復雜機械設備健康狀態預測方法研究綜述

梁偉閣，張 鋼，王 健，佘 博，田福慶

(1.海軍工程大學 兵器工程學院， 武漢 430033； 2.海軍大連艦艇學院 導彈與艦炮系， 遼寧 大連 116000;3.中國人民解放軍91614部隊,遼寧 大連 116000)

1 引言

隨著科技發展，軍事裝備、航空航天系統、現代工業過程、生產制造系統等領域的集成化、綜合化、自動化水平不斷提高，重大機械設備的復雜性和運行不確定性隨之增加，如何對關鍵機械設備健康狀態進行科學評價，已經成為各領域復雜裝備的重大問題，對于保障其安全可靠運行、隨時處于良好工作狀態具有重要意義。

機械設備健康狀態評估是指利用各類先進傳感器實時監測裝備運行的各類狀態參數及特征信號，借助各種智能算法和模型(如物理模型、專家系統、神經網絡、模糊邏輯等)來評估裝備的健康狀態，預測剩余壽命。因此，如何評估復雜機械設備的健康狀態、如何預測復雜機械設備的剩余壽命是該技術領域的關鍵科學問題。

數據驅動的機械設備健康狀態評估方法，不需要提前構建機械設備精確的性能退化機理模型，只需要通過各類傳感器監測數據的分析與處理，得到表征機械設備狀態的特征集，并基于特征集的融合，推理出機械設備的健康狀態。因此，該方法是一個有重要理論意義和工程應用價值的科學問題，而解決此類問題的關鍵在于如何運用監測數據有效評估機械設備的健康狀態、如何根據其健康狀態科學預測剩余壽命。

本文內容的組織結構如下：首先，根據時間發展關系將機械設備健康狀態評估劃分為3部分研究內容；然后，分別梳理總結各研究內容目前的研究現狀及存在的問題，重點介紹了數據驅動的方法；最后，探討了智能制造背景下，機械設備健康狀態評估及剩余壽命預測領域存在的挑戰以及未來可能的發展趨勢。

2 監測數據采集方法

機械設備狀態監測數據是開展機械設備健康狀態評估的基礎。

狀態監測試驗是利用各類傳感器采集和存儲機械設備運行數據，為評估其運行狀態及預測剩余壽命提供基礎信息。常用的傳感器類型包括：振動加速度傳感器、聲傳感器、慣性傳感器、壓力傳感器、沖擊傳感器、溫度傳感器等，多類傳感器采集到的信號包含豐富的機械設備運行狀態信息。隨著機械設備健康狀態評估技術的不斷發展，國內外開展了一系列機械設備狀態監測試驗。凱斯西儲大學軸承數據中心使用電火花加工技術在軸承上布置了三類單點故障，利用振動加速度傳感器采集滾動軸承在不同故障狀態下的運行數據，被廣泛應用于故障診斷領域。文獻搭建了一套自吸式離心泵數據采集系統，加速度傳感器安裝在電機外殼上方，試驗工況恒定。試驗采集了5種不同的離心泵運行狀態，包括：正常狀態、軸承內圈磨損、軸承外圈磨損、軸承滾動體磨損和葉輪磨損。以上數據集均為人工設定機械磨損或故障狀態，研究重點為機械設備不同運行狀態的識別。。

近年來，隨著物聯網技術、信息技術和人工智能的快速發展，預測性維護(predictive maintenance,PdM)逐漸成為研究熱點。預測性維護主要利用剩余使用壽命(remaining useful life,RUL)的預測信息，在維護機會窗口內選擇成本最低的維護策略和生產調度計劃，達到降低成本、提高效率、最大化生產利潤的目的。在預測性維護背景下，研究者們開展了一系列機械設備全壽命周期運行試驗。法國FEMTO-ST研究院搭建了PROGNOSTIA平臺，該試驗平臺能夠提供球軸承從投入使用直到失效過程的全壽命周期運行振動加速度數據和溫度監測數據，共測試了3種不同工況下的17個滾動軸承。研究者們利用該數據集開展了一系列關于滾動軸承健康狀態評估和剩余壽命預測的研究。辛辛那提大學的智能維護系統中心設計了3組滾動軸承全壽命周期加速疲勞試驗，通過監測油液中的磨損碎屑確定軸承失效時刻。與FEMTO提供的數據集相比，該數據集明確標明了每個軸承失效后的故障形式，因此不僅可用于剩余壽命預測研究，也常被用于故障診斷研究。國內西安交通大學雷亞國團隊與浙江長興昇陽科技有限公司合作，開展滾動軸承加速壽命試驗研究，采集得到3種工況下15個滾動軸承的全壽命周期振動信號，且明確標注了每個軸承的失效部位，為健康狀態評估領域的研究提供了數據支撐。以上是公開的全壽命周期數據集，還有不同領域的研究者設計實施了機械設備全壽命周期試驗，但試驗數據并未公開。

目前，各行業的機械設備全壽命周期數據仍然較少，無法滿足大數據下智能制造的要求。尤其在軍事領域，由于各類武器系統使用工況惡劣，數據保密要求高，尚未發現公開發表的壽命周期數據。因此，針對軍事領域的各種復雜機械設備，設計相關試驗，采集監測數據是各國競相發展的重要課題。

3 健康因子構建方法

復雜機械設備性能退化過程中的損傷程度難以直觀測量，為了揭示監測信號中包含的性能退化信息，需要提取相應的特征，即健康因子(Health Indicator,HI)。健康因子能夠定量表征機械設備健康狀態，將不同運行時刻的健康因子按時間順序連接即得到性能退化曲線，為剩余壽命預測提供基礎數據。健康因子構建過程中主要存在兩方面的問題：① 如何利用監測數據構建健康因子；② 如何評估健康因子組成的性能退化曲線對剩余壽命預測的影響。

不同于機械設備故障診斷領域提取的特征(主要評估指標為類內間距與類間間距)主要用于識別分類，健康因子作為一類評估機械設備健康狀態的特征，其主要作用有兩點：① 定量評估機械設備運行狀態；② 不同時刻的健康因子組成性能退化曲線，為剩余壽命預測提供基礎數據。因此，評估健康因子性能的指標不僅包括評估精度，還包括對健康因子性能退化曲線的評估指標，如單調性、趨勢性、魯棒性等。為了對健康因子評估指標有一個直觀認識，首先定性介紹各類指標，如圖1所示。單調性主要表征性能退化曲線隨時間變化過程一致性，對比圖1(a)和圖1(b)可知，圖1(a)健康因子組成的性能退化曲線隨時間變化一直單調遞增，因此其單調性較好；而圖1(b)健康因子組成的性能退化曲線先是單調遞增，在運行后期有一小段單調遞減，而后又單調遞增，因此其單調性較差。趨勢性表征性能退化曲線隨時間的變化趨勢，對比圖1(c)和圖1(d)可知，圖1(c)中健康因子組成的性能退化曲線隨時間變化而不斷變化，因此其趨勢性較好；而圖1(d)中的健康因子值的變化情況與時間相關性較弱，因此其趨勢性較差。魯棒性表征性能退化曲線的波動性，對比圖1(e)和圖1(f)可知，圖1(e)性能退化曲線波動性較小，因此其魯棒性較好；而圖1(f)性能退化曲線波動較大，其魯棒性較差。

圖1 不同健康因子性能退化指標曲線Fig.1 Comparison of characteristics of different health indicator performance degradation curves

目前，構建健康因子的思路主要包括兩大類：物理健康因子和虛擬健康因子。隨著傳感器技術和深度學習方法的不斷發展，基于深度學習的機械設備健康因子構建方法也逐漸成為研究熱點，但其本質屬于虛擬健康因子。為了重點綜述基于深度學習的健康因子構建方法，本節將其作為獨立的一部分進行闡述。

3.1 物理健康因子

物理健康因子(physics health indicator,PHI)，是指從傳感器采集到的監測信號中，利用統計學方法或信號處理方法提取得到的一類指標，如：時域信號的均方根值(root mean square,RMS)、譜峭度(spectral kurtosis)、信息熵(information entropy,IE)等。

時域信號的均方根值描述的是信號強度，能夠反映機械設備整體損傷，對于機械部件的故障發展程度較為敏感，可以表征機械設備性能退化過程，是一種常用的物理健康因子。西安交通大學的雷亞國團隊、浙江大學的Huang團隊提取滾動軸承均方根值作為物理健康因子，并在此基礎上預測滾動軸承剩余壽命。譜峭度表示利用特定頻帶對信號濾波后的幅值分布情況，能夠有效反映非平穩監測信號中的性能退化信息，是一種被廣泛應用的物理健康因子。當滾動軸承外圈或內圈出現故障時，滾珠不斷撞擊故障點，產生共振頻帶。因此，譜峭度值越大的頻段信息越豐富，表明其與共振頻帶相關度越高，據此特性即可評估滾動軸承健康狀態。信息熵也是一類被廣泛應用于評估機械設備性能狀態的物理健康因子。機械設備在運行過程中性能不斷退化，監測信號中包含的系統復雜度信息也隨性能退化而不斷變化，因此，信息熵作為度量系統復雜度的有效指標能夠表征設備的健康狀態和退化趨勢，受到廣泛關注。以上物理健康因子能夠有效反映機械設備性能退化狀態，被廣泛應用于健康狀態評估、故障診斷、剩余壽命預測等領域，取得優異的應用成果，但是仍存在一定不足。例如：均方根值作為物理健康因子雖然能夠反映機械設備性能退化過程，但是仍存在對早期故障不夠敏感，容易受到噪聲干擾等缺陷。譜峭度對早期故障特征較為敏感，但是對故障發展過程表征存在較大誤差。信息熵可以有效刻畫機械設備性能退化過程，但是計算效率較低、不同信息熵的性能退化表征能力存在較大差異。

3.2 虛擬健康因子

虛擬健康因子是指將多個物理健康因子或傳感器數據融合得到的一類表征機械設備運行狀態的指標。目前，虛擬健康因子構建方法主要有兩大類思路：基于數據融合的思想和基于相似性的思想。

基于第一類思路的研究主要包括主成分分析法(principal component analysis,PCA)、局部線性嵌入法(locally linear embedding)、局部保留投影法(locally preserving projections)、受限玻爾茲曼機法(restricted boltzmann machine,RBM)等，將多種物理健康因子或傳感器數據融合、降維后得到新的虛擬健康因子。主成分分析是一種經典的無監督特征提取技術，通過提取原始變量中的少數包含主要結構信息的主成分，表征多個變量的原始結構。Widodo等提取了滾動軸承振動加速度信號的時域峰值、峭度、信息熵等物理健康因子，利用主成分分析法對物理健康因子降維，得到虛擬健康因子，提高了后續計算性能退化狀態的效率。Benkedjouh等利用小波包變換提取刀具振動信號的多個時頻特征作為物理健康因子，利用最大似然主成分分析法對提取的物理健康因子降維，得到虛擬健康因子，有效提高了刀具剩余壽命預測精度。Ahmed等從機械設備監測信號中提取了11個時域特征作為物理健康因子，利用PCA對時域特征降維處理，試驗結果表明，降維后的虛擬健康因子能夠有效反映機械設備性能退化狀態。基于PCA的虛擬健康因子構建方法屬于典型的降維方法，即將多個物理健康因子或多個傳感器監測數據融合降維，從而較少冗余信息，提高性能狀態評估精度和計算效率。PCA雖然是常見的降維方法，但存在一些缺陷：PCA將原始數據作為一個整體，通過建立均方誤差最小意義下的最優線性映射投影提取主成分，在此過程中忽略了類別屬性。受限玻爾茲曼機(restricted boltzmann machine,RBM)是一類特殊的馬爾科夫隨機場，具有可見層與隱藏層兩層組成的網絡結構。RBM利用訓練數據調整節點連接權重和偏置參數，使得在該參數下由相應受限玻爾茲曼機表示的概率分布盡可能與訓練數據相符，從而達到特征融合及降維的目的。基于受限玻爾茲曼機的健康因子構建方法通過融合機械設備監測數據不同特征，能夠表征機械設備性能退化狀態和故障狀態，進而實現性能趨勢預測及故障預測。文獻[58]將滾動軸承振動加速度信號的時域均方根值輸入受限玻爾茲曼機模型構建健康因子，然后將線性回歸層添加到受限玻爾茲曼機模型，預測性能退化發展趨勢，進而得到滾動軸承剩余壽命。文獻[59]提取齒輪箱振動加速度信號的多模態特征，將時域、頻域和時頻域的多模態特征輸入到三層高斯-伯努利深度受限玻爾茲曼機中構建健康因子，最后將構建好的健康因子輸入到支持向量分類模型診斷齒輪箱故障。文獻[60-62]表明，基于PCA和RBM的健康因子構建方法研究主要集中于特征融合、降維，而對構建的健康因子性能，如單調性、趨勢性、魯棒性等關注較少，且構建的虛擬健康因子組成的性能退化曲線仍存在較大的隨機波動。同時，基于融合思想的健康因子構建模型無法利用相同型號設備產生海量歷史監測數據，僅局限于構建單個設備的健康因子性能退化曲線。

基于第二類思路的方法包括自組織映射網絡(self organizing map,SOM)、馬氏距離(Mahalanobis distance)、支持向量數據描述等方法，利用歷史監測數據訓練模型，再將測試數據輸入到已訓練的模型，得到測試數據的虛擬健康因子。該思路的基本假設為機械設備性能退化階段的監測特征與正常狀態監測特征的偏離程度和性能退化程度呈正相關關系。但是，該方法要求擁有大量的歷史監測數據，監測數據樣本量較小的情況難以應用。

3.3 基于深度學習的健康因子構建方法

智能制造背景下，各類傳感器采集得到機械設備大量監測數據，這些數據包含豐富的設備運行狀態信息。近年來，深度學習以其自適應特征提取能力、非線性函數表征能力獲得越來越多的關注，為構建健康因子提供了一種新的思路。深度學習作為機器學習的一類特殊算法，根據有無學習標簽，可分為無監督和有監督學習兩大類。無監督學習主要用于網絡預訓練、降維等。有監督學習利用數據標簽，深度挖掘數據內部蘊含的特征信息。有監督深度學習算法主要包括卷積神經網絡和循環神經網絡。卷積神經網絡(convolutional neural networks,CNN)由LeCun于1990年提出用于圖像處理，該算法有2個重要組成部分：空間共享權值(卷積層)和空間池化。卷積神經網絡成功應用于計算機圖像處理領域，其網絡輸入大都為二維圖像數據。Babu等利用2個卷積層和2個池化層提取原始信號的特征構建健康因子，然后將健康因子輸入到多層感知器中預測機械設備剩余壽命。Ren等將頻譜主能量向量組合成特征圖，將特征圖作為深度卷積神經網絡的輸入構建滾動軸承健康因子，軸承試驗表明所提方法優于傳統的健康因子構建方法。Li等提取滾動軸承振動加速度信號的時頻圖，然后將時頻圖輸入到多尺度卷積神經網絡構建健康因子，實現一種健康因子自適應構建模型，提高了健康因子構建效率。She等提出一種多通道深度卷積神經網絡模型，充分利用多個傳感器測得的監測數據構建健康因子。在網絡訓練時，采用指數衰減式學習率，有效提高了計算效率。Sun等利用雙樹復小波變換將原始一維時間序列信號轉換為二維圖像信息，然后將圖像信息輸入到深度卷積神經網絡構建健康因子。Li等利用多個傳感器振動信號頻域的均方根值作為輸入，分別訓練多個深度卷積神經網絡構建軸承健康因子，最后利用D-S證據理論將不同網絡構建的健康因子融合，得到最終的健康因子。深度卷積網絡超參數較多，網絡結構對最終的學習效果影響較大，優化過程較為復雜。以上基于深度卷積網絡的健康因子構建方法大都建立構建模型，沒有進一步探討網絡結構、超參數對健康因子的影響。循環神經網絡是一類包含前饋連接和內部反饋連接的前饋神經網絡，原則上能夠從之前輸入的整個歷史映射到目標向量，并允許之前輸入的內存保持在網絡的內部狀態，因此能夠保留隱藏層上一時刻的狀態信息，被廣泛應用于復雜動態系統建模領域。基于循環神經網絡的健康因子構建方法基本思路是：將工程中的監測數據輸入到循環神經網絡，采用時間反向傳播算法對模型進行訓練，進而構建機械設備健康因子。李峰等提出一種基于雙隱層量子線路循環神經網絡，構建基于量綱一化排列熵誤差的物理健康因子集，然后將物理健康因子集輸入到循環神經網絡得到反映機械設備性能退化狀態的健康因子。試驗結果表明，基于該新方法構建的健康因子有效提高了預測精確度和計算效率。Zhang等提出一種基于長短時記憶網絡的健康因子構建模型，利用粒子群優化算法優化網絡參數。Ren等提出一種多尺度門循環神經網絡，將不同方位的傳感器測得振動加速度信號輸入網絡構建健康因子。試驗結果表明，多尺度門循環神經網絡能夠有效提取時間序列特征，集合不同時間尺度的信息。循環神經網絡雖然能夠有效處理時間序列數據，但是存在“記憶衰退”問題，不利于進行長期預測。以上基于監督深度學習的方法本質上屬于相似性思路的虛擬健康因子構建思想，因此，其優勢是能夠充分挖掘同類型設備歷史監測數據，且其評估機械設備健康狀態的精度隨著訓練數據的增加而不斷提高。其缺點是當數據量較小時的評估精度不高，因此不適用于樣本量較小的監測數據。

4 剩余壽命預測方法

機械設備剩余壽命預測定義為“機械設備從當前時刻運行至失效狀態時刻的時間間隔”，可表示為=-，其中表示機械設備失效時刻，表示當前運行時刻，表示當前時刻的剩余壽命。剩余壽命預測是在健康因子組成的性能退化曲線的基礎上，預測機械設備從當前時刻運行至失效時刻的時間間隔。目前，剩余壽命預測模型可以分為三大類：基于物理模型的方法、數據驅動的方法和基于混合模型的方法。

4.1 基于物理模型的剩余壽命預測方法

基于物理模型的剩余壽命預測方法主要使用機械設備失效機理建立數學模型，描述性能退化過程，開展剩余壽命預測研究。其中，物理模型的參數與材料特性、壓力水平有關，通常是利用試驗、有限元分析等技術手段來確定。Paris-Erdogan(PE)模型是機械設備剩余壽命預測領域應用最為廣泛的一類物理模型。文獻[83]首先提出PE模型，用來描述裂縫發展過程。Wang等將PE模型轉換為經驗模型開展機械設備剩余壽命預測研究。

基于物理模型的剩余壽命預測方法深入分析機械設備失效機理，構建性能退化過程物理模型，因此預測結果較為準確。但是隨著機械設備結構愈加復雜，難以建立準確的失效機理模型，因此難以得到廣泛推廣。

4.2 數據驅動的剩余壽命預測方法

數據驅動的剩余壽命預測方法分為兩類：基于統計模型的剩余壽命預測方法和基于智能模型的剩余壽命預測方法。

基于統計模型的剩余壽命預測方法也稱為基于經驗模型的方法，主要是利用經驗知識建立統計模型，然后利用歷史觀測數據確定模型參數，進而得到機械設備剩余壽命的概率分布函數。剩余壽命預測的統計模型在參數估計的過程中考慮了各種隨機變量，如時間變化性、單元-單元變化性、測量變化性等。因此，基于統計模型的剩余壽命預測方法能夠有效地描述性能退化過程中的不確定性。目前，基于統計模型的剩余壽命預測方法主要包括：基于隨機系數回歸模型的方法、基于Wiener過程的方法、基于Gamma過程的方法、基于逆高斯過程的方法、基于馬爾科夫鏈的方法。

研究表明：基于統計模型的剩余壽命預測方法雖能夠有效預測機械設備剩余壽命，且提供預測結果的不確定性置信區間，但是大部分方法均假定退化模型是已知的，然后通過狀態監測數據或環境數據對模型的參數進行估計，最后利用模型預測剩余壽命。但是實際工程應用時，機械設備性能退化模型往往是未知的，不同類型機械設備的退化模型也存在差異，如果退化模型選擇不當，將嚴重影響剩余壽命預測的精度。

相對于基于統計模型的剩余壽命預測方法要求退化模型已知，智能學習模型能夠通過智能算法從監測數據中自主學習機械設備性能退化模式，預測剩余壽命，不需要事先構建物理模型或者統計模型，使其逐漸成為研究熱點。目前，在剩余壽命預測領域，常用的智能模型主要包括：人工神經網絡模型、支持向量機模型、相關向量機模型。

人工神經網絡通過復雜層次結構中的大量連接節點模擬人腦的工作過程，能夠自動從監測數據中提取特征，預測機械設備剩余壽命。應用于剩余壽命預測的神經網絡主要包括：前饋神經網絡和循環神經網絡。大量文獻利用前饋神經網絡學習健康因子和剩余壽命之間的關系。在文獻[94]中，Sbarufatti等將前饋神經網絡與蒙特卡洛法采樣法相結合，預測機械設備剩余壽命。在文獻[95]中，Pan等利用前饋神經網絡對滾動軸承健康狀態進行多步前向預測。循環神經網絡是一種能夠有效處理時間序列的網絡，也被廣泛應用于剩余壽命預測。以上基于人工神經網絡的機械設備剩余壽命預測方法在有效提高剩余壽命預測效率和精確度的同時，也有不足之處。例如當訓練數據不足時，容易出現過擬合等現象，造成模型泛化性能差。另外，以上模型也無法提供預測結果的不確定性置信區間，不利于開展后續的維修保障工作。

支持向量機是一種基于統計學習理論的智能模型，能夠有效處理小樣本數據的剩余壽命預測問題。Widodo等利用正常狀態數據和失效狀態數據訓練支持向量機，并用訓練好的模型預測機械設備剩余壽命。支持向量回歸機也是一種常見的應用于剩余壽命預測領域的支持向量機模型。Liu等提出一種改進的概率支持向量回歸模型，基于該模型開展核電站機械部件的剩余壽命預測研究。目前，已有部分文獻將相關向量機應用于剩余壽命預測領域。但是相關向量機的預測性能很大程度上依賴于核函數的選擇，同時，模型參數的優化也是仍待解決的問題。

4.3 基于混合模型的剩余壽命預測方法

如前所述，基于物理模型和數據驅動的剩余壽命預測方法均存在一定的局限性。為了充分發揮兩者的優勢，人們嘗試將兩種方法相結合，建立基于混合模型的剩余壽命預測方法。傳感器采集到的機械設備狀態監測數據無法直接反映其性能退化狀態，因此，基于混合模型的RUL預測方法一般先利用數據驅動模型根據監測數據構建反映性能退化過程的健康因子性能退化曲線，然后再利用失效物理模型對機械設備性能退化曲線建模并預測其剩余壽命。文獻[103]提出一種融合粒子濾波技術和深度學習模型的混合剩余壽命預測方法。該方法分為2個階段：第一階段，采用深度學習模型提取機械設備性能退化特征；第二階段，將性能退化特征輸入到測量方程中，根據領域內的物理知識所構建的性能退化模型建立系統方程，利用粒子濾波技術實時更新模型參數從而實現剩余壽命預測。基于混合模型的剩余壽命預測方法能夠同時融合不同方法得優勢，因此受到越來越多的關注。

5 機械設備健康狀態評估發展趨勢

通過以上綜述可知，眾多學者對機械設備健康狀態評估及剩余壽命預測方法展開了深入廣泛的研究，并取得了大量研究成果。通過對研究現狀的深入分析，結合大數據背景下機械設備健康狀態評估及剩余壽命預測所呈現出的顯著特點，具體梳理出3點發展趨勢：① 基于深度學習的機械設備健康因子構建方法；② 考慮不確定性的剩余壽命智能預測方法；③ 小樣本條件下剩余壽命預測方法。

5.1 基于深度學習的機械設備健康因子構建方法

傳統的機械設備健康因子存在單調性、趨勢性不高、失效閾值難以確定等問題。隨著傳感器技術和深度學習算法的快速發展，基于深度學習的健康因子構建方法逐漸成為研究熱點。一方面，基于深度學習的健康因子構建模型大多將其作為剩余壽命預測模型的一部分，沒有對構建的健康因子及其組成的性能退化曲線進行更深入的研究。健康因子性能將影響剩余壽命預測精度及其預測結果的置信區間大小，進一步影響維修決策的制定。因此，構建能夠有效表征機械設備性能退化趨勢的高性能健康因子是下一步的發展趨勢。另一方面，傳感器采集到的機械設備監測數據類型豐富多樣，包含一維時間序列數據、二維圖像數據、有標簽數據、無標簽數據等。針對不同的數據類型，如何搭建深度學習網絡，深入挖掘不同類型數據中蘊含的性能退化信息是機械設備健康狀態智能評估方法的另一個發展趨勢。

5.2 考慮不確定性的剩余壽命智能預測方法

RUL預測的準確性是由預測值和實際值之間的偏差來衡量的，預測的精確性是由一定置信度下的區間大小來衡量的。RUL預測偏差在一定范圍內是允許的，偏差過大的預測無法指導預測性維修活動，甚至具有危害性。對于安全關鍵的設備，我們更傾向于得到較為保守的預測值，即預測的剩余壽命比實際值稍短。RUL預測具有不確定性，在一定置信度下，輸出RUL的預測區間，對維修決策有更重要的意義。在相同置信度下，預測區間越小，表明預測的精確性越高。對于智能方法預測RUL而言，提高預測的準確性需要從2個方面著手，一方面要提高數據的質量和數量，另一方面要提高預測方法和算法的性能。因此，在監測數據已知的情況下，提高剩余壽命精度、減小預測區間是剩余壽命預測領域的發展趨勢。

.

目前雖然已經存在一些全壽命周期數據集，但是針對各個不同領域內的測試數據仍然較少。例如，在艦炮裝備狀態監測領域，一方面，艦炮運行次數少、時間短，可采集的數據樣本少；另一方面，在部隊實際應用過程中，為了保證作戰使用和安全，艦炮長期處于正常運行狀態，很少進入性能退化階段中后期，從而導致性能退化階段數據缺失。此外，常用于反映機械設備運行狀態的監測數據具有非線性、非平穩性和強噪聲等特點，受信號傳播途徑、傳感器位置等因素影響，性能退化特征容易被淹沒，獲取的數據信號與裝備性能退化狀態的映射關系也不明確。以上因素均導致復雜機械設備狀態監測數據具有數量少、質量不高等特點。因此，探索提高小樣本數據下健康狀態評估及剩余壽命預測精度問題是復雜機械設備健康狀態評估和剩余壽命預測領域的一個發展趨勢。