潜在故障是影响复杂系统运行可靠性的重要因素,潜在故障不可观测,往往又耦合其他故障,增加了潜在故障识别、分析及评估的难度,如不在潜在故障转化为实际的故障之前及时探知及发现,将直接影响运行安全。此外,复杂系统结构多样,状态表征具有非线性,增加了研究潜在故障的难度。本文研究面向潜在故障的复杂系统健康管理,包括以下研究内容:第一,分析了复杂系统失效及潜在故障特点,构建了复杂系统的健康管理体系,提出采用深度学习方法研究潜在故障。利用状态监测技术及时了解系统状态,利用深度学习模型处理传感器数据,识别系统的退化状态,挖掘信息潜在的价值,有效识别潜在故障源,为后续研究奠定基础。第二,结合潜在故障的数据特点,采用主成分分析和深度信念网络模型相结合的方法分析发动机的剩余使用寿命,构建了面向潜在故障的深度学习故障预测流程,实现在潜在故障转化为真实故障之前及时采取措施。第三,研究了面向潜在故障的健康决策问题,分析了考虑潜在故障的风险决策问题,研究了潜在故障重要度方法,为探知潜在故障源提供手段,为维修保障工作的实施提供理论依据。第四,选取涡轮发动机为研究对象,验证算法的有效性。收集到仿真发动机的运行数据,以仿真发动机的全寿命数据训练模型,其中传感器多维度数据作为输入数据,剩余使用寿命(以运行周期计)为输出数据。挖掘数据特征,预测潜在故障源发生周期。并进一步分析潜在故障源中各组件的性能变化趋势,探索对系统整体输出特性所产生影响的重要度。最后根据重要度采取主动的措施抑制组件性能的进一步退化,从而延缓故障的发生。