基于注意力的故障预测与雷达健康管理系统的研究与实现
发布时间：2021-11-13 22:27
在制造工艺和数字电路高度发达的今天,各类电子设备经过不断的升级,表现出越来越高级但越来越复杂的特点。电子设备的发展给各行各业带来了空前的发展机遇,但也越来越容易发生故障且更难以维护,在设备后期维护中普遍存在“维修不足”和“维修过剩”问题。本文在研究PHM技术与故障预测技术的基础上,针对雷达设备传统的“定期维护”、“人工决策”等维护方式难以满足现代雷达维护需求的现状,提出了基于故障预测算法的雷达健康管理系统的设计思想,并对其进行了实现。本文的主要研究内容包括:（1）针对传统故障预测算法无法提取到长序列数据前后依赖关系的缺陷,提出了一种基于自注意力与长短期记忆网络组合的故障预测新方法。该方法的核心思想是利用LSTM层去抽取监测数据在时间上相互依赖的关系,然后通过自注意力机制去筛选LSTM层中间输出结果中的特征信息,实现了长期记忆的选择和保存,解决了传统故障预测算法在长序列场景中发挥逊色的问题。（2）针对传统故障预测算法在多工况环境下预测性能明显下降和建模困难的问题,通过使用多头注意力机制增强了预测模型在不同工作环境下的鉴别能力,提高了算法在复杂环境下的预测精度。针对监测数据在训练过程中出现...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
HBase的系统架构[53]
电子科技大学硕士学位论文44命周期中的前一部分数据，并单独给出测试集每条记录所对应的RUL。数据集中每条记录有26列，其中第1列是发动机设备的编码ID；第2列是该设备对应的第n个生命周期，每台设备的最大生命周期约在100~300之间；第3-5列是工作条件；第6-26列代表21个传感器的监测数据。由于对技术保密的原因，NASA并未提供每一维度传感器监测的数据的真实含义，只提供了传感器的编号。一般来说，设备在开始运行的初期都是处于健康状态，并且往往具有很长的剩余使用寿命，因此RUL会比较大。对于故障来说，更关注的是即将故障前的一段时间的情况，准确无误地预测出一个非常大的RUL值意义不大，因此，本文借鉴了论文[62,63]中所提出的使用分段函数映射真实RUL的方法，该方法的映射关系如图4-14所示。图4-14分段映射RUL如图4-14所示，在RUL比较小的时候（小于125），按1：1将RUL值映射成生命周期（TimeCycles）；当RUL大于125之后，则统一使用固定值125表示剩余周期。也就是把图中的实线映射成虚线。4.4模型实验结果分析机器学习算法的训练是个反复训练的耗时过程，本节将先介绍实验的环境配置以及算法模型的参数设置，然后再给出在C-MAPSS数据集上的实验结果，最后再与多种相关的故障预测算法进行比较，以了解算法的性能表现。
电子科技大学硕士学位论文46滑动，然后把得到的数据输入到模型中，得到一系列连续的预测寿命值。图4-15FD001#24发动机预测情况从图中可以看出，预测的剩余寿命值曲线比较接近于真实的剩余寿命曲线，说明本文的算法模型能够比较准确的对RUL进行预测。同时，为了验证本文所提出的故障预测方法的性能表现，本文在C-MAPSS的四个子数据集上进行了实验，并以4.3.1节介绍的RMSE和评分函数同时作为量化指标，然后将实验结果与其它文献所提出的故障预测算法进行比较，结果如表4-4和表4-5所示。表4-4RMSE指标下的各算法对比MethodsFD001FD002FD003FD004MLP[64]37.5680.0337.3977.37SVR[65]20.9642.0021.0545.35RVR[66]23.8031.3022.3734.34CNN[63]18.4530.3019.8229.16CNN-RNN[68]16.8930.9717.8229.73LSTM[67]16.1424.4916.1828.17CNN-LSTM[40]13.5626.5113.9728.15多层LSTM[40]13.4325.6014.0724.10Attention-LSTM13.7324.4214.3123.19
【参考文献】：
期刊论文
[1]耦合发生概率不确定的复杂网络传感器故障估计[J]. 董墕华,刘洋,钟麦英. 山东科技大学学报(自然科学版). 2020(02)
[2]基于PCA和多元状态估计的引风机故障预警[J]. 韩万里,茅大钧,印琪民. 热能动力工程. 2020(01)
[3]电子设备故障预测与健康管理技术发展新动态[J]. 吕克洪,程先哲,李华康,张勇,邱静,刘冠军. 航空学报. 2019(11)
[4]基于专家系统和数据驱动的健康评估分析方法[J]. 吴克雄,王振华. 黑龙江科学. 2019(16)
[5]PHM技术框架及其关键技术综述[J]. 邱立军,吴明辉. 国外电子测量技术. 2018(02)
[6]军用飞机PHM技术进展分析及问题研究[J]. 景博,徐光跃,黄以锋,焦晓璇,梁威. 电子测量与仪器学报. 2017(02)
[7]基于Django的实验室信息管理系统设计[J]. 龚新定,余艳梅,吴小强,何小海. 微型机与应用. 2016(22)
[8]基于改进小波神经网络和灰色模型的装备性能参数预测[J]. 李梦妍,于文震. 电子测量技术. 2016(03)
[9]基于多层模糊评估模型的直升机供电系统综合评估方法[J]. 钟群芳,郭长欢,黄建. 国外电子测量技术. 2015(11)
[10]数据驱动故障预测和健康管理综述[J]. 彭宇,刘大同. 仪器仪表学报. 2014(03)
博士论文
[1]电子系统的故障预测与健康管理技术研究[D]. 许丽佳.电子科技大学 2009
硕士论文
[1]基于Hadoop的关联规则并行加速算法研究[D]. 程阳.南京邮电大学 2019
[2]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[D]. 陈自强.中国科学技术大学 2019
[3]基于大数据分析的现役雷达故障预测技术研究[D]. 李靖.西安电子科技大学 2018
[4]军用电子设备预测与健康管理体系结构及关键技术研究[D]. 宋磊.电子科技大学 2018
[5]射频收发组件健康监测与寿命预测系统设计与实现[D]. 段前样.电子科技大学 2017
[6]基于特种车的故障预测与健康管理系统研究[D]. 吕王朋.南京理工大学 2017
[7]温度对微波T/R组件中关键器件电性能的影响分析[D]. 屈扬.西安电子科技大学 2014
[8]雷达智能BIT故障预测系统[D]. 姚家令.重庆大学 2012
本文编号：3493837
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
HBase的系统架构[53]
电子科技大学硕士学位论文44命周期中的前一部分数据，并单独给出测试集每条记录所对应的RUL。数据集中每条记录有26列，其中第1列是发动机设备的编码ID；第2列是该设备对应的第n个生命周期，每台设备的最大生命周期约在100~300之间；第3-5列是工作条件；第6-26列代表21个传感器的监测数据。由于对技术保密的原因，NASA并未提供每一维度传感器监测的数据的真实含义，只提供了传感器的编号。一般来说，设备在开始运行的初期都是处于健康状态，并且往往具有很长的剩余使用寿命，因此RUL会比较大。对于故障来说，更关注的是即将故障前的一段时间的情况，准确无误地预测出一个非常大的RUL值意义不大，因此，本文借鉴了论文[62,63]中所提出的使用分段函数映射真实RUL的方法，该方法的映射关系如图4-14所示。图4-14分段映射RUL如图4-14所示，在RUL比较小的时候（小于125），按1：1将RUL值映射成生命周期（TimeCycles）；当RUL大于125之后，则统一使用固定值125表示剩余周期。也就是把图中的实线映射成虚线。4.4模型实验结果分析机器学习算法的训练是个反复训练的耗时过程，本节将先介绍实验的环境配置以及算法模型的参数设置，然后再给出在C-MAPSS数据集上的实验结果，最后再与多种相关的故障预测算法进行比较，以了解算法的性能表现。
电子科技大学硕士学位论文46滑动，然后把得到的数据输入到模型中，得到一系列连续的预测寿命值。图4-15FD001#24发动机预测情况从图中可以看出，预测的剩余寿命值曲线比较接近于真实的剩余寿命曲线，说明本文的算法模型能够比较准确的对RUL进行预测。同时，为了验证本文所提出的故障预测方法的性能表现，本文在C-MAPSS的四个子数据集上进行了实验，并以4.3.1节介绍的RMSE和评分函数同时作为量化指标，然后将实验结果与其它文献所提出的故障预测算法进行比较，结果如表4-4和表4-5所示。表4-4RMSE指标下的各算法对比MethodsFD001FD002FD003FD004MLP[64]37.5680.0337.3977.37SVR[65]20.9642.0021.0545.35RVR[66]23.8031.3022.3734.34CNN[63]18.4530.3019.8229.16CNN-RNN[68]16.8930.9717.8229.73LSTM[67]16.1424.4916.1828.17CNN-LSTM[40]13.5626.5113.9728.15多层LSTM[40]13.4325.6014.0724.10Attention-LSTM13.7324.4214.3123.19
【参考文献】：
期刊论文
[1]耦合发生概率不确定的复杂网络传感器故障估计[J]. 董墕华,刘洋,钟麦英. 山东科技大学学报(自然科学版). 2020(02)
[2]基于PCA和多元状态估计的引风机故障预警[J]. 韩万里,茅大钧,印琪民. 热能动力工程. 2020(01)
[3]电子设备故障预测与健康管理技术发展新动态[J]. 吕克洪,程先哲,李华康,张勇,邱静,刘冠军. 航空学报. 2019(11)
[4]基于专家系统和数据驱动的健康评估分析方法[J]. 吴克雄,王振华. 黑龙江科学. 2019(16)
[5]PHM技术框架及其关键技术综述[J]. 邱立军,吴明辉. 国外电子测量技术. 2018(02)
[6]军用飞机PHM技术进展分析及问题研究[J]. 景博,徐光跃,黄以锋,焦晓璇,梁威. 电子测量与仪器学报. 2017(02)
[7]基于Django的实验室信息管理系统设计[J]. 龚新定,余艳梅,吴小强,何小海. 微型机与应用. 2016(22)
[8]基于改进小波神经网络和灰色模型的装备性能参数预测[J]. 李梦妍,于文震. 电子测量技术. 2016(03)
[9]基于多层模糊评估模型的直升机供电系统综合评估方法[J]. 钟群芳,郭长欢,黄建. 国外电子测量技术. 2015(11)
[10]数据驱动故障预测和健康管理综述[J]. 彭宇,刘大同. 仪器仪表学报. 2014(03)
博士论文
[1]电子系统的故障预测与健康管理技术研究[D]. 许丽佳.电子科技大学 2009
硕士论文
[1]基于Hadoop的关联规则并行加速算法研究[D]. 程阳.南京邮电大学 2019
[2]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[D]. 陈自强.中国科学技术大学 2019
[3]基于大数据分析的现役雷达故障预测技术研究[D]. 李靖.西安电子科技大学 2018
[4]军用电子设备预测与健康管理体系结构及关键技术研究[D]. 宋磊.电子科技大学 2018
[5]射频收发组件健康监测与寿命预测系统设计与实现[D]. 段前样.电子科技大学 2017
[6]基于特种车的故障预测与健康管理系统研究[D]. 吕王朋.南京理工大学 2017
[7]温度对微波T/R组件中关键器件电性能的影响分析[D]. 屈扬.西安电子科技大学 2014
[8]雷达智能BIT故障预测系统[D]. 姚家令.重庆大学 2012
本文编号：3493837
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3493837.html
