多元时序驱动的多核机器建模与全流程故障预测及可靠性评估

Multivariate time series driven modeling is an effective approach for complex system fault prediction and reliability evaluation, and as an important tool, the nonlinear multiple kernel machine is currently a new research focus. In this project, the multivariate time series driven full-process online fault prediction and quantitative evaluation of reliability will be studied, on the basis of fusion of multivariable time series prediction and multiple kernel machine modeling as well as the multiple kernel learning. In theory, the multiple kernel support vector domain modeling, the multiple kernel support vector regression modeling, the multiple kernel probability density estimation modeling, and the multiple kernel machines’ learning methods are regarded as the key directions. The basic theoretical research mainly expands from three perspectives, which are high precision novelty detection and time series prediction, fast online learning of multiple kernel machines and probability density estimation with small-size samples. To meet the requirements of practical applications, several problems are fully considered, which are whether the state of system drift, fault trend prediction in drifting state and the quantitative evaluation of system reliability. Ultimately, a full-process fault prediction and reliability evaluation hierarchy can be constructed. In applications, the effectiveness and advancement of algorithms will be verified through a comprehensive experiment relying on the inertial platform of missile weapon system and the real data. The relevant research and results will provide effective solutions and reliable decision basis for weapon system’s full-process state monitoring and evaluation, which possesses important theoretical sense and practical values.

多元时序驱动的建模方法是复杂系统故障预测和可靠性评估的有效途径，而非线性多核机器作为其中的一种重要工具，是当前研究的热点。本项目拟将多元时序的分析预测同多核机器建模及多核学习方法相融合，研究多元时序驱动的全流程故障在线预测及可靠性的定量评估方法。在理论上，以多核支持向量域建模、多核支持向量回归建模、多核概率密度估计建模及各多核机器的学习方法为重点方向，从高精度的奇异值检测与时序预测、多核机器的快速在线学习、小样本概率密度估计等角度展开研究。并从实际需求入手，充分考查系统状态是否发生漂移，漂移状态下故障趋势预测，以及系统可靠性定量评估等问题，构建全流程故障预测与可靠性评估体系。在应用方面，依托导弹武器系统惯性平台及其实测数据，进行综合实验，验证所提算法的有效性和先进性，为武器系统的全流程状态监测和评估提供有效的解决方案和可靠的决策依据，具有重要的理论意义和实用价值。

多元时序驱动的建模方法是复杂系统故障预测和可靠性评估的有效途径，而非线性多核机器作为其中的一种重要工具，是当前研究的热点。本项目将多元时序的分析预测同多核机器建模及多核学习方法相融合，重点研究了多元时序驱动的全流程故障在线预测及可靠性的定量评估方法。主要研究内容包括：（1）正常工作阶段多元时序驱动的系统状态监测及漂移状态的快速判定；（2）潜在故障阶段多元时序驱动的系统漂移趋势在线精确预测；（3）系统可靠性定量评估方法；（4）基于多元时序和多核机器模型的故障预测和可靠性评估综合实验验证。在理论上，以多核支持向量域建模、多核支持向量回归建模、多核概率密度估计建模及各多核机器的学习方法为重点方向，从高精度的奇异值检测与时序预测、多核机器的快速在线学习、小样本概率密度估计等角度展开研究。并从实际需求入手，充分考查系统状态是否发生漂移，漂移状态下故障趋势预测，以及系统可靠性定量评估等问题，构建全流程故障预测与可靠性评估体系。在应用方面，依托导弹武器系统惯性平台及其实测数据，进行综合实验，验证所提算法的有效性和先进性。本项目特色是理论研究密切结合应用实际，所提出的理论方法均经过了实验验证。创新点在于：（1）将复杂系统的健康状态监测归纳为正常工作状态监测、漂移状态预测和可靠性定量评估三个关键问题，提出了全流程故障预测与可靠性评估的概念与体系，为系统故障预测和可靠性定量评估提供更完善的方法；（2）面向多元时序，确立了将多核机器和多核学习方法作为主要工具和理论方法，并从系统状态监测、故障预测和可靠性评估三方面入手，分别构建了多核支持向量域模型、多核在线回归模型和多核概率密度估计模型，并分别提出了高效的多核机器学习方法；（3）基于正常工作和漂移阶段提供的预测结果，提出了定量衡量系统异常程度的指标计算模型，从而建立了面向多元时序的复杂系统可靠性定量评估新方法。本项目的相关成果为武器系统的全流程状态监测和评估提供了有效的解决方案和可靠的决策依据，具有重要的理论意义和实用价值。