前言

. 基于状态的维修在西方军事、民用领域取得了巨大成功，形成了比较成熟的理论体系，引起了我国的广泛关注。但目前我国基于状态的维修仍然处于初级阶段，其研究内容主要集中于状态监测与故障诊断方面，而对于更深层次的设备剩余寿命预测以及维修决策优化等方面的研究还存在很大的差距和问题，维修决策也仅仅依靠知识领域内专家的经验进行较为简单的分析，主观色彩浓重，难以实现真正意义上的科学化、精确化。

. 当前在基于统计的剩余寿命预测模型中，存在着制约模型发展的两大瓶颈问题：

. 一是状态监测信息多是高维的非线性、非高斯数据，且计算量随信息维数呈指数增长，若直接用于预测模型则导致计算量异常庞大，不利于完成模型参数估计和实现实时维修，如何从高维数据中提取能科学反映设备状态的特征信息，进行特征降维，成为模型工程应用的关键。

. 二是油液监测在状态监测方式中占有一个相当重要的比重，油液数据能客观的反映设备当前运行状态和健康状况，而且在大型企业和军事装备中存在丰富的油液监测信息，但由于当前常用的油液浓度特征是一个递增过程，且受换油影响，不能直接用于当前比较成熟的滤波模型，如何在滤波模型中有效的利用已存在的油液信息进行设备的剩余寿命预测，成为当前研究的重点。

. 另外，大型复杂设备的工作过程均表现出较强的非线性，并且受非高斯噪声和各种不确定因素的影响，导致这些系统的故障诊断和故障预测面临较大的困难，而传统的滤波模型是基于线性化和高斯假设，这在一定程度上影响了非线性系统寿命预测的准确率。若能采用最新的粒子滤波技术建立基于滤波的剩余寿命预测模型，将具有很大的应用价值。

. 另一方面，从故障诊断学角度来看，任何一种状态信息都是模糊的、不精确的，用单一信息反映设备的健康状态都是不完整的，如果获取同一对象的多维状态信息，如振动、油液、温度等，加以综合利用，就能对设备进行更可靠、更精确分析。同样，传统的剩余寿命预测模型多是基于单类型状态信息，若能将多种状态信息进行融合预测和决策，必将提高决策模型的准确性和科学性。