CN102495549A - 工程机械的远程维护决策系统及方法 - Google Patents

Abstract

本发明涉及工程机械的远程维护决策系统及方法，该系统包括信息采集终端、客户端以及维护决策中心。信息采集终端实时采集工程机械的部件的特征参数信息。维护决策中心包括生命周期阶段判断模块、部件剩余寿命预测模块及故障诊断与维修决策功能模块。生命周期阶段判断模块接收实时的特征参数信息并判断部件当前所处的生命周期阶段。部件剩余寿命预测模块择机对处于正常阶段或性能衰退阶段的部件进行剩余寿命预测。故障诊断与维修决策功能模块对处于失效阶段的部件进行故障原因诊断并提供维修方案。由客户端显示部件的剩余寿命或故障原因及维修方案。本发明可对部件进行寿命预测或故障诊断，对工程机械进行远程维护。

Description

工程机械的远程维护决策系统及方法

技术领域

本发明涉及工程机械维护及故障诊断技术领域，尤其涉及工程机械的远程维护决策系统及方法。

背景技术

工程机械是土石方施工工程、路面建设与养护、流动式起重装卸作业和各种建筑工程所需的综合性机械化施工工程所必需的机械装备。工程机械的远程维护可起到预警作用及降低维护费用。

现有的工程机械的远程维护系统仅为数据传输管理平台，其只实现远程定位、状态监测、维修管理等功能，缺少对数据的有效分析与处理，尤其是缺乏采用实时性的信息预测部件的剩余寿命、诊断部件故障以及提供维修决策等数据处理功能，难以有效实现预警作用、判定检修时机及提供合理的检修方式，无法满足市场需求。

发明内容

本发明目的在于提供工程机械的远程维护决策系统及方法，可预测处于正常阶段与性能衰退阶段的部件的剩余寿命，可诊断处于失效阶段的部件的故障原因并提供维修方案，以有效实现预警作用及提升故障控制效果。

为达上述优点，本发明实施例提供的一种工程机械的远程维护决策系统，其包括信息采集终端、客户端及维护决策中心，维护决策中心与信息采集终端及客户端分别连接。信息采集终端实时采集工程机械的部件的特征参数信息。维护决策中心包括生命周期阶段判断模块、部件剩余寿命预测模块及故障诊断与维修决策功能模块。生命周期阶段判断模块接收实时采集的部件的特征参数信息，并判断部件当前所处的生命周期阶段。部件剩余寿命预测模块与生命周期阶段判断模块连接，分析处理当前所处的生命周期阶段为正常阶段或性能衰退阶段的部件的实时特征参数信息，以择机对处于正常阶段或性能衰退阶段的部件进行剩余寿命预测，并将部件的剩余寿命传送至客户端。故障诊断与维修决策功能模块与生命周期阶段判断模块连接，分析处理当前所处的生命周期阶段为失效阶段的部件的实时特征参数信息，以对处于失效阶段的部件进行故障原因诊断并提供维修方案，并将部件的故障原因及维修方案传送至客户端。

此外，本发明实施例提供的一种工程机械的远程维护决策方法，其包括以下步骤：实时采集工程机械的部件的特征参数信息并判断部件当前所处的生命周期阶段；若部件当前所处的生命周期阶段为正常阶段或性能衰退阶段，分析处理实时采集的部件的特征参数信息以择机对部件进行剩余寿命预测，并显示部件的剩余寿命；以及若部件当前所处的生命周期阶段为失效阶段，分析处理实时采集的部件的特征参数信息以对部件进行故障原因诊断并提供维修方案，并显示部件的故障原因及维修方案。

在本发明实施例提供的工程机械的远程维护决策系统及方法中，择机对处于正常阶段或性能衰退阶段的部件进行剩余寿命预测，可确保寿命即将到期的部件得到及时更换；对处于失效阶段的部件进行故障原因诊断并提供维修方案，从而为工程机械提供整个生命周期的维护服务，确保工程机械的安全运行。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

图1所示为本发明实施例的一种工程机械的远程维护决策系统的架构示意图。

图2所示为本发明实施例的一种工程机械的远程维护决策方法的步骤流程图。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的工程机械的远程维护决策系统及方法其具体实施方式、结构、特征及其功效，详细说明如后。

图1所示为本发明实施例的一种工程机械的远程维护决策系统的架构示意图。请参见图1，本实施例的工程机械的远程维护决策系统10可为各种工程机械提供整个生命周期的维护服务，其包括信息采集终端11、维护决策中心13及客户端15。其中，维护决策中心13与信息采集终端11及客户端15分别连接。维护决策中心13用于分析处理信息采集终端11采集的部件的特征参数信息，并择机对部件进行剩余寿命预测或故障诊断。具体地，维护决策中心13包括通讯接口131、数据库132、生命周期阶段判断模块133、部件剩余寿命预测模块134、故障诊断与维修决策功能模块135、以及故障统计与改进需求分析模块136。

信息采集终端11用于实时采集部件例如100a，100b的特征参数信息，信息采集终端11可为工程机械本身带有的功能模块，也可是为实现工程机械远程维护而增设的功能模块。部件100a，100b例如分别为液压泵、轴承等其中之一。部件的选取则可将重要度、易损性、性能衰退过程易检性作为选取用于工程机械远程维护的部件的指标。重要度依据部件对整个工程机械的功能正常工作的影响程度确定，易损性依据部件故障记录中发生故障频率确定，性能衰退过程易检性依据是否有输出参数衡量部件性能、输出参数衡量部件性能的完整性或外观观测判别部件的可行性等来确定。重要度、易损性、性能衰退过程易检性等级可通过设计人员、维护人员打分确定，并将部件重要度、易损性、性能衰退过程易检性的得分以一定的权重组合得到一个综合分F_i，

F_i＝w_il·f_i1+w_i2·f_i2+w_i3·f_i3

式中w_il、w_i2、w_i3分别为第i部件的重要度、易损性、性能衰退过程易检性的权重且(w_i1+w_i2+w_i3＝1)，f_il、f_i2、f_i3分别为第i部件的重要度、易损性、性能衰退过程易检性的评估值。

综合分较高且性能衰退过程易检性高的部件选定为用于工程机械远程维护的部件，如工程机械例如挖掘机或旋挖钻机液压系统中的液压泵等。

数据库132与信息采集终端11、部件剩余寿命预测模块134、故障诊断与维修决策功能模块135、以及故障统计与改进需求分析模块136分别连接。

生命周期阶段判断模块133通过通讯接口131以有线或无线方式连接信息采集终端11，从而可以以远程通讯方式来接收现场实时采集的特征参数信息。生命周期阶段判断模块133根据实时采集的特征参数信息判断部件100a，100b当前所处的生命周期阶段，当部件100a，100b当前所处的生命周期阶段为正常阶段或性能衰退阶段时，部件剩余寿命预测模块134择机对部件100a，100b进行剩余寿命预测，即部件剩余寿命预测模块134并非对所有处于正常阶段或性能衰退阶段的部件100a，100b进行寿命预测，只有部件100a，100b的特征参数信息满足一定的条件，部件100a，100b才能被选为剩余寿命的预测对象；当部件100a，100b当前所处的生命周期阶段为失效阶段时，故障诊断与维修决策功能模块135对部件100a，100b进行故障原因诊断并提供维修方案。

具体地，部件剩余寿命预测模块134包括数据预处理模块137、可靠性分析模块138、以及预测模块139。数据预处理模块137通过通讯接口131以有线或无线方式连接信息采集终端11，从而可以以远程通讯方式来接收现场实时采集的特征参数信息。当部件100a，100b当前所处的生命周期阶段为正常阶段或性能衰退阶段时，数据预处理模块137提取特征参数信息中的特征参数值以及对提取的特征参数值进行预处理以构建后续预测模块139所需的样本数据集。从图1中还可以得知：通讯接口131从信息采集终端11以无线或有线方式获取的实时特征参数信息还可储存至数据库132，数据预处理模块137产出的特征参数值也可储存至数据库132；当然，是否需要储存至数据库132则可视实际需要而定。

可靠性分析模块138与数据库132连接，以从数据库132获取部件例如100a，100b进行动态可靠性分析所需数据例如部件100a，100b的失效率、可靠度及相对应的已用工时等。具体地，可靠性分析模块138例如包括剩余寿命范围获取模块138a及当前评估对象确定模块138b。剩余寿命范围获取模块138a可根据从数据库132中取得的相应数据利用动态可靠性分析模型来引入随机过程和极值分布原理计算并建立各部件100a，100b的可靠度和失效率随使用时间变化的动态过程曲线以确定各部件100a，100b的寿命周期范围，并将确定的寿命周期范围减去对应的部件100a，100b当前已用工时即可获取各部件100a，100b的剩余寿命范围。在此，剩余寿命范围可理解为距离部件100a，100b进入其整个生命周期(例如依序包括正常阶段、性能衰退阶段以及失效阶段)的失效阶段的时间范围。当前评估对象确定模块138b会根据获取的各部件100a，100b的剩余寿命范围来确定是否将部件100a，100b其中之一或多个作为当前评估对象，并将当前评估对象告知预测模块139。具体地，当某部件的剩余寿命范围的下限值小于某一设定的阈值，则确定该部件为当前评估对象；例如，当某部件的剩余寿命范围[a，b]的下限值a小于预设的阈值LIM，则确定该部件为当前评估对象。此处的阈值可由技术人员视实际情况预先设定。本实施例中，动态可靠性分析模型例如是基于随机Petri网的动态可靠性分析模型。

预测模块139连接数据预处理模块137、数据库132、以及可靠性分析模块138，其获知当前评估对象后，从数据预处理模块137或数据库132取得作为当前评估对象的部件的实时特征参数值构成的样本数据集作为神经网络预测模型的输入，通过神经网络预测模型对样本数据集中的特征参数值进行回归拟合与趋势预测得出作为当前评估对象的预测的特征参数值，并根据预测的特征参数值参照当前评估对象处于故障状态的特征参数值得出当前评估对象的剩余寿命作为输出。输出的剩余寿命可储存至数据库132并传送至客户端15。在本实施例中，神经网络预测模型例如为径向基函数(Radical Basis Function，简称RBF)神经网络模型或反向传播(Back Propagation，简称BP)神经网络模型。

以工程机械中的轴承为例，选取振动信号作为其特征参数，数据预处理模块137按一定的时间间隔连续提取振动值，对振动值进行数据预处理如归一化(如公式(1)所示)，将这些归一化后的振动值构建成数据样本集，并作为预测模块139中的神经网络预测模型的输入，以获取其预测的振动值，并以其处于故障状态的振动值为参照，获取其剩余寿命。

$a_k^{\′}=\frac{a_k}{\underset{i=1}{\overset{n}{\max }}\left(a_i\right)}.................\left(1\right)$

公式(1)中a_k(k＝1，2，…，n)为时序振动值数据，a′_k(k＝1，2，…，n)为时序振动值数据归一化值。

维护决策中心13与客户端15连接，例如通过网络连接；客户端15可为人机界面，其可显示部件剩余寿命预测模块134输出的剩余寿命。

当部件100a，100b当前所处生命周期阶段为失效阶段时，故障诊断与维修决策功能模块135从数据库132或通过通讯接口131从信息采集终端11中取得部件的实时特征参数。故障诊断与维修决策功能模块135包括故障诊断模块135a及维修决策模块135b。故障诊断模块135a例如利用贝叶斯(Bayesian)网络诊断模型对部件的实时特征参数进行分析而获得故障原因，维修决策模块135b利用维修决策模型分析故障原因以提供维修方案。贝叶斯网络诊断模型可包括依次连接的证据层、故障推理层、以及故障原因层，证据层接收部件的实时特征参数并推算出故障现象，故障推理层接收来自证据层的故障现象并进行推理运算以获得故障原因，故障原因层输出故障原因。需要说明的是，故障诊断与维修决策功能模块135可从数据库132中获取条件概率，条件概率为造成特定故障现象的原因的概率，贝叶斯网络诊断模型的故障推理层根据故障现象及条件概率推算出故障原因。在本实施例中，贝叶斯网络诊断模型可采用联合概率传播算法进行推理运算。

客户端15还可显示由故障诊断与维修决策功能模块135输出的故障原因及维修方案，故障原因及维修方案可以为多种，其可按照可能性的大小依次排列，即可能性大的故障原因及维修方案排在前面，可能性小的故障原因及维修方案排在后面。具体地，远程维护决策系统10可每间隔一段时间运行一次，具体间隔的时间可依照实际需求而定。维修人员可先根据排在第一位的故障原因及维修方案对部件进行检修，维修人员执行完一次检修动作后，远程维护决策系统10在下次的远程维护过程中，即可发现故障是否消失，若故障未消失，维修人员再根据排在第二位的故障原因及维修方案对部件进行检修，直至客户端15显示部件的故障消失，如此则可确定真正的故障原因。故障统计与改进需求分析模块136对故障现象及故障原因进行自动统计，并将故障现象及故障原因储存至数据库132，从而为后续贝叶斯网络诊断模型的完善及产品设计改进提供技术资料。故障诊断与维修决策功能模块135可输出故障统计与改进需求分析模块136所需统计的资讯，如故障现象及故障原因、真实故障原因、以及维修方案，故障统计与改进需求分析模块136所需统计的资讯可依照实际需求而定。

需要说明的是，数据库132可与信息采集终端11、数据预处理模块137、可靠性分析模块138、预测模块139、故障诊断与维修决策功能模块135、以及故障统计与改进需求分析模块136分别连接，以储存工程机械的部件的特征参数信息、数据预处理模块137产出的特征参数值、动态可靠性分析模型进行动态可靠性分析所需数据、预测模块139输出的部件的剩余寿命、故障诊断与维修决策功能模块135所需的条件概率、部件处于故障状态的特征参数值、以及故障统计与改进需求分析模块136统计的故障现象及故障原因。

由上可知，执行于本发明实施例提出的远程维护决策系统10的远程维护决策方法可归纳如图2所示的步骤。

步骤S 11：选取用于远程维护的部件。如上所述，可将重要度、易损性、性能衰退过程易检性作为选取用于远程维护的部件的指标。重要度、易损性、性能衰退过程易检性等级可通过设计人员、维护人员打分确定，并将部件重要度、易损性、性能衰退过程易检性的得分以一定的权重组合得到一个综合分。综合分较高且性能衰退过程易检性高的部件选定为用于远程维护的部件，如工程机械例如挖掘机或旋挖钻机液压系统中的液压泵等。

步骤S12：实时采集工程机械的部件的特征参数信息并判断部件当前所处的生命周期阶段。具体地，部件的整个生命周期通常包括三个阶段，依序分别为正常阶段、性能衰退阶段及失效阶段。

当部件当前所处生命周期阶段为正常阶段或性能衰退阶段时，执行步骤S13-S15，分析处理实时采集的部件的特征参数信息以择机对部件进行剩余寿命预测。具体地，步骤S13：采用动态可靠性分析来获取部件的剩余寿命范围以确定当前评估对象。具体地，研究选取部件的动态可靠性，利用动态可靠性分析模型(例如基于随机Petri网的动态可靠性分析模型)引入随机过程和极值分布原理计算并建立其可靠度和失效率随使用时间变化的动态过程曲线，确定其寿命周期范围。然后，依据部件的当前已用工时与所确定的寿命周期范围，获取部件的剩余寿命范围。在此，判断部件的剩余寿命范围的下限值是否小于预设的阈值，如果小于预设的阈值，则确定该部件为当前评估对象。

步骤S14：利用实时采集的部件的特征参数信息构建样本数据集。具体地，可由数据预处理模块137以远程通讯方式来获取信息采集终端11实时采集的特征参数信息、并提取特征参数信息中的特征参数值以及对提取的特征参数值进行预处理(例如归一化)以构建样本数据集。

步骤S15：预测并显示部件的剩余寿命。具体地，可由预测模块139利用RBF神经网络算法或BP神经网络算法对样本数据集进行回归拟合与趋势预测以获取预测的特征参数值、并利用预测的特征参数值参照作为当前评估对象的部件处于故障状态的特征参数值获取部件的剩余寿命。预测模块139将部件的剩余寿命传送至客户端15，由客户端15显示部件的剩余寿命。所获取的部件的剩余寿命可作为对包含部件的工程机械进行维护的依据，以有效实现预警作用及降低维护费用，从而提升故障控制效果。

当部件当前所处的生命周期阶段为失效阶段时，执行步骤S23-S26，分析处理实时采集的该部件的特征参数信息以对部件进行故障原因诊断并提供维修方案，供维修人员根据故障原因及维修方案对部件进行检修。具体地，步骤S23：分析实时采集的部件的特征参数信息而获得故障原因。具体地，如上所述，故障诊断与维修决策功能模块135从数据库132或通过通讯接口131从信息采集终端11中取得部件的实时特征参数，故障诊断模块135a利用贝叶斯网络诊断模型对部件的实时特征参数进行分析而获得故障原因。

步骤S24：分析故障原因以提供维修方案，且显示故障原因及维修方案。具体地，维修决策模块135b利用维修决策模型分析故障原因以提供维修方案，维修决策模块135b可将故障原因及维修方案传送至客户端15，由客户端15显示故障原因及维修方案。

步骤S25：对工程机械的部件进行检修。维修人员根据故障原因及维修方案对工程机械的部件进行检修，具体地，远程维护决策系统10可每间隔一段时间运行一次，具体间隔的时间可依照实际需求而定。维修人员可先根据排在第一位的故障原因及维修方案对部件进行检修，维修人员执行完一次检修动作后，远程维护决策系统10在下次的远程维护过程中，即可发现故障是否消失，若故障未消失，维修人员再根据排在第二位的故障原因及维修方案对部件进行检修，直至部件的故障消失，如此则可确定真正的故障原因。

步骤S26：统计故障现象及故障原因。具体地，故障统计与改进需求分析模块136对故障现象及故障原因进行自动统计，并将故障现象及故障原因储存至数据库132，从而为后续贝叶斯网络诊断模型的完善及产品设计改进提供技术资料。需要说明的是，故障统计与改进需求分析模块136所需统计的资讯可依照实际需求而定。

综上所述，本发明实施例的工程机械的远程维护决策系统及方法至少具有以下的优点：

1.在本发明实施例的工程机械的远程维护决策系统及方法中，择机对处于正常阶段或性能衰退阶段的部件进行剩余寿命预测，可确保寿命即将到期的部件得到及时更换；对处于失效阶段的部件进行故障原因诊断并提供维修方案，从而为工程机械提供整个生命周期的维护服务，确保工程机械的安全运行。

2.在本发明的工程机械的远程维护决策系统及方法的一个实施例中，通过利用神经网络预测模型结合动态可靠性分析模型来获取工程机械的部件的剩余寿命，能准确预测出部件的剩余寿命。

3.在本发明的工程机械的远程维护决策系统及方法的一个实施例中，利用贝叶斯网络诊断模型获得部件的故障原因，利用维修决策模型分析故障原因以提供维修方案，为工程机械提供合理的检修方式。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (15)

1.一种工程机械的远程维护决策系统，包括信息采集终端及客户端，该信息采集终端实时采集工程机械的部件的特征参数信息，其特征在于，该远程维护决策系统还包括维护决策中心，该维护决策中心与该信息采集终端及该客户端分别连接，该维护决策中心包括：

生命周期阶段判断模块，接收实时采集的部件的特征参数信息，并判断部件当前所处的生命周期阶段；

部件剩余寿命预测模块，与该生命周期阶段判断模块连接，分析处理当前所处的生命周期阶段为正常阶段或性能衰退阶段的该部件的实时特征参数信息，以择机对处于正常阶段或性能衰退阶段的该部件进行剩余寿命预测，并将该部件的剩余寿命传送至该客户端；以及

故障诊断与维修决策功能模块，与该生命周期阶段判断模块连接，分析处理当前所处的生命周期阶段为失效阶段的该部件的实时特征参数信息，以对处于失效阶段的该部件进行故障原因诊断并提供维修方案，并将该部件的故障原因及维修方案传送至该客户端。

2.如权利要求1所述的工程机械的远程维护决策系统，其特征在于，该部件剩余寿命预测模块包括：

可靠性分析模块，包括剩余寿命范围获取模块以及当前评估对象确定模块，该剩余寿命范围获取模块利用动态可靠性分析模型获取部件的剩余寿命范围，该当前评估对象确定模块将该剩余寿命范围的下限值小于预设的阈值的该部件确定为当前评估对象；

数据预处理模块，接收实时采集的作为当前评估对象的该部件的特征参数信息、提取该特征参数信息中的特征参数值、并对提取的特征参数值进行预处理以构建样本数据集；以及

预测模块，利用神经网络预测模型根据该样本数据集获取预测的特征参数值、并利用该预测的特征参数值参照作为当前评估对象的该部件处于故障状态的特征参数值以获取该部件的剩余寿命。

3.如权利要求1所述的工程机械的远程维护决策系统，其特征在于，该维护决策中心还包括：

通讯接口，与该生命周期阶段判断模块及该数据预处理模块分别连接，以使得该生命周期阶段判断模块及该数据预处理模块通过该通讯接口以远程通讯方式接收该特征参数信息。

4.如权利要求2所述的工程机械的远程维护决策系统，其特征在于，该神经网络预测模型为径向基函数神经网络模型或反向传播神经网络模型。

5.如权利要求1所述的工程机械的远程维护决策系统，其特征在于，该故障诊断与维修决策功能模块包括：

故障诊断模块，利用贝叶斯网络诊断模型对部件的实时特征参数信息进行分析而获得故障原因；以及

维修决策模块，利用维修决策模型分析该故障原因以提供维修方案。

6.如权利要求5所述的工程机械的远程维护决策系统，其特征在于，该维护决策中心还包括：

故障统计与改进需求分析模块，与该故障诊断与维修决策功能模块连接，以统计该故障诊断与维修决策功能模块输出的故障现象及故障原因。

7.如权利要求6所述的工程机械的远程维护决策系统，其特征在于，该维护决策中心还包括：

数据库，与该部件剩余寿命预测模块、该故障诊断与维修决策功能模块、以及该该故障统计与改进需求分析模块分别连接，以储存该部件剩余寿命预测模块所需的该部件的特征参数信息、该部件剩余寿命预测模块输出的该部件的剩余寿命、该故障诊断与维修决策功能模块所需的条件概率、该部件处于故障状态的特征参数值、以及该故障统计与改进需求分析模块统计的该故障现象及该故障原因。

8.一种工程机械的远程维护决策方法，其特征在于，包括以下步骤：

实时采集工程机械的部件的特征参数信息并判断部件当前所处的生命周期阶段；

若该部件当前所处的生命周期阶段为正常阶段或性能衰退阶段，分析处理实时采集的该部件的特征参数信息以择机对该部件进行剩余寿命预测，并显示该部件的剩余寿命；以及

若该部件当前所处的生命周期阶段为失效阶段，分析处理实时采集的该部件的特征参数信息以对该部件进行故障原因诊断并提供维修方案，并显示该部件的故障原因及维修方案。

9.如权利要求8所述的工程机械的远程维护决策方法，其特征在于，分析处理实时采集的该部件的特征参数信息以择机对该部件进行剩余寿命预测的步骤包括：

利用动态可靠性分析模型对部件进行动态可靠性分析以获取该部件的剩余寿命范围，并将该剩余寿命范围的下限值小于预设的阈值的该部件确定为当前评估对象；

实时采集作为当前评估对象的该部件的特征参数信息；

提取该特征参数信息中的特征参数值并进行预处理以构建样本数据集；以及

利用神经网络预测模型对该样本数据集进行回归拟合与趋势预测获取预测的特征参数值，并利用该预测的特征参数值参照作为当前评估对象的该部件处于故障状态的特征参数值获取该部件的剩余寿命。

10.如权利要求9所述的工程机械的远程维护决策方法，其特征在于，利用动态可靠性分析模型对部件进行动态可靠性分析以获取该部件的剩余寿命范围的步骤包括：

引入随机过程和极值分布原理计算并建立该部件的可靠度和失效率随使用时间变化的动态过程曲线，以确定该部件的寿命周期范围；以及

根据该部件的当前已用工时与所确定的寿命周期范围，获取该剩余寿命范围。

11.如权利要求9所述的工程机械的远程维护决策方法，其特征在于，利用神经网络预测模型对该样本数据集进行回归拟合与趋势预测获取预测的特征参数值是通过径向基函数神经网络或反向传播神经网络算法实现。

12.如权利要求8所述的工程机械的远程维护决策方法，其特征在于，分析处理实时采集的该部件的特征参数信息以对该部件进行故障原因诊断并提供维修方案的步骤包括：

利用贝叶斯网络诊断模型对部件的实时特征参数进行分析而获得该故障原因；以及

利用维修决策模型分析该故障原因以提供该维修方案。

13.如权利要求8所述的工程机械的远程维护决策方法，其特征在于，在分析处理实时采集的该部件的特征参数信息以对该部件进行故障原因诊断并提供维修方案之后还包括步骤：

对该部件进行检修。

14.如权利要求8所述的工程机械的远程维护决策方法，其特征在于，在分析处理实时采集的该部件的特征参数信息以对该部件进行故障原因诊断并提供维修方案之后还包括步骤：

统计故障现象及该故障原因。

15.如权利要求8所述的工程机械的远程维护决策方法，其特征在于，在实时采集工程机械的部件的特征参数信息并判断部件当前所处的生命周期阶段的步骤之前还包括步骤：

依据重要度、易损性及性能衰退过程易检性选取该部件。

Images