在工業(yè)設(shè)備維護(hù)領(lǐng)域，準(zhǔn)確預(yù)測(cè)剩余使用壽命（RUL）并量化不確定性是提升系統(tǒng)可靠性和安全性的關(guān)鍵。然而，設(shè)備在運(yùn)行過(guò)程中產(chǎn)生的非線(xiàn)性退化行為，導(dǎo)致傳統(tǒng)方法在不確定性傳播、全局與局部特征平衡以及動(dòng)態(tài)適應(yīng)性方面存在顯著局限。吉林大學(xué)研究團(tuán)隊(duì)針對(duì)上述問(wèn)題，提出了一種融合Koopman理論框架與深度學(xué)習(xí)架構(gòu)的創(chuàng)新解決方案，為復(fù)雜機(jī)械系統(tǒng)的可靠維護(hù)決策提供了新的技術(shù)路徑。

研究首先指出當(dāng)前主流方法存在三重困境：其一，基于隨機(jī)過(guò)程的方法難以實(shí)現(xiàn)跨設(shè)備類(lèi)型和運(yùn)行環(huán)境的遷移，尤其在非線(xiàn)性退化建模時(shí)存在理論瓶頸；其二，深度學(xué)習(xí)模型雖在點(diǎn)估計(jì)精度上取得突破，但缺乏系統(tǒng)化的不確定性傳播機(jī)制，導(dǎo)致預(yù)測(cè)置信區(qū)間失準(zhǔn)；其三，現(xiàn)有方法普遍采用靜態(tài)方差估計(jì)，無(wú)法適應(yīng)設(shè)備運(yùn)行條件動(dòng)態(tài)變化帶來(lái)的不確定性演化。

針對(duì)這些缺陷，團(tuán)隊(duì)創(chuàng)新性地構(gòu)建了振動(dòng)Koopman神經(jīng)網(wǎng)絡(luò)算子（VKNO）框架。該方案的核心突破在于將Koopman理論中的線(xiàn)性化觀測(cè)空間思想與深度神經(jīng)網(wǎng)絡(luò)技術(shù)深度融合。通過(guò)構(gòu)建動(dòng)態(tài)可學(xué)習(xí)的觀測(cè)空間映射，VKNO首次實(shí)現(xiàn)了對(duì)時(shí)變非線(xiàn)性系統(tǒng)的全局動(dòng)態(tài)建模能力。具體而言，該框架包含三個(gè)關(guān)鍵創(chuàng)新維度：

1. **理論架構(gòu)革新**：基于Koopman算子的觀測(cè)空間線(xiàn)性化特性，設(shè)計(jì)動(dòng)態(tài)時(shí)變 Koopman算子的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。這種理論指導(dǎo)下的架構(gòu)創(chuàng)新，使系統(tǒng)能夠?qū)��?fù)雜的非線(xiàn)性退化過(guò)程轉(zhuǎn)化為可解析處理的線(xiàn)性時(shí)序演化，突破了傳統(tǒng)數(shù)據(jù)驅(qū)動(dòng)方法在長(zhǎng)周期預(yù)測(cè)中的穩(wěn)定性難題。

2. **雙分支協(xié)同架構(gòu)**：在核心VKNO模塊的基礎(chǔ)上，構(gòu)建了包含傳統(tǒng)深度學(xué)習(xí)分支的復(fù)合系統(tǒng)。其中，VKNO負(fù)責(zé)捕捉設(shè)備退化過(guò)程中的全局動(dòng)態(tài)規(guī)律，通過(guò)多層感知機(jī)網(wǎng)絡(luò)實(shí)現(xiàn)觀測(cè)空間的線(xiàn)性時(shí)演化；而輔助的CNN-GRU分支則專(zhuān)注于提取高頻振動(dòng)信號(hào)中的局部特征模式。這種協(xié)同機(jī)制既保證了退化趨勢(shì)的長(zhǎng)期一致性，又能捕捉設(shè)備運(yùn)行中的瞬時(shí)異常波動(dòng)。

3. **動(dòng)態(tài)不確定性量化機(jī)制**：突破傳統(tǒng)靜態(tài)方差輸出的局限，創(chuàng)新性地設(shè)計(jì)時(shí)變異方差輸出層。該模塊通過(guò)融合雙分支的時(shí)序信息，實(shí)時(shí)計(jì)算預(yù)測(cè)誤差的波動(dòng)特性，并建立與設(shè)備運(yùn)行時(shí)間動(dòng)態(tài)耦合的置信區(qū)間模型。這種機(jī)制使不確定性估計(jì)能自適應(yīng)設(shè)備工況變化，在負(fù)載波動(dòng)、環(huán)境干擾等復(fù)雜場(chǎng)景下仍保持高可靠性。

實(shí)驗(yàn)驗(yàn)證部分采用公開(kāi)數(shù)據(jù)集（如NASA渦輪發(fā)動(dòng)機(jī)退化數(shù)據(jù)集）和自建工業(yè)設(shè)備振動(dòng)數(shù)據(jù)庫(kù)進(jìn)行對(duì)比測(cè)試。結(jié)果顯示，該方案在平均絕對(duì)誤差上較最優(yōu)基準(zhǔn)模型降低23.1%，同時(shí)預(yù)測(cè)區(qū)間覆蓋率達(dá)到99.87%，顯著優(yōu)于現(xiàn)有基于變分推理、MC Dropout等方法。特別值得注意的是，在設(shè)備突發(fā)性工況變化（如負(fù)載驟增、溫度異常波動(dòng)）的測(cè)試場(chǎng)景中，VKNO框架展現(xiàn)出更好的動(dòng)態(tài)適應(yīng)能力，其不確定性估計(jì)的保守性隨退化程度自然提升，有效規(guī)避了過(guò)度自信的預(yù)測(cè)偏差。

研究團(tuán)隊(duì)在方法論層面進(jìn)行了系統(tǒng)性突破：首先，構(gòu)建了觀測(cè)空間動(dòng)態(tài)建模的深度學(xué)習(xí)實(shí)現(xiàn)路徑，解決了傳統(tǒng)Koopman方法計(jì)算復(fù)雜度高的工程化難題；其次，設(shè)計(jì)了可解釋性增強(qiáng)的雙分支協(xié)同架構(gòu)，既保留了神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征學(xué)習(xí)能力，又通過(guò)物理機(jī)理的顯式建模提升了系統(tǒng)可解釋性；最后，創(chuàng)新性地將不確定性量化與動(dòng)態(tài)演化過(guò)程解耦，通過(guò)構(gòu)建時(shí)變異方差輸出模型，實(shí)現(xiàn)了預(yù)測(cè)精度與不確定性估計(jì)的同步優(yōu)化。

在工程應(yīng)用層面，該方法展現(xiàn)出顯著的優(yōu)勢(shì)：通過(guò)觀測(cè)空間線(xiàn)性化特性，有效解決了退化過(guò)程建模中的長(zhǎng)期依賴(lài)問(wèn)題；雙分支結(jié)構(gòu)在設(shè)備健康狀態(tài)平穩(wěn)期可依賴(lài)VKNO的全局建模優(yōu)勢(shì)，而在狀態(tài)突變時(shí)能快速切換至CNN-GRU的局部特征捕捉模式；動(dòng)態(tài)不確定性估計(jì)機(jī)制特別適用于風(fēng)險(xiǎn)敏感型決策場(chǎng)景，可為維護(hù)人員提供實(shí)時(shí)風(fēng)險(xiǎn)預(yù)警和決策支持。

研究還深入探討了方法論的局限性及改進(jìn)方向：首先，觀測(cè)空間的選擇仍依賴(lài)專(zhuān)家經(jīng)驗(yàn)，未來(lái)可通過(guò)元學(xué)習(xí)實(shí)現(xiàn)自動(dòng)化空間發(fā)現(xiàn)；其次，當(dāng)前雙分支結(jié)構(gòu)存在參數(shù)冗余問(wèn)題，后續(xù)研究可探索動(dòng)態(tài)分支切換機(jī)制；最后，在跨領(lǐng)域遷移應(yīng)用中，建議結(jié)合領(lǐng)域知識(shí)進(jìn)行觀測(cè)空間的預(yù)訓(xùn)練優(yōu)化。

該成果不僅為工業(yè)設(shè)備維護(hù)提供了新的技術(shù)工具，更重要的是建立了理論指導(dǎo)下的方法論框架。通過(guò)將Koopman理論中的線(xiàn)性化觀測(cè)思想與深度學(xué)習(xí)的特征工程能力相結(jié)合，研究團(tuán)隊(duì)成功破解了非線(xiàn)性退化系統(tǒng)的不確定性建模難題。這種理論-方法-工程的系統(tǒng)性創(chuàng)新，為智能運(yùn)維系統(tǒng)的發(fā)展提供了重要的技術(shù)范式參考。

作者貢獻(xiàn)方面， Wei Yang 主導(dǎo)了理論框架構(gòu)建與模型優(yōu)化，完成了核心算法的數(shù)學(xué)建模與工程實(shí)現(xiàn)；Zhaojun Yang 負(fù)責(zé)實(shí)驗(yàn)數(shù)據(jù)采集與特征工程處理，確保了研究結(jié)論的可靠性；Wei Luo 在項(xiàng)目組織與資源協(xié)調(diào)方面發(fā)揮了關(guān)鍵作用，并完成了跨領(lǐng)域應(yīng)用驗(yàn)證；Chuanhai Chen 則專(zhuān)注于軟件架構(gòu)設(shè)計(jì)與計(jì)算資源優(yōu)化，保障了大規(guī)模模型的工程落地可行性。

這項(xiàng)研究對(duì)工業(yè)智能化發(fā)展具有雙重價(jià)值：技術(shù)層面，它推動(dòng)了基于理論機(jī)理的深度學(xué)習(xí)模型創(chuàng)新；應(yīng)用層面，為制造企業(yè)提供了可量化的設(shè)備健康評(píng)估體系。特別是在能源、航空等高危行業(yè)，該方法能顯著降低預(yù)防性維護(hù)的誤判率，延長(zhǎng)關(guān)鍵設(shè)備的使用壽命，據(jù)測(cè)算可使平均維修成本降低約35%，同時(shí)減少非計(jì)劃停機(jī)的經(jīng)濟(jì)損失達(dá)60%以上。

未來(lái)研究可沿著三個(gè)方向深化：一是開(kāi)發(fā)基于數(shù)字孿生的自適應(yīng)觀測(cè)空間生成算法；二是探索多模態(tài)傳感數(shù)據(jù)的聯(lián)合不確定性建模；三是構(gòu)建面向工業(yè)場(chǎng)景的輕量化邊緣計(jì)算部署方案。這些發(fā)展方向?qū)⑦M(jìn)一步提升該框架在復(fù)雜工業(yè)環(huán)境中的實(shí)用價(jià)值，推動(dòng)預(yù)測(cè)性維護(hù)技術(shù)向更高可靠性、更強(qiáng)適應(yīng)性方向發(fā)展。