假如你是一家工厂的厂长，车间里有一台勤勤恳恳干了十年的老机床，我们叫它“铁牛”。铁牛不会说话，但它的轴承、齿轮和电机一直在用温度、振动和电流变化悄悄“汇报”自己的身体状况——就像血压、心率和血脂在报告一个人的健康。可惜，大多数工厂听不见这些信号，只能等铁牛突然趴窝，再花大价钱停工抢修。这就像一个人从不体检，直到躺进急诊室。 剩余寿命预测（RUL）就是给机器请来一位“AI 体检医生”。医生先测出你身体各项指标，再结合大量病史判断：“照这个趋势，还能撑大约 200 天。”RUL 预测做的事情完全一样：用传感器回传的健康指标训练模型，预测设备从今天到“报废”还剩多少可用时间。有了这个数字，维护团队就能把“意外停机”变成“计划内保养”，把昂贵的抢救变成便宜的打针吃药。本文将从概念、数据、特征、建模、训练、评估、部署到实战案例，带你完整看懂这位“机器体检医生”的看家本领。

岗位关联

掌握剩余寿命预测 RUL，是 AI 工程师切入工业预测性维护市场的核心技能，能直接帮助工厂把非计划停机变成计划内维护，创造可观的经济价值。

目录
  1. 可视化演示
  2. 概念与价值
  3. 数据采集
  4. 特征工程
  5. 建模方法
  6. 模型训练
  7. 性能评估
  8. 工程部署
  9. 案例与挑战
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

本节配有交互动效（进入视口后自动加载，约 3KB）。

概念与价值

想象你去做年度体检，医生看完报告后说：“你的身体虽然已经运转了四十年，但照目前的保养水平，心脏还能稳定服役大约二十五年。”机器的世界也需要这样一句话。工厂里那台叫“铁牛”的机床，工龄十年，但真正值钱的信息不是它已经干了多久，而是它还能干多久。这个“还能干多久”，就是剩余寿命预测 RUL 要回答的问题。

RUL 全称 Remaining Useful Life，即剩余使用寿命，定义为设备从当前时刻 t 到丧失规定功能时刻 T_failure 之间的时间长度。它把“设备会不会很快坏”这种模糊焦虑，翻译成一个可量化、可排产的指标：先是 365 天，后来 200 天，再后来 45 天。

围绕 RUL，工业界演化出三种维护策略。修复性维护是“坏了才修”，像把人送进急诊室，停机损失最大；预防性维护是“定时保养”，像每年固定体检，但保养早了浪费、晚了又出事；预测性维护则是“按需保养”，根据 RUL 数据决定最优维修窗口，把意外停机变成计划内维护，这是 RUL 的核心价值所在。

所以，RUL 不是给机器算“年龄”，而是算“剩余假期”。铁牛可以先安心把手上这批订单做完，再进厂保养。从“等它坏”到“算好再修”，省下的是真金白银的停机损失，这就是概念与价值的全部。

RUL(t)=Tfailure−t\displaystyle \text{RUL}(t) = T_{\text{failure}} - t
当前时刻 t 与未来失效时刻 T_failure 的时间差，就是这台设备还能正常工作的剩余时长。
  1. RUL(t)在 t 这个时间点给出的剩余寿命值，它会随设备运转不断刷新
    RUL(t)\text{RUL}(t)
  2. T_failure设备丧失规定功能、判定失效的那个未来时刻，是寿命终点
    TfailureT_{\text{failure}}
  3. t当前时刻，即“现在”，相当于体检报告盖章的日期
    tt
  4. 整体含义终点时刻减现在时刻，告诉运维团队还有多少时间余量可安排
    Tfailure−tT_{\text{failure}} - t

数据采集

体检的第一站永远是抽血、量血压、做心电图——没有这些指标，医生就是巧妇难为无米之炊。RUL 预测也一样，第一步是给机器装上“体检仪器”：温度传感器、振动传感器、电流互感器，让铁牛把“身体不适”用数据说出来。

这些传感器采集的信号是 RUL 模型的“血液样本”。常见的关键信号包括：振动信号（轴承磨损、齿轮裂纹最直接的反映）、温度信号（摩擦加剧、散热失效的指示灯）、电流与功率信号（负载异常、润滑不良的间接证据）。一台设备往往同时采集几十上百个通道的数据。

采集不是“录得越多越好”，采样频率必须匹配信号本身的变化速度。根据采样定理，采样频率至少要达到信号最高频率的两倍，否则高频的故障特征会被“混叠”成假信号，就像用慢速相机拍高速旋转的风扇，会看到轮子反转的假象。此外，原始数据还需清洗：去掉传感器掉线的空值、跳变尖刺和停机时段的无意义数据。

数据采集就是给铁牛做全面体检建档。指标测得准、采得密、洗得净，后面的诊断才有依据；如果在这个环节偷工减料，再聪明的模型也救不回来——垃圾进，垃圾出。

fs≥2×fmax\displaystyle f_s \geq 2 \times f_{\text{max}}
采样频率至少是信号最高频率的两倍，才能不失真地捕捉故障特征。
  1. f_max信号里出现的最高频率分量，对应变化最剧烈的故障细节
    fmaxf_{\text{max}}
  2. f_s采样频率，即每秒采集多少个数据点，类似心电图的打点密度
    fsf_s
  3. 2 倍关系每个最高频周期至少要采两个点，才能还原波形形状
    2×fmax2 \times f_{\text{max}}
  4. 整体含义采样频率必须超过最高频率的两倍，否则高频信息会伪装成低频假象
    fs≥2×fmaxf_s \geq 2 \times f_{\text{max}}

特征工程

医生拿到心电图，不会直接盯着那几万个波形点，而是先看心率、ST 段、QRS 波这些“特征”。原始传感器数据也一样，几十万个数字直接喂给模型，既慢又容易被噪声带偏。特征工程就是从原始信号中提炼“病征”的过程。

特征可以分为三大类。时域特征直接在时间轴上计算，比如均方根值（RMS）反映振动能量大小，峰值、峰峰值反映冲击强度，方差反映波动剧烈程度；频域特征通过傅里叶变换把信号分解成不同频率成分，频谱峰值、重心频率能定位是哪一类故障；小波包能量熵等时频特征则擅长捕捉瞬态冲击信号。

特征并非越多越好。几十个特征里往往存在大量冗余，需要用主成分分析（PCA）或相关性分析进行降维，同时根据领域知识构建“健康指标”——把多维特征压缩成一个 0 到 1 之间、单调下降的退化量，就像医生用一个“心血管风险评分”概括几十项体检指标。

特征工程就是给铁牛的体检数据“画重点”。一堆波形数据经过提炼，变成 RMS、峰值、健康指标这几个关键数字，模型才能真正听懂铁牛到底哪里不舒服、严重到什么程度。

RMS=1N∑i=1Nxi2\displaystyle \text{RMS} = \sqrt{\frac{1}{N}\sum_{i=1}^{N}x_i^2}
均方根值把一段信号的能量大小汇总成一个数，是振动健康评价最常用的特征。
  1. x_i第 i 个采样点的信号值，比如振动加速度的大小
    xix_i
  2. Σx_i²把所有采样值取平方后相加，突出大幅值冲击的影响
    ∑i=1Nxi2\sum_{i=1}^{N}x_i^2
  3. 1/N除以总点数取平均，得到平均平方幅度
    1N∑i=1Nxi2\frac{1}{N}\sum_{i=1}^{N}x_i^2
  4. 开根号最后开根号，把量纲还原成与原始信号一致的能量水平
    1N∑i=1Nxi2\sqrt{\frac{1}{N}\sum_{i=1}^{N}x_i^2}

建模方法

医生看一个病人下结论之前，心里其实有一本“病程发展模型”：普通感冒大约七天好，糖尿病是缓慢爬坡，肿瘤可能是指数爆发。机器的退化也有类似的“病理模型”，建模方法就是选择用哪本“病程手册”来解读铁牛的体检数据。

最简单可靠的是物理退化模型，比如指数退化模型，描述健康度随时间加速衰减；统计回归方法（如 Wiener 过程、比例风险模型）把寿命看成带随机波动的过程；机器学习方法（支持向量回归、随机森林）直接从历史数据学习“特征→RUL”的映射关系，不做物理假设。

深度学习方法如 LSTM、Transformer 则更进一步，能自动从多传感器时序中学习长程依赖，擅长捕捉复杂工况下的退化模式，但需要大量带标签数据。现实中常按数据量选择：数据少用物理或统计模型，数据中量用机器学习，数据充足且工况复杂才上深度学习。

选模型就像给铁牛选主治医师：老中医（物理模型）经验丰富但不知变通，全科医生（机器学习）博采众长，专科专家（深度学习）能吃透复杂病情但需要大量病例。没有最好的模型，只有最适合当前数据条件的模型。

h(t)=h0⋅ebt\displaystyle h(t) = h_0 \cdot e^{bt}
指数退化模型假设健康度按固定速率 b 加速衰减，是工业界最常用的退化先验。
  1. h(t)t 时刻的健康度，表示从满血到失效阈值之间的剩余健康储备
    h(t)h(t)
  2. h0初始健康度，即新设备满血出厂的状态
    h0h_0
  3. e^{bt}指数项，b 为退化速率，b 越大健康度下滑越快
    ebte^{bt}
  4. 整体含义健康度从 h0 出发按指数曲线加速衰减，刻画“越坏越快”的物理规律
    h0⋅ebth_0 \cdot e^{bt}

模型训练

一个刚从医学院毕业的实习医生，要跟着主任医师看几千份病历，才能准确说出发烧加喉咙痛大概是什么病。模型训练就是让 AI 这个“实习医生”大量“读病历”——把设备的传感器特征和对应的真实剩余寿命配对，学会从特征推断寿命。

训练的第一步是数据划分：把所有历史数据分成训练集、验证集和测试集，训练集给模型“学习”，验证集用来调参，测试集模拟未来数据做最终考核——绝不能让模型提前“偷看考试答案”。第二步是定义损失函数，用来量化预测值与真实值差多远。

第三步是优化：用梯度下降等算法反复调整模型参数，让损失函数值不断下降，直到验证集误差不再改善。训练好的模型本质上是一组学习到的系数或神经元权重，它把“特征到 RUL”的映射固化下来，从铁牛身上学到的那套经验，此后可以复用到同类型设备上。

训练结束后，这个“实习医生”就正式上岗了。它学过的不是铁牛一台设备的个体经验，而是成千上万台设备共同的生命规律。模型训练的意义，就是让 AI 把庞杂的体检数据压缩成一套可复制的诊断直觉。

MSE=1N∑i=1N(yi−y^i)2\displaystyle \text{MSE} = \frac{1}{N}\sum_{i=1}^{N}(y_i - \hat{y}_i)^2
均方误差把所有样本的预测偏差取平方再平均，是衡量预测差多远的标准尺子。
  1. y_i第 i 个样本的真实 RUL，来自历史记录的“标准答案”
    yiy_i
  2. ŷ_i模型给出的预测 RUL，相当于实习医生的答题结果
    y^i\hat{y}_i
  3. (y_i - ŷ_i)²误差取平方，偏差越大惩罚越猛，同时避免正负误差互相抵消
    (yi−y^i)2(y_i - \hat{y}_i)^2
  4. 1/N Σ对所有样本求平均，得到整体预测水平
    1N∑i=1N(yi−y^i)2\frac{1}{N}\sum_{i=1}^{N}(y_i - \hat{y}_i)^2

性能评估

经验再丰富的医生，诊断水平也要用数据说话：一百个病人里误诊了几个？寿命预测偏差平均是几个月？性能评估就是给 RUL 模型的“医术”打分，不能靠感觉，要靠统计指标。

最常用的两个误差指标是 MAE 和 RMSE。MAE 是平均绝对误差，直观好懂；RMSE 先把误差平方再开根号，对大误差更敏感——一次离谱的预测会让 RMSE 飙升，非常适合惩罚“偶尔致命”的差预测。另一个指标是决定系数 R²，衡量模型比“用平均值瞎猜”进步了多少。

除了精度，RUL 预测还要回答“可信吗”。因为数据有噪声、工况会变化，模型输出通常伴随不确定性，工程上会用置信区间表达：“预测还剩 200 天，95% 置信区间是 180~220 天。”区间窄说明模型对铁牛很有把握，区间宽则提醒运维团队留出安全裕度。

评估就是给铁牛的主治医生做年终考核：看 MAE 别差太远，盯 RMSE 防重大误诊，再看置信区间是否可靠。只有通过这一关，模型才有资格从实验室走向车间。

R2=1−∑i=1N(yi−y^i)2∑i=1N(yi−yˉ)2\displaystyle R^2 = 1 - \frac{\sum_{i=1}^{N}(y_i - \hat{y}_i)^2}{\sum_{i=1}^{N}(y_i - \bar{y})^2}
决定系数 R² 表示模型相对“盲猜平均值”减少的误差比例，越接近 1 说明模型越强。
  1. 分子模型预测的误差平方和，数值越小说明预测越准
    ∑i=1N(yi−y^i)2\sum_{i=1}^{N}(y_i - \hat{y}_i)^2
  2. 分母拿所有 RUL 的平均值当预测时的误差平方和，即“盲猜基线”
    ∑i=1N(yi−yˉ)2\sum_{i=1}^{N}(y_i - \bar{y})^2
  3. 相比模型误差占盲猜误差的比例，比率越小说明模型进步越大
    ∑i=1N(yi−y^i)2∑i=1N(yi−yˉ)2\frac{\sum_{i=1}^{N}(y_i - \hat{y}_i)^2}{\sum_{i=1}^{N}(y_i - \bar{y})^2}
  4. 1 减去R²=0.9 表示模型比盲猜平均值减少了 90% 的误差
    1−∑i=1N(yi−y^i)2∑i=1N(yi−yˉ)21 - \frac{\sum_{i=1}^{N}(y_i - \hat{y}_i)^2}{\sum_{i=1}^{N}(y_i - \bar{y})^2}

工程部署

体检报告拿到手，医生会做什么？开药、叮嘱饮食、约好复查时间。RUL 模型的工程部署就是“开药和复查”：把训练好的模型装进车间监控系统，让铁牛每一秒的健康变化都被盯住，并在关键节点发出警报。

部署的第一步是实时监控：传感器数据持续流入，模型不断刷新 RUL 预测值并绘制健康曲线。第二步是预警阈值设定：RUL 低于哪个值开始亮黄灯？低于哪个值必须停机检修？阈值定太早，浪费可用寿命；定太晚，可能来不及抢修。工程上常结合置信区间设定两级预警。

部署还意味着闭环。预测结果要转成维护工单，安排备件和人力，这叫维护决策；模型上线后还要持续更新，因为设备工况、环境温度、负载模式都在变化，旧模型会逐渐“过时”。定期用新数据重训模型，就像医生每年参加新的医学培训。

部署之后，铁牛的体检就不再是一年一次，而是 7×24 小时实时监测。模型说的每一句话——“还行”“注意了”“必须修”——都会变成车间里的行动指令。这才是预测性维护真正创造价值的地方。

y^±z×σ\displaystyle \hat{y} \pm z \times \sigma
用区间而非单点来表达 RUL：预测值加减一定倍数的标准差，得到可信的寿命范围。
  1. ŷ模型给出的点预测 RUL，比如 200 天
    y^\hat{y}
  2. σ预测的标准差，衡量预测波动与不确定性的大小
    σ\sigma
  3. z置信系数，95% 置信区间时 z 约等于 1.96
    zz
  4. ±加减后得到一个区间，运维按区间下界安排检修更安全
    y^±z×σ\hat{y} \pm z \times \sigma

案例与挑战

从体检科走向急诊室，现实世界比教科书复杂得多。RUL 模型在实验室跑得漂亮，一到真实工厂就会遇到各种“疑难杂症”：数据不够、标签缺失、工况漂移。这一节我们看两个真实战场，再总结最头疼的挑战。

第一个案例是航空发动机。NASA 的 C-MAPSS 公开数据集记录了近百台涡扇发动机从健康到失效的完整退化过程，每台发动机包含 21 个传感器通道。研究者在时间窗口上提取特征，训练 LSTM 模型，把剩余寿命预测误差控制在十几个飞行循环内，航司据此安排发动机提前大修，避免空中停车。第二个案例是风电齿轮箱：在偏远风场部署振动监测，模型在轴承故障前 42 天预警，运维团队利用低风窗口更换部件，成本直降几十万。

两个案例背后是三大挑战。一是数据稀缺：完整退化到失效的“带标签”历史太少，机器还没坏就被修了，模型缺少“病危样本”；二是标注困难：失效时刻有时靠人工估计，标签本身就不准；三是分布漂移：新设备的工况、环境与训练数据不同，预测偏差会逐渐扩大。应对思路包括迁移学习（借用相似设备数据）、半监督学习（利用大量无标签数据）和持续再训练。

铁牛的故事还没有结束。从 C-MAPSS 数据集到风场齿轮箱，RUL 预测正在越来越多的工厂里从“新鲜概念”变成“标配体检”，而数据与漂移的挑战，正是下一批 AI 工程师大展拳脚的地方。

D(t)=h0−h(t)h0−hfail\displaystyle D(t) = \frac{h_0 - h(t)}{h_0 - h_{\text{fail}}}
退化度 D(t) 把健康度归一化到 0~1：0 是满血，1 是失效，直观呈现设备寿命消耗比例。
  1. h0初始满血健康度，作为退化计算的起点
    h0h_0
  2. h(t)当前健康度，分子里的“现在”
    h(t)h(t)
  3. h_fail失效阈值健康度，跌破它就判定报废
    hfailh_{\text{fail}}
  4. 整体含义当前已消耗的健康占全部可用健康的比例，D 越接近 1 越危险
    h0−h(t)h0−hfail\frac{h_0 - h(t)}{h_0 - h_{\text{fail}}}

AI 应用场景

场景1：航空发动机的“飞行体检”——C-MAPSS 剩余寿命预测

阶段：建模方法与模型训练

解决的问题：民航发动机结构复杂、传感器通道上百个，传统靠固定周期检修加人工经验，既可能过度维修，也可能在两次检修之间突发故障。AI 通过对历史健康数据的学习，预测每台发动机还有多少个飞行循环可用，把“等它坏”变成“算好再修”。

具体案例：NASA 发布的开源数据集 C-MAPSS 模拟了涡扇发动机从健康到失效的完整过程，包含 21 个传感器通道、数百台发动机样本。工程师在滑动时间窗口上提取多传感器特征，训练 LSTM 网络，将剩余寿命预测的 RMSE 压缩到十几个飞行循环以内；航司据此安排发动机进厂大修，显著降低空中停车风险。

场景2：风电齿轮箱的“提前 42 天预警”

阶段：数据采集与特征工程

解决的问题：风电场多在偏远山区或海上，人工巡检一趟成本极高；齿轮箱又是风机最贵的部件之一，突然损坏的更换费用可达数十万元并导致数月停机。传统定期巡检常出现“巡检时没事、巡检后坏掉”的空窗期。

具体案例：某风场在 50 台风机上加装振动和温度传感器，持续采集数据并提取 RMS、峰值因子等特征，再训练退化模型预测 RUL。某台机组在轴承故障前 42 天被模型预警，运维团队利用低风季窗口完成部件更换，估算避免损失约 60 万元。

场景3：半导体刻蚀机腔体的良率保卫战

阶段：工程部署

解决的问题：芯片制造设备（如刻蚀机）的腔体部件老化会导致晶圆良率骤降，但“何时该做维护”很难靠经验判断。提前太多浪费产能，太晚则产生大量报废晶圆。

具体案例：某晶圆厂对刻蚀机的射频功率、腔体气压、温度等参数持续建模，预测腔体剩余寿命并在良率下滑前自动生成维护工单，使产线良率波动率下降约 30%。

Python 演示

python57 行
import mathimport random  def simulate_health(t, b, h0=100.0):    """真实健康度 = 指数退化 + 测量噪声"""    true_h = h0 * math.exp(-b * t)    return true_h + random.gauss(0, 1.5)  def build_feature(health):    """特征工程: 取倒数再取对数, 把指数曲线拉成直线"""    return math.log(100.0 / max(health, 1e-6))  def linear_fit(ts, xs):    """最小二乘线性拟合: x = slope * t + intercept"""    n = len(ts)    mt = sum(ts) / n    mx = sum(xs) / n    cov = sum((t - mt) * (x - mx) for t, x in zip(ts, xs))    var = sum((t - mt) ** 2 for t in ts)    slope = cov / var    intercept = mx - slope * mt    return slope, intercept  def main():    random.seed(42)    t_fail = 800    threshold = 30.0    b = math.log(100.0 / threshold) / t_fail     hist_t = list(range(500))    hist_x = [build_feature(simulate_health(t, b)) for t in hist_t]     slope, intercept = linear_fit(hist_t, hist_x)     def predict_rul(t_now):        target = build_feature(threshold)        t_end = (target - intercept) / slope        return t_end - t_now     errors = []    for t in range(500, 780, 10):        actual = t_fail - t        errors.append(predict_rul(t) - actual)    rmse = math.sqrt(sum(e * e for e in errors) / len(errors))     print("拟合退化方程: log(100/h) = %.5f * t + %.5f" % (slope, intercept))    print("评估点数: %d, RMSE: %.2f 个周期" % (len(errors), rmse))    for t in (550, 650, 750):        print("t=%d 真实RUL=%3d 预测RUL=%7.1f" % (t, t_fail - t, predict_rul(t)))  if __name__ == "__main__":    main()
目的：用纯 Python 实现“数据采集 → 特征工程 → 模型训练 → RUL 预测 → RMSE 评估”的完整流程，模拟给机器做体检后判断剩余寿命。
  1. def build_feature(health):特征工程的核心：对健康度取倒数再取对数，把指数退化曲线拉成直线，方便后续线性拟合
  2. cov = sum((t - mt) * (x - mx) for t, x in zip(ts, xs))计算时间与退化量之间的协方差，衡量两者共同变化的趋势
  3. slope = cov / var最小二乘法算出斜率，即设备的退化速率 b
  4. t_end = (target - intercept) / slope反解健康度跌破阈值的失效时刻，这是 RUL 预测的关键一步
  5. errors.append(predict_rul(t) - actual)在模型没见过的测试时刻累计预测偏差，模拟未来的考核
  6. rmse = math.sqrt(sum(e * e for e in errors) / len(errors))用 RMSE 汇总整体预测精度，大误差会被平方放大

常见误区

误区模型显示还剩 186 天，那我在第 185 天去维修一定来得及，不用提前。

正解现实中传感器有噪声、工况会变化，RUL 是一个概率估计，而不是精确的倒计时读数。就像体检医生不会说“精确还剩 1000 天”，只会说“大概率在两三年区间”。工程上必须结合置信区间和预警裕度，用区间下界安排维护，才能覆盖最坏情况。

为何常见：模型界面通常只显示一个数值，让人下意识把它当成确定的剩余天数。

误区传感器每分钟都在记录，数据量这么大，深度学习自己会学特征，根本不用做特征工程。

正解工业信号噪声大、采样率不匹配、工况多变，原始波形直接建模效果往往很差。医生也不会盯着几万个原始波形点看，而是先提取心率、血压等指标。特征工程把原始振动和温度数据提炼成 RMS、峰值因子等健康特征，是工业 RUL 落地不可缺少的一步。

为何常见：深度学习在图像、语音上的“端到端”成功，让人误以为工业时序信号也可以无脑端到端。

误区评估只看 RMSE，谁的 RMSE 小就部署谁，准没错。

正解RMSE 对离群大误差敏感，数值低不等于业务上安全。医院里误诊和漏诊的代价不同，工厂里过早预警和漏报警的成本也不同。除了 RMSE，还要看 MAE、R²、置信区间宽度、误报率，以及模型在多种工况下的泛化表现。

为何常见：学术比赛排行榜普遍用 RMSE 排序，容易让人把单一指标当成唯一标准。

误区模型已经训练好了，放在那儿一直跑就行，反正机器的规律不会变。

正解设备磨损模式、季节温度、生产负载都会随时间漂移，旧模型的预测偏差会逐渐变大，就像医生的经验遇到新病毒也会失效。生产环境需要定期用新数据重新训练或微调，并监控预测分布的漂移情况。

为何常见：“训练”是一次性动作的直觉印象，忽略了工业系统随时间的动态变化。

面试题

Q1. 在剩余寿命预测中，“RUL“中的”R”最准确的含义是？

单选题 · easy

  • A.剩余寿命← 正确答案
  • B.修复故障
  • C.可靠运行
  • D.替换零件

答案：A。RUL 是 Remaining Useful Life 的缩写，R 代表 Remaining，即“剩余”。就像体检医生说的“还能健康工作多久”，核心是“剩余”而非“修复”“可靠”或“替换”。B、C、D 分别对应设备维护领域常见的 Repair、Reliability、Replace，但都拼不出 RUL 这个词。

Q2. 下列哪种维护策略属于“坏了才修”？

单选题 · easy

  • A.修复性维护← 正确答案
  • B.预防性维护
  • C.预测性维护
  • D.状态性维护

答案：A。修复性维护是等设备坏了再去修，相当于把人送进急诊室，停机损失最大；预防性维护按固定周期保养；预测性维护依据 RUL 按需保养。题目问“坏了才修”，只有修复性维护对应这种被动模式。

Q3. 传感器采样频率设置过低的直接后果是？

单选题 · easy

  • A.数据量变大成本升高
  • B.高频退化信息丢失← 正确答案
  • C.模型训练速度变快
  • D.传感器寿命自动延长

答案：B。采样定理要求采样频率至少是信号最高频率的两倍。采样太慢会让高频故障特征混叠成低频假象，就像用慢速相机拍高速风扇会看到轮子反转。A 是采样过高的后果，C、D 与采样频率没有直接因果关系。

Q4. 下列属于时域特征的有？

多选题 · mid

  • A.振动信号均方根值← 正确答案
  • B.振动信号峰值因子← 正确答案
  • C.频谱峰值频率
  • D.小波包能量熵

答案：AB。时域特征在时间轴上直接计算，均方根值反映信号能量大小，峰值因子反映冲击强度，都属于时域统计量。频谱峰值来自频域分析，小波包能量熵属于时频域特征。医生先看波形总体能量再看频率成分，与这个分类逻辑类似。

Q5. 指数退化模型 h(t)=h0·e^{bt} 中，参数 b 的含义是？

单选题 · mid

  • A.初始健康度大小
  • B.健康度退化速率← 正确答案
  • C.传感器采样频率
  • D.设备失效阈值

答案：B。指数退化模型中 h0 是初始健康度，b 是退化速率，决定健康度曲线的下滑快慢。b 越大，健康度衰减越猛，“越坏越快”的物理规律越明显。其余选项分别对应初始值、采样参数和失效阈值，与 b 无关。

Q6. 相比 MAE，RMSE 评估 RUL 预测误差的特点是？

单选题 · mid

  • A.对大误差更敏感← 正确答案
  • B.对小误差更敏感
  • C.不惩罚任何误差
  • D.与误差完全无关

答案：A。RMSE 先对误差取平方再平均开根号，因此对大误差施以平方级的惩罚；MAE 对所有误差一视同仁。一次严重误判会让 RMSE 大幅上升，这正是工业预警场景需要的敏感性，能防止“偶尔离谱的预测”被平均误差掩盖。

Q7. 决定系数 R² 等于 0.9 表示？

单选题 · mid

  • A.预测值全部落在拟合直线上
  • B.模型解释了九成数据方差← 正确答案
  • C.代表预测准确率高达九成
  • D.表示训练集占全部数据九成

答案：B。R²=1-SS_res/SS_tot。R²=0.9 意味着模型预测的误差平方和只有“用平均值盲猜”基线的 10%，即解释了 90% 的方差。A 是 R²=1 的情形；C 把拟合优度偷换成“准确率”；D 混淆了模型评估与数据集划分的概念。

Q8. 关于 RUL 预测结果，下列说法最准确的是？

单选题 · hard

  • A.预测值是确定不变的
  • B.应给出概率与置信区间← 正确答案
  • C.置信区间越大越精确
  • D.单点预测绝对可信

答案：B。RUL 预测受噪声、工况影响，本质是带不确定性的估计，正确表达是“点预测 + 置信区间”，像医生说“大概率两三年内”而不是“精确 1000 天”。A、D 把预测当成必然精确值，C 说反了——区间越宽说明越不确定，而非越精确。

Q9. 模型部署后预测性能下降的可能原因有？

多选题 · hard

  • A.设备工况发生数据漂移← 正确答案
  • B.环境温度随季节变化← 正确答案
  • C.部署后未定期更新模型← 正确答案
  • D.预测置信区间设置合理

答案：ABC。设备磨损模式变化、环境季节温度波动、模型长期不更新，都会让输入数据分布偏离训练分布，导致预测偏差逐渐扩大，这正是正文“工程部署需要持续更新模型”的要点。D 是正确做法，不会造成性能下降。

Q10. 下列属于预测性维护实施流程的环节有？

多选题 · mid

  • A.传感器数据采集布点← 正确答案
  • B.健康特征提取工程← 正确答案
  • C.剩余寿命回归建模← 正确答案
  • D.零件随机更换维护

答案：ABC。预测性维护的完整流程包含传感器数据采集、健康特征提取、剩余寿命建模、预警与维护决策等环节。D 的“随机更换零件”是典型的无差别预防性维护做法，不看健康状态也不看 RUL，不属于预测性维护流程。