《Mechanical Systems and Signal Processing》：Dynamic predictive maintenance framework for mechanical systems via uncertainty-aware RUL estimation
编辑推荐：
机械系统预测性维护中融合不确定性-aware的剩余使用寿命（RUL）估计与动态决策模型，提出混合BGRU-IGLSA架构结合蒙特卡洛滴出量化不确定性，通过周期性检测优化维护时间和备件采购，降低维护成本率超50%。
王 Lubing|陈 Ying|朱 Zhengbo|赵 Xufeng
南京航空航天大学经济与管理学院，南京，211106，中国
摘要
在机械系统的预测与健康管理中，由于噪声干扰和测量误差导致的剩余使用寿命（RUL）评估的不确定性常常被忽视，这可能会导致维护结果不准确。为了解决这些问题，本研究提出了一个预测性维护框架，该框架整合了考虑不确定性的RUL估计，以支持维护决策和备件管理。我们首先引入了一个混合模型，该模型结合了双向门控循环单元（BGRU）和集成的全局与局部多头稀疏注意力机制，以捕捉长期依赖性和瞬态模式，同时使用蒙特卡洛dropout来量化RUL的不确定性。基于RUL不确定性估计，我们制定了三种不同的预测性维护模型和备件订购模型。这些模型结合了估计的平均RUL、下限和维护成本，以动态确定定期检查期间的最佳维护时间和备件订购时间。在航空发动机和工业机器数据集上的验证表明，该方法优于现有策略，有效防止了故障，并将维护成本降低了50%以上。这项工作通过将考虑不确定性的RUL估计与维护决策相结合，为可靠且成本效益高的机械系统提供了实用的解决方案。
引言
在工业4.0时代，智能传感、自动化和数据驱动技术的整合改变了机械系统的运营和管理方式。预测性维护（PdM）作为智能制造的重要组成部分，在提高运营可靠性、减少计划外停机时间和延长系统寿命方面发挥着关键作用，对于航空航天、能源和重型机械等行业至关重要[1]，[2]。然而，机械系统通常在恶劣条件下运行（例如极端振动、温度波动和污染），这些因素会在监测数据中引入噪声、漂移和不确定性。这些挑战阻碍了准确的状况评估和故障预测，限制了传统维护策略的有效性[3]。物联网支持的传感器、边缘计算和机器学习的最新进展为数据驱动的PdM奠定了基础，使得能够实时分析多源运营数据，从而做出主动的维护决策[4]。
有效的PdM框架通常包括两个相互关联的支柱：剩余使用寿命（RUL）估计和维护决策。RUL估计模型分为三类：基于概率论的、物理的和数据驱动的[5]，[6]。基于概率论的模型依赖于随机过程来描述退化不确定性，利用历史故障数据或先验知识来建模RUL分布[7]，[8]。虽然它们对简单的退化模式具有鲁棒性，但在复杂的非平稳运行条件下往往表现不佳。基于物理的模型通过故障机制提供可解释性，但计算量大且难以在真实环境中建模[9]。数据驱动的模型利用传感器信号和运营数据来学习端到端的退化模式[10]，[11]。这些模型在处理高维时间序列数据方面表现出色，但它们通常输出确定性的RUL估计，忽略了固有的不确定性（例如测量噪声和模型随机性）。这种忽视可能导致过于自信或错误的维护决策，从而削弱PdM的可靠性。在这种情况下，解决RUL估计中的不确定性并将其整合到维护决策中仍然是推进复杂机械系统PdM的关键挑战，本研究旨在解决这一问题。
PdM的第二个支柱围绕机械系统的维护决策，这一领域经历了重大变化，从被动维护发展到定期维护和基于状态的维护，现在又发展到PdM[12]。PdM比其他策略更具主动性[13]，[14]，[15]，因为它不仅预测退化趋势和故障点，还确定最佳维护时间。然而，现有文献中存在一个关键差距：RUL预测和维护决策通常被视为独立的过程。尽管数据驱动的RUL估计的进步提高了预测准确性，但大多数研究要么忽视了RUL估计中的固有不确定性（例如由于噪声传感器数据或模型随机性），要么未能将这些不确定性整合到维护计划中。这种脱节的风险可能导致次优的决策，如过度维护或维护不足，从而削弱PdM的潜力。为了解决这一限制，本研究提出了一个动态PdM框架，将数据驱动的、考虑不确定性的RUL估计与维护决策相结合，如图1所示。通过量化RUL不确定性并将其直接与维护和备件策略联系起来，该框架克服了传统定期或被动方法的僵化，实现了适应性强、成本效益高的干预措施，以适应实时系统健康状况。
为了实施这一框架，我们首先提出了一个混合深度学习模型（IGLSA-BGRU），该模型结合了双向门控循环单元（BGRU）和集成的全局与局部多头稀疏注意力机制（IGLSA），并通过蒙特卡洛dropout（MCD）和贝叶斯推断进行了增强。该模型不仅能够捕捉运营数据中的复杂时间模式，还能量化RUL估计的不确定性，解决了确定性估计方法的一个关键缺陷。基于不确定的RUL估计结果，我们进一步开发了三种不同的PdM模型和备件订购模型，以确保定期检查期间的系统维护和备件采购。本研究使用的符号见表1。本研究的主要贡献如下：
(i) 一个动态PdM框架，将考虑不确定性的RUL估计与维护决策相结合，弥合了机械系统RUL估计与实际维护计划之间的差距。
(ii) 提出了一个结合贝叶斯MCD的IGLSA-BGRU模型，以实现鲁棒的RUL估计和明确的不确定性量化，克服了复杂环境中的确定性预测限制。
(iii) 基于考虑不确定性的RUL估计结果，在定期检查期间制定了三种PdM模型和备件订购模型，以确保机械系统的及时维护和更换。
(iv) 使用基准航空发动机和工业机器数据集的验证表明，该PdM框架在降低维护成本和提高实际环境中的可靠性方面有效。
本研究的其余部分安排如下。第2节总结了现有文献综述。第3节详细介绍了IGLSA-BGRU模型的架构，包括其不确定性量化机制。第4节描述了动态PdM模型，重点讨论了维护成本优化和备件库存管理。第5节报告了实验结果，包括模型性能分析和与最先进方法的比较。最后，第6节总结了研究并讨论了未来的研究方向。
部分摘录
文献综述
许多学者研究了机械系统的RUL估计，并取得了良好的研究成果[16]，[17]。Khan和Yairi[18]以及Chen等人[19]提供了全面的综述，强调了基于深度学习的RUL评估取得的进展。Chen等人[20]将系统健康指标与长短期记忆（LSTM）网络相结合，以识别系统退化趋势。De和Mitici[21]使用LSTM自动编码器（LSTM-AE）来捕捉涡轮发动机中的空间特征
方法论
在本节中，我们介绍了IGLSA-BGRU模型，如图2所示。这是一个专为机械系统中的不确定性RUL估计设计的混合框架。该模型结合了先进的序列建模、注意力机制和概率推理，以提高预测准确性，同时量化不确定性，解决了现有确定性估计方法的局限性。
动态预测性维护模型
随着工业机械变得越来越复杂和数字化，传统的维护模型（如定期维护和被动维护）已不再适合现代制造生态系统。这些策略有三个严重的缺点，降低了运营效率和可靠性：(i) 资源浪费，定期更换未损坏的组件会增加备件和劳动力成本；(ii) 由于突发故障导致的计划外停机，干扰了
计算实验
在本节中，我们使用两个不同的数据集系统地验证了所提出的PdM框架的有效性，确保其在不同机械系统和运营环境中的通用性。第一个数据集是NASA航空发动机退化数据集[48]，这是一个广为认可的预测研究基准。第二个数据集来自Kaggle，包含来自工业机器的实际运行数据，包括各种运行场景
结论
本研究提出了一个动态PdM框架，整合了考虑不确定性的RUL评估和定期检查。在在线评估阶段，引入了IGLSA-BGRU模型来高效估计机械系统的RUL，贝叶斯推断基础的MCD层量化了RUL不确定性。在预测过程中，通过定期检查RUL分布（如假设的正态分布和KDE分布）来确定最佳维护时间
CRediT作者贡献声明
王 Lubing：撰写——原始草稿，软件，方法论，调查，数据整理。陈 Ying：可视化，验证，监督，软件，数据整理。朱 Zhengbo：监督，软件，资源，调查。赵 Xufeng：撰写——审稿与编辑，验证，资金获取，形式分析。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响所报告的论文。
致谢
本工作得到了国家自然科学基金（项目编号72471116、T2441003）、中央高校基本科研业务费（项目编号NJ2025006）以及江苏省研究生研究与实践创新计划（项目编号KYCX25_0657）的支持。
