基于多工况性能监测数据的剩余使用寿命预测方法研究

• 作 者: 郑韩飞
• 出 处: 北华航天工业学院
• 发表日期: 2021年01期
• 关键词: 剩余使用寿命 多工况 监测数据 数据驱动 相似性

故障预测与健康管理技术将安全性、可靠性、故障管理、可测试性以及成本分析纳入了一个统一的构架中,对于复杂系统的维护及设备维护成本、提高运维效率具有重要意义。而剩余使用寿命预测是故障预测与健康管理中重要的一环,准确的剩余使用寿命预测对于预防和减少灾难性的事故发生、提升设备可靠性、安全性和指导维修决策降低成本具有重要作用。本文对数据驱动的基于相似性的剩余使用寿命预测方法进行研究,在对现有的剩余使用寿命预测方法的进行总结分析之后,分别从相似性模型改进和多工况条件下相似性模型建立两个方面展开研究。针对具有多工况性能监测数据的复杂设备,研究其退化过程建模方式,相似度计算、相似性匹配以及工况切换对剩余使用寿命的影响,并将工况信息融入到相似性剩余使用寿命预测框架。(1)简述剩余使用寿命等相关定义。分别介绍了剩余使用寿命的定义,剩余寿命预测方法分类,常用的剩余寿命预测方法和评价指标,并详细阐述了基于相似性模型的剩余使用寿命的预测方法的基本原理和其实现方法。阐述了基于相似性模型的剩余使用寿命的预测方法原理。(2)性能监测数据的处理。对传感器产生的性能监测数据进行降噪、去除杂值等预处理,提取不同工况下的传感器数据序列并对其进行Z-score标准化,剔除掉了运行状态所造成的差异性,使得传感器数据在不同时间周期上具有可比性。(3)提出改进的基于相似性模型的剩余使用寿命预测方法。在分析了传统基于相似性模型预测方法原理后,在方法中的寿命预测环节中融入了滑动匹配的思想,极大的提高了信息的利用率,并且提高了预测的准确性。(4)提出多工况条件下基于相似性的剩余使用寿命预测模型建立方法。该方法假设设备退化过程是由不同工况类别组成,分别对不同工况下的数据进行处理,建立不同工况下的线性回归模型。通过实例分析,在相同的数据集下,将本方法与传统相似性方法进行对比,验证了工况在预测中的重要性,说明了所提建模方法的有效性。