智能維護(hù)技術(shù)

Intelligent Maintenance Systems (IMS) Technologies

Jay Lee

Director

NSF Industry/University Cooperative Research Center on

Intelligent Maintenance Systems

Univ. of Cincinnati

聯(lián)系方式：jay.lee@uc.edu

網(wǎng)址：www.imscenter.net

需求

制造業(yè)是反映一個國家生產(chǎn)能力、國民經(jīng)濟(jì)水平和綜合國力的基礎(chǔ)性、支柱性產(chǎn)業(yè)。Internet和Web技術(shù)的飛速發(fā)展，大大加快了產(chǎn)品的設(shè)計、制造和服務(wù)速度，速度和服務(wù)已成為影響制造企業(yè)核心競爭力的二大重要因素。 制造業(yè)中的設(shè)備一旦發(fā)生故障和失效問題，將嚴(yán)重影響企業(yè)的市場競爭力。其主要表現(xiàn)在以下幾點：

l   制造企業(yè)設(shè)備故障的突然發(fā)生，不僅會增加企業(yè)的維護(hù)成本，而且會嚴(yán)重影響企業(yè)的生產(chǎn)效率，使企業(yè)蒙受巨大損失。據(jù)調(diào)查，設(shè)備的60％的維護(hù)費用是由突然的故障停機引起的，即使在技術(shù)極為發(fā)達(dá)的美國，每年也要支付2000億美金來對設(shè)備進(jìn)行維護(hù)，而設(shè)備停機所帶來的間接生產(chǎn)損失則更為巨大。

l   進(jìn)口設(shè)備的維護(hù)問題則更為復(fù)雜和困難，而目前所采用的遠(yuǎn)距離跨國維修FAF（Fly and Fix）的方式既費時又費用昂貴，在大大增加企業(yè)運作成本的同時，也嚴(yán)重影響了企業(yè)的生產(chǎn)效率。

l   在“顧客至上”理念普及的今天，制造企業(yè)必須為客戶提供產(chǎn)品的完整服務(wù)解決方案。由于產(chǎn)品出現(xiàn)問題的不可預(yù)知性，企業(yè)無法預(yù)先制定服務(wù)和維護(hù)計劃。為了提高企業(yè)的服務(wù)效率和服務(wù)質(zhì)量，制造企業(yè)必須維持一支規(guī)模更為龐大的服務(wù)隊伍，其日常支出是非常巨大的。

因此，如何合理地制定維護(hù)計劃，防止設(shè)備和產(chǎn)品因故障而失效，已成為制造企業(yè)降低運作成本、提高生產(chǎn)效率和市場競爭力的重要手段。而要保持設(shè)備和產(chǎn)品的穩(wěn)定性，現(xiàn)在的制造企業(yè)多采用周期性檢修的方式，但這種方式同樣給企業(yè)帶來了沉重的經(jīng)濟(jì)負(fù)擔(dān)。新的觀念是采用智能維護(hù)系統(tǒng)，不停地對設(shè)備和產(chǎn)品的性能狀態(tài)進(jìn)行監(jiān)測、預(yù)測和評估，并按需制定維護(hù)計劃，以防止它們因故障而失效。

IMS Technologies

所謂智能維護(hù)系統(tǒng)（Intelligent Maintenance System, IMS），或稱之為E-maintenance，是采用性能衰退分析和預(yù)測方法，結(jié)合infotronics 技術(shù)（融合互聯(lián)網(wǎng)、非接觸式通訊技術(shù)、嵌入式智能電子技術(shù)），使產(chǎn)品或設(shè)備達(dá)到近乎零故障（Near-Zero-Breakdown）的性能或生產(chǎn)效率的一種新型維護(hù)系統(tǒng)。

智能維護(hù)屬于預(yù)測性維護(hù)，智能維護(hù)系統(tǒng)的采用將大大促進(jìn)國家的經(jīng)濟(jì)發(fā)展。據(jù)統(tǒng)計，即使在美國，現(xiàn)今的工業(yè)運轉(zhuǎn)能力只是其最大能力的48.2%（1999年11月，美國商業(yè)部門數(shù)據(jù)），而據(jù)保守的估計，基于Internet的智能維護(hù)技術(shù)每年可以帶動2.5%到5%的運轉(zhuǎn)能力增長，這意味著：在價值2億美金的設(shè)備上應(yīng)用智能維護(hù)技術(shù)，每年就可以多創(chuàng)造500萬美金的價值。有關(guān)資料也表明：運用智能維護(hù)技術(shù)可減少事故故障率75%，降低設(shè)備維護(hù)費用25%~50%。以我國目前國有企業(yè)總固定資產(chǎn)約10000多億元為例，每年用于大修、小修與處理故障的費用一般占固定資產(chǎn)的3%~5%，可見采用智能維護(hù)，每年取得的經(jīng)濟(jì)效益可達(dá)數(shù)百億元。

正是智能維護(hù)對世界經(jīng)濟(jì)的巨大推動作用，2002年7月，智能維護(hù)技術(shù)被美國《財富》雜志列為當(dāng)今制造業(yè)最熱門的三項技術(shù)之一^[1]。

IMS科學(xué)意義

在目前的制造企業(yè)，無論是維修還是定期的維護(hù)，其目的都是為了提高制造企業(yè)設(shè)備的開動率，從而提高生產(chǎn)效率。故障診斷技術(shù)的出現(xiàn)，大大的縮短了確定設(shè)備故障所在的時間，從而提高了設(shè)備的利用率。但故障停機給制造企業(yè)所帶來的損失還是非常巨大的。如在新興的IC產(chǎn)業(yè)，其生產(chǎn)線初期投資一般為17億美金左右，而其有效生產(chǎn)周期只有3－5年，若生產(chǎn)線發(fā)生故障停機，不僅會使整個生產(chǎn)線上正在加工的半成品全部報廢，而且會嚴(yán)重影響其投資回收速度。智能維護(hù)技術(shù)的出現(xiàn)進(jìn)一步提高了企業(yè)設(shè)備的開動率，并且隨著技術(shù)的發(fā)展，其可使企業(yè)的制造設(shè)備達(dá)到近乎零的故障停機性能。

      智能維護(hù)與故障診斷有著密不可分的聯(lián)系，其很多的技術(shù)基礎(chǔ)起源于故障診斷，但他們之間又有很多區(qū)別。在傳統(tǒng)的診斷維修領(lǐng)域，大部分的技術(shù)開發(fā)與應(yīng)用集中在信號及數(shù)據(jù)處理、智能算法研究（人工神經(jīng)網(wǎng)絡(luò)、遺傳算法等）、及遠(yuǎn)程監(jiān)控技術(shù)（以數(shù)據(jù)傳送為主）。這些技術(shù)基于的基礎(chǔ)理念是被動的維修模式FAF（Fail and Fix），對產(chǎn)品和設(shè)備的使用者而言，維修的要求是達(dá)到及時修復(fù)。而智能維護(hù)技術(shù)是基于主動的維護(hù)模式PAP（Predict and Prevent），重點在于信息分析、性能衰退過程預(yù)測、維護(hù)優(yōu)化、應(yīng)需式監(jiān)測（以信息傳送為主）的技術(shù)開發(fā)與應(yīng)用，產(chǎn)品和設(shè)備的維護(hù)體現(xiàn)了預(yù)防性要求，從而達(dá)到近乎于零的故障及自我維護(hù)（見圖1）。故障診斷技術(shù)在設(shè)備和產(chǎn)品的維修中雖然也發(fā)揮著重要的作用，但目前，由于工業(yè)界對預(yù)防性維護(hù)技術(shù)的需求，故障診斷領(lǐng)域的研究重點已逐步轉(zhuǎn)向狀態(tài)監(jiān)測、預(yù)測性維修和故障早期診斷領(lǐng)域，其為智能維護(hù)技術(shù)的實現(xiàn)打下了扎實的基礎(chǔ)。實際上，目前的故障診斷研究已經(jīng)趨向于智能維護(hù)領(lǐng)域的初級階段。

美國KLA-Tencor公司預(yù)測，半導(dǎo)體制造業(yè)將向智能化電子診斷的方向發(fā)展（即智能維護(hù)），從而實現(xiàn)實時地監(jiān)測和調(diào)整設(shè)備的運行，而這一技術(shù)的采用將影響整個工業(yè)界，而不僅僅是半導(dǎo)體制造業(yè)。因此，目前有很多國際知名企業(yè)已把智能維護(hù)技術(shù)作為企業(yè)的主要發(fā)展戰(zhàn)以促進(jìn)維護(hù)策略從平均故障間隔MTBF（Mean-time-between-failure）平均衰退間隔MTBD（Mean-time-between-degradation）的轉(zhuǎn)變，實現(xiàn)企業(yè)設(shè)備和產(chǎn)品在其生命周期中的近乎零的故障發(fā)生率，從而大大提高國際市場的競爭力。

1    國內(nèi)外相關(guān)領(lǐng)域研究現(xiàn)狀及發(fā)展趨勢

智能維護(hù)是一種全新的理念，其由美國威斯康星大學(xué)李杰（Jay Lee）教授最先提出^【2-3】。2001年，美國威斯康星大學(xué)和密歇根大學(xué)在國家自然科學(xué)基金的資助下，聯(lián)合工業(yè)界共同成立了“智能維護(hù)系統(tǒng)（IMS）中心”，并規(guī)劃了智能維護(hù)的藍(lán)圖（圖2）^【4】?！癐MS中心”將作為一個創(chuàng)新和傳播智能維護(hù)知識系統(tǒng)的重要角色，并最終促進(jìn)下一代的產(chǎn)品、制造和服務(wù)系統(tǒng)達(dá)到6-sigma的質(zhì)量要求。目前，中心的成員企業(yè)已達(dá)數(shù)十家，其中也不乏世界知名企業(yè)，如福特、Intel、東芝等。

圖2顯示，智能維護(hù)系統(tǒng)可通過Web驅(qū)動的電子信息（infotronics）平臺對設(shè)備和產(chǎn)品進(jìn)行不間斷的監(jiān)測診斷和性能的退化評估，并作出維護(hù)決策。同時，智能維護(hù)系統(tǒng)還能通過Web驅(qū)動的智能代理與電子商務(wù)工具（如客戶關(guān)系管理CRM，供應(yīng)鏈管理SCM，企業(yè)資源管理ERP）進(jìn)行整合，從而獲得高質(zhì)量的全套服務(wù)解決方案。另外，智能維護(hù)系統(tǒng)所得到的信息知識還可用于產(chǎn)品的再設(shè)計和優(yōu)化設(shè)計，從而使未來的設(shè)備和產(chǎn)品達(dá)到自我維護(hù)的境界。

圖中亦顯示，智能維護(hù)系統(tǒng)的核心技術(shù)是對設(shè)備和產(chǎn)品的性能衰退過程的預(yù)測和評估，圍繞這一核心，智能維護(hù)的應(yīng)用基礎(chǔ)研究主要包括以下幾個領(lǐng)域：

l   設(shè)備和產(chǎn)品的性能衰退過程的預(yù)測評估算法、方法研究。要對設(shè)備或產(chǎn)品進(jìn)行預(yù)測維護(hù)，必須提前預(yù)測其性能衰退狀態(tài)。與現(xiàn)有的故障早期診斷不同的是，智能維護(hù)側(cè)重于對設(shè)備或產(chǎn)品未來性能衰退狀態(tài)的全過程走向預(yù)測，而不在于某個時間點的性能狀態(tài)診斷，因此，其不論在理念上，還是在方法上，都是有很大不同的。其次，進(jìn)行預(yù)測和決策時，在分析歷史數(shù)據(jù)的同時，智能維護(hù)引入了與同類設(shè)備進(jìn)行“比較”的策略（P2P: peer-to-peer），因而大大提高了預(yù)測和決策的準(zhǔn)確度。P2P是對傳統(tǒng)故障診斷方法的一種超越。另外，在采集設(shè)備和產(chǎn)品的信息時，智能維護(hù)強調(diào)“相關(guān)信息”（包括人的反饋信息）的采集和有效“融合”（包括低層次和高層次的融合），并根據(jù)人腦的信息處理方式從中綜合提取性能預(yù)測所需的信息。

l   應(yīng)需式遠(yuǎn)程監(jiān)測維護(hù)領(lǐng)域。隨著Internet和Web技術(shù)的發(fā)展，利用Internet和Web來進(jìn)行實時監(jiān)測數(shù)據(jù)的傳輸也已逐漸成為研究熱點。應(yīng)需式遠(yuǎn)程維護(hù)是指利用現(xiàn)代信息電子（infotronics）技術(shù)實現(xiàn)異地間設(shè)備和產(chǎn)品性能衰退的監(jiān)測、預(yù)測，并提出維護(hù)方案等的一系列行為，其強調(diào)的是根據(jù)實際的需要傳輸所需的“信息”，即根據(jù)設(shè)備和產(chǎn)品在不同環(huán)境下的各種性能衰退過程的實際快慢程度，及時地調(diào)整相應(yīng)信息的傳輸頻度和數(shù)量，而不是傳統(tǒng)意義上的簡單的“數(shù)據(jù)”（采樣信號等）傳輸。

l   決策的支持、數(shù)據(jù)的轉(zhuǎn)換和信息的優(yōu)化同步技術(shù)領(lǐng)域。為了實現(xiàn)真正意義上的電子商務(wù)、電子化制造和電子化服務(wù)，智能維護(hù)系統(tǒng)必須與現(xiàn)有的企業(yè)商務(wù)系統(tǒng)（CRM、SCM、ERP、MES等）進(jìn)行信息交互，因此，智能維護(hù)強調(diào)的是“信息一次處理（O.H.I.O. Only Handle Information Once）”。為此，李杰教授提出D2B（Device to Business）的理念。D2B平臺的建立不僅為維護(hù)決策提供了平臺工具，而且第一次實現(xiàn)了設(shè)備層到商務(wù)層的直接對話，并為產(chǎn)品的再優(yōu)化設(shè)計提供了原始數(shù)據(jù)。當(dāng)然，在維護(hù)決策時，D2B平臺系統(tǒng)同樣采用P2P技術(shù)，以加強決策的準(zhǔn)確性。

經(jīng)過幾年的努力，智能維護(hù)技術(shù)在國外得到了飛速發(fā)展。

從預(yù)測領(lǐng)域來說，傳統(tǒng)的預(yù)測模型主要有三種：線形預(yù)測模型、非線形預(yù)測模型和人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型。典型的線形預(yù)測模型有1926年Yule提出的AR（Auto Regressive）模型和1976年Box、Jenkins提出的ARMA/ARIMA（Autoregressive Integrated Moving Average）模型，其局限條件是信號必須是線形的；典型的非線形模型有Tong、Lim提出的TAR（Threshold Auto Regressive）模型^【5】，其是一個全局的非線形模型，當(dāng)時間序列在不同的情況下具有非平穩(wěn)性時，這一模型非常有用，但是，雖然它消除了線形模型的條件限制，它在模型構(gòu)建時的復(fù)雜性也成倍增加；神經(jīng)網(wǎng)絡(luò)預(yù)測模型與前兩種預(yù)測模型相比，其無論在短時預(yù)測，還是長時預(yù)測，都有著無比的優(yōu)越性^【6-8】。神經(jīng)網(wǎng)絡(luò)預(yù)測模型已成為了預(yù)測領(lǐng)域的研究熱點。1992，Lee率先把神經(jīng)網(wǎng)絡(luò)預(yù)測技術(shù)用于對設(shè)備性能衰退的預(yù)測分析上^{【2, 23】}，由此，拉開了預(yù)測技術(shù)在智能維護(hù)領(lǐng)域的應(yīng)用。自智能維護(hù)系統(tǒng)中心成立以來，在性能預(yù)測方法上已有不少成果。Tong及 Lee 從控制理論出發(fā)，結(jié)合神經(jīng)網(wǎng)絡(luò)，在不改變原有控制系統(tǒng)的條件下，提出了基于控制系統(tǒng)規(guī)則的性能評估方法^【9】，并在ABS剎車系統(tǒng)上得到了應(yīng)用；Yan及 Lee利用邏輯回歸算法對電梯的性能衰退狀態(tài)作出了評估，并對殘余壽命進(jìn)行了預(yù)測，為電梯的維護(hù)決策提供了有力支持^【10】；Wang及 Lee 提出了小波神經(jīng)網(wǎng)絡(luò)性能評估預(yù)測算法，并對機床主軸和刀具的磨損情況進(jìn)行了評估和預(yù)測^【11】。不過，智能維護(hù)作為一種新型的維護(hù)技術(shù)，由于其還處于發(fā)展的起步階段，許多的性能預(yù)測算法還處于理論研究階段，特別是對設(shè)備或產(chǎn)品的殘余壽命預(yù)測技術(shù)，以及如何利用P2P技術(shù)，尚處于空白階段。

在遠(yuǎn)程維護(hù)領(lǐng)域，遠(yuǎn)程監(jiān)測診斷最早是從遠(yuǎn)程醫(yī)學(xué)開始的，隨著Internet/Intranet技術(shù)的發(fā)展，利用計算機網(wǎng)絡(luò)遠(yuǎn)程對設(shè)備和產(chǎn)品進(jìn)行監(jiān)測診斷已成為一個研究熱點。在目前的遠(yuǎn)程監(jiān)測診斷系統(tǒng)中，對數(shù)據(jù)的分析處理一般都在遠(yuǎn)程的診斷中心完成。Jay Lee在文獻(xiàn)^【12】中，提出了遠(yuǎn)程服務(wù)系統(tǒng)框架及面臨的關(guān)鍵技術(shù)和挑戰(zhàn)機遇。其指出，由于設(shè)備和產(chǎn)品的數(shù)據(jù)監(jiān)測量及其龐大，無法利用網(wǎng)絡(luò)直接進(jìn)行實時傳輸，因此，只有對原始監(jiān)測數(shù)據(jù)在當(dāng)?shù)剡M(jìn)行處理后，再根據(jù)實際情況傳輸診斷所需的信息，才具有更大的使用價值。為此，必須加強對數(shù)據(jù)到信息的轉(zhuǎn)換、嵌入式智能代理和非接觸式（如無線通訊）等技術(shù)的應(yīng)用研究工作。在數(shù)據(jù)優(yōu)化同步領(lǐng)域，D2B技術(shù)尚處于理論研究階段。D2B平臺系統(tǒng)的體系結(jié)構(gòu)、信息的格式、與其它商務(wù)系統(tǒng)的連接，以及如何利用智能維護(hù)的信息進(jìn)行產(chǎn)品再優(yōu)化設(shè)計等問題都有待于進(jìn)一步的研究。

在國外的工業(yè)界，智能維護(hù)技術(shù)也在逐步的得到應(yīng)用。美國普惠（Pratt & Whitney）飛機發(fā)動機公司在最近生產(chǎn)的飛機發(fā)動機中，加入了很多新型的監(jiān)測技術(shù)，并集成了自我診斷系統(tǒng)，它們能夠產(chǎn)生詳盡的信息配合地面分析系統(tǒng)使用，從而提前幾個月就可預(yù)測發(fā)動機是否需要進(jìn)行維護(hù)。這為各航班安排發(fā)動機的維護(hù)計劃提供了方便，從而降低了檢查和維護(hù)成本，而以往發(fā)生故障時，僅確定故障原因就要很長的時間。發(fā)動機的自我監(jiān)測/診斷系統(tǒng)與地面分析系統(tǒng)相結(jié)合，大大降低了意外事故的發(fā)生，如航班誤點、航班取消和飛行中的發(fā)動機故障停機事故等。歐洲空中客車飛機制造公司也采用了類似的技術(shù)^[13]。在運輸行業(yè)，汽車制造廠商也在尋找一種利用遠(yuǎn)程通訊技術(shù)為汽車提供導(dǎo)向和故障?？繋椭姆椒āＭㄓ闷嚕℅M）公司已經(jīng)制定了一個利用衛(wèi)星通訊服務(wù)的OnStar計劃，即到2005年，給所有該公司生產(chǎn)的汽車裝上經(jīng)過改良的衛(wèi)星通訊設(shè)施。在電梯制造業(yè)，OTIS作為世界上最大的電梯制造公司，以其所采用的REM（Remote Elevator Maintenance）技術(shù)，每年能節(jié)省5億美金的維護(hù)費用。日本東芝電梯公司也與東京大學(xué)合作，在開發(fā)類似的維護(hù)系統(tǒng)。這都為智能維護(hù)技術(shù)的發(fā)展提供了良好的研究和應(yīng)用平臺。

2    智能維護(hù)重大發(fā)展機遇

智能維護(hù)作為一種新的理念，在科技極為發(fā)達(dá)的美國，其發(fā)展也不過幾年時間。應(yīng)該看到，智能維護(hù)技術(shù)即使在國外，也還研究得不夠深入、不夠成熟，如果我們能夠在已開展的工作和已取得的成果的基礎(chǔ)上，投入一定的人力和物力，集中優(yōu)勢兵力圍繞三個技術(shù)領(lǐng)域有重點地開展攻關(guān)，達(dá)到國際領(lǐng)先水平是完全可能的。

參考文獻(xiàn)：

1．  S K. Hot Technologies. Fortune Magazine, June 24, 2002: 162[F-H].

2．  Lee J, Kramer B M. Analysis of Machine Degradation using a Neural Networks Based Pattern Discrimination Model. J. Manufacturing Systems. 1992, 12(3): 379-387.

3．  Lee J. Measurement of machine performance degradation using a neural network model. Journal of Computers in Industry. 1996, 30: 193.

4．  IMS Center Web Site www.imscenter.net

5．  Tong H, Lim K S. Threshold Autoregressive, Limit Cycles and Cyclical Data. Journal of Royal Stat. society, 1980, series B, No.3.

6．  Lapedes A, Farber R. Nonlinear signal processing using neural networks: prediction and system modeling. Technical Report LA-UR-*&-2662, Los Alamos National Laboratory, 1987.

7．  Tang Z, Almeida C, Fishwick P A. Time Series Forecasting Using Neural Networks vs. Box-Jenkins Methodology. Simulation, 1991, Vol. 57, No. 5.

8．  Weigend A S, Rumelhart D E, Huberman B A. Predicting the future: a connectionist approach. International Journal of Neural System, 1990, No.3

9．  Tong G F, Koc M, Lee J. System Performance Assessment Based On Control System Criteria Under Operational Conditions. Proceedings of MIM 2002: 5th International Conference on Managing Innovations in Manufacturing (MIM), Milwaukee, Wisconsin, USA, September 9-11, 2002: 418-426

10.   Yan J H, Ko? M, Lee J. Predictive algorithm for machine degradation detection using logistic regression. Proceedings of MIM 2002: 5th International Conference on Managing Innovations in Manufacturing (MIM), Milwaukee, Wisconsin, USA, September 9-11, 2002

11.   Wang X, Yu G, Koc M, Lee J. Wavelet neural network for machining performance assessment and its implication to machinery prognostic. Proceedings of MIM 2002: 5th International Conference on Managing Innovations in Manufacturing (MIM), Milwaukee, Wisconsin, USA, September 9-11, 2002: 150-156

12.   Lee J. Teleservice engineering in manufacturing: challenges and opportunities. International Journal of Machine Tools & Manufacture, 1998, 38: 901-910

13.   Robert Pool. If It Ain't Broke, Fix It. http://www.technologyreview.com/articles/pool0901.asp, September 2001.

14.   袁小宏、趙仲生、屈梁生。粗糙集理論在機械故障診斷中的應(yīng)用研究。西安交通大學(xué)學(xué)報，2001，35（9）：954－957。

15.   賈民平、鐘秉林、黃仁。虛擬現(xiàn)實在旋轉(zhuǎn)機械故障診斷中的應(yīng)用。中國機械工程，1997，8（2）：90－93。

16.   張中民、盧文祥、楊叔子。基于小波系數(shù)包絡(luò)譜的滾動軸承故障診斷。振動工程學(xué)報，1998，11（1）：65-69。

17.   姜鳴、陳進(jìn)、秦愷。循環(huán)周期圖在滾動軸承故障診斷中的應(yīng)用。機械科學(xué)與技術(shù)，2002，21（1）：108-110。

18.   吳偉蔚、楊叔子。故障診斷Agent研究。振動工程學(xué)報，2000，13（3）：393－399。

19.   張雪江、何永勇、許飛云、鐘秉林。汽輪發(fā)電機組故障診斷專家系統(tǒng)的研究。計算機工程與設(shè)計，1996，17（2）：3－9。

20.韓西京、張錦萍、趙淳生、史鐵林。汽輪發(fā)電機組狀態(tài)監(jiān)測與故障診斷系統(tǒng)。振動、測試與診斷，1998，19（3）：222－228

21.    李杰 (Lee, J.)，數(shù)字化服務(wù)技術(shù)及其與設(shè)計、制造的集成，中國機械工程，1998，Vol. 9

22.    李杰 (Lee, J.)，關(guān)于未來制造業(yè)的戰(zhàn)略思考，中國機械工程，1999，Vol. 4

23.    Lee, J. and Wang, B. Book on "Modern Computer-aided Maintenance: Methodology and Practices," Kluwer Academic Publishing, 1998.

24. Djurdjanovic, Dragan, Ni, J, Lee, J “Time-frequency Based Sensor Fusion in the Assessment and Monitoring of Machine Performance Degradation,” Proceeding of ASME IMEC&E 2002, New Orleans, LA, Nov. 2002.

25.   Lee, J. an Ni, J, “Infotronics Agent for Tether-Free Prognostics,” Proceeding of AAAI Spring Symposium on Information Refinement and Revision for Decision Making: Modeling for Diagnostics, Prognostics, and Prediction, Stanford Univ., Palo Alto, CA, March 25-27, 2002.