【摘要】：隨著科學(xué)技術(shù)的發(fā)展,航空航天、制造業(yè)、能源、冶金等領(lǐng)域的設(shè)備系統(tǒng)日益智能化、復(fù)雜化,傳統(tǒng)維護(hù)策略存在著“維護(hù)不足”或“維護(hù)過(guò)剩”等問(wèn)題,難以滿(mǎn)足實(shí)際維護(hù)需求。為了保障設(shè)備系統(tǒng)安全可靠運(yùn)行,在當(dāng)前大數(shù)據(jù)時(shí)代背景下,針對(duì)設(shè)備系統(tǒng)復(fù)雜工況應(yīng)用場(chǎng)景,研究基于數(shù)據(jù)驅(qū)動(dòng)的故障預(yù)測(cè)與健康管理(Prognosis and Health Management,PHM)方法具有重要的意義。PHM的核心內(nèi)涵是,基于狀態(tài)監(jiān)測(cè)數(shù)據(jù),借助智能化的算法模型,實(shí)時(shí)評(píng)估系統(tǒng)健康狀況及預(yù)測(cè)設(shè)備剩余使用壽命(Remaining Useful Life,RUL),并據(jù)此制定維護(hù)計(jì)劃。長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)作為典型的深度學(xué)習(xí)模型,由于其對(duì)時(shí)期依賴(lài)特征的提取優(yōu)勢(shì),促使其在機(jī)器翻譯、時(shí)間序列預(yù)測(cè)等領(lǐng)域得到廣泛應(yīng)用并取得了較好成績(jī)。因此,本文針對(duì)復(fù)雜工況下設(shè)備系統(tǒng)PHM的核心問(wèn)題,結(jié)合LSTM網(wǎng)絡(luò),深入研究了基于數(shù)據(jù)驅(qū)動(dòng)的健康狀況評(píng)估建模方法和RUL預(yù)測(cè)方法,具體內(nèi)容如下:1.研究了一種基于LSTM網(wǎng)絡(luò)和變分自編碼器混合模型的健康狀況評(píng)估新方法。該方法以無(wú)監(jiān)督方式訓(xùn)練,一方面通過(guò)引入LSTM網(wǎng)絡(luò),可有效提取監(jiān)測(cè)數(shù)據(jù)中的長(zhǎng)短期時(shí)間依賴(lài)特征:另一方面結(jié)合變分自編碼器(Variational Autoencoder,VAE),可將特征數(shù)據(jù)映射到連續(xù)隱空間中,實(shí)現(xiàn)深層次的特征提取,同時(shí)對(duì)多工況切換干擾具有很好的魯棒性。本文基于PHM08數(shù)據(jù)集進(jìn)行算法性能驗(yàn)證,并與傳統(tǒng)建模方法開(kāi)展了對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果驗(yàn)證了其有效性和優(yōu)越性,對(duì)比實(shí)驗(yàn)表明,本文所提方法具備更好的單調(diào)性和魯棒性。2.研究了一種基于多層LSTM網(wǎng)絡(luò)的RUL直接預(yù)測(cè)方法。傳感器監(jiān)測(cè)數(shù)據(jù)本質(zhì)上就是時(shí)間序列數(shù)據(jù),結(jié)合LSTM網(wǎng)絡(luò)處理時(shí)序數(shù)據(jù)的優(yōu)勢(shì),本文通過(guò)時(shí)間窗滑動(dòng)法構(gòu)造樣本,并設(shè)計(jì)了基于多層LSTM網(wǎng)絡(luò)的RUL直接預(yù)測(cè)框架。在PHM08和C-MAPSS兩個(gè)公開(kāi)數(shù)據(jù)集上開(kāi)展了驗(yàn)證實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明多層LSTM網(wǎng)絡(luò)相較于傳統(tǒng)淺層模型取得了更高的預(yù)測(cè)精度。3.設(shè)計(jì)并開(kāi)發(fā)了基于Azure云平臺(tái)的健康管理系統(tǒng)�；诒菊撐牡闹饕芯克惴�,以渦輪發(fā)動(dòng)機(jī)設(shè)備系統(tǒng)為應(yīng)用研究對(duì)象,搭建了基于Azure云的渦輪發(fā)動(dòng)機(jī)健康管理系統(tǒng),并對(duì)其核心功能模塊進(jìn)行了驗(yàn)證測(cè)試。上述研究結(jié)果表明,針對(duì)復(fù)雜工況下設(shè)備系統(tǒng)PHM的應(yīng)用場(chǎng)景,結(jié)合深度學(xué)習(xí)理論,本文提出的基于LSTM-VAE健康狀況評(píng)估新方法與多層LSTM網(wǎng)絡(luò)的直接RUL預(yù)測(cè)方法,一定程度上解決了傳統(tǒng)方法存在過(guò)多依賴(lài)領(lǐng)域?qū)＜医?jīng)驗(yàn)、深層特征無(wú)法獲取以及不具備通用性等問(wèn)題,通過(guò)在PHM08等公開(kāi)數(shù)據(jù)集上進(jìn)行比較測(cè)試,取得了更好的結(jié)果。
【圖文】：

逑圖１．２邋ＰＨＭ的基本組成結(jié)構(gòu)＿逡逑ＰＨＭ基本組成結(jié)構(gòu)及流程，如圖１．２所示，具體而言：ＰＨＭ借助先進(jìn)傳感逡逑器技術(shù)采集表征系統(tǒng)屬性的各類(lèi)狀態(tài)數(shù)據(jù)，利用各種信號(hào)處理等技術(shù)（傅里葉變逡逑換、小波變換等）對(duì)數(shù)據(jù)進(jìn)行預(yù)處理或特征工程，獲得反映系統(tǒng)性能退化的特征；逡逑隨后，融合提取的特征對(duì)設(shè)備進(jìn)行健康狀況評(píng)估，預(yù)測(cè)設(shè)備的失效時(shí)刻；最終，逡逑基于ＲＵＬ預(yù)測(cè)結(jié)果，將費(fèi)用最小化作為目標(biāo)進(jìn)行維護(hù)規(guī)劃，并結(jié)合己有的維修逡逑資源，合理安排維修活動(dòng)，確定最佳健康管理措施［２４。逡逑ＰＨＭ核心內(nèi)涵在于，通過(guò)對(duì)設(shè)備系統(tǒng)的監(jiān)測(cè)數(shù)據(jù)進(jìn)行有效分析及挖掘，借逡逑３逡逑

逑助智能化的算法模型，實(shí)時(shí)評(píng)估系統(tǒng)健康狀況，預(yù)測(cè)設(shè)備ＲＵＬ，進(jìn)而提供指導(dǎo)逡逑性的維護(hù)策略。結(jié)合圖１．２不難看出，精準(zhǔn)地評(píng)估系統(tǒng)的健康狀況，實(shí)時(shí)追蹤性逡逑能退化軌跡并可靠地預(yù)測(cè)ＲＵＬ是后續(xù)維修策略制定等的基石，因此本論文研究逡逑內(nèi)容主要集中在這兩個(gè)方面。逡逑１．３國(guó)內(nèi)外研究現(xiàn)狀與發(fā)展趨勢(shì)逡逑１．３．１健康狀況評(píng)估研究現(xiàn)狀與發(fā)展趨勢(shì)逡逑健康狀況評(píng)估（Ｈｅａｌｔｈ邋Ａｓｓｅｓｓｍｅｎｔ）是ＰＨＭ體系架構(gòu)中核心模塊之一，利逡逑用當(dāng)前監(jiān)測(cè)數(shù)據(jù)及歷史運(yùn)行數(shù)據(jù)，對(duì)設(shè)備系統(tǒng)或子系統(tǒng)當(dāng)前健康狀況（指系統(tǒng)性逡逑能相較于期望的正常性能狀態(tài)退化或偏離的程度）做出評(píng)估［２，２（）－２１］。本質(zhì)上，，健康逡逑狀況評(píng)估基于狀態(tài)監(jiān)測(cè)數(shù)據(jù)，對(duì)系統(tǒng)性能退化狀態(tài)進(jìn)行建模，從而構(gòu)建一維健康逡逑值（Ｈｅａｌｔｈ邋Ｉｎｄｉｃａｔｏｒ，邋ＨＩ）曲線(xiàn)，以表征性能退化或偏離程度。有效的健康狀況評(píng)逡逑估算法不僅能夠從狀態(tài)監(jiān)測(cè)實(shí)時(shí)變化中評(píng)估出當(dāng)前系統(tǒng)狀況、追蹤性能退化軌逡逑跡，在故障早期進(jìn)行預(yù)警，還可以為下一步ＲＵＬ預(yù)測(cè)提供先驗(yàn)信息，提高預(yù)測(cè)逡逑準(zhǔn)確性。因此
【學(xué)位授予單位】：中國(guó)科學(xué)技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TB114.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 袁寶石;司超增;潘廷芳;王增珍;劉民;單廣良;;個(gè)人健康狀況評(píng)估問(wèn)卷信度和效度評(píng)價(jià)[J];中國(guó)公共衛(wèi)生;2012年02期

2 祝少華;;城市河流健康狀況評(píng)估[J];河南水利與南水北調(diào);2009年04期

3 黃s

本文編號(hào)：2694202