《Machines》：Remaining Useful Life Prediction for Engineering Applications: A Critical Review of Methodologies, Capability Gaps, and System-Level Integration
编辑推荐：
作为预测性维护（PdM）的核心技术之一，剩余使用寿命（RUL）预测的发展正逐步从早期的单一机理建模，过渡到以物理方法、数据驱动方法与不确定性感知深度融合为特征的新阶段。本文首先分析了这一发展所面临的基础性挑战，例如多应力耦合、传感器退化以及非平稳噪声。通过比较
作为预测性维护（PdM）的核心技术之一，剩余使用寿命（RUL）预测的发展正逐步从早期的单一机理建模，过渡到以物理方法、数据驱动方法与不确定性感知深度融合为特征的新阶段。本文首先分析了这一发展所面临的基础性挑战，例如多应力耦合、传感器退化以及非平稳噪声。通过比较统计模型、数据驱动模型与混合模型的核心优势及其适用性边界，构建了RUL预测的能力图谱。进一步指出，当前RUL预测在物理一致性与不确定性解耦等方面仍存在关键能力缺口。最后，本文提炼出面向工程落地的新范式，包括机理引导的神经架构设计与数字孪生驱动的在线参数自适应。研究表明，未来RUL预测研究必须超越单纯围绕精度指标的竞争，转向鲁棒性、可解释性与决策适应性三位一体的协同发展，该发展路径由“可信人工智能”（trustworthy AI）原则所引导。
1. Introduction
剩余使用寿命（RUL）预测是预测性维护（PdM）的核心组成部分，在现代工业装备运行维护中具有基础性作用。文章指出，通过对关键设备剩余寿命进行准确估计，企业能够由计划维修或事后维修模式转向基于状态的主动维护策略，从而降低非计划停机风险与维护成本。在航空、风电、电力电子与电动汽车等高安全需求领域，RUL预测不仅关系到系统可靠性与可用性，也直接影响人员安全与资产完整性。以锂离子电池为例，老化过程中的复杂运行特性与模型参数动态变化，使高精度RUL预测成为保障安全运行、防止内外部失效的重要前提。
文章进一步梳理了工业4.0与智能制造背景下RUL预测的重要性。随着装备复杂度持续提高，传统维护策略已难以满足现代工业对高可靠、低成本运维的双重要求。计划维修容易忽视实际健康状态而造成过度维护，事后维修则因缺乏前瞻性而可能引发突发故障。与此同时，关键系统RUL建模还面临“失效至终”（run-to-failure）样本稀缺及数据共享受限等现实难题。围绕这些约束，现有方法大体可分为基于模型方法、数据驱动方法与混合框架。文中强调，基于模型方法具有物理可解释性，但受参数不确定性影响显著；数据驱动方法依赖机器学习与人工智能技术，具有较强灵活性，却往往缺乏物理解释基础。基于此，本文提出从方法比较进一步走向系统级工程集成的研究视角，并给出了全文结构安排。
2. Real-World Constraints and Methodological Challenges Facing RUL Prediction
本节系统归纳了RUL预测在真实工业场景中的多重约束及其方法论挑战。首先，多应力耦合效应显著增加退化机理复杂度。光电耦合器加速老化试验、电池负载工况切换以及质子交换膜燃料电池退化过程均表明，热、电、载荷等因素之间的协同作用会导致非线性退化行为，单变量或固定参数模型难以稳定外推。其次，传感器性能退化直接引入测量误差，传统常均值高斯噪声假设难以充分描述这一过程，需借助Wiener过程与Gamma过程等退化建模工具；同时，低成本传感器在采样频率方面存在先天局限，导致早期微裂纹等高频特征难以被捕获。
文章还指出，非平稳噪声与特征漂移是制约特征提取与模型泛化的重要因素。工况变化会引起数据分布动态演化，早期与后期退化阶段的信号统计性质显著不同，若忽视运行阶段差异，域适应过程可能发生错配。实验结果表明，在加入50%高斯噪声后，传统门控循环单元（GRU）与长短期记忆网络（LSTM）的预测精度明显下降。与此同时，边缘设备的低时延、低功耗需求限制了复杂深度学习模型的直接部署，因此需要面向资源受限环境设计轻量化而仍具可解释性的框架。文中以LiRUL为代表，说明主成分分析（PCA）结合领域变量可在较小参数规模下兼顾推理时延与物理意义。
在数据层面，小样本与跨域数据稀缺构成普遍瓶颈。由于航空发动机、风电齿轮箱等高可靠系统很难获得完整失效标签，深度模型易在有限样本下过拟合；个体间差异（unit-to-unit variability）与隐私限制又进一步削弱跨域迁移能力。文章还专门讨论了传感器选型与测量特征对方法适用性的深刻影响：统计滤波模型高度依赖测量精度与噪声协方差设定，而卷积神经网络（CNN）等数据驱动模型则对高频振动信息、采样率与信噪比（SNR）极为敏感。基于这些约束，作者提出若干方法学应对方向，包括引入物理约束损失、创新特征工程、采用联邦学习与TimeGAN等新型学习策略、细化跨域适配机制以及利用高效超参数优化算法。总体而言，本节表明RUL预测的现实问题并非单一精度不足，而是数据、信号、计算与机理约束交织下的系统性挑战。
3. Methodology Capability Map: Core Advantages and Application Boundaries of Statistical, Data-Driven, and Hybrid Models
本节构建了统计模型、数据驱动模型与混合模型的能力图谱，并分析其核心优势与应用边界。统计模型的主要优势在于物理可解释性、小样本稳定性与参数含义明确。文章举例说明，通过PCA载荷可解释方法，可将主成分重新映射回工程物理语境，从而揭示传感器统计特征与发动机不稳定状态之间的具体关联。针对小样本问题，基于Wiener过程的双加速退化模型、广义置信区间构造及锂离子电池非线性漂移项设计，都体现出统计方法在有限数据情形下维持推断可靠性的能力。因此，该类方法尤其适用于物理机理相对清晰、数据有限且存在测量噪声的设备预测场景。
数据驱动模型则在复杂非线性退化轨迹拟合方面表现突出。文章指出，LSTM可实现由振动信号到RUL的端到端映射，CNN-LSTM-DNN、XDFM、MLP-LSTM、ForeNet、MDSCT以及TCN-Transformer等结构则在多源传感器融合、自动特征提取和时空依赖建模方面展现出显著优势。与传统统计模型相比，深度数据驱动模型在C-MAPSS、FEMTO等基准数据集上通常能获得更低的均方根误差（RMSE）。但作者同时强调，纯数据驱动模型存在明显局限：其一是“黑箱”属性导致物理可解释性不足；其二是在未见工况或分布外数据上泛化较差；其三是晚期退化外推时可能产生波动或回升等非物理预测轨迹。因此，尽管其精度突出，但在安全关键系统中仍受可信性约束。
混合模型通过结合机理建模与数据驱动学习，被本文视为当前最具工程可实施性的技术路线。LiRUL通过融合PCA、领域感知变量以及单调性与平滑性约束，提高了单调性指数并显著降低长期外推误差；针对铝电解电容器、湿式离合器、轴承、风电主轴承及高可靠电子器件的研究进一步表明，混合模型能够在有限数据、动态工况与多应力环境下兼顾精度、鲁棒性与不确定性表征。文章还补充比较了三类方法的计算效率，指出统计模型训练与推理开销最低，深度数据驱动模型训练成本较高但可通过压缩改善部署性能，而嵌入物理方程的混合或物理信息模型在训练阶段往往最为昂贵。本节同时概述了C-MAPSS、PHM 2008、FEMTO-PRONOSTIA、XJTU-SY等典型数据集及其在工况复杂性、故障模式与异质性评估方面的价值，并强调时序任务中的时间顺序切分、非对称损失函数、自动超参数优化与过拟合控制等训练动态管理要求。
4. Critical Capability Gaps: Systemic Limitations in Robustness, Interpretability, and Uncertainty Quantification
在完成方法能力图谱分析后，文章进一步从系统层面对现有技术的关键能力缺口进行诊断。首先是物理一致性约束缺失。纯LSTM、GRU等模型由于未显式嵌入退化机理，可能给出违反单调退化规律的预测结果，削弱了在安全关键场景中的可采信性。其次是不确定性量化中认知不确定性（epistemic uncertainty）与偶然不确定性（aleatory uncertainty）的混淆。文章指出，保形分位数回归（CQR）及其变体难以区分条件分布波动与分布估计误差，从而可能在高认知不确定区间产生过窄预测区间；一些概率深度模型又往往仅能反映偶然不确定性，面对分布外样本时易表现出过度自信。
第三个关键缺口是轻量化部署与物理一致性之间的张力。为适应边缘部署而进行的剪枝、蒸馏与结构简化，通常偏重计算效率，却忽视领域特征、物理约束与可解释性，甚至因激活函数高阶导数性质而影响物理信息神经网络（PINNs）的训练有效性。第四，传统跨域适应方法普遍忽视运行阶段差异，仅进行全局分布对齐，容易在不同飞行阶段、不同负载阶段之间产生对齐偏差。第五，数据稀缺与个体差异共同限制了跨域泛化能力，尤其是在液压泵、变流器、电池储能系统等难以获得完整失效数据的场景中更为突出。文章以“冰山模型”形象化说明，这些隐藏于水面之下的系统性缺口，是当前RUL预测由实验室走向真实工程落地的主要障碍。
5. Methodological Evolution: A New Paradigm for RUL Prediction Aimed at Engineering Implementation
针对上述能力缺口，本文提炼出四条代表性方法演化路径。其一是机理驱动的神经架构设计。位置敏感注意力（PSA）与门控分层长短期记忆网络（GHLSTM）的协同结构，通过同时考虑输入内容与空间编码的相似度计算，提高了模型对局部上下文的敏感性，并在C-MAPSS数据集上取得更优Score与RMSE表现，体现了将结构设计与退化规律认知相结合的趋势。
其二是面向边缘计算的紧凑型物理—人工智能融合。LiRUL框架通过PCA与物理域变量的混合映射，在仅0.15 M参数和小于5 MB内存占用条件下，实现较低推理时延与较强物理可解释性，并借助单调性与平滑性约束抑制长期外推中的非物理振荡。这表明轻量化并不必然等同于机理削弱，而可通过有针对性的结构与损失设计实现兼顾。
其三是多源退化联合表示与跨域适应。OPS-DANN将操作剖面离散阶段纳入精细化域对齐框架，通过针对不同阶段设置独立域判别器以及软分配机制，缓解多模态特征分布导致的对齐偏差，在N-CMAPSS跨域任务中获得更优RMSE与S-score表现。其四是数字孪生驱动的RUL预测新范式。该方法依托五维数字孪生模型，将Wiener-Arrhenius退化建模、贝叶斯在线参数更新与赤池信息准则（AIC）驱动的误差模型选择相结合，实现预测误差动态修正与置信区间逐步收敛。这一方向标志着RUL预测由离线建模走向在线交互、自适应校准与持续演化。
6. An Integrated RUL Prediction Framework for System-Level Applications: From Point-in-Time Predictions to Closed-Loop Maintenance Decisions
文章最后从系统级应用角度讨论RUL预测如何嵌入闭环运维决策。首先，在基于RUL概率分布的动态阈值设定方面，研究将Weibull分布形式的RUL概率信息与部件关键度相结合，揭示了高关键度部件应在最早可用预防维修窗口介入，而低关键度部件则可尽量利用剩余寿命的决策逻辑，从而为动态维护阈值提供理论基础。
其次，在融合不确定性与部件关键度的多目标维护优化方面，研究通过LSTM与核密度估计（KDE-SGB）构造连续RUL概率分布，并利用加权逼近理想解排序法（TOPSIS）综合维护成本率、系统可用度与可靠性指标，实现由状态预测到维护决策的闭环优化。案例结果显示，该策略可显著降低维护成本并同步提高系统可用性与可靠性。
再次，在多部件机会维护与协同调度方面，文章综述了将卷积网络与Monte Carlo Dropout结合、在机库与时隙约束下实现多部件维护协同的端到端框架，以及基于RUL排序的机会维护、任务导向预算分配和“Daisy-Chain”能量管理机制。这些方法共同表明，RUL预测不再局限于单部件健康评估，而是逐步进入资源受限、多单元耦合的系统优化层面。
最后，在数字孪生辅助的在线自适应校准方面，文章介绍了自适应Wiener模型与不完全维修策略结合、利用极大似然估计与贝叶斯推断实时更新退化参数的方法，以及基于实时质量数据和Kolmogorov微分方程更新设备状态概率向量的闭环机制。这些研究说明，RUL预测只有与在线反馈、参数校准和维护执行联动，才能真正转化为可操作的决策支持系统。
7. Conclusions and Outlook
在结论部分，文章认为RUL预测的方法演化已由单一范式走向多维协同、由静态建模走向动态闭环、由点估计走向概率决策。统计模型在小样本稳定性、参数可解释性及机理一致性方面仍具不可替代优势；数据驱动模型在高维非线性映射与多源融合上表现强大，但高度依赖数据完整性、代表性与标注质量；混合模型则通过融合机理约束与数据适应性，在精度、鲁棒性与不确定性解耦方面展现出更强工程潜力。文章同时指出，未来仍需重点突破物理一致性与轻量化平衡、不确定性分层解耦、运行阶段粒度下的跨域适应理论以及有限数据条件下的可靠泛化等结构性难题。
面向未来，作者提出若干发展方向，包括物理与数据双驱动的理论统一、面向边缘部署的紧凑型物理—人工智能融合、具备运行剖面感知能力的层级不确定性传播模型、基于因果推断的跨域泛化机制，以及由基础模型（foundation models）赋能的预测性维护生态。整体而言，本文强调RUL预测正处于由“算法驱动”向“系统驱动”转型的关键阶段，物理与数据的深度融合、可信不确定性量化以及决策导向的闭环系统集成，将构成未来研究的核心主线。
