這篇來講一下博主的研究方向，也就是機電產品的壽命預測。這個預測過程會綜合運用到本專欄介紹的各種信號處理方法，所以即使對於不是研究該方向的同學來說，看一下這個文章也同樣會有所裨益。
機電產品壽命預測也就是給各種機械電子產品“算命”，即計算“剩餘壽命”。這麼做是爲了保證機電設備在高可靠性條件下運行，同時避免過度維護導致的浪費。
比較常用的壽命預測的方法（大類）有兩種*，分別爲“基於故障物理”和“基於數據驅動”的方法。前者在本專欄中不做過多討論，畢竟這個專欄是講信號處理的，自然更關注“數據”。所謂基於數據驅動，就是通過採集產品的失效數據、退化數據，並基於統計、退化、可靠性函數以及人工智能方法進行預測的研究。
基於數據驅動的方法也有好幾個分支，本篇採用的方法將其分作三類**：相似模型法、退化模型法和生存模型法。
本篇將作爲提綱，將這三種方法的原理、思路和流程進行簡單介紹，目的在於快速熟悉方法種類及特點，爲在做類似研究方向的同學提供一些選擇上的幫助。後邊的文章將分別針對這三種方法使用MATLAB進行案例實現。
預測方法主要包括：
圖1 剩餘使用壽命（RUL）方法分類
1. 相似模型法
相似模型法很好理解：當我們知道一千對齒輪逐漸壞掉的過程時，就很容易推測一對用了一段時間的齒輪未來的損壞趨勢。
相似模型法依賴於相似產品的歷史數據，且該歷史數據最好具有以下兩個特徵：
① 數據從正常運行狀態開始採集，直至產品接近失效或維護爲止。
② 運行數據有退化趨勢。
圖2 藍線爲相似產品退化過程，紅線爲待預測產品退化過程
圖1給出了三種相似模型方法，它們都在matlab中有內置函數，除此之外還有其他建模方法，下一篇中將舉例對整個基於相似性的建模方法和預測流程進行講解。
由於使用相似產品的數據，該方法的預測精度和魯棒性都比較好。所以該方法可以作爲首選的預測方法。
但同樣因爲需要用到相似產品數據，使得該方法存在着侷限性——有着大量的設備是不存在歷史數據的。這時候就需要以下兩種預測方法了。
2. 退化模型法
在看過的論文中，這種方法佔了主流。
與相似模型不同的是，這種方法不需要相似產品歷史數據，只需要預測的對象的退化數據就可以。也就是對象產品做過一段時間實驗就可以。
圖3 風力渦輪機健康指數退化曲線
比如上圖是經過特徵提取之後的風力渦輪機的健康指數的退化曲線，此時我們要預測未來該怎麼做呢？
用線性模型進行擬合
用指數模型進行擬合
用ARMA模型進行擬合
用深度學習方法進行訓練
…
這些方法都可以，我們在擬合/訓練之後得到的就是這段數據的退化模型。在知道產品失效時的健康指數之後，剩餘壽命預測就很簡單了。
但是這種方法的缺點也很明顯：
一方面，要進行剩餘壽命預測需要知道失效閾值，不過很多時候表徵退化的參數是經過抽象的，在物理含義上不易解釋；同時沒有產品失效時的歷史數據，使得該失效閾值的獲取也存在困難。
另一方面，模型的預測誤差會隨着預測長度的增加而不斷積累，長期預測時精度較差。
3. 生存模型法
生存模型被分爲兩個具體方法：可靠性生存模型和協變量生存模型。
首先說可靠性生存模型，這個模型不需要產品的退化數據，只需要知道壽命分佈就行。比如剛剛提到的風力渦輪機，現在我們有很多個同類渦輪機的壽命數據，但是沒有退化數據，也就是知道它多長時間壞的，不知道壞的過程，就可以用到這個可靠性生存模型。它是用分佈來描述的，比如通過統計，我們知道了這個產品壽命爲平均壽命是2000小時，標準差爲100小時的正態分佈，那麼對於一個已經使用了500小時的渦輪機，它的剩餘壽命就是均值1500小時，標準差100小時的正態分佈。很簡單是吧。
再來說協變量生存模型。有時候我們除了產品的失效數據，還知道一些環境變量或者解釋變量。比如產品製造商、產品使用方式或者製造批次等。在這種情況下，使用協變量生存模型，可以結合壽命和協變量來計算目標組件的生存概率。
*也有分爲“基於統計的方法”、“基於人工智能方法”、“基於模型方法”等不同的分類方法的。
**也有分爲“基於失效數據”、“基於退化數據”、“多源數據融合”的壽命預測方法的。
參考：
《數據驅動的壽命預測和健康管理技術研究進展》
後邊三篇文章將針對這三種方法分別舉一個例子進行說明，並使用MATLAB實現。歡迎關注我的公衆號“括號的城堡”，微信號爲“khscience”，會有更多有趣的東西分享。