飞机视情维修的应用现状及发展

宋 彪，王 旭

（沈阳航空航天大学安全工程学院，沈阳 100136）

计算机汇编语言和相关信息工程技术在航空领域的不断发展过程中，现代民用航空运输飞机设备逐步向着自动化控制及机械、电器和液压动力一体化方向发展，日益复杂的结构由许多系统、部件和附件组成。事后维修不仅对灾难性故障不能有很好的预防，还可能在不必要停场时间内带来新的风险（如检修损伤、经济损失）。较为常用的定时维修方式逐渐在实际工作中暴露出其不足：①维修过剩，即将不必要的维修施加给使用状态较好或没有变坏迹象的设备，带来经济损失和二次风险；②维修不足，设备在检修期未到时产生局部故障，但受维修计划制约继续运行，对飞机完成运输任务的安全性和可靠性都产生了巨大的影响。

视情维修（condition based maintenance，CBM）是一种针对设备工作的实际状态和设备结构、功能变化趋势的维修管理方法，也是当前国内外研究的热点问题之一。CBM通过机内或外置检测设备获得实际状态信息，准确对设备当前状态描述。利用故障预测技术，设备维护人能对下一阶段运行状态和可能发生的失效及故障进行推理、预测，从而决策适当时间点切入进行维修，而不必等到定期维修时间或故障真正发生再做出反应。在航空领域，无论是以可靠性为中心的维修（reliability centered maintenance，RCM），还是FAA的维修审查小组-3（maintenance steering group-3，MSG-3）规范，都将CBM作为维修方式或维修工作而采纳[1]。20世纪90年代初美国民航B747飞机整机定期维修和视情维修项目比为1∶49。并且自2010年3月2日起中国国际航空公司签约将近160架次波音系列飞机的信息连接到波音公司的数据网站（www.MyBoeingFleet.com），至此，由波音公司配套波音各个机型研发的以视情维修方法为中心的飞机健康管理信息将通过传真、个人数字助手、e-mail或文件等方式实时传达给合作公司。例如，波音数据网上的一条记录为2007年4月29日代号为ZGCA099的B777执行法国至北京飞行任务时网络反馈有3项部件失效，燃油量分析器内部失效和燃油箱（左2号）信号超限2项部件失效属于低等级失效，建议完成当天飞行任务后进行航后检查和维修，另一显示的失效为机翼空气流量损失属于较高等级紧急失效，因此建议着陆后进行过站维修。

1 CBM的概念和发展历程

1.1 CBM的概念、理论依据及基本假设

关于CBM的定义有多种解释，这里采用Moubray对CBM的描述，即用状态评估检查潜在故障，以此采取措施预防功能性故障，或者是避免功能性故障的后果[2]。

CBM的理论依据是P-F曲线[3-4]。P-F曲线描绘了设备状态劣化的过程，如图1所示。

图1 P-F曲线图Fig.1 P-F curve

根据图1，为了预防功能失效发生，维修时机应该选在F点以前，为了能够尽可能地利用设备或机件的有效寿命，维修时机应该在P点之后。这就是说应该在P点和F点之间寻找一个合适的时间进行维修，这就是CBM的基本思想。

设备的大部分故障是其技术状态劣化的结果，而状态的劣化有一个由量变到质变的过程。在这个过程中，总有些征兆可查，即表现为“潜在故障”。因此，CBM遵从的基本假设为：第一、属于机械设备或系统性能衰退的各种故障具有过程性。此类故障开始时不会随即造成功能失效，因此从检测到故障征兆至发展成系统功能失效之间，伴随不同异常征兆的时间段反映了系统性能衰退过程[5]。第二、出现信息库内征兆即能被准确及时地检测到。设备机件、零部件、原件的磨损、疲劳、老化、烧蚀、腐蚀、失调等故障模式大都存在由潜在故障发展到功能故障的过程，即CBM故障机理分析的立足点。根据不解体测试的结果，当维修对象的某一个或多个指示装置显示设备将要产生失效或设备性能下降时决定进行调整、维修或更换，从而避免“功能失效”的发生过程。

1.2 CBM的发展历程

航空维修思想发展历经了故障后维修、以预防为主的维修和以可靠性为中心的维修这一过程。而按一般维修方式分，有修复性维修（corrective maintenance，CM）、事后维修（failure based maintenance，FBM）、定时维修（time based maintenance，TBM）、视情维修（condition based maintenance，CBM）等[6]维修策略，如图 2、图3所示。

图2 一般维修方式分类及优缺点图Fig.2 General maintenance classification，advantages and disadvantages

图3 维修思想和一般维修方式联系图Fig.3 Diagram for connection between repair research and general

CBM方法是随着状态监控技术和故障预测技术广泛应用而兴起的一种新的维修策略[7]，与传统定时维修不同，重点是通过对系统运行状态分析来做出维修决策。尽可能将维修管理决策实施在每个系统出现失效、故障前，减小发生故障的概率，降低维修过程不必要的资源浪费，优化维修计划过程，大大提高飞机系统及元件设备的功能可靠度。以RCM为指导思想的CBM，首先以对系统关键部件的可靠度分析为基础，其次再以维修中各种因素的适用性、高效性和经济性为判据，最终决定预防性维修工作，以及具体的维修时间、修复方法和检测活动要求。未来，单一TBM模式将逐步转变为CM、TBM和CBM等多种方式共存的局面[1，8]。

2 CBM的主要内容和发展现状

2.1 CBM的主要内容

CBM的目的不是消除故障，而是尽可能准确地预测故障何时何处发生并给出解决办法，其内容如图4所示。

图4 CBM过程图Fig.4 CBM flow scheme

1）状态监测层

实现对材料状况、部件或子系统特性的测试，主要输入为来自人员的检查、各传感器及控制系统经过信号处理后的数据，输出为检测部件或子系统的状态，即是否有潜在故障。

2）故障预测层

评估和预测被监测系统未来的状态趋势，是否或何时能引起功能失效。

3）决策推理优化过程

接受状态监测、状态评估和故障预测部分的数据，做出适时维修活动和解决措施的决定。

以飞机为对象，4层结构中数据信号获取和处理、状态监测和评估等2层从飞机平台上获得，是视情维修任务载荷管理的主要内容，这2层的功能可直接借助飞机子系统中的传感器、处理器以及分布式系统互联网络和计算单元具体实现。而故障预测、决策支持阶段等2层功能需更强的计算处理资源，以及更加广泛、完整、全局性的数据资料和历史性档案，主要由地面相应的子系统或设备来实现。

应用到涡扇发动机上的CBM，按照图5中显示的流程信息进行。零件故障的物理问题直接或间接的引起涡扇发动机单元或子系统性能退化；细小的元件退化可令可探测到的参数产生改变；监测到不正常参数改变，当改变超过参数健康范围时，决定隔离性能已退化的原件；进行故障预测和推理决策，批准维修零件故障物理问题。

图5 涡扇发动机视情维修信息流图表Fig.5 Diagram indicating information flow for turbine engine gas path

总之，随着CBM各主要技术和理论的发展，其方法也得以不断优化，而且更新型适用的复杂系统状态监控、基于物理模型的故障预测和维修决策模型优化方法逐渐成为研究焦点。

2.2 CBM状态监控发展历程

飞机状态监控流程主要包括机载系统化数据采集，将单点数据参数转化成趋势变化参数，再运用网络将趋势参数实时传回到地面数据库，组成机队的状态信息数据库。从100%的人工监控发展到100%的机器监控，主要经历4个发展阶段[9-10]。

1）人工记录

普遍应用在民用和军用飞机发动机状态监控的早期方法。飞机稳定巡航时，由飞行员或机械师人工记录驾驶舱仪表数据，输入终端数据库，再借助于软件分析。缺点：因为记录方式脱节，容易在读出、抄写和录入三阶段出现错误，工作效率低，监控参数少，准确性差。

2）机载记录

利用数字飞行记录器或快速记录器中连续记录的参数重放，仅对发动机工作状况进行监控。优点：避免记录环节可能出现的大部分失误，相对人工记录准确度提高。缺点：对象仅限于发动机，记录部分参数，数据有限。

3）飞机状态监控系统

使用飞机状态监控系统（aircraft condition monitoring system，ACMS）连续监控飞行数据链，记录汇总数据以报告方式呈递[11-12]。优点：易于使用，监控范围广，准确度和精度提高。缺点：前期投入、人员专业培训费用高。

4）实时监控和人工智能

运用ACMS和飞机通信寻址、报告系统（ACARS）实时将状态数据传递给地面数据库，再用人工智能系统进行实时解析，选用有效的故障诊断、隔离措施。优点：实时性，及时的地面数据库数据分析能对飞机正常运行给予帮助及指导，地面维修也可以提前如期准备，减少飞机过站、停场等进站维修时间，进一步提高飞行安全性和经济性。

ACMS是飞机上主要安装的机载数据采集和处理系统，能以实时方式收集数据，对发动机状态和飞机性能进行监控以及特殊的工程研究。而现行最先进的飞机发动机状态监控系统（SKYMON）正是建立在先进的机载数据采集、通信设备、空地数据通信网络、计算机与计算机网络技术上全新的ACMS。这种机载数据采集和空地数据通信系统在国外部分航空公司已经应用，特别是应用于飞机、发动机的状态监控上。

2.3 航空发动机状态监控系统主要内容

1）气路性能监控

发动机气路性能监控GPA（gas path analysis）技术早期由Urban[13]在1972年提出来的，理论依据是发动机所监控的基本热力参数与各气路部件的特性（效率、流通能力等）之间存在着严格的气动热力学关系，因而可通过利用流量连续性、能量守恒等理论建立起精确的数学模型。在模型中描述了测量参数随发动机单元体的几何参数、工作状态以及性能参数之间的变化关系[14]。但总体来讲，为建立驾驶舱内可观测发动机健康参数的可用发动机传感器数量不足，同时关于元件健康的监控中也有一些失效与突然间改变的参数变化趋势，那么，一般在线的不可测量的检测方法是根据故障监察和故障隔离方法制定的[15]。

例如：专家系统（expert system，ES）、参数估计（parameter estimation）、贝叶斯理论（bayesian theory，BT）、主成分分析[16]（principalcomponentanalysis，PCA）、支持向量机[17]（support vector machines，SVM）等，都是文献中曾引用过用于发动机气路性能监控的算法。

2）振动监控

振动信号是发动机状态监控与故障诊断常用于监控结构状态问题的数据。在旋转过程中，不完全平衡的转动部件会产生不同程度振动，振幅增大的时间过长可引起有关转子平衡的变化，其征兆信息就是所监控的振动信号。再有配合不当、元件磨损和部件损伤也是引起转子振动的重要原因，如损坏的风扇叶片或齿轮失效。当可以使用高振动频率测量工具在飞机上处理信号收集和发送时时，将开创出更多改善现状的新方法。

3）滑油系统监控

润滑系统监控诊断时需关注如油污染物之类的情况。因为传感器监测个体部件，所以按照分类给出了内部部件磨损迹象和损伤级数，还要注意金属碎片可能造成隔离损伤的情况。监测数据包括：滑油消耗率监控、滑油磨粒监控、滑油品质状况监控和滑油温度与压力监控[18]。

4）控制系统监控

发动机大型组件监控的关键作用是控制系统失效监测和隔离。这种监控方式是基于控制系统传感器和主要位置的反馈（连续的或开关的）。伴随全权数字电子发动机操纵机构的问世，专注于自测的线路要求确保控制系统自身的完整性，来提供必要水平的可替换组件失效隔离。

在飞机状态监控工作中，不但受到传感器精度和位置的影响，而且状态监控系统的构建也为快捷有效的工作提供了平台。现在不少以CBM开发的健康管理方法就以便捷、准确的飞机状态监控为基础提出，因此做好监控工作就做好了CBM的第一步。

2.3 CBM故障预测模型现状及发展

视情维修中故障预测的基本原则是参考设备过去和现在状态，对未来状态的可靠预测，目的是及时安排改进活动[19]。传统的基于人工目视方法和传感器数据来诊断已基本转变为基于智能系统的预测。因此需要借助各种先进的传感器，使用智能模型预测手段，关注系统各种变量（如振动模式、温度、压力、电阻等）的关系或关键元件标准水平上微小的变化，这些都可能是故障的先兆。

故障预测系统应当具备检测由于设备状态退化而导致潜在故障的能力，并监测其进一步劣化的过程。故障预测系统根据当前设备状态和使用负载情况，通过与给定适当的关键参数检测阈值进行比对，预测可能出现失效、故障的时间[20]。

1）研究内容

①分析设备所处状态劣化过程所处阶段（正常阶段、性能下降阶段或者功能失效阶段）。②判断致使设备状态下降至正常水平以下的故障模式，并评价偏离正常水平的程度。③通过评价是否达到功能要求或剩余寿命计算以预测部件状态。

2）故障预测分类

关于故障预测方法的分类，目前不同研究机构和组织的提法不尽一致。从目前主要应用的技术和研究工作总体看来，主要可分为以下几类，如图6所示。

图6 故障预测方法分类图Fig.6 Fault prediction classification diagram

第一种，基于统计可靠性（reliability and statistics based or probability-based）的故障预测技术，即基于特征进化/统计趋势的预测或基于经验的预测。

基于经验的预测方法不需要对象精确的数学模型。其最典型的两种应用形式是：专家系统和模糊逻辑。专家系统广泛应用于故障诊断阶段，PROMISE系统[21]实时提交设备故障发生时间信息及自定义的严重程度，并随之预报一个时间段内可能发生的潜在故障及故障的有关情况。预测阶段应用的专家系统结合能力较强，如与神经网络技术的结合等[22]。模糊逻辑提供表达和处理模糊概念的机制，模糊逻辑往往与其他技术结合应用，例如：某火炮故障预测方法是由动态模糊逻辑与专家系统相结合的[23]。鉴于模糊逻辑系统应用的是静态知识库在表达的过程中不具备时间参数，因此也就无法模拟和预测零部件的失效过程，实用性不高。

第二种，基于数据驱动（data-driven）的故障预测技术，基于人工智能（artificial intelligence，AI）的预测。

基于数据驱动的故障预测技术的典型模型有神经网络、隐马尔可夫模型等。神经网络技术应用得较多，ZHANG[24]等人计算轴承的剩余寿命，曾借助使用神经网络模型对失效发展过程给予多变量趋势跟踪。TSE[25]等人应用回归神经网络（recurrent neural net works，RNN）模型预测设备失效、故障等状态的发展趋势。还发展出了几种特殊预测方式，如小波神经网络（wavelet neural networks，WNN）[26]、模糊神经网络（fuzzy neural net-works，FNN）等[27]。在机械故障诊断预测应用的隐马尔可夫模型（hidden markov model，HMM），因其在区分、识别声音的领域有较优秀的作为，得到普遍使用。QIU[28]等人探讨研究隐马尔可夫模型的识别算法应用于机械系统潜在失效和细微故障的发现、识别问题上。根据大量应用实例选取HMM的初始模型仍需要依靠经验，而且对于设备元件展现在物理状态下的隐含内容仍不能给出充分解释，因此也不带有广泛的强制性。

第三种，基于模型（model-driven）的故障预测技术，又基于物理模型的故障预测。

应用基于模型的故障预测技术，通常由该领域专家经过大量数据统计和验证给出对象系统的数学模型。该故障预测技术的优点在于抓住系统内在本质的特征，利用模型参数表现系统故障的特征，从而得到即时故障预测。将对设备、元件故障机理逐步地理解运用于修正模型，预测精度也可以渐渐提高[29]。

LIANG等[30]首先以系统进行振动信号响应及故障机理分析为基础，建立系统观测变量与故障特征变量间的关系模型。其次使用递推最小二乘法（recursive least square，RLS）实时调整参数，目的是预测系统的故障特性变化趋势。

根据故障预测方法的难点：预测不确定性、预测缺乏通用的方法、对象数据获取困难、预测验证困难等[31]。未来研究方向一是采用混合故障预测算法（hybrid prognostic algorithms），吸收各方法优点同时弥补不足，使得优化算法。二是运用预测信息交互技术，综合故障预测系统信息使其多元化，并将其融合成关于系统状态的、有用的知识。三是仿真验证系统开发，对安全性要求高的系统进行建模仿真验证，可以降低危险性，同时利用实际系统中的经验数据，修正模型，提高精确性，对于预测算法开发和验证工作将起到极大的辅助作用。

2.4 CBM决策模型现状及发展

CBM决策过程就是根据飞机状态监控内容得到的故障预测信息，最终决定某时采用某种维修行为的策略。例如，发动机寿命与其关键特性（如：可靠性、维修成本、设备价格等）间的最优化平衡点就是航空发动机CBM决策策略的取用值[32]。

单部件CBM决策的基础是部件劣化过程模型，因此维修决策模型基本分为两大类[33-34]：第一类是利用数理统计理论，建立部件状态和剩余寿命之间的统计分布，依据监测数据预测失效模型中的变化趋势和参数变化，将限制条件选为费用等，求出最优化边界。较有代表性的模型有时间延迟模型、冲击模型等。

1）时间延迟模型（delay time model，DTM）

该模型将状态信息转化为时间进行分析，对部件的剩余寿命进行估计。1984年CHRISTER和WALLER[35]首次提出，将设备的寿命周期分为缺陷形成和故障发生（即延迟时间）两个阶段，并以CBM的检查阈值和频率作为决策变量建立了维修优化模型进行建模分析。Coolen[36]等对DTM模型进行更新，因此诞生了竞争风险模型（competing risk model，CRM），将敏感性分析运用到建模参数上，还借用非参数预测推理方法讨论含有竞争风险的维修决策优化问题。

2）冲击模型（shock model，SM）

YEH[37]在Taylor基础上提出一种多阈值维修策略，并解释维修始终无法恢复到初始元件特性，强调冲击模型在描述系统状态变更时的优势，但仍存在系统优化问题。李泽慧等提出Poisson冲击模型[38]，忽略某一冲击对系统造成的损失，对连续两次冲击造成的影响进行分析，结论是当冲击间隔小于系统阈值时，会因造成的叠加冲击而使系统产生故障。

其他模型主要是直接建立部件状态劣化量变化的描述模型。如比例危险模型（proportional hazards model）又称Cox模型，能准确地反映工程实际情形，克服对系统维修决策建模时偏重于应用数学技巧而带来的缺点，如普及型差、容易忽略有重要价值的状态参数、故障模式等信息。KALBNEISCH等提出了加速寿命模型[39]（accelerated life model），ASCHER等提出比例强度模型（proportional intensities model）[40]，以上 2种模型克服了需要严格假设条件的限制，拓宽了该模型在CBM在决策模块的应用。

第二类习惯于将部件状态空间离散化，应用马尔可夫决策过程[11]（Markov decision processes，MDP）或半马尔可夫决策过程进行维修工作时间、内容等优化。

MDP是研究随机序贯决策问题较突出的理论，由俄国科学家MARKOV提出，其特定的假定前提是系统的状态变化具有“无后效性”，即系统后发的状态变化仅与前一状态有关，与以前变化的状态无关。HOWARD和WELL又将俄国学者Markov的理论推广到半马尔可夫过程。YEH[41-42]借用MDP模型对部件劣化过程的维修策略进行多种优化。CHEN和TRIVEDI[43]研究优化了随机劣化系统中的一般维修策略过程。张秀斌[44]等借用MDP优化多维信息的发动机CBM问题。虽然该模型只对状态劣化进行简单描述，但是应用在处理复杂维修决策时使用了多种分析、研究方法，适用性较强。

但是对于整个飞机系统，多部件系统维修决策技术研究现在依然很少涉及。难点之一，在于系统中部件间关系的定义、部件关键度的选定等。曾提出过一种分类方式，即部件间的相互联系可以分为：经济性依赖关系、结构依赖关系和随机依赖关系[40]。难点之二，部件失效一般分为突发和劣化失效两类[8]，每种维修手段对应各异的失效方式。对于同时具有突发和劣化失效可能部件，如何考虑部件联系及经济相关性等条件下，在系统层对所选取的每种维修方式组合优化将成为多部件系统维修决策面临的难题。

3 结语

伴随着CBM复杂系统状态监控、故障预测和维修决策优化方法的不断发展，逐步产生了故障预测与健康管理（prognostics and health management，PHM）分析方法，此方法不仅包括传感器布局设计、数据信息处理、故障诊断、寿命预测、智能决策等内容，还增加了对系统及人的管理功能，使得其应用领域非常广泛，包括航空航天机械/电子产品功能安全、计算机硬/软件安全和化工企业工艺安全等领域。并且由波音公司开发飞机健康管理（airplane health management，AHM）及由美国国家航空航天局（national aeronautics and space administration，NASA）开发的飞行器综合健康管理（integrated vehicle health management，IVHM）也得到了发展。

飞机CBM状态监控、故障预测和维修决策优化的技术体系为实现CBM最优策略提供根本保证。多传感器性能组合、多参数融合、基于网络的状态管理、PHM、剩余寿命预测与管理、多部件和复杂系统的维修策略综合优化、开放式系统架构（OSA-CBM）等新兴技术与理论即将成为CBM方法的发展重点。因此随着CBM中各项技术和理论进一步完善，会使得国内外航空安全技术及管理事业有长足进步，并且CBM方法也会得到广泛应用。

[1]MOUBRAY J.以可靠性为中心的维修[M].北京：机械工业出版社，1995.

[2]常士基.现代民用航空维修工程管理[M].太原：山西科学技术出版社，2002.

[3]李 强.民航发动机健康管理技术与方法研究[D].南京：南京航空航天大学，2008.

[4]李郑琦，陈跃良.飞机视情维修策略及模型研究[J].航空科学技术，2011（3）：28-30.

[5]左洪福，戎 翔，张海军.航空发动机状态与寿命管理和维修决策优化方法综述[C]//第一届维修工程国际学术会议论文集，2006.

[6]戎 翔，左洪福.航空发动机视情维修理论与技术综述[C]//第四届长三角科技论坛航空航天与长三角经济发展分论坛暨第三届全国航空维修技术学术年会，2007.

[7]甘茂治，康建设，高 崎.军用装备维修工程学[M].北京：国防工业出版社，1999.

[8]程志军.多部件系统视情维修决策技术研究[D].长沙：国防科学技术大学，2007.

[9]陈 光.航空发动机设计手册[M].北京：航空工业出版社，2000.

[10]常继百.民航发动机性能监控和预测方法研究[D].南京：南京航空航天大学，2004.

[11]JONATHAN S L，SANJAY G，RICHARD M.A Survey of intelligent control and health management technologies for aircraft propulsion systems[J].Journal of Aerospace Computing，Information and Communication.2004（1）：552-555.

[12]彭云飞.航空发动机状态参数处理技术及其应用研究[D].哈尔滨：哈尔滨工业大学，2009.

[13]OGAJI S O T，SAMPATH S，SINGH R.Parameter selection for diagnosing a gas-turbine′s performance-deterioration[J].Applied Energy，2002，73（1）：25-46.

[14]陈大光，韩凤学，唐耿林.多状态气路分析法诊断发动机故障的分析[J].航空动力学报，1994（9）：349-352.

[15]LI，Y G.Performance-analysis-based gas turbine diagnostics[J].Proceedings of the Institution of Mechanical Engineers，Part A：Journal of Power and Energy，2002，216（5）：363-377.

[16]孙春林，范作民.发动机故障诊断的主成分算法[J].航空学报，1998，19（3）：342-345.

[17]尉询楷，陆 波，汪 诚.支持向量机在航空发动机故障诊断中的应用[J].航空动力学报，2004，19（6）：844-848.

[18]陈 果，左洪福.润滑油金属磨粒的分类参数研究[J].航空学报，2002，23（3）：279-281.

[19]张宝珍.国外综合诊断、预测与健康管理技术的发展及应用[J].计算机测量与控制，2008，16（5）：591-594.

[20]曾庆虎.机械传动系统关键零部件故障预测技术研究[D].长沙：国防科学技术大学，2010.

[21]梁 旭，李行善，张 磊，等.支持视情维修的故障预测技术研究[J].测控技术，2007，26（6）：5-8，14.

[22]GARGA A K，MCCLINTIC K T，YANG C C，et al.Hybrid Reasoning for Prognostic Learning in CBM systems[C]//Aerospace Conference Proceedings，USA，March 10-17，2001:2957-299.

[23]秦俊奇，曹立军.基于动态模糊综合评判的故障预测方法[J].计算机工程，2005，31（12）：172-174.

[24]ZHANG S.Multivariable trend analysis using neural net-works for intelligent diagnostics of rotating machinery[J].Journal of Engineering for Gas Turbines and Power，1997，119（2）：378-384.

[25]TSE P W，LI L，TU P.Intelligent predictive decision support system for condition-based maintenance[J].International Journal of Advanced Manufacturing Technology，2001,17(5):383-391.

[26]谭晓栋.基于HSMM的滚动轴承故障预测技术[D].长沙：国防科学技术大学，2008.

[27]WANG P，VACHTSEVANOS G.Fault prognostics using dynamic wavelet neural networks[J].IEEE Proceedings of Systems Readiness Technology Conference，2001，15（4）：349-365.

[28]QIU H，LIAO H T，LEE J.Degradation assessment for machinery prognostics using hidden Markovamodels[J].Proceedings of the ASME International Design Engineering Technical Conferences and Computers and Information in Engineering Conference，2005：531-537.

[29]彭 宇，刘大同，彭喜元.故障预测与健康管理技术综述[J].电子测量与仪器学报，2010（1）：1-9.

[30]QIU.J，ZHANG.C，SETH B B，LIANG S Y.Damage mechanics approach for bearing life time prognostics[J].Mechanical Systems and Signal Processing，2002.16（5），817-829.

[31]曾声奎，Pecht M G，吴 际.故障预测与健康管理（PHM）技术的现状与发展[J].航空学报，2005，24（5）：626-632.

[32]谢庆华，张 琦，卢 涌.航空发动机单部件视情维修优化决策[J].解放军理工大学学报，2005，6（6）：575-578.

[33]DEKKER R.Application of maintenance optimization models[J].Reliability Engineering & System Safety，1996，51（3）：229-240.

[34]WANG H.A survey of maintenance policies of deteriorating systems[J].European Journal of Operational Research，2002，139（3）：469-489.

[35]张海军.民航发动机性能评估方法与视情维修决策模型研究[D].南京：南京航空航天大学，2007.

[36]COOLEN F P A，COOLEN-SCHRIJNER P，YANK J.No parametric Predictive Inference in Reliability[J].Reliability Engineering and System Safety，2002，78（2）：185-193.

[37]P & W Corporation.PW4000 Type Engine Ranking Reports[R].2001.

[38]刘 燕.RB211-535E4发动机性能趋势变化分析[J].航空工程与维修，2000（3）：27-28.

[39]KALBNEISCH J D，PREMICE R L.The Statistical Analysis of Failure Time Data[M].New York：John Wiley & Sons，lnc.，1980.

[40]程志君.多部件系统视情维修决策技术研究[D].长沙：国防科学技术大学，2007.

[41]LAM C T，YEH R H.Optimal maintenance-policies for deteriorating systems under Various maintenance strategies[J].IEEE transactions on reliability，1994，43（3）：423-430.

[42]YEH R H.Optimal inspection and replacement po1icies for multistate deteriorating systems[J].European Journal of Operational Research，1996：248-259.

[43]CHEN D，TRIVEDI K.Optimization for condition-based maintenance with semi-Markov decision process[J].Reliability Engineering and System Safety，2005.25-29.

[44]张秀斌.视情维修决策模型及其应用研究[D].长沙：国防科技大学，2003.