复杂系统寿命延长设计的优化：退化建模、维护策略与成本控制

《Marine Structures》：Optimization of lifespan extension design for complex systems: degradation modeling, maintenance strategies and cost control

系统寿命延长优化方法基于生命周期收益，结合EM算法建模部件退化并估计Wiener过程参数，建立系统退化模型进行初始剩余寿命预测。通过开发包含三种维护策略的成本与效益模型，利用蚁群优化确定最优维护时间与策略，并重构退化模型进行验证。案例研究表明该方法有效延长系统寿命，提升可靠性和经济效益，为复杂系统寿命延长提供理论参考。

　　

邵晓燕|蔡宝平|高雷|隋忠飞

中国石油大学（华东）机械与电子工程学院，高端海上油气装备设计与制造山东省重点实验室，青岛 266580，中国

摘要

在复杂系统中，退化过程通常非常复杂，故障可能导致高昂的维修成本。因此，延长系统寿命以提升经济效益至关重要。为了解决这一挑战，本文提出了一种基于生命周期收入的系统寿命延长优化方法。首先，使用期望最大化算法对组件性能退化进行建模，并根据组件退化数据估计维纳过程退化参数。接下来，基于组件与系统之间的功能关系建立整体系统性能退化模型，并进行初始剩余使用寿命（RUL）预测。随后，开发了包括不维护、部分维护和完全维护在内的维护模型，以及相应的成本和效果模型。计算维护前后的收入模型，重点关注系统性能。利用蚁群优化算法优化系统寿命延长设计，确定最佳维护时间和策略。最后，根据最佳维护策略重构延长后的系统性能退化模型，并重新预测系统的RUL。在案例研究中，使用海底圣诞树系统验证了该方法的有效性。结果表明，该方法能够有效延长复杂系统的寿命，提高可靠性和经济效益，并为其他复杂系统的寿命延长提供了理论基础和方法参考。

引言

在复杂的工程系统中，组件退化是一个多方面的过程，可能导致显著的维修成本和运营中断[1,2]。确保这些系统的寿命和可靠性至关重要，尤其是在海上油气开采等高风险行业中。复杂系统的寿命延长设计具有重要意义。首先，通过延迟更换昂贵设备并减少总体资本支出，可以显著提升经济效益[3,4]，从而提高投资回报。此外，通过识别和解决系统中的薄弱环节，寿命延长设计可以提高系统可靠性、提升运营效率并增加生产力[5,6]。寿命延长设计通过充分利用现有资产，减少对新资源的需求，支持可持续资源管理[7]。

优化寿命延长设计可以进一步放大这些效益。它允许进行精确的维护规划，确保在最佳时间和最有效的方式下进行维护，从而平衡可靠性和维护成本[8]。通过结合技术性能和经济效益，这种优化可以最大化生命周期收入，提供更大的经济回报。此外，优化寿命延长设计可以延长系统的RUL，延迟最终故障，并减少设备更换的频率。优化过程中涉及的数据分析和建模为决策提供了科学依据，提高了维护策略和投资决策的准确性和有效性[9]。相关研究还强调，精确敏感性分析和多源预防性维护可以共同优化，以提高长期可靠性和成本效益[10]。

RUL预测是寿命延长设计优化的基础，因为其准确性直接影响系统运行寿命延长的效果。RUL预测的最新进展非常显著，方法主要分为两类：模型驱动和数据驱动的方法[11]。模型驱动方法使用物理模型（包括损伤累积和性能退化模型）来估计RUL[12]。然而，对于复杂系统来说，要获得精确的预期往往不切实际。另一方面，数据驱动方法基于测试数据来评估RUL[13]。机器学习技术，如监督学习和深度学习方法（如循环神经网络（RNN）、长短期记忆网络（LSTM）和卷积神经网络（CNN），利用大量传感器数据捕捉复杂系统中组件退化的非线性特征，提供精确的RUL预测[14,15]。尽管深度学习模型性能优越，但它们通常被视为“黑箱”，缺乏对其内部机制的清晰解释，这可能阻碍对退化过程和维护策略制定的理解。此外，深度学习模型通常需要大量的标记数据进行训练才能达到高预测精度[16,17]，这对于在数据有限的恶劣环境中运行的复杂系统来说可能不可行。相比之下，统计方法（如维纳过程）使用历史数据和生存分析技术来模拟连续时间内的随机退化过程，有效捕捉系统退化的随机波动[18,19]。这些基于物理或统计理论的模型提供了对退化机制及其随机特性的清晰理解。它们适用于实时应用和在线预测，能够快速计算和更新，及时反映系统的退化状态，从而支持及时的维护决策。因此，对于在可变运行环境中的复杂系统的RUL预测，随机过程模型通常比深度学习方法更为合适。

同时，越来越多的趋势是将RUL预测与下游维护决策集成在一起，而不是将它们视为两个独立的模块[20]。有效的维护是延长复杂系统寿命的主要措施。优化维护策略不仅可以显著延长系统寿命，还能提高经济效益和可靠性[21]。维护决策优化的目标是确定最佳维护时间和类型，以最大化整体系统效益并降低维护成本[22,23]。最近在维护决策优化方面的研究取得了显著进展。许多研究专注于准确确定维护时间以实现寿命延长。这些研究使用各种预测技术（如RUL预测和故障预测模型）来评估系统健康状况并确定最佳维护时间[24]。研究人员还根据频率和深度对维护策略进行分类（如完全维护、部分维护和不维护），并探讨如何根据系统状况和故障模式选择最佳策略。例如，Wang等人[25]开发了一种基于深度学习方法集成的动态预测维护策略，用于预测任务周期不确定的系统的RUL。Wei等人[26]提出了一个多目标优化维护框架，包括维护成本和可靠性模型，无缝整合了分解策略、基于邻域的参数传输策略和深度强化学习。Shi等人[27]引入了一种使用随机净收入模型和机会约束编程的预测维护模型，考虑了预防性维护成本与系统当前退化状态之间的关系。维护决策优化研究正朝着更智能和精细的方向发展。通过不断改进维护策略的分类和优化，提高时间预测的准确性，并整合各种优化方法，维护决策优化不仅延长了系统寿命，还在实际应用中实现了更大的经济效益和可靠性。

本文提出了一种通过优化生命周期收入来延长复杂系统寿命的创新方法。创建了整个系统的退化模型，反映了组件之间的相互作用，并进行了初始RUL预测。开发了各种维护方法的模型。使用蚁群优化（ACO）技术来确定最佳维护计划和策略，以最大化生命周期收入。本文的主要贡献总结如下：

(1)

提出了一种结合退化建模和各种维护策略的全面方法，提供了对系统性能和潜在改进的细致理解。

(2)

开发了一种考虑生命周期收入的创新寿命延长目标。这一优化目标不仅考虑了维护成本，还评估了维护前后与系统性能相关的收入——这是许多维护决策优化工作中经常被忽视的因素。

(3)

为复杂系统开发了一个寿命延长评估框架，包括初始预测、延长设计优化和后续重新预测。该框架提供了详细的寿命和性能数据，使决策者能够基于可靠的数据做出更明智的选择，并优化维护计划和资源分配。

本文的其余部分组织如下：第2节详细介绍了提出的寿命延长优化方法。第3节将提出的方法应用于海底圣诞树系统作为案例研究。第4节分析和讨论了案例研究的主要结果。第5节总结了本研究的主要工作和贡献。

部分内容摘要

提出的寿命延长优化方法

本文提出了一种基于生命周期收入的寿命延长优化方法。该方法涉及构建全面的性能退化模型以进行初始RUL预测。使用寿命数据、维护策略和生产收入，创建了一个优化模型，通过实施最佳维护策略来最大化生命周期收入。提出的优化框架如图1所示。首先，组件性能退化

海底圣诞树系统退化建模

在现代海上石油开采中，海底圣诞树是关键设备。由于长时间暴露在高压、高温和腐蚀性环境中，其内部组件会逐渐退化。为了确保海底圣诞树的稳定运行，对其组件的性能退化进行建模至关重要[38]。如图2所示，海底圣诞树的典型组件按功能分类，包括止回阀、节流阀等

系统退化分析

图3显示了未经维护的海底圣诞树系统中各种组件的性能退化情况。在这些组件中，节流阀的退化速度最快，其性能在第283个月左右降至初始水平的50%，在第489个月左右降至20%。控制阀的退化模式类似，在第328个月左右降至初始性能的50%，在第516个月左右降至20%。止回阀的退化速度适中

结论

本文提出了一种基于总生命周期收入的复杂系统寿命延长优化方法。通过使用EM算法构建退化模型，开发了一种以总体收入为目标函数的寿命延长设计方法，并采用ACO优化维护策略，实现了系统性能和经济效益的最大化。使用海底圣诞树作为案例，证明了所提方法的可行性

CRediT作者贡献声明

邵晓燕：方法论、调查。蔡宝平：资金获取、数据管理。高雷：资源协调。隋忠飞：可视化。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（编号：52325107、52171287）、工业和信息化部高新技术船舶研究项目（编号：2023GXB01-05-004-03、GXBZH2022-293）、山东省博士后创新项目（编号：SCCX-ZG-202503050）、国家博士后研究计划B（编号：GZB20250071）以及中央高校基本科研业务费（编号：24CX10006A、25CX06047A）的支持。