8.2 PHM 中的不确定性来源在预测未来行为及其相关事件的发生时，有多种不确定性来源影响诊断决策。为了进行有意义的基于诊断的决策，必须理解和分析这些不确定性来源对诊断的影响，并计算预测中的总体不确定性。然而，在许多实际应用中，识别和分别量化影响诊断的不同不确定性来源可能具有挑战性。为了便于不确定性的量化和管理，不确定性来源被分类为不同类别。传统上，不确定性来源通常分为“随机性”（由物理变异性引起）和“认知性”（由知识不足引起），但这种分类可能不适用于基于状态监测和预测的诊断。这是因为在基于状态监测中并不存在“真实变异性”（这一问题将在 8.4 节中进一步解释）。图 8.2 展示了另一种适用于基于状态监测的不确定性来源分类方法。以下是这些不确定性来源的详细解释：状态估计不确定性：在进行预测之前，首先要精确估计预测时的系统状态。这与状态估计有关，通常使用滤波技术（如 粒子滤波 或 卡尔曼滤波）来处理，如多篇文献所述[1, 12]。传感器测量用于估计状态，许多滤波方法能够提供状态不确定性的估计。这种不确定性通过系统状态的方差或标准偏差（如果同时估计多个状态，则为协方差矩阵）来表达。在粒子滤波的情况下，粒子的“分布”是状态不确定性的度量。需要注意的是，这种不确定性取决于建模不确定性和测量不确定性。在实践中，通过使用更好的传感器（“更好”的传感器意味着测量误差显著降低）和改进的建模方法（建模误差更低），可以改善状态估计，从而减少这种不确定性。未来不确定性：在诊断中，未来的不确定性是最显著的来源之一，因为未来情况的不确定性或至少不完全确定性。例如，系统的未来输入（通常包括外部负载、操作/环境条件等）无法精确估计，在进行诊断之前评估这种不确定性非常重要。通常，通过理解所研究系统的未来行为并表征未来负载和操作条件的不确定性来处理这种未来不确定性。在实际情况下，这可能需要使用大量的系统领域知识。在表征这种未来不确定性后，需要将其纳入诊断中，并考虑其对 RUL 预测的影响。模型不确定性：为了预测未来状态，必须使用功能模型（通常是使用状态空间方程表示的退化模型，这些方程可能来自故障物理或表示退化的经验数学模型）。此外，故障相关事件的发生也由预定阈值决定；这个阈值可以根据工业标准和对所研究系统物理原理的理解来设定。退化模型和阈值定义一起用于诊断和 RUL 预测。无论这些模型如何得出，实际上都无法开发出能准确预测底层现实的模型[16, 17]。建模不确定性代表预测响应和真实响应之间的差异，这种差异既无法准确得知也无法精确测量。该差异通常包括几个部分：模型形式/结构、模型参数和过程噪声。很难确定哪些部分可能是对诊断总体不确定性贡献最显著的因素（如果事先能知道这些显著贡献因素，那么其他不确定性来源可能可以忽略）；因此，在计算诊断和 RUL 预测的总体不确定性时，必须系统地包括所有这些部分。预测方法不确定性：即使能准确量化上述所有不确定性来源，也需要量化它们的综合影响并计算预测的总体不确定性。理论上，可以使用从各种不确定性来源中抽取的无限数量的样本来量化预测的准确统计数据（包括均值、标准偏差和整个概率分布）。实际上，由于计算限制，几乎不可能预测准确的统计数据；为了量化预测的总体不确定性，必须以不同（通常是非线性）的方式组合各种不确定性来源。因此，可能无法准确量化上述总体不确定性，这导致额外的不确定性，即预测方法不确定性（注意，这与用于预测的算法有关）。例如，当使用基于采样的方法进行预测时，使用有限数量的样本会导致对估计的预测量概率分布的不确定性；简单的蒙特卡罗模拟（MCS）重复10次，会产生10个不同的均值、10个不同的方差和10个不同的概率分布。或者，当采用分析方法时，对函数形式的近似和假设会导致预测量的概率分布可能不准确。重要的是对上述每一个不确定性来源进行表征和量化，计算它们对预测的综合影响，并估计预测量的总体不确定性。下一节将讨论为实现这些目标而需要系统且有效地执行的一系列步骤。
