论文部分内容阅读
随着科学技术的发展,航空航天、制造业、能源、冶金等领域的设备系统日益智能化、复杂化,传统维护策略存在着“维护不足”或“维护过剩”等问题,难以满足实际维护需求。为了保障设备系统安全可靠运行,在当前大数据时代背景下,针对设备系统复杂工况应用场景,研究基于数据驱动的故障预测与健康管理(Prognosis and Health Management,PHM)方法具有重要的意义。PHM的核心内涵是,基于状态监测数据,借助智能化的算法模型,实时评估系统健康状况及预测设备剩余使用寿命(Remaining Useful Life,RUL),并据此制定维护计划。长短期记忆(Long Short-Term Memory,LSTM)网络作为典型的深度学习模型,由于其对时期依赖特征的提取优势,促使其在机器翻译、时间序列预测等领域得到广泛应用并取得了较好成绩。因此,本文针对复杂工况下设备系统PHM的核心问题,结合LSTM网络,深入研究了基于数据驱动的健康状况评估建模方法和RUL预测方法,具体内容如下:1.研究了一种基于LSTM网络和变分自编码器混合模型的健康状况评估新方法。该方法以无监督方式训练,一方面通过引入LSTM网络,可有效提取监测数据中的长短期时间依赖特征:另一方面结合变分自编码器(Variational Autoencoder,VAE),可将特征数据映射到连续隐空间中,实现深层次的特征提取,同时对多工况切换干扰具有很好的鲁棒性。本文基于PHM08数据集进行算法性能验证,并与传统建模方法开展了对比实验。实验结果验证了其有效性和优越性,对比实验表明,本文所提方法具备更好的单调性和鲁棒性。2.研究了一种基于多层LSTM网络的RUL直接预测方法。传感器监测数据本质上就是时间序列数据,结合LSTM网络处理时序数据的优势,本文通过时间窗滑动法构造样本,并设计了基于多层LSTM网络的RUL直接预测框架。在PHM08和C-MAPSS两个公开数据集上开展了验证实验,实验结果表明多层LSTM网络相较于传统浅层模型取得了更高的预测精度。3.设计并开发了基于Azure云平台的健康管理系统。基于本论文的主要研究算法,以涡轮发动机设备系统为应用研究对象,搭建了基于Azure云的涡轮发动机健康管理系统,并对其核心功能模块进行了验证测试。上述研究结果表明,针对复杂工况下设备系统PHM的应用场景,结合深度学习理论,本文提出的基于LSTM-VAE健康状况评估新方法与多层LSTM网络的直接RUL预测方法,一定程度上解决了传统方法存在过多依赖领域专家经验、深层特征无法获取以及不具备通用性等问题,通过在PHM08等公开数据集上进行比较测试,取得了更好的结果。