發(fā)布時(shí)間：2021-02-02 14:50

　　隨著信息技術(shù)在工業(yè)系統(tǒng)中的融合,通過分布式傳感器網(wǎng)絡(luò)獲取的性能和環(huán)境數(shù)據(jù),與其他信息化數(shù)據(jù)如物聯(lián)網(wǎng)數(shù)據(jù)以及跨界數(shù)據(jù)等,形成了工業(yè)大數(shù)據(jù),成為新工業(yè)革命的核心動(dòng)力。對于現(xiàn)代工業(yè)系統(tǒng),對關(guān)鍵設(shè)備在運(yùn)行過程中進(jìn)行監(jiān)測、預(yù)測與控制非常有必要�；跀�(shù)據(jù)的智能分析,評估并預(yù)測目標(biāo)對象的健康狀態(tài),以降低設(shè)備和系統(tǒng)的運(yùn)行風(fēng)險(xiǎn),支持預(yù)測性的維護(hù)維修,從而優(yōu)化使用、維護(hù)及保障策略,即所謂的故障預(yù)測與健康管理（Prognostics and Health Management,PHM）。剩余壽命（Remaining Useful Life,RUL）預(yù)測是PHM系統(tǒng)的核心技術(shù),但是準(zhǔn)確預(yù)測RUL面臨著很多挑戰(zhàn)與困難,包括系統(tǒng)失效機(jī)理的復(fù)雜性、傳感器數(shù)據(jù)的不確定性、未來運(yùn)行條件的未知性等,特別是實(shí)際的“Run-to-Failure（Rt F）”過程數(shù)據(jù)非常稀缺,導(dǎo)致評估RUL預(yù)測方法優(yōu)劣性難以開展。要解決RUL預(yù)測的難題,需要從數(shù)據(jù)融合和方法融合兩個(gè)維度開展研究。機(jī)器學(xué)習(xí)作為人工智能領(lǐng)域的關(guān)鍵技術(shù),包含豐富的數(shù)據(jù)建模算法,具備強(qiáng)大的自學(xué)習(xí)和融合分析能力,適合用于復(fù)雜系統(tǒng)健康診斷和RUL預(yù)測。本文系統(tǒng)地研究了基于... 

【文章來源】：中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所)北京市

【文章頁數(shù)】：153 頁

【學(xué)位級別】：博士

【部分圖文】：

1健康狀態(tài)診斷

圖 3.2.2 基于 SMM 預(yù)測 RUL 誤差過大為了彌補(bǔ) SMM 方法的不足，本文基于多模型融合的思想提出了 IMM 方法，如圖 3.2.3所示為 IMM 方法流程。由于綜合健康指標(biāo)是基于故障類中心生成的，訓(xùn)練樣本的健康指標(biāo)在壽命末期會(huì)出現(xiàn)一個(gè)向上的拖尾，該拖尾截去后，用于比對的基準(zhǔn)長度會(huì)減小，如圖3.2.4 所示。這樣通過模型匹配方法得到的 RUL 值相對會(huì)減小，從而使得輸出結(jié)果更為保守。RVM退化建模訓(xùn)練樣本健康指標(biāo)數(shù)據(jù)集某測試樣本健康指標(biāo)數(shù)據(jù)與基準(zhǔn)比對相似性分析測試樣本RUL數(shù)據(jù)集剔除故障類中心之后的拖尾用于比對的基準(zhǔn)庫RUL估計(jì)的不確定性分析基于模型生成新的健康指標(biāo)數(shù)據(jù)集對應(yīng)RMSE數(shù)據(jù)集RUL點(diǎn)估計(jì)模型融合RUL區(qū)間估計(jì)

這里分別采用直方圖和盒形圖兩種非參數(shù)方法。直方圖分析法假設(shè)某個(gè)測試樣本 RUL 預(yù)測有 N 個(gè)樣本，首先，找到這 N 個(gè) RUL 值里的中位數(shù)度（CI）設(shè)置為 70%，表明從中選出 M 0.7*N個(gè) RUL 值，RUL 值位于置信下限（LC中位數(shù)之間的個(gè)數(shù)占M 的 65%，RUL 值位于中位數(shù)和置信上限（UCL）之間的個(gè)數(shù)占 35%。這樣，過早估計(jì)值會(huì)相對更多。進(jìn)一步，在采用匹配法估計(jì) RUL 時(shí)，將測試訓(xùn)練樣本之間的均方誤差（RMSE）進(jìn)行排序，超過最小 RMSE1.5 倍的 RUL 預(yù)測練樣本被剔除掉，這樣 70%置信度的 RUL 估計(jì)值區(qū)間會(huì)進(jìn)一步縮小，可得到更為結(jié)果。以#31 號(hào)樣本為例，其 RUL 真實(shí)值為 8。要使用模型匹配法做 RUL 預(yù)測，訓(xùn)練樣度必須大于測試樣本，因此只有 43 個(gè)訓(xùn)練樣本符合要求。43 個(gè) RUL 的中位數(shù)為 %置信度的區(qū)間估計(jì)為[0, 20]，如所示的左邊部分。如果去掉 RMSE 值高于 1.5 倍SE 的 RUL 預(yù)測參考訓(xùn)練樣本，那么中位數(shù)為 6，70%置信度的區(qū)間估計(jì)為[0, 13] 3.3.5 所示的右邊部分。

【參考文獻(xiàn)】：
期刊論文
[1]工業(yè)大數(shù)據(jù)技術(shù)[J]. 王建民.  電信網(wǎng)技術(shù). 2016(08)
[2]過程工業(yè)大數(shù)據(jù)建模研究展望[J]. 劉強(qiáng),秦泗釗.  自動(dòng)化學(xué)報(bào). 2016(02)
[3]間歇工作的空間斯特林制冷機(jī)制冷時(shí)長預(yù)測[J]. 張琪,郭麗麗,段江永,周冰.  應(yīng)用科技. 2015(05)
[4]自適應(yīng)Hessian LLE在機(jī)械故障特征提取中的應(yīng)用[J]. 李城梁,王仲生,姜洪開,布樹輝,劉貞報(bào).  振動(dòng)工程學(xué)報(bào). 2013(05)
[5]基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的衛(wèi)星故障預(yù)測方法[J]. 房紅征,史慧,韓立明,羅凱,李蕊.  計(jì)算機(jī)測量與控制. 2013(07)
[6]大冷量長壽命斯特林制冷機(jī)熱環(huán)境適應(yīng)性試驗(yàn)研究[J]. 陸永達(dá),朱魁章,楊坤,高瑤,黃燕.  低溫與超導(dǎo). 2012(04)
[7]基于灰色相關(guān)向量機(jī)的故障預(yù)測模型[J]. 范庚,馬登武,鄧力,呂曉峰.  系統(tǒng)工程與電子技術(shù). 2012(02)
[8]基于關(guān)聯(lián)向量機(jī)的混沌時(shí)間序列預(yù)測[J]. 李剛,吳慧欣,薛惠鋒.  計(jì)算機(jī)仿真. 2008(12)
[9]基于局部線性嵌入（LLE）非線性降維的多流形學(xué)習(xí)[J]. 馬瑞,王家廞,宋亦旭.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2008(04)
[10]基于相關(guān)向量回歸的非線性時(shí)間序列預(yù)測方法[J]. 劉芳,周建中,邱方鵬,劉力.  計(jì)算機(jī)工程. 2008(03)

博士論文
[1]基于RVM的鋰離子電池剩余壽命預(yù)測方法研究[D]. 周建寶.哈爾濱工業(yè)大學(xué) 2013



本文編號(hào)：3014877