基于退化隐式半马尔科夫模型的设备健康预测及系统性维护策略研究

发布时间：2020-05-05 06:35

【摘要】：设备的保养、维护及运行状态直接影响着企业的生产质量和经济效益,因此,设备维护在企业中的地位和作用日益突出,成为企业降低运营成本,赢得竞争优势的重要手段。由于科学技术的飞速发展,机械设备结构以及故障产生的机理日益复杂,传统的维护方法和理念已逐渐不能胜任保证设备正常运作的工作。半个世纪以来,设备维护管理在经历了事后维护、计划维护、预测维护等阶段后,出现了多种不同的设备维护方式,基于状态的维护(CBM,Condition based maintenance)便是其一。 CBM利用诊断技术监测系统或设备中关键性组件的当前“状态”,预测未来趋势,并根据这些信息做出优化的维护决策。性能优秀的CBM模型可以降低系统或设备的失效概率,降低维护成本和物流成本,同时保障系统安全生产的可靠性和设备的利用率。CBM通常包括数据提取,故障诊断,故障预测和策略优化四个模块。模型建立在大量的历史数据上,建模过程涉及到大量的数据挖掘知识和优化建模理论的应用。在本论文的文献综述工作中,对目前已发表的百余篇设备预测相关论文进行了阅读和整理,将目前应用于设备预测的技术按其所适用模型分为了四类(1)物理模型,(2)基于知识库模型,(3)数据挖掘模型,(4)组合模型。在对各种技术分类进行的总数介绍中,分析了这些技术自身的优势和缺点,讨论了设备预测在未来研究领域中的可能发展趋势和方向。在分析国际上设备健康状态预测技术的发展并结合目前设备维护实际情况的基础上,本文主要完成以下三部分研究内容: (1)提出一个基于隐式半马尔科夫方法的设备剩余寿命预测模型。在用于诊断设备健康状态和预测有效剩余寿命的隐式半马尔科夫模型中,引入了老化因子来描述设备性能的退化趋势。老化因子的设计采用了常数,乘数,指数三种形式,并按照其作用对象分别做了公式推导和讨论。老化因子估计值的优化基于最大似然函数,采用了一个双重迭代模型来逼近最优值。最后使用采集自液压泵的实时监控振动数据对模型进行训练,对三类老化因子的性能进行了比较和评估。 (2)针对不完全数据的处理问题上,从数据的准备方面来提高预测模型的性能和预测精度。数据的填充算法采用了灰色模型,并设计了一个前向-后向的灰色算法,最大程度上利用了缺失数据值邻近的观测数据信息。同时将灰色模型与隐式半马尔科夫模型结合,通过迭代来提高缺失数据估计值的精确度。在案例分析中,采用传统中较常用的平均值填补法作为比较对象,灰色迭代填补算法在误差均值和误差方差上的统计结果都显示更优。 (3)研究如何将预测分析模型输出的数据运用到设备动态维护策略中,提高了预测分析用于实际生产维护计划制定的可能性。维护策略的制定上,兼顾了维护成本和设备利用率两个指标,并将备件库存成本纳入总维护成本目标函数中,建立了一个包含备件库存优化模型的双层动态规划维护策略优化模型。仿真数据的统计结果表明,较传统的静态维护策略而言,动态规划策略可以节约维护成本,同时提高设备利用率。同时通过调整输入参数中的备件库存相关参数,优化的维护策略也会发生相应变化,体现了备件库存对最优维护策略的影响。以上三个研究内容相互之间联系紧密,构成了一个系统性的CBM预测维护框架。灰色迭代模型对缺失数据进行了预处理,将经灰色模型补全后的数据作为退化隐式半马尔科夫预测模型的输入,对模型进行训练,测试和更新。同时预测模型输出的设备健康状态和剩余寿命预测信息作为动态维护策略模型的输入参数,根据设备的健康状态制定出优化的维护策略。本文的研究工作是CBM智能维护技术的重要组成部分,能够为制造型企业生产系统维护策略的制定提供有用的理论指导和决策支持。
【图文】：

网络图,健康状态,网络图

(3-15)图3-4中介绍了一个基于宏状态持续时间的预测方法的框架。图中，si表示微状态，Hi表示宏状态。在正常情况下，可以看出设备不会自动地向更好的健康状态转换。在等式(3-15)的矩阵中，每一行被称为行i，，代表了设备在当前健康状态hi下(即健康等级i)的转换概率。当1 ≤ i < j ≤ L时，设备在状态健康状态hi下的转换概率随着健康等级j的增大而减小。即是说，设备会倾向于停留在当前状态。因此，在所有的概率Pij(1 ≤ i> j ≤ L)中

序列,样本空间,事件,健康状态

图 3-5 包含 Q 个失效事件的样本空间 ΛFig.3-5 The sample space Λ which includes Q failure event造一个包含了 Q 个独立的设备失效事件的样本空间 Λ,如图 3-5 所示言，设备在完全失效前会经历一个随机的健康状态序列过程。假设在中，失效发生在第 ki个和第(ki+1) (i Q) 个样本间(样本按时间排序)。生时刻为 tFi(i Q)，，那么可以推知 ki t<tFi≤(ki+1) t。定义每个失效径为 Ai，如图 3-5 中所示，其中 Hi表示在 i 时刻下设备的健康状态。为 Ai=(ai1，ai2，….aiki，aiki+1)。这里 aij(j=1， 2， … ， ki， ki+1i)中，第 j 个观测时间点时对应的设备健康状态，该健康状态是隐藏效事件在时间 tFi内经历的随机健康状态序列服从路径 Ai的概率计算
【学位授予单位】：上海交通大学
【学位级别】：博士
【学位授予年份】：2011
【分类号】：O211.62;F273.4;F224

【参考文献】