论文部分内容阅读
随着信息技术在工业系统中的融合,通过分布式传感器网络获取的性能和环境数据,与其他信息化数据如物联网数据以及跨界数据等,形成了工业大数据,成为新工业革命的核心动力。对于现代工业系统,对关键设备在运行过程中进行监测、预测与控制非常有必要。基于数据的智能分析,评估并预测目标对象的健康状态,以降低设备和系统的运行风险,支持预测性的维护维修,从而优化使用、维护及保障策略,即所谓的故障预测与健康管理(Prognostics and Health Management,PHM)。剩余寿命(Remaining Useful Life,RUL)预测是PHM系统的核心技术,但是准确预测RUL面临着很多挑战与困难,包括系统失效机理的复杂性、传感器数据的不确定性、未来运行条件的未知性等,特别是实际的“Run-to-Failure(Rt F)”过程数据非常稀缺,导致评估RUL预测方法优劣性难以开展。要解决RUL预测的难题,需要从数据融合和方法融合两个维度开展研究。机器学习作为人工智能领域的关键技术,包含丰富的数据建模算法,具备强大的自学习和融合分析能力,适合用于复杂系统健康诊断和RUL预测。本文系统地研究了基于机器学习的RUL预测方法,涉及到机器学习的分类和回归算法,本文选择分层聚类(Hierarchical Clustering,HC)和关联向量机(Relevance Vector Machine,RVM)作为主要的算法,解决了综合多维监测数据生成一维健康指标(Health Index,HI),健康状态分类和诊断,性能和RUL预测等一系列问题,并在提高RUL预测准确度和不确定性表达方面进行了深入研究,以下是本文的主要研究内容:(1)针对如何将多维监测数据转化成一维健康指标的问题,提出了一种基于HC和相似性分析的健康指标合成方法。首先将原始监测数据进行预处理,转化成机器学习分类算法的输入数据。然后,针对完整的Rt F过程数据,采用HC算法将数据划分为四大类,分别对应系统健康、亚健康、退化、失效等四种健康状态。利用HC分层聚类的优势,根据数据特点和实际需要,对初步划分的大类进行细分。基于相似性分析,实现对当前监测数据的健康状态诊断。最后,计算当前数据点与失效状态类中心(“失效基线”)的距离值,从而生成一维的综合健康指标(Synthesized Health Index,SHI)。通过实例验证,SHI与原数据的相关性很强,表明所提出的方法在综合各维度信息的同时,保留了系统原本的退化特征。(2)针对有充足Rt F训练样本时的RUL预测问题,本文在模型匹配理念的基础上,提出了一种基于多退化模型的改进模型匹配(IMM)方法。首先,基于训练样本的SHI,通过关联向量回归(Relevance Vector Regression,RVR)建立退化模型库。对某个测试样本,通过其SHI与退化模型进行相似性分析,得到若干匹配模型及相应的RUL值,从而通过赋权重的方式得到RUL点估计值。进一步,将退化模型超出失效类中心的拖尾截去,从而使匹配法输出的RUL估计值更为安全。基于多退化模型可为某个测试样本生成多个RUL预测结果,从而实现RUL不确定性分析。通过实例验证,证明了方法在预测安全性上的优势。(3)大多数RUL预测场景只有个体(或少数个体)从初始状态运行到还未失效时的数据,此时RUL预测通过建立部分退化模型并外推至失效阈值的方式来实现。作为本文主要采用的机器学习算法,RVM方法尽管具有多种优势,但是基本RVR模型外推多步后输出值偏差很大,无法满足RUL预测和长期性能预测的要求。为此,本文提出了一种改进的RVR-NDM方法,在RVR模型设计矩阵中加入刻画整体退化特征函数的列向量,并提出了面向实际预测场景下的模型参数调节方法,从而克服了RVR方法的缺点,同时保留了RVM具备稀疏概率表达能力的优势。最后,通过两个具有不同整体退化特征的实例研究表明,RVR-NDM方法与基本的RVR方法和广义线性回归(GLR)分析比较具有明显的优势。(4)针对空间用斯特林制冷机实际在轨使用数据,应用本文研究成果开展性能和RUL预测。首先采用HC算法将制冷机划分为四个健康状态,并以此确定三个预测时刻。然后分别用基本RVR、GLR、RVR-NDM方法开展长期性能预测和RUL预测。最后,开展短期性能预测,用基本RVR单步外推的方法得到未来若干次制冷时长预测值。针对空间站机柜热控抽屉设备的地面测试数据,开展状态分类和健康指标合成实验。通过工程应用实例验证,检验了本文提出方法的有效性。