总体受限类装备关键零部件动态自适应状态监测方法研究

The establishment of diagnostic ability for intelligent fault diagnosis methods relies on the machine learning from a large amount of fault data samples, which have to be sampled from substantial homogeneous observation units. However, the limitation in the number of observable homogeneous units of equipment with limited population results in the lack of fault data samples and the incompleteness of sample space, which leads to a "small data" trap. Realizing that accurate and stable condition recognition can be obtained by adapting the diagnostic models to the dynamic characteristics of the monitored objects, this project aims to propose dynamically self-adaptive feature extraction and condition recognition methods systematically. This project will study：1) the adaptive multi-characteristic feature extraction and selection methods，to satisfy multiple numerical characteristic demands from the condition recognition modeling with small data samples; 2) the diagnostic method with domain adaptation ability, in order to solve the deterioration of generalization ability of diagnostic models, caused by the differences in working conditions and mechanical part properties; 3) the online incremental learning algorithms for diagnostic ability involving, by the online learning of monitored data and incremental learning of new machine conditions. The expected research results can be turned into technical supports for condition monitoring of equipment with limited population, and enrich the fault diagnosis theory with small data samples.

智能故障诊断方法需要通过对大量同质观测单位故障样本的机器学习建立对设备状态的诊断能力，而总体受限类装备在可观测同质单位数量上的限制客观造成了其故障样本少，样本不完备的小数据困境。本项目旨在系统地提出动态自适应的特征提取和状态识别方法，以智能故障诊断模型对监测对象动态特性的自适应实现小样本条件下准确而稳定的设备状态识别。具体包括：1）研究基于稀疏性约束的多特性特征自适应提取与选择方法，以满足小数据条件下故障诊断建模对特征的数值特性要求；2）研究域自适应故障诊断方法，解决监测工况、个体差异导致的智能诊断模型泛化能力下降的问题；3）研究诊断能力在线增量学习算法，以对实时监测数据的在线学习和新设备状态的增量学习实现诊断能力的不断进化。预期研究成果将为总体受限类装备的状态监测提供理论与方法支撑，并进一步扩展小样本条件下的故障诊断理论。

总体受限类装备泛指统计上同质观测个体数量有限的装备。基于数据驱动的故障诊断方法有赖于对大量监测数据的机器学习来建立对装备故障模式和演化规律的一般性认知，而总体受限类装备由于可观测个体数量的限制造成了其诊断建模面临着“小数据”困境。本项目研究结合总体受限类装备状态监测的工程实际开展了理论与方法研究，具体包括以下方面。.（1）以感知哈希为理论基础提出了新的设备状态特征提取框架，并分别提出了基于稀疏编码和子带编码的感知哈希特征提取方法。不同于传统的在变换域内进行统计量的计算，感知哈希特征提取以变换域中结构化特征进行降维哈希表示，而基于距离函数的特征相似性度量能够同时满足故障诊断和性能评估对信息表示的多计算特性要求。.（2）提出了基于测地流核函数的域自适应故障诊断方法。将工况、载荷等外在条件和损伤尺寸、材料变化等内在因素导致的特征分布子空间偏移用格拉斯曼流形进行表示，实现基于小数据训练得到的诊断能力在更一般的设备状态特征域中的自适应。所提出方法在轴承变工况变损伤程度故障诊断中进行了验证。.（3）研究了基于增量支持向量描述的诊断能力在线增量学习算法。基于增量支持向量描述实现对新故障的甄别和已知故障的诊断，从而实现在设备状态监测过程中进行诊断能力的进化。但设备运行过程各种内外因素的影响对诊断能力的进化仍是较大挑战。.（4）提出了基于失效原理的设备健康评估建模方法论。区别于系统辨识等建模方法，该方法论从物理失效角度建立间接的设备健康指标参数，并基于物理原理或经验模型将其与可直接观测参数建立关系模型，从而能够以先验知识弥补监测数据量的不足。.本项目研究发表SCI/EI论文7篇，其中一作SCI论文2篇；申请发明专利6项，已授权2项；协助/培养研究生3名；参加国际学术会议3人次。相关研究成果较为系统地为总体受限类装备的状态监测提供了理论与方法支撑，并为进一步提高监测的智能化水平奠定了理论研究基础。