第1章緒論/1

1.1引言/1

1.1.1基於大數據的預測性分析與決策/1

1.1.2設備的智能預測性維護/2

1.1.3面向設備運營網絡的智能預測性維護/5

1.2維護策略/6

1.2.1故障維護/6

1.2.2預防性維護/8

1.2.3狀態維護/8

1.2.4預測性維護/11

1.2.5智能預測性維護/12

1.2.6維護策略的選擇方法/13

1.3發展趨勢/14

1.4本書內容安排/15

參考文獻/16



第2章故障診斷與預測方法/17

2.1故障診斷與預測方法的一般分類/17

2.1.1故障診斷方法/18

2.1.2故障預測方法/20

2.2基於物理模型的故障預測方法/23

2.3基於可靠性模型的故障預測方法/24

2.4數據驅動的故障預測方法/27

2.4.1基於退化過程模型的方法/28

2.4.2基於機器學習的方法/30

2.4.3基於深度學習的方法/44

2.5融合模型驅動的故障預測方法/45

2.5.1信息融合技術/45

2.5.2融合建模的思路和方法/51

2.5.3一種多分類器融合模型/52

2.6基於失效樣本的故障預測方法選擇/54

參考文獻/55



第3章智能預測性維護技術體繫與框架/58

3.1智能制造的參考體繫架構/58

3.2面向設備的智能預測性維護策略/60

3.2.1基於5C的預測性維護模型/60

3.2.2基於CPS的智能預測性維護模型/62

3.3面向設備運營網絡的智能預測性維護策略/65

3.3.1設備運營與維護網絡/65

3.3.2面向SPdM網絡的數據獲取與維護決策/66

3.4基於數據挖掘的智能預測性維護技術體繫與框架/69

參考文獻/70



第4章基於IoT的感知資源管理框架與模型/72

4.1基於IoT的感知資源模型及管理框架/72

4.1.1IoT感知資源模型/73

4.1.2基於IoT的感知資源管理框架/79

4.1.3基於IoT的數據采集與處理框架/82

4.2基於區塊鏈的IoT資源安全管理模型/88

4.2.1區塊鏈與物聯網的關繫/89

4.2.2基於區塊鏈的工業物聯網平臺/92

4.2.3基於SMPC的秘密分享機制和數據存儲方法/94

4.2.4標識管理和鏈路協議/98

4.3基於區塊鏈的IoT數據共享模型/101

4.4案例研究/104

參考文獻/106



第5章面向復雜制造環境的無線路由模型與算法/107

5.1網絡路由協議的研究現狀/107

5.2基於QoS的無線傳感器網絡路由模型/109

5.2.1QoS的度量參數/109

5.2.2具有QoS的網絡路由協議與模型/111

5.3基於量子蟻群算法的路由優化算法/113

5.3.1蟻群算法和量子進化算法優化機理/113

5.3.2量子蟻群算法/116

5.3.3量子蟻群多目標路由算法設計/120

5.3.4算法性能分析/121

5.4實驗與結果分析/122

參考文獻/126



第6章數據采集的協議集成與設計案例/129

6.1狀態監測數據采集框架/129

6.2監測網絡的協議選擇/131

6.2.1CAN總線協議/132

6.2.2ZigBee協議/134

6.2.3GPRS協議/137

6.3硬件選型與設計/138

6.3.1傳感器選型/138

6.3.2數據采集網絡層設計/139

6.4軟件設計/148

6.4.1ZigBee節點程序設計/149

6.4.2ARM控制板程序設計/149

參考文獻/151



第7章數據驅動的故障診斷方法/152

7.1數據驅動故障診斷方法的研究現狀/152

7.2面向非平穩非線性狀態數據的特征提取方法/154

7.2.1產品的故障模式及信號監測方法/154

7.2.2狀態監測信號的特征提取方法/155

7.2.3圖像處理與波形處理相結合的特征提取方法/159

7.3基於卷積神經網絡和集成學習的故障診斷方法/162

7.3.1多層多尺度特征配置的CNN模型/162

7.3.2基於多層多尺度深度CNN和RFs的集成學習方法/164

7.3.3實驗仿真、分析與應用驗證/164

7.4基於卷積神經網絡和遷移學習的故障診斷方法/169

7.4.1遷移學習的概念/169

7.4.2基於CNN和TL的故障診斷模型/170

7.4.3實驗仿真、分析與應用驗證/172

參考文獻/175



第8章數據驅動的故障預測模型與方法/177

8.1基於量子多智能體神經網絡的故障預測模型/177

8.1.1神經網絡故障預測模型/178

8.1.2QMA-BPNN算法/179

8.1.3基於量子多智能體神經網絡的預測算法/183

8.1.4算法分析/185

8.2基於機器學習的故障預測模型/188

8.2.1故障預測建模技術/189

8.2.2算法的訓練、仿真和評估/192

8.2.3算法的驗證和測試方法/194

8.3基於深度學習的故障預測模型/198

8.3.1卷積神經網絡模型/199

8.3.2時間序列數據的多種CNN預測模型/203

8.3.3算法分析/209

參考文獻/219



第9章智能工廠的維護優化調度與決策/221

9.1維護與庫存的聯合優化問題/221

9.1.1維護需求的種類/221

9.1.2維護策略與庫存控制模型的特征分類/222

9.2維護與備件庫存的聯合優化策略/229

9.2.1基於塊的維護策略和定期檢查庫存策略/230

9.2.2基於塊的維護策略和連續檢查庫存策略/230

9.2.3基於役齡的維護策略和定期檢查庫存策略/231

9.2.4基於役齡的維護策略和連續檢查庫存策略/232

9.2.5狀態維護策略和定期與連續庫存檢查策略/233

9.3預測性維護與備件庫存聯合優化模型/235

9.3.1基於仿真的聯合優化模型/236

9.3.2基於馬爾科夫決策過程MDP的聯合優化模型/245

9.3.3基於預測事件的聯合優化模型/251

參考文獻/255



第10章大範圍維護服務預測與優化配置/260

10.1MRO運營網絡的服務需求預測與優化問題/260

10.2基於產品劣化狀態的需求預測與服務提供模型/263

10.2.1生產設備的加速劣化模型/264

10.2.2基於產品劣化狀態的需求預測及服務提供模型/267

10.2.3算例分析/270

10.3基於DSSI理論和FAHP賦權模式的服務提供商管理/276

10.3.1理論背景/277

10.3.2基於DSSI理論的提供商選擇模型/280

10.3.3基於FAHP賦權模式的提供商評價方法/291

10.4基於改進隨機規劃的服務備件預測與管理模型/301

10.4.1基於改進隨機規劃的備件管理模型/302

10.4.2模型求解/307

10.4.3算例分析/310

10.5基於模糊隨機規劃和利潤共享模式的服務資源配置/319

10.5.1基於模糊隨機規劃和利潤共享式的服務資源配置/320

10.5.2模型求解/325

10.5.3算例分析/331

參考文獻/340



第11章基於信息物理繫統的運行過程控制/342

11.1CPS繫統/342

11.1.1CPS的定義/342

11.1.2CPS研究現狀/343

11.1.3CPS架構/345

11.2基於數字孿生的運行過程智能控制模型/351

11.2.1數字孿生模型/351

11.2.2數字孿生模型的相關應用/353

11.2.3運行過程智能控制模型/358

11.3數據驅動生產過程參數優化案例分析/360

11.3.1數據采集與預處理/361

11.3.2繫統建模與計算分析/362

11.3.3智能生產優化策略/376

參考文獻/378



索引/380

隨著信息、機械、繫統工程和管理等學科的發展，特別是以移動互聯網、大數據、人工智能等為代表的新一代信息技術，推進了智能制造的快速發展。

在設備的運營維護領域，為解決設備運營與維護服務的異地化、實時化和及時性等問題，設備制造或運營企業通過采集設備運行數據，並上傳至企業數據中心（或企業雲），使繫統軟件能夠對設備進行實時在線監測、控制，並經過數據分析進行預測性維護，逐漸形成了基於（移動）互聯網的維護、維修和運營（Maintenance Repair & Operation，MRO）技術服務網絡和相應的數據支撐環境，如產品狀態、設備狀態、環境狀態、業務運營狀態、人員狀態、社交網絡數據以及客戶反饋數據等大數據信息，並體現出全球性（互聯網連接）、實時性（工業互聯網支持的狀態檢測）和及時性（移動終端調度）的特性，使得設備全生命周期的知識能被高效和自發地產生和利用。然而，由於MRO 技術服務網絡中裝備繫統故障的高隨機性和維護需求的高不確定性，面向大範圍MRO 網絡環境中多個不確定性的協作主體和高隨機性的設備故障，如何可靠地獲取、建模、推理和挖掘來自產品狀態、環境狀態、設備運行狀態、人員狀態、業務運營數據、社交網絡數據以及客戶產品反饋數據等裝備全生命周期中的異構大數據信息？如何利用上述信息準確地預測設備故障和維護需求，制定合適的維護和優化策略？如何在有限服務資源下，充分利用互聯網環境下廣泛存在的共享服務資源，限度地響應網絡維護需求，建立與客戶長期全面的合作關繫？更進一步，如何通過信息物理繫統（Cyber Physical System，CPS）將維護決策反饋給制造繫統，實現誤差補償、調節和反饋控制？這些問題成了智能制造環境下MRO 技術服務網絡中各個參與主體的共同訴求，需要研究面向智能運營環境的多源異構數據高質量獲取與融合理論與方法、數據驅動的裝備及部件故障預測理論和方法、面向裝備運營網絡的大規模維護決策理論、基於CPS的反饋控制方法等大數據環境下面向MRO技術服務網絡的智能預測性維護（Smart Predictive Maintenance，SPdM）理論、技術和方法。

本書繫統地介紹了新一代信息技術環境對制造業的影響、智能制造模式下的設備維護問題，以及各種維護策略，如預防性維護、預測性維護和智能預測性維護等；詳細地介紹了故障預測的方法體繫，包括基於物理模型的故障預測、基於可靠性模型的故障預測、數據驅動的故障預測、融合模型驅動的故障預測等內容；結合智能制造的參考體繫結構，繫統地介紹了智能預測性維護的技術體繫與框架，如面向智能工廠的智能預測性維護、面向智能工廠運營網絡的智能預測性維護框架等；注重智能預測性維護的關鍵理論、方法和技術，例如，基於IoT的感知資源管理與車間無線路由技術、大數據驅動的故障預測理論和方法、維護決策和優化方法、網絡決策和優化方法以及基於CPS的虛擬控制技術等，較全面繫統地闡述了設備維護領域正在興起的理論、技術和方法，涉及面廣，內容豐富；努力反映了國家新一代智能制造和新一代人工智能的戰略部署及實施情況。

本書具體內容安排為：第1章對智能制造模式下智能預測性維護、設備維護策略與發展趨勢進行綜述，並為全書內容的展開進行鋪墊；第2章介紹故障診斷與預測方法；第3章結合智能制造的參考體繫架構，繫統地介紹智能預測性維護技術體繫與框架；第4章介紹基於IoT的感知資源管理框架與模型；第5章介紹面向復雜制造環境的無線路由模型與算法；第6章給出數據采集的協議集成與設計案例；第7章討論數據驅動的故障診斷方法；第8章介紹數據驅動的故障預測模型與方法；第9章討論智能工廠的維護優化調度與決策；第10章介紹大範圍維護服務預測與優化配置；第11章討論基於信息物理繫統的運行過程控制。

本書受到國家重點研發計劃項目“面向有色金屬冶煉流程精細管控的網絡協同制造關鍵技術與平臺研發（2019YFB1704700）”和國家自然科學基金項目“互聯網與大數據環境下面向高端裝備制造的智能工廠運營優化（No.71690234）”的資助。全書由劉敏、李玲、鄢鋒著，特別要感謝馬玉敏對11 章的貢獻。本書得到同濟大學電子與信息工程學院繫統工程專業博士生章鋒、徐高威的協助，謹在此對他們表示衷心的感謝。

由於本書涉及的範圍比較廣，所討論的問題比較新也比較復雜，書中難免會有不足之處，誠摯地歡迎廣大讀者批評指正。



著者