多维状态监测数据条件下的设备剩余寿命预测方法研究

Remaining useful life (RUL) estimation is one of the key techonologies in condition based maintenance (CBM) and prognostics and health management (PHM). It is important to assess the RUL of an equipment in operation since it has great impacts on the planning of maintenance activities. The complexity, diversity of state information, and correlations between the state parameters lead to more difficulties to RUL estimation. Recently, the RUL estimation based on statistical data driven approaches has attracted more attentions..This project conducted research on: (1) A novel kind of characteristic variable identification and selection method based on Mahalanobis-Taguchi system (MTS) is proposed, which not only describes the scientific realtions among the equipment status variables effectively, but also identifies the equipment critical state variables correctly. (2) A method of limitation state recognition based on Hidden semi-Markov Model (HsMM) based two stage (normal and defect) model is proposed to improve the recognition accuracy of limitation state, and determines equipment operation stage effectively. (3) A duration-dependent hidden semi-Markov model (DD-HsMM) is proposed for equipment operation state identification and RUL estimation. The RUL based dynamic maintenance decision-making method is researched to implement the complexity reduction of maintenance decision-making (4) The correctness of all the strategies, models, methods and algorithms are verified by rolling bearing study simulations. The objective of this project is to improve the equipment safety, reliability and availability.

设备剩余寿命预测是故障预测与健康管理的支撑理论之一，准确计算和预测剩余寿命可以提高设备健康状态评估的准确性、故障预测和维修决策的有效性，是解决维修不足和维修过剩问题的核心方法。设备状态监测数据的多维性、复合型，导致了设备剩余寿命模型复杂、准确性低。基于数据驱动的设备剩余寿命计算和预测方法是解决该问题的关键，也是当今的研究热点之一。.本项目研究的状态监测数据降维理论及其计算方法将揭示设备状态监测变量之间的科学关系，有效识别出设备关键状态特征变量，实现数据降维；多维状态监测数据条件下的设备剩余寿命预测方法将揭示多维状态监测数据条件下的设备退化过程机理及其对剩余寿命预测的影响规律，为有效预测设备剩余寿命提供方法支撑，丰富故障预测与健康管理方法体系。本项目的研究成果将为设备剩余寿命预测方法在复杂设备的维修性分析、可靠性分析、安全性分析、风险分析等领域的广泛应用提供更加有效的工具支撑。

本研究以设备维修决策问题为研究背景，以视情维修理论为核心对设备状态识别、缺陷状态识别和设备故障预测等问题进行了系统深入地研究，其目的是寻求一种满足设备维修决策需求的智能视情维修方法。.主要研究内容和成果如下：.（1）设备状态特征变量识别与优选模型.运用马氏田口（Mahalanobis-Taguchi System，MTS）方法，建立了设备状态特征变量识别与优选模型。首先，将马氏距离作为描述空间的单位量，基于初始正常样本建立特征变量基准空间，并采用控制图方法改进基准空间；然后，通过特征变量正常样本与异常样本马氏距离的对比，对基准空间的稳健性进行了验证。第三，利用正交表和信噪比分析对特征变量进行优选，剔除对状态识别结果影响不显著的特征变量。.（2）设备状态识别与故障预测优化模型 .对HSMM 进行了扩展，引入了时变转移概率的概念，对状态驻留时间与状态转移概率之间的关系进行描述，建立了一种基于时变状态转移概率的隐半马尔可夫模型（Hidden Semi-Markov Model based on Duration-dependent State Transition Probabilities, DD-HSMM），进行设备运行状态识别与故障预测。进而提出了改进的前向-后向算法和相应的模型参数重估算式，建立了基于DD-HSMM的设备退化状态识别与故障预测模型。.（3）滚动轴承剩余寿命预测实例验证.搭建了滚动轴承实验平台，对基于MTS方法的设备状态特征变量识别与优选方法和基于DD-HSMM的设备退化状态识别与故障预测模型进行了实例分析。实例验证结果证明通过MTS方法所选择的特征变量对于设备运行状态具有较好的表征能力；同时，基于可变状态转移概率的设备状态识别与预测方法更为有效。.上述研究的科学意义：.（1）多维状态监测数据降维方法，能够解决带有多维性、强耦合性和强非线性等特征的设备剩余寿命预测难题，促进PHM技术的发展；.（2）面向多维状态监测数据环境的设备剩余寿命预测及计算方法，可以为设备剩余寿命预测方法在复杂设备的维修性分析、可靠性分析、安全性分析、风险分析和健康管理等领域的广泛应用提供有效的工具支撑。