基于贝叶斯推理的剩余使用寿命不确定性下非完美维修行为建模框架

针对维修决策中因零部件短缺导致的非完美维修(Imperfect Repair)不确定性难题，研究人员提出了一种基于贝叶斯推理的剩余使用寿命(RUL)随机增量建模框架。通过深度学习提取预后特征，结合马尔可夫链蒙特卡洛(MCMC)算法构建维修效应模型，实现了对航空铝材CFRP修补后RUL增量的精准预测。该研究为维修策略优化提供了前瞻性评估工具，突破了传统方法对维修动力学和数据量的依赖。

　　

在航空、桥梁等关键基础设施领域，维护决策常面临"更换还是维修"的两难选择。随着可持续发展理念的推进和零部件短缺问题的加剧，维修策略的重要性日益凸显。然而现实中的维修往往难以达到"如新"(AGAN)状态，这种非完美维修(Imperfect Repair)会引入显著的不确定性，使得剩余使用寿命(RUL)预测变得异常复杂。传统方法要么需要预先了解维修动力学，要么要求大量失效数据支持，且多局限于特定场景，难以适应不同组件的维护优化需求。

针对这些挑战，国外研究人员在《Expert Systems with Applications》发表了一项创新研究。团队开发了基于贝叶斯推理的建模框架，将维修效应转化为RUL的随机增量。通过深度软单调聚类(DSMC)模型提取预后特征，结合隐半马尔可夫模型(HSMM)预测RUL，再采用马尔可夫链蒙特卡洛(MCMC)算法构建维修效应模型。实验采用航空级铝7075-T6试件进行拉伸-拉伸疲劳测试，并用矩形碳纤维增强聚合物(CFRP)补片进行修复验证。

关键技术包括：1)DSMC模型从原始传感器数据提取预后特征；2)HSMM模型进行RUL预测；3)MCMC算法实现非共轭先验-似然分布的贝叶斯推断；4)航空铝材CFRP修补实验构建验证数据集。

【方法论】
研究提出将维修效应量化为RUL在[ABAO,AGAN]区间的随机增量。采用DSMC-HSMM组合模型处理小样本数据，通过MCMC解决非共轭分布问题，仅需维修前后RUL数据即可建模，避免了组件必须达到失效状态的要求。

【案例研究】
选择航空铝7075-T6试件进行疲劳实验，模拟飞机结构常见裂纹场景。通过CFRP修补实现非完美维修，收集振动加速度等传感器数据，构建包含3条修复后退化轨迹的数据集。

【结果与讨论】
DSMC模型成功将原始信号聚类为5个健康状态，HSMM的RUL预测误差低于15%。维修模型显示CFRP修补平均可恢复初始RUL的63.2%，且后验分布验证了MCMC采样的有效性。相比传统Kijima模型，该方法在数据需求量和预测灵活性方面具有显著优势。

【结论】
该研究创新性地将维修效应转化为RUL增量问题，建立了独立于预后模型的数据驱动框架。主要突破包括：1)首次实现维修前的RUL恢复预测；2)通过MCMC实现任意分布组合的贝叶斯推断；3)仅需维修前后RUL数据即可建模；4)与现有PHM系统无缝集成。这项研究为维修决策提供了量化工具，特别适合航空等对安全性要求高的领域，对推动基于状态的维护(CBM)发展具有重要意义。未来工作将探索多维修场景下的模型泛化能力。