复杂机械设备健康状态预测方法研究综述

梁伟阁，张 钢，王 健，佘 博，田福庆

(1.海军工程大学 兵器工程学院， 武汉 430033； 2.海军大连舰艇学院 导弹与舰炮系， 辽宁 大连 116000;3.中国人民解放军91614部队,辽宁 大连 116000)

1 引言

随着科技发展，军事装备、航空航天系统、现代工业过程、生产制造系统等领域的集成化、综合化、自动化水平不断提高，重大机械设备的复杂性和运行不确定性随之增加，如何对关键机械设备健康状态进行科学评价，已经成为各领域复杂装备的重大问题，对于保障其安全可靠运行、随时处于良好工作状态具有重要意义。

机械设备健康状态评估是指利用各类先进传感器实时监测装备运行的各类状态参数及特征信号，借助各种智能算法和模型(如物理模型、专家系统、神经网络、模糊逻辑等)来评估装备的健康状态，预测剩余寿命。因此，如何评估复杂机械设备的健康状态、如何预测复杂机械设备的剩余寿命是该技术领域的关键科学问题。

数据驱动的机械设备健康状态评估方法，不需要提前构建机械设备精确的性能退化机理模型，只需要通过各类传感器监测数据的分析与处理，得到表征机械设备状态的特征集，并基于特征集的融合，推理出机械设备的健康状态。因此，该方法是一个有重要理论意义和工程应用价值的科学问题，而解决此类问题的关键在于如何运用监测数据有效评估机械设备的健康状态、如何根据其健康状态科学预测剩余寿命。

本文内容的组织结构如下：首先，根据时间发展关系将机械设备健康状态评估划分为3部分研究内容；然后，分别梳理总结各研究内容目前的研究现状及存在的问题，重点介绍了数据驱动的方法；最后，探讨了智能制造背景下，机械设备健康状态评估及剩余寿命预测领域存在的挑战以及未来可能的发展趋势。

2 监测数据采集方法

机械设备状态监测数据是开展机械设备健康状态评估的基础。

状态监测试验是利用各类传感器采集和存储机械设备运行数据，为评估其运行状态及预测剩余寿命提供基础信息。常用的传感器类型包括：振动加速度传感器、声传感器、惯性传感器、压力传感器、冲击传感器、温度传感器等，多类传感器采集到的信号包含丰富的机械设备运行状态信息。随着机械设备健康状态评估技术的不断发展，国内外开展了一系列机械设备状态监测试验。凯斯西储大学轴承数据中心使用电火花加工技术在轴承上布置了三类单点故障，利用振动加速度传感器采集滚动轴承在不同故障状态下的运行数据，被广泛应用于故障诊断领域。文献搭建了一套自吸式离心泵数据采集系统，加速度传感器安装在电机外壳上方，试验工况恒定。试验采集了5种不同的离心泵运行状态，包括：正常状态、轴承内圈磨损、轴承外圈磨损、轴承滚动体磨损和叶轮磨损。以上数据集均为人工设定机械磨损或故障状态，研究重点为机械设备不同运行状态的识别。。

近年来，随着物联网技术、信息技术和人工智能的快速发展，预测性维护(predictive maintenance,PdM)逐渐成为研究热点。预测性维护主要利用剩余使用寿命(remaining useful life,RUL)的预测信息，在维护机会窗口内选择成本最低的维护策略和生产调度计划，达到降低成本、提高效率、最大化生产利润的目的。在预测性维护背景下，研究者们开展了一系列机械设备全寿命周期运行试验。法国FEMTO-ST研究院搭建了PROGNOSTIA平台，该试验平台能够提供球轴承从投入使用直到失效过程的全寿命周期运行振动加速度数据和温度监测数据，共测试了3种不同工况下的17个滚动轴承。研究者们利用该数据集开展了一系列关于滚动轴承健康状态评估和剩余寿命预测的研究。辛辛那提大学的智能维护系统中心设计了3组滚动轴承全寿命周期加速疲劳试验，通过监测油液中的磨损碎屑确定轴承失效时刻。与FEMTO提供的数据集相比，该数据集明确标明了每个轴承失效后的故障形式，因此不仅可用于剩余寿命预测研究，也常被用于故障诊断研究。国内西安交通大学雷亚国团队与浙江长兴昇阳科技有限公司合作，开展滚动轴承加速寿命试验研究，采集得到3种工况下15个滚动轴承的全寿命周期振动信号，且明确标注了每个轴承的失效部位，为健康状态评估领域的研究提供了数据支撑。以上是公开的全寿命周期数据集，还有不同领域的研究者设计实施了机械设备全寿命周期试验，但试验数据并未公开。

目前，各行业的机械设备全寿命周期数据仍然较少，无法满足大数据下智能制造的要求。尤其在军事领域，由于各类武器系统使用工况恶劣，数据保密要求高，尚未发现公开发表的寿命周期数据。因此，针对军事领域的各种复杂机械设备，设计相关试验，采集监测数据是各国竞相发展的重要课题。

3 健康因子构建方法

复杂机械设备性能退化过程中的损伤程度难以直观测量，为了揭示监测信号中包含的性能退化信息，需要提取相应的特征，即健康因子(Health Indicator,HI)。健康因子能够定量表征机械设备健康状态，将不同运行时刻的健康因子按时间顺序连接即得到性能退化曲线，为剩余寿命预测提供基础数据。健康因子构建过程中主要存在两方面的问题：① 如何利用监测数据构建健康因子；② 如何评估健康因子组成的性能退化曲线对剩余寿命预测的影响。

不同于机械设备故障诊断领域提取的特征(主要评估指标为类内间距与类间间距)主要用于识别分类，健康因子作为一类评估机械设备健康状态的特征，其主要作用有两点：① 定量评估机械设备运行状态；② 不同时刻的健康因子组成性能退化曲线，为剩余寿命预测提供基础数据。因此，评估健康因子性能的指标不仅包括评估精度，还包括对健康因子性能退化曲线的评估指标，如单调性、趋势性、鲁棒性等。为了对健康因子评估指标有一个直观认识，首先定性介绍各类指标，如图1所示。单调性主要表征性能退化曲线随时间变化过程一致性，对比图1(a)和图1(b)可知，图1(a)健康因子组成的性能退化曲线随时间变化一直单调递增，因此其单调性较好；而图1(b)健康因子组成的性能退化曲线先是单调递增，在运行后期有一小段单调递减，而后又单调递增，因此其单调性较差。趋势性表征性能退化曲线随时间的变化趋势，对比图1(c)和图1(d)可知，图1(c)中健康因子组成的性能退化曲线随时间变化而不断变化，因此其趋势性较好；而图1(d)中的健康因子值的变化情况与时间相关性较弱，因此其趋势性较差。鲁棒性表征性能退化曲线的波动性，对比图1(e)和图1(f)可知，图1(e)性能退化曲线波动性较小，因此其鲁棒性较好；而图1(f)性能退化曲线波动较大，其鲁棒性较差。

图1 不同健康因子性能退化指标曲线Fig.1 Comparison of characteristics of different health indicator performance degradation curves

目前，构建健康因子的思路主要包括两大类：物理健康因子和虚拟健康因子。随着传感器技术和深度学习方法的不断发展，基于深度学习的机械设备健康因子构建方法也逐渐成为研究热点，但其本质属于虚拟健康因子。为了重点综述基于深度学习的健康因子构建方法，本节将其作为独立的一部分进行阐述。

3.1 物理健康因子

物理健康因子(physics health indicator,PHI)，是指从传感器采集到的监测信号中，利用统计学方法或信号处理方法提取得到的一类指标，如：时域信号的均方根值(root mean square,RMS)、谱峭度(spectral kurtosis)、信息熵(information entropy,IE)等。

时域信号的均方根值描述的是信号强度，能够反映机械设备整体损伤，对于机械部件的故障发展程度较为敏感，可以表征机械设备性能退化过程，是一种常用的物理健康因子。西安交通大学的雷亚国团队、浙江大学的Huang团队提取滚动轴承均方根值作为物理健康因子，并在此基础上预测滚动轴承剩余寿命。谱峭度表示利用特定频带对信号滤波后的幅值分布情况，能够有效反映非平稳监测信号中的性能退化信息，是一种被广泛应用的物理健康因子。当滚动轴承外圈或内圈出现故障时，滚珠不断撞击故障点，产生共振频带。因此，谱峭度值越大的频段信息越丰富，表明其与共振频带相关度越高，据此特性即可评估滚动轴承健康状态。信息熵也是一类被广泛应用于评估机械设备性能状态的物理健康因子。机械设备在运行过程中性能不断退化，监测信号中包含的系统复杂度信息也随性能退化而不断变化，因此，信息熵作为度量系统复杂度的有效指标能够表征设备的健康状态和退化趋势，受到广泛关注。以上物理健康因子能够有效反映机械设备性能退化状态，被广泛应用于健康状态评估、故障诊断、剩余寿命预测等领域，取得优异的应用成果，但是仍存在一定不足。例如：均方根值作为物理健康因子虽然能够反映机械设备性能退化过程，但是仍存在对早期故障不够敏感，容易受到噪声干扰等缺陷。谱峭度对早期故障特征较为敏感，但是对故障发展过程表征存在较大误差。信息熵可以有效刻画机械设备性能退化过程，但是计算效率较低、不同信息熵的性能退化表征能力存在较大差异。

3.2 虚拟健康因子

虚拟健康因子是指将多个物理健康因子或传感器数据融合得到的一类表征机械设备运行状态的指标。目前，虚拟健康因子构建方法主要有两大类思路：基于数据融合的思想和基于相似性的思想。

基于第一类思路的研究主要包括主成分分析法(principal component analysis,PCA)、局部线性嵌入法(locally linear embedding)、局部保留投影法(locally preserving projections)、受限玻尔兹曼机法(restricted boltzmann machine,RBM)等，将多种物理健康因子或传感器数据融合、降维后得到新的虚拟健康因子。主成分分析是一种经典的无监督特征提取技术，通过提取原始变量中的少数包含主要结构信息的主成分，表征多个变量的原始结构。Widodo等提取了滚动轴承振动加速度信号的时域峰值、峭度、信息熵等物理健康因子，利用主成分分析法对物理健康因子降维，得到虚拟健康因子，提高了后续计算性能退化状态的效率。Benkedjouh等利用小波包变换提取刀具振动信号的多个时频特征作为物理健康因子，利用最大似然主成分分析法对提取的物理健康因子降维，得到虚拟健康因子，有效提高了刀具剩余寿命预测精度。Ahmed等从机械设备监测信号中提取了11个时域特征作为物理健康因子，利用PCA对时域特征降维处理，试验结果表明，降维后的虚拟健康因子能够有效反映机械设备性能退化状态。基于PCA的虚拟健康因子构建方法属于典型的降维方法，即将多个物理健康因子或多个传感器监测数据融合降维，从而较少冗余信息，提高性能状态评估精度和计算效率。PCA虽然是常见的降维方法，但存在一些缺陷：PCA将原始数据作为一个整体，通过建立均方误差最小意义下的最优线性映射投影提取主成分，在此过程中忽略了类别属性。受限玻尔兹曼机(restricted boltzmann machine,RBM)是一类特殊的马尔科夫随机场，具有可见层与隐藏层两层组成的网络结构。RBM利用训练数据调整节点连接权重和偏置参数，使得在该参数下由相应受限玻尔兹曼机表示的概率分布尽可能与训练数据相符，从而达到特征融合及降维的目的。基于受限玻尔兹曼机的健康因子构建方法通过融合机械设备监测数据不同特征，能够表征机械设备性能退化状态和故障状态，进而实现性能趋势预测及故障预测。文献[58]将滚动轴承振动加速度信号的时域均方根值输入受限玻尔兹曼机模型构建健康因子，然后将线性回归层添加到受限玻尔兹曼机模型，预测性能退化发展趋势，进而得到滚动轴承剩余寿命。文献[59]提取齿轮箱振动加速度信号的多模态特征，将时域、频域和时频域的多模态特征输入到三层高斯-伯努利深度受限玻尔兹曼机中构建健康因子，最后将构建好的健康因子输入到支持向量分类模型诊断齿轮箱故障。文献[60-62]表明，基于PCA和RBM的健康因子构建方法研究主要集中于特征融合、降维，而对构建的健康因子性能，如单调性、趋势性、鲁棒性等关注较少，且构建的虚拟健康因子组成的性能退化曲线仍存在较大的随机波动。同时，基于融合思想的健康因子构建模型无法利用相同型号设备产生海量历史监测数据，仅局限于构建单个设备的健康因子性能退化曲线。

基于第二类思路的方法包括自组织映射网络(self organizing map,SOM)、马氏距离(Mahalanobis distance)、支持向量数据描述等方法，利用历史监测数据训练模型，再将测试数据输入到已训练的模型，得到测试数据的虚拟健康因子。该思路的基本假设为机械设备性能退化阶段的监测特征与正常状态监测特征的偏离程度和性能退化程度呈正相关关系。但是，该方法要求拥有大量的历史监测数据，监测数据样本量较小的情况难以应用。

3.3 基于深度学习的健康因子构建方法

智能制造背景下，各类传感器采集得到机械设备大量监测数据，这些数据包含丰富的设备运行状态信息。近年来，深度学习以其自适应特征提取能力、非线性函数表征能力获得越来越多的关注，为构建健康因子提供了一种新的思路。深度学习作为机器学习的一类特殊算法，根据有无学习标签，可分为无监督和有监督学习两大类。无监督学习主要用于网络预训练、降维等。有监督学习利用数据标签，深度挖掘数据内部蕴含的特征信息。有监督深度学习算法主要包括卷积神经网络和循环神经网络。卷积神经网络(convolutional neural networks,CNN)由LeCun于1990年提出用于图像处理，该算法有2个重要组成部分：空间共享权值(卷积层)和空间池化。卷积神经网络成功应用于计算机图像处理领域，其网络输入大都为二维图像数据。Babu等利用2个卷积层和2个池化层提取原始信号的特征构建健康因子，然后将健康因子输入到多层感知器中预测机械设备剩余寿命。Ren等将频谱主能量向量组合成特征图，将特征图作为深度卷积神经网络的输入构建滚动轴承健康因子，轴承试验表明所提方法优于传统的健康因子构建方法。Li等提取滚动轴承振动加速度信号的时频图，然后将时频图输入到多尺度卷积神经网络构建健康因子，实现一种健康因子自适应构建模型，提高了健康因子构建效率。She等提出一种多通道深度卷积神经网络模型，充分利用多个传感器测得的监测数据构建健康因子。在网络训练时，采用指数衰减式学习率，有效提高了计算效率。Sun等利用双树复小波变换将原始一维时间序列信号转换为二维图像信息，然后将图像信息输入到深度卷积神经网络构建健康因子。Li等利用多个传感器振动信号频域的均方根值作为输入，分别训练多个深度卷积神经网络构建轴承健康因子，最后利用D-S证据理论将不同网络构建的健康因子融合，得到最终的健康因子。深度卷积网络超参数较多，网络结构对最终的学习效果影响较大，优化过程较为复杂。以上基于深度卷积网络的健康因子构建方法大都建立构建模型，没有进一步探讨网络结构、超参数对健康因子的影响。循环神经网络是一类包含前馈连接和内部反馈连接的前馈神经网络，原则上能够从之前输入的整个历史映射到目标向量，并允许之前输入的内存保持在网络的内部状态，因此能够保留隐藏层上一时刻的状态信息，被广泛应用于复杂动态系统建模领域。基于循环神经网络的健康因子构建方法基本思路是：将工程中的监测数据输入到循环神经网络，采用时间反向传播算法对模型进行训练，进而构建机械设备健康因子。李峰等提出一种基于双隐层量子线路循环神经网络，构建基于量纲一化排列熵误差的物理健康因子集，然后将物理健康因子集输入到循环神经网络得到反映机械设备性能退化状态的健康因子。试验结果表明，基于该新方法构建的健康因子有效提高了预测精确度和计算效率。Zhang等提出一种基于长短时记忆网络的健康因子构建模型，利用粒子群优化算法优化网络参数。Ren等提出一种多尺度门循环神经网络，将不同方位的传感器测得振动加速度信号输入网络构建健康因子。试验结果表明，多尺度门循环神经网络能够有效提取时间序列特征，集合不同时间尺度的信息。循环神经网络虽然能够有效处理时间序列数据，但是存在“记忆衰退”问题，不利于进行长期预测。以上基于监督深度学习的方法本质上属于相似性思路的虚拟健康因子构建思想，因此，其优势是能够充分挖掘同类型设备历史监测数据，且其评估机械设备健康状态的精度随着训练数据的增加而不断提高。其缺点是当数据量较小时的评估精度不高，因此不适用于样本量较小的监测数据。

4 剩余寿命预测方法

机械设备剩余寿命预测定义为“机械设备从当前时刻运行至失效状态时刻的时间间隔”，可表示为=-，其中表示机械设备失效时刻，表示当前运行时刻，表示当前时刻的剩余寿命。剩余寿命预测是在健康因子组成的性能退化曲线的基础上，预测机械设备从当前时刻运行至失效时刻的时间间隔。目前，剩余寿命预测模型可以分为三大类：基于物理模型的方法、数据驱动的方法和基于混合模型的方法。

4.1 基于物理模型的剩余寿命预测方法

基于物理模型的剩余寿命预测方法主要使用机械设备失效机理建立数学模型，描述性能退化过程，开展剩余寿命预测研究。其中，物理模型的参数与材料特性、压力水平有关，通常是利用试验、有限元分析等技术手段来确定。Paris-Erdogan(PE)模型是机械设备剩余寿命预测领域应用最为广泛的一类物理模型。文献[83]首先提出PE模型，用来描述裂缝发展过程。Wang等将PE模型转换为经验模型开展机械设备剩余寿命预测研究。

基于物理模型的剩余寿命预测方法深入分析机械设备失效机理，构建性能退化过程物理模型，因此预测结果较为准确。但是随着机械设备结构愈加复杂，难以建立准确的失效机理模型，因此难以得到广泛推广。

4.2 数据驱动的剩余寿命预测方法

数据驱动的剩余寿命预测方法分为两类：基于统计模型的剩余寿命预测方法和基于智能模型的剩余寿命预测方法。

基于统计模型的剩余寿命预测方法也称为基于经验模型的方法，主要是利用经验知识建立统计模型，然后利用历史观测数据确定模型参数，进而得到机械设备剩余寿命的概率分布函数。剩余寿命预测的统计模型在参数估计的过程中考虑了各种随机变量，如时间变化性、单元-单元变化性、测量变化性等。因此，基于统计模型的剩余寿命预测方法能够有效地描述性能退化过程中的不确定性。目前，基于统计模型的剩余寿命预测方法主要包括：基于随机系数回归模型的方法、基于Wiener过程的方法、基于Gamma过程的方法、基于逆高斯过程的方法、基于马尔科夫链的方法。

研究表明：基于统计模型的剩余寿命预测方法虽能够有效预测机械设备剩余寿命，且提供预测结果的不确定性置信区间，但是大部分方法均假定退化模型是已知的，然后通过状态监测数据或环境数据对模型的参数进行估计，最后利用模型预测剩余寿命。但是实际工程应用时，机械设备性能退化模型往往是未知的，不同类型机械设备的退化模型也存在差异，如果退化模型选择不当，将严重影响剩余寿命预测的精度。

相对于基于统计模型的剩余寿命预测方法要求退化模型已知，智能学习模型能够通过智能算法从监测数据中自主学习机械设备性能退化模式，预测剩余寿命，不需要事先构建物理模型或者统计模型，使其逐渐成为研究热点。目前，在剩余寿命预测领域，常用的智能模型主要包括：人工神经网络模型、支持向量机模型、相关向量机模型。

人工神经网络通过复杂层次结构中的大量连接节点模拟人脑的工作过程，能够自动从监测数据中提取特征，预测机械设备剩余寿命。应用于剩余寿命预测的神经网络主要包括：前馈神经网络和循环神经网络。大量文献利用前馈神经网络学习健康因子和剩余寿命之间的关系。在文献[94]中，Sbarufatti等将前馈神经网络与蒙特卡洛法采样法相结合，预测机械设备剩余寿命。在文献[95]中，Pan等利用前馈神经网络对滚动轴承健康状态进行多步前向预测。循环神经网络是一种能够有效处理时间序列的网络，也被广泛应用于剩余寿命预测。以上基于人工神经网络的机械设备剩余寿命预测方法在有效提高剩余寿命预测效率和精确度的同时，也有不足之处。例如当训练数据不足时，容易出现过拟合等现象，造成模型泛化性能差。另外，以上模型也无法提供预测结果的不确定性置信区间，不利于开展后续的维修保障工作。

支持向量机是一种基于统计学习理论的智能模型，能够有效处理小样本数据的剩余寿命预测问题。Widodo等利用正常状态数据和失效状态数据训练支持向量机，并用训练好的模型预测机械设备剩余寿命。支持向量回归机也是一种常见的应用于剩余寿命预测领域的支持向量机模型。Liu等提出一种改进的概率支持向量回归模型，基于该模型开展核电站机械部件的剩余寿命预测研究。目前，已有部分文献将相关向量机应用于剩余寿命预测领域。但是相关向量机的预测性能很大程度上依赖于核函数的选择，同时，模型参数的优化也是仍待解决的问题。

4.3 基于混合模型的剩余寿命预测方法

如前所述，基于物理模型和数据驱动的剩余寿命预测方法均存在一定的局限性。为了充分发挥两者的优势，人们尝试将两种方法相结合，建立基于混合模型的剩余寿命预测方法。传感器采集到的机械设备状态监测数据无法直接反映其性能退化状态，因此，基于混合模型的RUL预测方法一般先利用数据驱动模型根据监测数据构建反映性能退化过程的健康因子性能退化曲线，然后再利用失效物理模型对机械设备性能退化曲线建模并预测其剩余寿命。文献[103]提出一种融合粒子滤波技术和深度学习模型的混合剩余寿命预测方法。该方法分为2个阶段：第一阶段，采用深度学习模型提取机械设备性能退化特征；第二阶段，将性能退化特征输入到测量方程中，根据领域内的物理知识所构建的性能退化模型建立系统方程，利用粒子滤波技术实时更新模型参数从而实现剩余寿命预测。基于混合模型的剩余寿命预测方法能够同时融合不同方法得优势，因此受到越来越多的关注。

5 机械设备健康状态评估发展趋势

通过以上综述可知，众多学者对机械设备健康状态评估及剩余寿命预测方法展开了深入广泛的研究，并取得了大量研究成果。通过对研究现状的深入分析，结合大数据背景下机械设备健康状态评估及剩余寿命预测所呈现出的显著特点，具体梳理出3点发展趋势：① 基于深度学习的机械设备健康因子构建方法；② 考虑不确定性的剩余寿命智能预测方法；③ 小样本条件下剩余寿命预测方法。

5.1 基于深度学习的机械设备健康因子构建方法

传统的机械设备健康因子存在单调性、趋势性不高、失效阈值难以确定等问题。随着传感器技术和深度学习算法的快速发展，基于深度学习的健康因子构建方法逐渐成为研究热点。一方面，基于深度学习的健康因子构建模型大多将其作为剩余寿命预测模型的一部分，没有对构建的健康因子及其组成的性能退化曲线进行更深入的研究。健康因子性能将影响剩余寿命预测精度及其预测结果的置信区间大小，进一步影响维修决策的制定。因此，构建能够有效表征机械设备性能退化趋势的高性能健康因子是下一步的发展趋势。另一方面，传感器采集到的机械设备监测数据类型丰富多样，包含一维时间序列数据、二维图像数据、有标签数据、无标签数据等。针对不同的数据类型，如何搭建深度学习网络，深入挖掘不同类型数据中蕴含的性能退化信息是机械设备健康状态智能评估方法的另一个发展趋势。

5.2 考虑不确定性的剩余寿命智能预测方法

RUL预测的准确性是由预测值和实际值之间的偏差来衡量的，预测的精确性是由一定置信度下的区间大小来衡量的。RUL预测偏差在一定范围内是允许的，偏差过大的预测无法指导预测性维修活动，甚至具有危害性。对于安全关键的设备，我们更倾向于得到较为保守的预测值，即预测的剩余寿命比实际值稍短。RUL预测具有不确定性，在一定置信度下，输出RUL的预测区间，对维修决策有更重要的意义。在相同置信度下，预测区间越小，表明预测的精确性越高。对于智能方法预测RUL而言，提高预测的准确性需要从2个方面着手，一方面要提高数据的质量和数量，另一方面要提高预测方法和算法的性能。因此，在监测数据已知的情况下，提高剩余寿命精度、减小预测区间是剩余寿命预测领域的发展趋势。

.

目前虽然已经存在一些全寿命周期数据集，但是针对各个不同领域内的测试数据仍然较少。例如，在舰炮装备状态监测领域，一方面，舰炮运行次数少、时间短，可采集的数据样本少；另一方面，在部队实际应用过程中，为了保证作战使用和安全，舰炮长期处于正常运行状态，很少进入性能退化阶段中后期，从而导致性能退化阶段数据缺失。此外，常用于反映机械设备运行状态的监测数据具有非线性、非平稳性和强噪声等特点，受信号传播途径、传感器位置等因素影响，性能退化特征容易被淹没，获取的数据信号与装备性能退化状态的映射关系也不明确。以上因素均导致复杂机械设备状态监测数据具有数量少、质量不高等特点。因此，探索提高小样本数据下健康状态评估及剩余寿命预测精度问题是复杂机械设备健康状态评估和剩余寿命预测领域的一个发展趋势。