基于機(jī)器學(xué)習(xí)的產(chǎn)品剩余壽命預(yù)測(cè)方法研究

《基于機(jī)器學(xué)習(xí)的產(chǎn)品剩余壽命預(yù)測(cè)方法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、博士學(xué)位論文基于機(jī)器學(xué)習(xí)的產(chǎn)品剩余壽命預(yù)測(cè)方法研究作者姓名：施建明指導(dǎo)教師：李緒志研究員中國(guó)科學(xué)院空間應(yīng)用工程與技術(shù)中心學(xué)位類別：工學(xué)博士學(xué)科專業(yè)：信號(hào)與信息處理培養(yǎng)單位：中國(guó)科學(xué)院空間應(yīng)用工程與技術(shù)中心2018年4月ResearchofRemainingUsefulLifePredictionforProductsbasedonMachineLearningADissertation/ThesisSubmittedtoTheUniversityofChineseAcademyofSciencesInpartialfulfillmentoftherequiremen

2、tForthedegreeofDoctorofPhilosophyIn[SignalandInformationProcessing]By[SHIJianming]Supervisor:LIXuzhi[TechnologyandEngineeringCenterforSpaceUtilization,CAS]April,2018中國(guó)科學(xué)院大學(xué)研究生學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的學(xué)位論文是本人在導(dǎo)師的指導(dǎo)下獨(dú)立進(jìn)行研究工作所取得的成果。盡我所知，除文中已經(jīng)注明引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫過的研究成果。對(duì)論文所涉及的研究工作做出貢

3、獻(xiàn)的其他個(gè)人和集體，均已在文中以明確方式標(biāo)明或致謝。作者簽名：日期：中國(guó)科學(xué)院大學(xué)學(xué)位論文授權(quán)使用聲明本人完全了解并同意遵守中國(guó)科學(xué)院有關(guān)保存和使用學(xué)位論文的規(guī)定，即中國(guó)科學(xué)院有權(quán)保留送交學(xué)位論文的副本，允許該論文被查閱，可以按照學(xué)術(shù)研究公開原則和保護(hù)知識(shí)產(chǎn)權(quán)的原則公布該論文的全部或部分內(nèi)容，可以采用影印、縮印或其他復(fù)制手段保存、匯編本學(xué)位論文。涉密及延遲公開的學(xué)位論文在解密或延遲期后適用本聲明。作者簽名：導(dǎo)師簽名：日期：日期：摘要摘要隨著信息技術(shù)在工業(yè)系統(tǒng)中的融合，通過分布式傳感器網(wǎng)絡(luò)獲取的性能和環(huán)境數(shù)據(jù)，與其他信息化數(shù)據(jù)如物聯(lián)網(wǎng)數(shù)據(jù)以及跨界數(shù)據(jù)等，形成了工業(yè)大數(shù)

4、據(jù)，成為新工業(yè)革命的核心動(dòng)力。對(duì)于現(xiàn)代工業(yè)系統(tǒng)，對(duì)關(guān)鍵設(shè)備在運(yùn)行過程中進(jìn)行監(jiān)測(cè)、預(yù)測(cè)與控制非常有必要?；跀?shù)據(jù)的智能分析，評(píng)估并預(yù)測(cè)目標(biāo)對(duì)象的健康狀態(tài)，以降低設(shè)備和系統(tǒng)的運(yùn)行風(fēng)險(xiǎn)，支持預(yù)測(cè)性的維護(hù)維修，從而優(yōu)化使用、維護(hù)及保障策略，即所謂的故障預(yù)測(cè)與健康管理（PrognosticsandHealthManagement,PHM）。剩余壽命（RemainingUsefulLife,RUL）預(yù)測(cè)是PHM系統(tǒng)的核心技術(shù)，但是準(zhǔn)確預(yù)測(cè)RUL面臨著很多挑戰(zhàn)與困難，包括系統(tǒng)失效機(jī)理的復(fù)雜性、傳感器數(shù)據(jù)的不確定性、未來運(yùn)行條件的未知性等，特別是實(shí)際的“Run-to-Failure

5、（RtF）”過程數(shù)據(jù)非常稀缺，導(dǎo)致評(píng)估RUL預(yù)測(cè)方法優(yōu)劣性難以開展。要解決RUL預(yù)測(cè)的難題，需要從數(shù)據(jù)融合和方法融合兩個(gè)維度開展研究。機(jī)器學(xué)習(xí)作為人工智能領(lǐng)域的關(guān)鍵技術(shù)，包含豐富的數(shù)據(jù)建模算法，具備強(qiáng)大的自學(xué)習(xí)和融合分析能力，適合用于復(fù)雜系統(tǒng)健康診斷和RUL預(yù)測(cè)。本文系統(tǒng)地研究了基于機(jī)器學(xué)習(xí)的RUL預(yù)測(cè)方法，涉及到機(jī)器學(xué)習(xí)的分類和回歸算法，本文選擇分層聚類（HierarchicalClustering,HC）和關(guān)聯(lián)向量機(jī)（RelevanceVectorMachine,RVM）作為主要的算法，解決了綜合多維監(jiān)測(cè)數(shù)據(jù)生成一維健康指標(biāo)（HealthIndex,HI），健康

6、狀態(tài)分類和診斷，性能和RUL預(yù)測(cè)等一系列問題，并在提高RUL預(yù)測(cè)準(zhǔn)確度和不確定性表達(dá)方面進(jìn)行了深入研究，以下是本文的主要研究?jī)?nèi)容：（1）針對(duì)如何將多維監(jiān)測(cè)數(shù)據(jù)轉(zhuǎn)化成一維健康指標(biāo)的問題，提出了一種基于HC和相似性分析的健康指標(biāo)合成方法。首先將原始監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)處理，轉(zhuǎn)化成機(jī)器學(xué)習(xí)分類算法的輸入數(shù)據(jù)。然后，針對(duì)完整的RtF過程數(shù)據(jù)，采用HC算法將數(shù)據(jù)劃分為四大類，分別對(duì)應(yīng)系統(tǒng)健康、亞健康、退化、失效等四種健康狀態(tài)。利用HC分層聚類的優(yōu)勢(shì)，根據(jù)數(shù)據(jù)特點(diǎn)和實(shí)際需要，對(duì)初步劃分的大類進(jìn)行細(xì)分。基于相似性分析，實(shí)現(xiàn)對(duì)當(dāng)前監(jiān)測(cè)數(shù)據(jù)的健康狀態(tài)診斷。最后，計(jì)算當(dāng)前數(shù)據(jù)點(diǎn)與失效狀態(tài)類中

7、心（“失效基線”）的距離值，從而生成一維的綜合健康指標(biāo)（SynthesizedHealthIndex,SHI）。通過實(shí)例驗(yàn)證，SHI與原數(shù)據(jù)的相關(guān)性很強(qiáng)，表明所提出的方法在綜合各維度信息的同時(shí)，保留了系統(tǒng)原本的退化特征。（2）針對(duì)有充足RtF訓(xùn)練樣本時(shí)的RUL預(yù)測(cè)問題，本文在模型匹配理念的基礎(chǔ)上，提出了一種基于多退化模型的改進(jìn)模型匹配（IMM）方法。首先，基于訓(xùn)練樣本的SHI，通過關(guān)聯(lián)向量回歸（RelevanceVectorRegression,RVR）建立退化模型庫。對(duì)某個(gè)測(cè)試樣本，通過其SHI與退化模型進(jìn)行相似性分析，得到若干匹配模型及相應(yīng)的RUL值，從而通