摘要
本发明公开了一种基于概率剩余寿命的设备预测维护框架，属于故障预测与健康管理(PHM)技术领域。该框架通过结合贝叶斯神经网络和强化学习技术，实现设备剩余寿命的概率预测与动态维护决策优化。具体包括以下步骤：采集设备运行中的传感器数据，经预处理生成训练数据集；构建贝叶斯神经网络(BNN)，利用变分推理近似后验分布，并通过蒙特卡洛采样输出剩余寿命的概率分布；基于概率预测结果，构建强化学习环境模型，定义包含剩余寿命分布、备件状态及维护动作的状态空间和奖励函数；采用Double DQN算法优化维护策略，通过ε‑贪心算法动态实现设备最佳维护时间及最佳订购时间的智能决策，以最小化维护成本与故障风险。本发明创新性地将概率剩余寿命分布与强化学习决策结合，解决了传统点估计模型忽略不确定性的问题，并通过强化学习方法构建智能维护框架，实现维护决策的动态优化。利用NASA航空发动机数据集验证表明，相较于传统方法，其预测误差、不确定性量化和维护成本率等优化效果显著，有效平衡了设备可靠性与经济性。
