论文部分内容阅读
随着现代化工业技术的提高,许多机械设备正变得越来越复杂。这些机械设备一旦发生故障,不仅会带来严重的经济损失,还会给人身安全造成威胁。诊断机械设备当前所处的健康状态,并预测剩余有效寿命,能够为企业维护策略的制定提供理论依据。在实际生产中,由于人为因素和噪声、扰动等环境因素导致其健康预测中的样本数据会出现不确定的情况。不确定的样本数据会降低数据挖掘的能力,导致预测结果出现偏差,而可靠的预测结果作为开展机械设备状态维护的关键,在保障企业机械设备的安全性能、制定机械设备维修的计划以及降低维修成本等方面都发挥着重要的作用。在分析了目前机械设备健康预测技术的发展并考虑样本数据不确定的基础上,本文主要做了以下三方面的研究工作:(1)针对样本数据中存在缺失数据的情况,建立分段隐半马尔可夫模型(SHSMM)架构,将SHSMM的模型表达式用参数?描述,并利用EM算法对SHSMM模型的参数进行估计。基于WGM(1,1)模型,提出灰色启发式算法填补监测样本中的缺失数据,将用灰色启发式算法填补好的完整数据样本输入到SHSMM中进行机械设备的健康预测。最后通过案例分析验证所提方法的有效性。(2)针对样本数据中存在异常数据的情况,基于(1)中提出的SHSMM模型,为了最大程度上利用样本数据信息,将样本数据中的异常值当作缺失值处理,设计了一个动态前向后向灰色填充方法。在案例分析中,采用将异常值剔除法和不处理法作为比较对象,验证了动态前向后向灰色填充方法在机械设备的健康预测结果中具有更好性能。(3)针对样本数据中存在不准确数据的情况,基于Dempster-Shafer(DS)证据理论和Markov链建立DS-MM理论框架,并对模型进行推理与学习。建立状态识别框架并用区间数表示不准确的数据,利用区间数之间的距离和相似度作为产生基本概率赋值(BPA)的证据,采用Pignistic概率转换将BPA转化为基础状态的概率分布并进行设备健康预测。最后通过一个应用案例验证所提方法的有效性。以上三个研究内容相互之间联系紧密,样本数据中存在缺失数据、异常数据和不准确数据都会影响机械设备健康预测的结果,因此本文分别考虑了这三个问题并相应地提出了有效的解决方法。