大数据环境下智能制造装备健康状态预测与维修决策研究

Health state prediction and maintenance decision is one of key and common techniques for high-end equipment manufacturing industry to be resolved. Intelligent manufacturing equipment is selectd as the research object in the proposal. Its main goal is to implement research on new methods of health state prediction and maintenance decision for the equipment in big data environment, starting from massive and high-dimensional data mining. Its main research contents are as follows: First of all, automatical disposal, integration and transformation methods for the massive and high-dimensional state data will be introduced, and the connection between characteristic parameters and health states will be obtained. Then, in order to find equipment dynamic behaviors under the effect of different factors, the dynamic model of health state evolution process based on stochastic differential equation will be built. In order to reveal the micro characteristics and tendency of health state, the dialogue and prediction methods of health state will be proposed using semi-supervised clustering and dynamic bayesian networks, and a hyper-ring detector will be set up. In order to produce scientific and reasonable maintenance strategy, the state-based predictive maintenance decision and optimization methods will be proposed. Finally, a software and hardware platform for health state prediction and maintenance decision will be developed so as to provide the application support for the above methods. Predictably, it has important theoretical significance and engineering application value for creating the operation safety guarantee system of intelligent manufacturing equipment, promoting the ability of intelligent manufacturing equipment to run stable and reliable for a long time, ensuring the high precision and high efficiency operation of intelligent manufacturing equipment and so on.

健康状态预测与维修决策是高端装备制造业待突破的关键基础共性技术。本申请项目以智能制造装备为对象，从海量高维状态数据挖掘出发，针对性地研究大数据环境下的装备健康状态预测与维修决策新方法，主要包括：提出装备海量高维状态数据的自动清理、集成与变换方法，发现特征参数与健康状态之间复杂关联；建立基于随机微分方程的装备状态演化过程动力学模型，揭示装备在不同因素作用下的动力学行为；提出基于半监督聚类和动态贝叶斯网络的装备健康状态诊断与预测方法，构建超环检测器，揭示健康状态的微变化特征及变迁趋势；提出基于状态的装备预测性维修决策与优化方法，制定科学合理的维修策略；开发装备健康状态预测与维修决策软硬件平台，为上述技术的广泛应用提供支撑。研究结果对于从纵深方向发展智能制造装备运行安全的科学保障体系，提升智能制造装备的长时间稳定可靠运行能力和保证智能制造装备高精高效使用等都具有重要的理论意义和工程应用价值。

健康状态预测与维修决策是高端装备制造业待突破的关键基础共性技术。本项目以智能制造装备为对象，从海量高维状态数据挖掘出发，系统研究了大数据环境下装备健康状态预测与维修决策，主要研究内容及取得的重要结果包括：1）综合运用振动、噪声、温度、电流、切削力、转速等传感器，采集了智能制造装备及其刀具、轴承和齿轮箱等关键部件的状态监测数据，构建了相应的大数据集；提出装备海量状态数据的自动清理方法，剔除了状态数据中存在的异常值、空值和噪声干扰等；分别从时域、频域和时频域提出了装备特征提取方法，构建了反映装备状态演变的高维特征参数集；采用斯皮尔曼等级相关系数和皮尔逊系数等，开展了特征参数筛选，选取最能反映状态退化的特征参数；采用主成分分析、可生长的自组织网络模型等，开展了特征参数融合，获能有效表征装备退化状态的健康指数，揭示了特征参数与健康状态之间复杂关联；分析了智能制造装备的退化特征，提出了基于指数函数回归的装备局部退化规律表征方法，发现了装备状态演变规律。2）采用AKSC聚类和多尺度小波包变换等方法，研究了装备健康状态的早期异常诊断，解决了因早期阶段的潜在故障特征表现不明显，且信噪比低等导致的诊断精度低等难题；提出了基于卷积神经网络的智能制造装备健康状态预测方法，建立了状态数据和装备健康状态之间的映射关系；引入强化学习原理机制，利用强化学习奖励与惩罚机制，自动对环境进行感知，探讨了基于深度强化学习的装备健康状态自适应预测方法。3）提出了基于状态的装备预测性维修决策与优化方法。针对具有传统三状态退化特征的制造装备，提出了基于多元贝叶斯控制图的故障检测策略及优化方法；针对具有三状态竞争失效特征的制造装备，提出了基于二阶贝叶斯控制图的装备故障检测策略；针对具有多状态多元退化特征的制造装备，提出了基于非恒定的比例风险模型的装备失效率模型，开发了两级别的维护策略；针对具有连续状态退化特征的制造装备，提出了基于伽马过程的非恒定比例风险模型，开发了两级别维护策略。4）研制了装备健康状态预测与维修决策软硬件平台，实现了海量状态数据分布式存储与处理；结合一联三跨数控装备的海量状态监测数据，进行了工程应用验证。研究结果能够提升智能制造装备的长时间稳定可靠运行能力和保证智能制造装备高精高效使用等。