基于LSTM网络的设备健康状况评估与剩余寿命预测方法的研究

发布时间：2020-06-03 03:15

【摘要】：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。
【图文】：

基本组成结构

逑图１．２邋ＰＨＭ的基本组成结构＿逡逑ＰＨＭ基本组成结构及流程，如图１．２所示，具体而言：ＰＨＭ借助先进传感逡逑器技术采集表征系统属性的各类状态数据，利用各种信号处理等技术（傅里叶变逡逑换、小波变换等）对数据进行预处理或特征工程，获得反映系统性能退化的特征；逡逑随后，融合提取的特征对设备进行健康状况评估，预测设备的失效时刻；最终，逡逑基于ＲＵＬ预测结果，将费用最小化作为目标进行维护规划，并结合己有的维修逡逑资源，合理安排维修活动，确定最佳健康管理措施［２４。逡逑ＰＨＭ核心内涵在于，通过对设备系统的监测数据进行有效分析及挖掘，借逡逑３逡逑

曲线,失效过程,系统性能,寿命

逑助智能化的算法模型，实时评估系统健康状况，预测设备ＲＵＬ，进而提供指导逡逑性的维护策略。结合图１．２不难看出，精准地评估系统的健康状况，实时追踪性逡逑能退化轨迹并可靠地预测ＲＵＬ是后续维修策略制定等的基石，因此本论文研究逡逑内容主要集中在这两个方面。逡逑１．３国内外研究现状与发展趋势逡逑１．３．１健康状况评估研究现状与发展趋势逡逑健康状况评估（Ｈｅａｌｔｈ邋Ａｓｓｅｓｓｍｅｎｔ）是ＰＨＭ体系架构中核心模块之一，利逡逑用当前监测数据及历史运行数据，对设备系统或子系统当前健康状况（指系统性逡逑能相较于期望的正常性能状态退化或偏离的程度）做出评估［２，２（）－２１］。本质上，，健康逡逑状况评估基于状态监测数据，对系统性能退化状态进行建模，从而构建一维健康逡逑值（Ｈｅａｌｔｈ邋Ｉｎｄｉｃａｔｏｒ，邋ＨＩ）曲线，以表征性能退化或偏离程度。有效的健康状况评逡逑估算法不仅能够从状态监测实时变化中评估出当前系统状况、追踪性能退化轨逡逑迹，在故障早期进行预警，还可以为下一步ＲＵＬ预测提供先验信息，提高预测逡逑准确性。因此
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TB114.3

【相似文献】