Mathematical Sciences,
2014, 34(12): 1578-1594.
[71] Du G X, Quan Q, Yang B, et al. Controllability
analysis for multirotor helicopter rotor degradation
and failure[J]. Journal of Guidance, Control, and Dy‐
namics, 2015, 38(5): 978-985.
[72] Kang O, Park Y, Park Y S, et al. New measure rep‐
resenting degree of controllability for disturbance re‐
jection[J]. Journal of Guidance, Control, and Dynam ‐
ics, 2009, 32(5): 1658-1661.
[73] Quan Q, Cui G, Du G X. Controllable probability
and optimization of multicopters[J]. Aerospace Sci‐
ence and Technology, 2021, 119: No. 107162.
[74] Du G X, Quan Q. Optimization of multicopter pro‐
pulsion system based on degree of controllability[J].
Journal of Aircraft, 2019, 56(5): 2062-2069.
[75] 许树柏 . 实用决策方法——层次分析法原理[M]. 天
 第3期 全 权，等：面向复杂系统健康评估的若干思考
津: 天津大学出版社, 1988.
[76] 张 炳 江 . 层 次 分 析 法 及 其 应 用 案 例 [M]. 北 京 : 电 子
工业出版社, 2014.
[77] 史 定 华 , 王 松 瑞 . 故 障 树 分 析 技 术 方 法 和 理 论 [M].
北京: 北京师范大学出版社, 1993.
[78] Spreafico C, Russo D, Rizzi C. A state-of-the-art
review of FMEA/FMECA including patents[J].
Computer Science Review, 2017, 25: 19-28.
[79] 王立平, 朱斌, 吴军, 等 . 基于贝叶斯网络的盘式刀
库 故 障 分 析 [J]. 吉 林 大 学 学 报 : 工 学 版 , 2022, 52
(2): 280-287.
Wang Li-ping, Zhu Bin, Wu Jun, et al. Fault analy‐
sis of circular tool magazine based on Bayesian net‐
work[J]. Journal of Jilin University (Engineering and
Technology Edition), 2022, 52(2): 280-287.
[80] 徐 进 永 , 罗 士 军 , 张 子 达 . 基 于 模 糊 故 障 树 分 析 法
的 装 载 机 液 压 系 统 故 障 诊 断 系 统 [J]. 吉 林 大 学 学
报 :工学版, 2007, 37(3): 569-574.
Xu Jin-yong, Luo Shi-jun, Zhang Zi-da. Fault diag‐
nosis system of wheel loader hydraulic system based
on fuzzy fault tree analysis[J]. Journal of Jilin Univer‐
sity (Engineering and Technology Edition), 2007, 37
(3): 569-574.
[81] Cai K-Y. Variable-structure coherent systems[J]. In‐
ternational Journal of General Systems, 2005, 34(6):
639-672.
[82] Gao Z, Liu X. An overview on fault diagnosis, prog‐
nosis and resilient control for wind turbine systems[J].
Processes, 2021, 9(2): 1-19.
[83] Zhang Z, Si X, Hu C, et al. Degradation data analy‐
sis and remaining useful life estimation: A review on
wiener-process-based methods[J]. European Journal
of Operational Research, 2018, 271(3): 775-796.
[84] Si X S, Wang W, Hu C H, et al. Remaining useful
life estimation based on a nonlinear diffusion degrada‐
tion process[J]. IEEE Transactions on Reliability,
2012, 61(1): 50-67.
[85] Zhao Z, Quan Q, Cai K-Y. A health performance
prediction method of large-scale stochastic linear hy‐
brid systems with small failure probability[J]. Reliabil‐
ity Engineering & System Safety, 2017, 165: 74-88.
[86] Kordestani M, Saif M, Orchard M E, et al. Failure
prognosis and applications—a survey of recent litera‐
ture[J]. IEEE Transactions on Reliability, 2021, 70
(2): 728‐748.
[87] Pecht M, Gu J. Physics-of-failure-based prognostics
for electronic products[J]. Transactions of the Insti‐
tute of Measurement and Control, 2009, 31(3/4):
· 627 ·
309-322.
[88] Byington C, Watson M, Edwards D, et al. A model-
based approach to prognostics and health management
for flight control actuators[C] ∥2004 IEEE Aerospace
Conference Proceedings, SkyBig, MT, USA, 2004:
3551-3562.
[89] Hosseini Toudeshky H, Jahanmardi M, Goodarzi M
S. Progressive debonding analysis of composite blade
root joint of wind turbines under fatigue loading[J].
Composite Structures, 2015, 120: 417-427.
[90] Cárdenas D, Elizalde H, Marzocca P, et al. A cou‐
pled aeroelastic damage progression model for wind
turbine blades[J]. Composite Structures, 2012, 94
(10): 3072-3081.
[91] Wang Q, Wang C, Sun Q. A model-based time-to-
failure prediction scheme for nonlinear systems via de‐
terministic learning[J]. Journal of the Franklin Insti‐
tute, 2020, 357(6): 3771-3791.
[92] 全 权 , 张 贺 鹏 . 一 种 基 于 有 限 维 分 布 的 碰 撞 概 率 实
时 评 估 方 法 [P]. 中 国 : ZL201811465777. X, 2019-
04-16.
[93] Kulkarni V G. Modeling, Analysis, Design, and
Control of Stochastic Systems[M]. New York:
Springer, 1999.
[94] Frey K M, Steiner T J, How J P. Collision probabili‐
ties for continuous-time systems without sampling[J/
OL]. [2022-03-21]. https: ∥arxiv. org/pdf/
2006. 01109. pdf
[95] Zhang J X, Du D B, Si X S, et al. Prognostics based
on stochastic degradation process: the last exit time
perspective[J]. IEEE Transactions on Reliability,
2021, 70(3): 1158-1176.
[96] Box G E P, Jenkins G M, Reinsel G C, et al. Time
series Analysis: Forecasting and Control[M]. San
Francisco: Holden-Day, 2015.
[97] 周 圆 . 基 于 健 康 状 态 的 变 压 器 运 维 策 略 及 经 济 寿 命
研 究 [D]. 北 京 : 华 北 电 力 大 学 电 子 与 电 子 工 程 学
院, 2019.
Zhou Yuan. Research on transformer operation and
maintenance strategy and economic life based on
health status[D]. Beijing: School of Electrical and
Electronic Engineering, North China Electric Power
University, 2019.
[98] 霍 家 志 . 基 于 时 间 序 列 分 析 的 电 池 寿 命 预 测 算 法 研
究 [D]. 成 都 : 电 子 科 技 大 学 计 算 机 科 学 与 工 程 学
院, 2020.
Huo Jia-zhi. Research on battery life prediction algo‐
rithm based on time series analysis[D]. Chengdu:
 · 628 · 吉 林 大 学 学 报（ 工 学 版 ）
School of Computer Science and Engineering, Uni‐
versity of Electronic Science and Technology of Chi‐
na, 2020.
[99] Koriyama T. An introduction of gaussian processes
and deep gaussian processes and their applications to
speech processing[J]. Acoustical Science and Tech‐
nology, 2020, 41(2): 457-464.
[100] 何志昆, 刘光斌, 赵曦晶, 等 . 高斯过程回归方法综
述[J]. 控制与决策, 2013, 28(8): 1121-1129, 1137.
He Zhi-kun, Liu Guang-bin, Zhao Xi-jing, et al.
Overview of Gaussian process regression[J]. Control
and Decision, 2013, 28(8): 1121-1129,1137.
[101] Herp J, Ramezani M H, Bach-Andersen M, et al.
Bayesian state prediction of wind turbine bearing fail‐
ure[J]. Renewable Energy, 2018, 116: 164-172.
[102]Kordestani M, Samadi M F, Saif M, et al. A new
fault prognosis of MFS system using integrated ex‐
tended kalman filter and bayesian method[J]. IEEE
Transactions on Industrial Informatics, 2018, PP(99):
No. 1.
[103] 庞景月, 马云彤, 刘大同, 等 . 锂离子电池剩余寿命
间 接 预 测 方 法 [J]. 中 国 科 技 论 文 , 2014, 9(1):
28-36.
Pang Jing-yue, Ma Yun-tong, Liu Da-tong, et al.
Indirect remaining useful life prognostics for lithium-
ion battery[J]. China Science Paper, 2014, 9(1):
28-36.
[104] 曾 友 渝 , 谢 强 . 基 于 改 进 RNN 和 VAR 的 船 舶 设 备
故 障 预 测 方 法 [J]. 计 算 机 科 学 , 2021, 48(6):
第 53 卷
184-189.
Zeng You-yu, Xie Qiang. Fault prediction method
based on improved RNN and VAR for ship equipment
[J]. Computer Science, 2021, 48(6): 184-189.
[105] 陈 远 航 . 滚 动 轴 承 剩 余 寿 命 预 测 算 法 研 究 及 监 测 软
件 开 发 [D]. 哈 尔 滨 : 哈 尔 滨 工 业 大 学 机 电 工 程 学
院, 2020.
Chen Yuan-hang. Study on algorithm for rolling bear‐
ing remaining useful life prediction and development
of monitor software[D]. Harbin: School of Mechatron‐
ics Engineering, Harbin Institute of Technology,
2020.
[106] Xu J P, Xu L. Integrated System Health Manage‐
ment[M]. Cambridge, Massachusetts: Academic
Press, 2017.
[107] Zhang Y, Jiang J. Bibliographical review on reconfig‐
urable fault-tolerant control systems[J]. Annual Re‐
views in Control, 2008, 32(2): 229-252.
[108] Ke C X, Cai K Y, Quan Q. Uniform fault-tolerant
control of a quadcopter with rotor failure[J]. IEEE/
ASME Transactions on Mechatronics, 2022, PP(99):
1-11.
[109] Cai K-Y, Trivedi K S, Yin B. S-ADA: software as
an autonomous, dependable and affordable system
[C]∥2021 51st Annual IEEE/IFIP International Con‐
ference on Dependable Systems and Networks-Sup‐
plemental, Taipei, China, 2021: 17-18.
[110] OpenHA[DB/OL]. [2022-10-20]. https: ∥rfly-
openha. github. io/