基于隐马尔科夫模型的机械设备性能退化评估与预测研究

通常，机械设备在完全失效前要经过一些列不同的性能退化状态。如果能够在设备性能退化过程中监测到其性能退化的程度，就可以有针对性地制定维护计划，防止故障的突然发生。为此，本项目将深入研究基于隐马尔科夫模型（HMM）的设备性能退化评估和预测的理论体系与技术方法，包括：适宜于HMM进行性能退化评估的特征提取方法、基于HMM的性能退化评估和预测方法、基于HMM的寿命预测方法及基于HMM的信息融合技术四项主要任务，重点解决早期和潜在故障的发现和诊断以及智能性能退化评估和预测等关键问题。研究过程中将充分重视学科交叉与渗透，在现有基础之上，研究开发自主创新的的理论与技术，得到零件级、部件级、设备级的性能状态和退化程度的评估结果。本项目所完成的研究成果将弥补现有理论和技术的不足，提供基于HMM的设备性能退化智能评估与预测的理论与技术，正确有效的揭示设备的性能退化规律，从而指导设备维护计划的制定。

随着科学技术的进步与发展，机械设备的精密程度、复杂程度及自动化程度越来越高，其运行环境也更加苛刻。同时，设备突发状况的应对成本及经济损失也成倍增加。设备性能退化评估是我们针对当前发展需要所提出的一种主动设备维护技术。其旨在于设备性能退化过程中监测到其性能退化的程度，有针对性的制定设备维护计划，防止设备故障的突然发生，提高设备可靠性和智能化程度。隐马尔可夫模型（HMM, Hidden Markov Model）适用于动态过程时间序列的建模，拥有强大的时序模式分类能力，特别适于非平稳、重复再现性不佳的信号分析。因此, HMM非常适合用于设备的性能退化评估与预测研究。但是HMM模型受自身结构和理论假设基础的约束在应用于设备性能退化评估时存在一些先天不足。针对实际需要，我们对HMM的模型及应用进行改进，提出更加有效的基于HMM的设备性能退化评估与预测方案。主要工作包括：根据轴承的故障特征，提出基于频带熵的特征提取方法与HMM结合，提高模型对轴承故障和退化状态的贴合；对HMM的结构和算法进行改进，将耦合HMM模型（CHMM）对多通道信息进行信息融合，提出基于CHMM轴承多通道信息融合的故障诊断与性能退化评估方法；研究了面向服务架构（Service Oriented Architecture, SOA）在故障诊断与性能退化评估系统中的应用，提出了一种基于SOA的故障诊断与性能退化评估系统架构。研究成果推进了基于HMM模型的设备维护系统发展，为实际的生产设备管理提供可靠的维护建议，达到了对机械设备进行智能化维护的目的。