CN105096053A - 一种适用于复杂工艺系统的健康管理决策方法 - Google Patents

Abstract

本发明公开一种适用于复杂工艺系统的健康管理决策方法，一：获取系统测点参数；二：对系统测点参数进行预处理；三：通过自适应阈值分析方法对预处理后的系统测点参数进行实时故障检测，结合历史数据和故障模式与影响分析表，利用知识推理方法对故障检测结果进行故障诊断；四：结合故障诊断结果利用灰色理论方法评估单参数传感器健康度，利用模糊集融合理论对单参数传感器健康度融合，得到故障模式健康参数；五：利用故障模式健康参数通过相关向量机方法预测故障模式健康参数；六：利用灰色群决策理论将多种决策理论的维修决策相融合，得到维修决策结果。本发明能够对系统的下一次运行进行故障预测，并针对每一种故障模式提供维修建议。

Description

一种适用于复杂工艺系统的健康管理决策方法

技术领域

本发明涉及复杂工艺系统健康管理决策领域，具体涉及一种适用于复杂工艺系统的健康管理决策方法。

背景技术

复杂工艺系统是复杂性科学的研究对象范畴，广泛应用于工业、制造业、航空、航天等众多领域。如何提高复杂工艺系统的安全性、可靠性、可用性、有效性和经济性也成为其技术发展中考虑越来越多的关键问题。如火箭发动机试车台是航天器和运载器推进系统的重要组成部分，它是一种流体-热动力系统，其结构复杂，涉及众多的零部件，且各零部件之间结构相互关联，功能相互影响。其经常工作在恶劣环境(高温、高压、强腐蚀和高密度的能量释放)下，因此极易发生故障。

预测与健康管理(prognosticsandhealthmanagement，PHM)是指利用尽可能少的传感器采集系统的各种数据信息，借助各种智能推理算法(如物理模型、神经网络、数据融合、模糊逻辑、专家系统等)来评估系统自身的健康状态，在系统故障发生前对其故障进行预测，并结合各种可利用的资源信息提供一系列的维修保障措施以实现系统的视情维修。PHM系统结构主要由如下七层组成，如图1所示：

(1)数据获取层

数据获取层位于七层结构的最底层，该层与复杂工艺系统上的特定物理测量设备相连接，其功能是收集来自数据总线上传感器的信号，为PHM系统进行下一步的工作提供数据支持。

(2)数据处理层

该层主要功能是处理来自数据获取层的数据，通过一些特征提取算法把所获取的数据转换成状态监测、健康评估和预测层所需要的形式，这些信号特征能够以某一种形式表征系统/组件的健康。通常采用的数据处理算法包括快速傅立叶变换、神经网络、小波、卡尔曼滤波或统计方法(平均、标准偏差)等，数据处理层的输出结果包括经过滤、压缩后的传感器数据、频谱数据以及其它特征数据等。

(3)状态监测层

状态监测层接收来自传感器、数据处理层以及其他状态监测模块的数据。其主要功能是完成与系统状态相关的特征的计算和估计，即将获取的数据同预定的失效判据等进行比较来监测系统当前的状态，并且可以根据预定的各种参数指标极限值/阈值来提供故障报警能力。

(4)健康评估层

健康评估层接收来自不同状态监测模块以及其他健康评估模块的数据，根据状态监测层的输出和历史的状态评估值，主要评估被监测系统、分系统或部件的健康状态，确定这些系统是否降级。如果系统的健康状态降级了，该层会产生诊断信息，提示可能发生的故障。该层的输出包括组件的健康或健康程度(以健康指数表示)。本层的输出包括系统/组件的健康状态或系统降级程度，系统的健康状态可以用很多方式表示，例如灰度、健康度等。

(5)预测层

预测层可综合前面各层的数据信息，评估和预测被监测系统、子系统和部件未来的健康状态。主要功能是对系统、子系统或部件在使用工作包线和工作应力下的剩余使用寿命进行估计。预测层可能报告系统的未来健康状态或者评估组件的剩余使用寿命。故障预测能力是PHM系统的显著特征。

(6)决策支持层

该层接收来自状态监测、健康评估和预测层的数据，并根据前面各层的输出结果做出相应的支持决策，为维修资源管理和其它健康管理过程提供支撑。决策支持层综合所需要的信息，基于与系统健康相关的信息，以支持做出决策，为维修提供建议的措施。

(7)显示层

该层具备与其他所有层通讯的能力，通过便携式维修设备、维修管理和操作管理实现PHM系统与维修人员和用户的人机交互界面功能。该层的输出包括低层产生的输出信息以及低层所需要的输入信息。

在复杂工艺系统的健康管理维修决策方面，目前主要采用以非计划定期维护和事后维修为主的方式，采用多、勤、细来预防系统故障。随着健康管理技术的发展出现了视情维修理论，能够根据复杂系统的故障信息，临时安排相应的维修任务，解决了部分非计划维修问题，但是各视情维修决策系统没有对维修大纲的制定产生反馈，在实际开展维修活动工作中，往往无章可循，具有很大的维修工作随意性，缺乏必要的规定，具有很大的决策风险。

现有的PHM维修决策方法，从其实际研究中应用的理论和技术路线来看，可分为3类：基于模型的维修决策技术、基于数据的维修决策技术、基于可靠性的维修决策技术。

1、基于模型的维修决策技术对于大多数工业应用来说，利用物理模型建立决策模型可能不是最切合实际的解决方案，因为多零部件、系统之间的相互作用，增加了维修决策分析的复杂性。

2、基于数据的维修决策不需要系统的数学模型，以采集的数据为基础，通过各种数据分析处理方法挖掘其中的隐含信息进行维修决策。但是在实际应用中，一些关键设备、零部件的维修决策需要的信息复杂多变，典型数据(历史工作数据、故障注入数据)的获取代价通常十分高昂；而且即使对于所获得的数据来说，往往其具有很强的不确定性和不完备性。这些问题都增加了维修决策的实现难度。

3、基于可靠性的维修决策技术是基于同类部件/设备/系统的事件记录的分布，目前的可靠性评估方法基本上均是采用历史失效数据去估计对象的整体特性。然而零部件、系统性能衰退、失效会引非计划维修任务，因而限制了其实际应用。

但是由于复杂工艺系统具有组成结构复杂、工作状态多变和易受运行环境影响的特点，前述3类主要的维修决策方法难以适用于此类系统。

近年来，群决策技术在国际上发展较为迅速。群决策主要研究在多名决策者同时决策时如何做出有效抉择，主要需要解决的问题是如何将具有不同偏好的各位专家的决策信息进行汇总得到一致化的决策结果。由于系统各部件之间结构和功能上的关联性和复杂性，采用单一模型或方法难以实现全系统维修范围和修理级别的确定。为减少决策的失误，提高决策的效率，采用群决策建模的方法，多智体协同维修决策产生结论，最后综合各方法决策结果的输出，确定系统维修范围。

然而，由于群决策技术的研究还不甚成熟，如何准确获取决策信息，包括属性值、属性权重、决策者权重信息等决策要素，尚未形成完整的框架体系。特别是由于工艺系统的复杂性、不确定性，在实际决策问题中往往面临数据质量低下甚至部分缺失的情况，即信息的不确定性。对于上述信息不确定、数据类型多样性的群决策问题，传统的决策理论如D-S证据理论、Bayes理论、模糊集理论将面临严峻的挑战。

在上述背景下，将PHM技术应用于复杂工艺系统，在对传统的系统信息辨识、获取、处理和融合基础上，采取积极主动的措施监视系统的健康状态，预测系统性能变化趋势、部件故障发生时机及剩余使用寿命，采取必要的措施缓解系统的性能衰退、部件故障/失效的决策和维修建议，显得愈发重要。因此，亟需一种针对复杂工艺系统的健康管理维修决策方法。

发明内容

有鉴于此，本发明的目的是提供一种适用于复杂工艺系统的健康管理决策方法，它能够实现两大功能：1.能够对系统的下一次运行进行故障预测；2.能够在系统运行后，针对每一种故障模式提供维修建议。

实现本发明的技术方案如下：

一种适用于复杂工艺系统的健康管理决策方法，具体步骤如下：

步骤一：通过传感器或网络接口获取系统测点参数；

步骤二：对获取的系统测点参数进行预处理；

步骤三：通过自适应阈值分析方法对预处理后的系统测点参数进行实时故障检测，然后，结合历史数据和故障模式与影响分析表，利用知识推理方法对故障检测结果进行故障诊断；

步骤四：结合故障诊断结果利用灰色理论方法评估单参数传感器健康度，利用模糊集融合理论对单参数传感器健康度进行融合，得到故障模式健康参数；

步骤五：利用步骤四中所得的故障模式健康参数以及该工艺系统历史计算的故障模式健康参数通过相关向量机方法预测故障模式健康参数；

步骤六：通过多种决策理论分别对预测的故障模式健康参数进行系统的维修决策；利用灰色群决策理论将多种决策理论的维修决策结果进行融合，得到最终维修决策结果，给出维修建议，完成复杂工艺系统的健康管理决策。

进一步地，本发明步骤二中所述的预处理包括：剔除奇异值、滤波降噪、计算均值和3σ标准偏差。

进一步地，本发明步骤六中的多种决策理论包括D-S证据理论、Bayes理论和模糊集理论。

有益效果：

(1)本发明提出了系统故障预防控制措施与系统健康参数相关联的维修策略，提高复杂系统安全性，能够及时合理地处理故障；且针对具有复杂特点的一类对象的维修决策，具有较强的通用性。

(2)本发明利用故障诊断、健康度评估，故障模式预测，及时有效地掌握复杂系统的健康状况；综合历史维护经验，及时发现和报告复杂系统潜在的故障趋势及已经发生的故障，能够对复杂系统进行高精度的故障预测及维修决策，提高复杂系统可靠性。

(3)本发明利用基于灰色群决策理论得到维修决策结果，缩短了维修时间，减少了备件、保障设备和维修人力等保障资源的需求，有利于合理确定维修支持资源，降低维修保障费用，减少计划外维修次数，将一些非预知维修工作变为预知维修工作。

(4)本发明通过灰色群决策理论将D-S证据理论、Bayes理论、模糊集理论相融合，避免了单一方法的局限性，使健康管理维修决策结果更加客观准确。

(5)本发明提出的利用灰色群决策理论来实现全系统维修范围和修理级别的确定方法，很好地解决了如何将专家经验(即故障模式与影响分析表)融入健康管理决策的问题，进而实现PHM技术从理论研究到工程实际应用的一次跨越。

附图说明

图1为本发明的PHM系统结构图；

图2为本发明的健康管理决策方法流程图；

图3为本发明方法中步骤四中单参数传感器健康度计算流程图；

图4为本发明方法中步骤四中故障模式健康度计算示意图；

图5为本发明方法中步骤五中相关向量机故障预测器示意图；

图6为本发明的灰色群决策方法流程图；

图7为本发明方法中步骤六中D-S证据理论决策示意图；

图8为本发明方法中步骤六中Bayes理论决策示意图；

图9为本发明方法中步骤六中模糊集理论决策示意图；

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种适用于复杂工艺系统的健康管理决策方法，适用于复杂工艺系统的健康管理和维修决策，其主要原理如下：首先针对历史数据建立健康度评价模型，利用灰色理论方法进行健康度计算，然后建立相关向量机模型进行故障预测，最后基于灰色群决策理论进行维修决策。本发明方法包含三大核心内容：健康评估方法、故障预测方法和维修决策方法。下面结合图2说明本发明适用于复杂工艺系统的健康管理维修决策方法。

步骤一：通过传感器或网络接口获取系统测点参数；

步骤二：对获取的系统测点参数进行预处理，所述的预处理包括：剔除奇异值、滤波降噪、计算均值和3σ标准偏差；

步骤三：通过自适应阈值分析方法对预处理后的系统测点参数进行实时故障检测，然后，结合历史数据和故障模式与影响分析表，利用知识推理方法对故障检测结果进行故障诊断；

步骤四：结合故障诊断结果利用灰色理论方法评估单参数传感器健康度，利用模糊集融合理论对单参数传感器健康度进行融合，得到故障模式健康参数；

所述步骤四中单参数传感器健康评估具体步骤：首先，建立灰色评价指标集：将传感器的输出值作为事件集，将表述传感器性能退化程度的健康、亚健康、故障边缘及故障状态作为目标对策集；其次，确定灰色评价指标集的白化函数，基于所述白化函数，计算灰色综合评价矩阵；然后，基于不同时刻点的系统测点参数对该测点传感器健康水平的差异性影响建立权值分配模型，确保及时响应异常情况；最后，综合权值分配结果和灰色综合评价矩阵进行多时刻点的多源信息融合，计算得到单参数传感器的健康度，其流程如图3所示。

所述步骤四中故障模式健康参数评估具体步骤：首先结合系统的故障诊断结果，为每种故障模式定义健康参数hp，取值为0～1，健康参数反映了每种故障模式发生的可能性相对大小，取值越大，其发生的相对可能性就越大。然后利用模糊集融合理论对单参数传感器健康度的数据进行融合，计算框图如图4所示，得到其系统的健康度hd，则hp＝1-hd。

步骤五：利用步骤四中所得的故障模式健康参数以及历史计算的故障模式健康参数通过相关向量机方法预测故障模式健康参数；

步骤五中故障预测模型的建立具体步骤：首先，利用历史的故障模式健康参数数据序列hp_i(1)，hp_i(2)，...，hp_i(n)建立如表1所示的训练样本集。

表1相关向量机预测器模型学习样本

然后，利用此样本建立相关向量机预测器模型，利用表1样本训练相关向量机预测器，并进行在线学习，具体过程如图5所示。

最后，利用训练好的模型预测hp_i(n+1)值，依次类推，将hp_i(n-m+2)，hp_i(n-m+3)，...，hp_i(n)，hp_i(n+1)作为输入，利用训练好的模型预测hp_i(n+2)值，实现系统故障模式健康参数的预测。

步骤六：通过D-S证据理论、Bayes理论和模糊集理论分别对预测的故障模式健康参数进行系统的维修决策；利用灰色决策群理论将D-S证据理论、Bayes理论和模糊集理论的维修决策相融合，得到最终维修决策结果，并给出相应的故障预防措施、故障干预措施和维修建议，完成复杂工艺系统的健康管理决策。具体流程如图6所示。

步骤六中维修决策模型是健康管理决策方法的核心，本发明通过融合复杂工艺系统故障诊断信息、健康度状态、故障模式预测结果、历史维修情况、现有维修大纲来实现动态维修计划的制定。

步骤六中维修决策模型的建立包括确定决策模型的输入、输出信息种类和形式。输入信息包括四类(即4组证据)；证据1：故障模式历史健康参数，证据2：预测的故障模式健康参数(步骤五得到的)；证据3：历史维修记录；证据4：维修大纲。输出信息为根据系统健康状况等级制定的维修决策框架：不维修，预防性维修，修复性维修，更换部件。

步骤6中通过D-S证据理论进行维修决策具体过程如下，如图7所示。

步骤6.1.1读入故障模式历史健康参数、预测的故障模式健康参数、历史维修记录和维修大纲；

步骤6.1.2计算以上四类中的各个证据对于决策框架中各中决策结果的基本概率赋值bpa，例如bpa11为故障模式历史健康参数1对于不维修的基本概率赋值，bpa12为故障模式历史健康参数1对于预防性维修的基本概率赋值，bpa13为故障模式历史健康参数1对于修复性维修的基本概率赋值，bpa14为故障模式历史健康参数1对于更换部件的基本概率赋值，依次类推。对于历史维修记录证据首先通过统计计算得到维修概率，再求取其对于决策框架的bpa，对于维修大纲证据，首先通过统计计算得到检修率，再求取其对于决策框架的bpa。

步骤6.1.3将所有证据所得的基本概率赋值进行排序，顺序任意；

步骤6.1.4首先对前两个证据利用D-S证据理论进行融合，得到融合后的对于决策框架结果的基本概率赋值，例如图中的bpa_r11为证据1和证据2进行融合后对于不维修的基本概率赋值，bpa_r12为证据1和证据2进行融合后对于预防性维修的基本概率赋值，bpa_r13为证据1和证据2进行融合后对于修复性维修的基本概率赋值，bpa_r14为证据1和证据2进行融合后对于更换部件的基本概率赋值；

步骤6.1.5将证据1和证据2融合后的结果作为一个新的证据，与证据3利用D-S证据理论进行融合，得到融合结果；

步骤6.1.6将新的融合结果作为一个新的证据，与下一个证据利用D-S证据理论进行融合，直至融合完全部证据，得到最终的融合结果。最终结果中的基本概率赋值即为四种维修决策结果的置信度。

步骤6中通过Bayes理论进行维修决策的具体过程如下，如图8所示。

步骤6.2.1读入故障模式历史健康参数、预测的故障模式健康参数、历史维修记录和维修大纲；

步骤6.2.2计算以上四类中的各个证据对于决策框架中各中决策结果的条件概率；其中P(B1|A1)为故障模式历史健康参数1对于不维修的条件概率，P(B1|A2)为故障模式历史健康参数1对于预防性维修的条件概率，P(B1|A3)为故障模式历史健康参数1对于修复性维修的条件概率，P(B1|A4)为故障模式历史健康参数1对于不维修的条件概率，依次类推。对于历史维修记录证据首先通过统计计算得到维修概率，再求取其对于决策框架的条件概率，对于维修大纲证据，首先通过统计计算得到检修率，再求取其对于决策框架的条件概率。

步骤6.2.3利用贝叶斯概率公式计算得到融合后的后验概率，后验概率即为四种维修决策结果的置信度。

步骤6中通过模糊集理论进行维修决策具体过程如下，如图9所示。

步骤6.3.1读入故障模式历史健康参数、预测的故障模式健康参数、历史维修记录和维修大纲；

步骤6.3.2计算以上四类中的各个证据对于决策框架中各中决策结果的隶属度；其中M11为故障模式历史健康参数1对于不维修的隶属度，M12为故障模式历史健康参数1对于预防性维修的隶属度，M13为故障模式历史健康参数1对于修复性维修的隶属度，M13为故障模式历史健康参数1对于不维修的隶属度，依次类推。对于历史维修记录证据首先通过统计计算得到维修概率，再求取其对于决策框架的隶属度，对于维修大纲证据，首先通过统计计算得到检修率，再求取其对于决策框架的隶属度。

步骤6.3.3利用模糊数据融合得到融合后的隶属度，隶属度即为四种维修决策结果的置信度。

步骤6中利用灰色群决策理论在上述三种决策算法中做出有效抉择，进行最终综合决策。具体过程为：

步骤6.4.1计算各决策方法的决策矩阵；

设灰色群决策方案集为(A₁，A₂，...，A_n)，n为决策框架数，本发明中决策框架大小为4，分别为：A₁、不维修，A₂、预防性维修，A₃、修复性维修，A₄、更换部件决；

决策群体集为(e₁，e₂，...，e_q)，q≥2表示决策方法数，e_s表示第s个决策方法，本发明中有三种决策方法：D-S证据理论e₁、Bayes理论e₂和模糊集理论e₃；

决策指标集为(u₁，u₂，...，u_m)，m为证据数；本发明中证据数为4，故障模式历史健康参数u₁，预测的故障模式健康参数u₂，历史维修记录u₃，维修大纲u₄；

决策方法e_s方案A_i在指标u_j下的属性值为区间灰数且决策方法e_s的决策矩阵如表2所示，矩阵中的元素即为区间灰数。

步骤6.4.2使用区间灰数弱化变换对每个决策方法的决策矩阵进行初始化变换得到标准化矩阵；

步骤6.4.3计算决策者权重；即计算D-S证据理论、Bayes理论和模糊集理论分别得到的维修决策的权重。

步骤6.4.4计算最优效果向量；

步骤6.4.5计算对象A_i的靶心距ε_i，并由ε_i对决策对象进行优劣评价，得到系统最终决策分析结果。所述靶心距ε_i即某一种决策方案的置信度。

表2.决策方法e_s的决策矩阵

综上，经灰色群决策方法综合决策后，可得到系统各故障模式的维修决策结果，在此基础上可实现动态维修计划的制定。

实施例

本实施例以火箭发动机试车台系统为对象，该系统是典型的复杂工艺系统。由于火箭发动机试车台系统结构复杂、缺少统一的物理模型、故障机理复杂，符合本发明所需要解决的复杂工艺系统的健康管理决策问题。通过本实施例的详细阐述，进一步说明本发明的实施过程及工程应用过程。

本发明实施例对火箭发动机试车台系统应用本发明提出的健康管理决策方法的步骤如下：

步骤一：通过网络接口获取系统测点参数；

以氧化剂供应子系统为例，需要采集氧化剂贮箱压力、发动机氧化剂入口压力、氧化剂管路流量、氧化剂贮箱温度、流量计附近温度等压力、流量和温度的参数。

步骤二：对获取的系统各测点参数进行预处理，所述的预处理包括：剔除奇异值、滤波降噪、计算均值和3σ标准偏差；

步骤三：通过自适应阈值分析方法对预处理后的系统测点参数进行实时故障检测，然后，结合历史数据和故障模式与影响分析表，利用知识推理方法对故障检测结果进行故障诊断；

通过历史数据分析以及故障模式与影响分析，目前火箭发动机试验台的主要故障模式有四种：氧化剂/燃烧剂增压系统故障，氧化剂/燃烧剂供应系统故障，氧化剂/燃烧剂排放系统故障，氧化剂/燃烧剂吹除系统故障。以氧化剂增压子系统为例，故障检测和诊断主要针对氧化剂增压系统减压阀故障、氧化剂贮箱上过滤器堵塞、氧化剂贮箱压力测点测压导管断裂三种故障模式。

步骤四：结合故障诊断结果利用灰色理论方法评估单参数传感器健康度，利用模糊集融合理论对单参数传感器健康度进行融合，得到故障模式健康参数。

在利用灰色理论方法对系统的健康状况进行评价时，根据健康、亚健康、故障边缘、故障四个灰色集的定义，确定如表3所示的四个健康状况等级。具体健康度数值依据不同应用对象有差异。

表3.健康状况等级表

序号	健康度取值范围	健康状况等级
			1	0.6≤hd≤1	健康
2	0.2≤hd＜0.6	亚健康
			3	0.01≤hd＜0.2	故障边缘
4	0≤hd＜0.01	故障

计算单参数健康度和故障模式健康参数，故障模式健康参数hp为hd的1补数，取值越小表示越健康，取值为1表示故障，因此，算法可以正确判定系统的健康状态。

步骤五：利用步骤四中所得的故障模式健康参数以及历史计算的故障模式健康参数通过相关向量机方法预测故障模式健康参数；

步骤六：利用基于灰色群决策理论的维修决策模型，对故障模式预测的结果进行维修决策，给出维修建议。

其中证据数量为3，分别用u₁、u₂、u₃表示，如下所示：

u₁：系统故障模式健康参数及预测的故障模式健康参数；

u₂：历史维修记录；

u₃：已编制的系统维修大纲。

决策框架大小为4，用4位二进制数表示，分别为{不维修}A1：0001、{预防性维修}A2：0010、{修复性维修}A3：0100、{更换部件}A4：1000，并依次对应步骤四中表3所示的健康状况等级。

确定各输入证据的权重ω＝(ω₁，ω₂，ω₃)。其中ω₂表示维修概率的权重，即历史维修次数/试验总次数；ω₃表示检修率的权重，即距离下次检修时间/检修周期；ω₁＝1-ω₂-ω₃，ω₁表示故障模式健康参数以及故障模式预测健康参数所对应的权重。对每个故障模式分别计算三种维修决策方法D-S证据理论e1、贝叶斯理论e2、模糊集理论e3的决策矩阵，然后利用灰色群决策理论在上述三种决策算法中做出有效抉择，最后得到最终综合决策结果和置信度。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种适用于复杂工艺系统的健康管理决策方法，其特征在于，具体步骤如下：

步骤一：通过传感器或网络接口获取系统测点参数；

步骤二：对获取的系统测点参数进行预处理；

步骤三：通过自适应阈值分析方法对预处理后的系统测点参数进行实时故障检测，然后，结合历史数据和故障模式与影响分析表，利用知识推理方法对故障检测结果进行故障诊断；

步骤四：结合故障诊断结果利用灰色理论方法评估单参数传感器健康度，利用模糊集融合理论对单参数传感器健康度进行融合，得到故障模式健康参数；

步骤五：利用步骤四中所得的故障模式健康参数以及该工艺系统历史计算的故障模式健康参数通过相关向量机方法预测故障模式健康参数；

步骤六：通过多种决策理论分别对预测的故障模式健康参数进行系统的维修决策；利用灰色群决策理论将多种决策理论的维修决策结果进行融合，得到最终维修决策结果，给出维修建议，完成复杂工艺系统的健康管理决策。

2.如权利要求1所述的一种适用于复杂工艺系统的健康管理决策方法，其特征在于，步骤二中所述的预处理包括：剔除奇异值、滤波降噪、计算均值和3σ标准偏差。

3.如权利要求1所述的一种适用于复杂工艺系统的健康管理决策方法，其特征在于，步骤六中所述的多种决策理论包括D-S证据理论、Bayes理论和模糊集理论。