基于多源监测数据融合的剩余使用寿命预测关键问题研究

With the enhanced requirement for system reliability and the development of sensor technology, the type and quantity of the sensors used for state monitoring of complex systems are increasing. Especially, in engineering practice, the multi-source monitoring data from multiple sensors are often asynchronous, other than synchronous, because of different types, different sampling rates and also different initial sampling time instants. As a result, a new problem raises in the theoretical study and engineering practice of predictive maintenance. That is how to use the multi-source monitoring data from these sensors effectively, especially the asynchronous multi-source monitoring data from multiple asynchronous snesors, to predict the remaining useful life of the system, and then perform predictive maintenance to improve the reliability and safety of the system. This project intends to study: 1) Asynchronous multi-source data estimation fusion approach for a kind of stochastic dynamic systems with unknown model parameters; 2) Synchronous multi-source data fusion based remaining useful life prediction for a kind of stochastic degradation process; 3) Asynchronous multi-source data fusion based remaining useful life prediction for a kind of stochastic degradation process. The research results of this project have significance not only in the theoretical study of predictive maintenance, but also for its application in engineering practice.

随着对系统可靠性要求的进一步提高和传感器技术的发展,用于复杂系统状态监测的传感器的种类和数量日益增加。特别地，工程实践中由于传感器的种类不同、采样速率不同及初始采样时刻不同等因素导致来自这些传感器的多源监测数据往往并不是同步的，而是异步的。因此，如何有效利用来自这些传感器的多源监测数据，特别是异步多源监测数据，对系统的剩余寿命进行预测，从而实现预防性维护,提高系统的可靠性和安全性,是目前预测维护理论研究和工程实践中亟待解决的新问题。本项目拟主要研究：1)含有未知模型参数的一类随机动态系统的异步多源数据估计融合方法；2）基于同步多源数据融合的一类随机退化过程的剩余寿命预测；3）基于异步多源数据融合的一类随机退化过程的剩余寿命预测。本项目的研究成果不仅具有重要的理论意义，同时对预测维护技术在工程实践中的应用具有指导意义。

随着对系统可靠性和安全性要求的提高，系统剩余使用寿命预测问题受到了越来越多的关注。剩余寿命预测作为对未来事件的一种预测，其结果不可避免的具有不确定性，因此如何融合系统中的多源监测信息，特别是异步多源信息，从而减少不确定性，提高预测的准确性，是剩余寿命预测中亟待解决的新问题。.本项目首先研究了随机动态系统的多源信息融合问题，提出了一种全新的异步交互式多模型融合滤波算法。所提出的算法将融合区间内的异步传感器测量被转换成融合时刻的等价测量，并充分考虑了各类噪声相关性和融合区间内采样时刻上可能的模型切换。同时，为了减少计算复杂度，给出了一种等价的递推实现。考虑网络中的随机丢包现象，利用不同分布的伯努利随机序列刻画不同传感器到融合中心之间的传输通道上的随机数据包丢失，并基于线性最优估计器得到了最优的网络化异步多传感器估计融合算法，且进一步将所提出的算法推广到了具有结构和参数不确定性的混杂系统。此外，给出了事件驱动机制下的序惯式和并行式多源信息融合算法。.针对一类多传感器单部件随机退化过程，利用维纳过程对系统退化进行建模，并利用迭代EM算法对模型中的未知参数进行实时在线融合估计，进而基于所建立的退化模型，利用同步或异步多传感器估计融合算法得到系统退化状态的估计，并进一步根据维纳过程首达时间的逆高斯分布特性得到系统剩余使用寿命的分布。同时，将所提出的剩余寿命预测方法扩展到了系统中同时存在多个退化部件的情况，得到了基于多源监测数据的多部件系统剩余寿命预测方法。此外，本项目还针对一类带随机丢包的异步多传感器网络化系统，提出了基于网络化异步交互式多模型融合滤波的故障诊断方法。.最后，对所提出的方法的可行性和有效性分别在铣床实验数据和质子膜燃料电池实验数据集上进行了验证，且将部分结果应用于船舶柴油机故障的诊断和趋势预测。所提出的方法广泛适用于一般的多传感器系统，特别是异步多传感器系统，包括网络化系统等。...