基于机器学习的产品剩余寿命预测方法研究
发布时间：2021-02-02 14:50
随着信息技术在工业系统中的融合,通过分布式传感器网络获取的性能和环境数据,与其他信息化数据如物联网数据以及跨界数据等,形成了工业大数据,成为新工业革命的核心动力。对于现代工业系统,对关键设备在运行过程中进行监测、预测与控制非常有必要。基于数据的智能分析,评估并预测目标对象的健康状态,以降低设备和系统的运行风险,支持预测性的维护维修,从而优化使用、维护及保障策略,即所谓的故障预测与健康管理（Prognostics and Health Management,PHM）。剩余寿命（Remaining Useful Life,RUL）预测是PHM系统的核心技术,但是准确预测RUL面临着很多挑战与困难,包括系统失效机理的复杂性、传感器数据的不确定性、未来运行条件的未知性等,特别是实际的“Run-to-Failure（Rt F）”过程数据非常稀缺,导致评估RUL预测方法优劣性难以开展。要解决RUL预测的难题,需要从数据融合和方法融合两个维度开展研究。机器学习作为人工智能领域的关键技术,包含丰富的数据建模算法,具备强大的自学习和融合分析能力,适合用于复杂系统健康诊断和RUL预测。本文系统地研究了基于...
【文章来源】：中国科学院大学(中国科学院遥感与数字地球研究所)北京市
【文章页数】：153 页
【学位级别】：博士
【部分图文】：
1健康状态诊断
图 3.2.2 基于 SMM 预测 RUL 误差过大为了弥补 SMM 方法的不足，本文基于多模型融合的思想提出了 IMM 方法，如图 3.2.3所示为 IMM 方法流程。由于综合健康指标是基于故障类中心生成的，训练样本的健康指标在寿命末期会出现一个向上的拖尾，该拖尾截去后，用于比对的基准长度会减小，如图3.2.4 所示。这样通过模型匹配方法得到的 RUL 值相对会减小，从而使得输出结果更为保守。RVM退化建模训练样本健康指标数据集某测试样本健康指标数据与基准比对相似性分析测试样本RUL数据集剔除故障类中心之后的拖尾用于比对的基准库RUL估计的不确定性分析基于模型生成新的健康指标数据集对应RMSE数据集RUL点估计模型融合RUL区间估计
这里分别采用直方图和盒形图两种非参数方法。直方图分析法假设某个测试样本 RUL 预测有 N 个样本，首先，找到这 N 个 RUL 值里的中位数度（CI）设置为 70%，表明从中选出 M 0.7*N个 RUL 值，RUL 值位于置信下限（LC中位数之间的个数占M 的 65%，RUL 值位于中位数和置信上限（UCL）之间的个数占 35%。这样，过早估计值会相对更多。进一步，在采用匹配法估计 RUL 时，将测试训练样本之间的均方误差（RMSE）进行排序，超过最小 RMSE1.5 倍的 RUL 预测练样本被剔除掉，这样 70%置信度的 RUL 估计值区间会进一步缩小，可得到更为结果。以#31 号样本为例，其 RUL 真实值为 8。要使用模型匹配法做 RUL 预测，训练样度必须大于测试样本，因此只有 43 个训练样本符合要求。43 个 RUL 的中位数为 %置信度的区间估计为[0, 20]，如所示的左边部分。如果去掉 RMSE 值高于 1.5 倍SE 的 RUL 预测参考训练样本，那么中位数为 6，70%置信度的区间估计为[0, 13] 3.3.5 所示的右边部分。
【参考文献】：
期刊论文
[1]工业大数据技术[J]. 王建民. 电信网技术. 2016(08)
[2]过程工业大数据建模研究展望[J]. 刘强,秦泗钊. 自动化学报. 2016(02)
[3]间歇工作的空间斯特林制冷机制冷时长预测[J]. 张琪,郭丽丽,段江永,周冰. 应用科技. 2015(05)
[4]自适应Hessian LLE在机械故障特征提取中的应用[J]. 李城梁,王仲生,姜洪开,布树辉,刘贞报. 振动工程学报. 2013(05)
[5]基于粒子群优化神经网络的卫星故障预测方法[J]. 房红征,史慧,韩立明,罗凯,李蕊. 计算机测量与控制. 2013(07)
[6]大冷量长寿命斯特林制冷机热环境适应性试验研究[J]. 陆永达,朱魁章,杨坤,高瑶,黄燕. 低温与超导. 2012(04)
[7]基于灰色相关向量机的故障预测模型[J]. 范庚,马登武,邓力,吕晓峰. 系统工程与电子技术. 2012(02)
[8]基于关联向量机的混沌时间序列预测[J]. 李刚,吴慧欣,薛惠锋. 计算机仿真. 2008(12)
[9]基于局部线性嵌入（LLE）非线性降维的多流形学习[J]. 马瑞,王家廞,宋亦旭. 清华大学学报(自然科学版). 2008(04)
[10]基于相关向量回归的非线性时间序列预测方法[J]. 刘芳,周建中,邱方鹏,刘力. 计算机工程. 2008(03)
博士论文
[1]基于RVM的锂离子电池剩余寿命预测方法研究[D]. 周建宝.哈尔滨工业大学 2013
本文编号：3014877
【文章来源】：中国科学院大学(中国科学院遥感与数字地球研究所)北京市
【文章页数】：153 页
【学位级别】：博士
【部分图文】：
1健康状态诊断
图 3.2.2 基于 SMM 预测 RUL 误差过大为了弥补 SMM 方法的不足，本文基于多模型融合的思想提出了 IMM 方法，如图 3.2.3所示为 IMM 方法流程。由于综合健康指标是基于故障类中心生成的，训练样本的健康指标在寿命末期会出现一个向上的拖尾，该拖尾截去后，用于比对的基准长度会减小，如图3.2.4 所示。这样通过模型匹配方法得到的 RUL 值相对会减小，从而使得输出结果更为保守。RVM退化建模训练样本健康指标数据集某测试样本健康指标数据与基准比对相似性分析测试样本RUL数据集剔除故障类中心之后的拖尾用于比对的基准库RUL估计的不确定性分析基于模型生成新的健康指标数据集对应RMSE数据集RUL点估计模型融合RUL区间估计
这里分别采用直方图和盒形图两种非参数方法。直方图分析法假设某个测试样本 RUL 预测有 N 个样本，首先，找到这 N 个 RUL 值里的中位数度（CI）设置为 70%，表明从中选出 M 0.7*N个 RUL 值，RUL 值位于置信下限（LC中位数之间的个数占M 的 65%，RUL 值位于中位数和置信上限（UCL）之间的个数占 35%。这样，过早估计值会相对更多。进一步，在采用匹配法估计 RUL 时，将测试训练样本之间的均方误差（RMSE）进行排序，超过最小 RMSE1.5 倍的 RUL 预测练样本被剔除掉，这样 70%置信度的 RUL 估计值区间会进一步缩小，可得到更为结果。以#31 号样本为例，其 RUL 真实值为 8。要使用模型匹配法做 RUL 预测，训练样度必须大于测试样本，因此只有 43 个训练样本符合要求。43 个 RUL 的中位数为 %置信度的区间估计为[0, 20]，如所示的左边部分。如果去掉 RMSE 值高于 1.5 倍SE 的 RUL 预测参考训练样本，那么中位数为 6，70%置信度的区间估计为[0, 13] 3.3.5 所示的右边部分。
【参考文献】：
期刊论文
[1]工业大数据技术[J]. 王建民. 电信网技术. 2016(08)
[2]过程工业大数据建模研究展望[J]. 刘强,秦泗钊. 自动化学报. 2016(02)
[3]间歇工作的空间斯特林制冷机制冷时长预测[J]. 张琪,郭丽丽,段江永,周冰. 应用科技. 2015(05)
[4]自适应Hessian LLE在机械故障特征提取中的应用[J]. 李城梁,王仲生,姜洪开,布树辉,刘贞报. 振动工程学报. 2013(05)
[5]基于粒子群优化神经网络的卫星故障预测方法[J]. 房红征,史慧,韩立明,罗凯,李蕊. 计算机测量与控制. 2013(07)
[6]大冷量长寿命斯特林制冷机热环境适应性试验研究[J]. 陆永达,朱魁章,杨坤,高瑶,黄燕. 低温与超导. 2012(04)
[7]基于灰色相关向量机的故障预测模型[J]. 范庚,马登武,邓力,吕晓峰. 系统工程与电子技术. 2012(02)
[8]基于关联向量机的混沌时间序列预测[J]. 李刚,吴慧欣,薛惠锋. 计算机仿真. 2008(12)
[9]基于局部线性嵌入（LLE）非线性降维的多流形学习[J]. 马瑞,王家廞,宋亦旭. 清华大学学报(自然科学版). 2008(04)
[10]基于相关向量回归的非线性时间序列预测方法[J]. 刘芳,周建中,邱方鹏,刘力. 计算机工程. 2008(03)
博士论文
[1]基于RVM的锂离子电池剩余寿命预测方法研究[D]. 周建宝.哈尔滨工业大学 2013
本文编号：3014877
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3014877.html
