机械设备性能退化的流形特征建模与量化评估预测研究

This study makes the machinery performance prognostics be the subject of its investigation,and aims to introduce the manifold learning and statistical learning-based theories and methods into the evaluation and prediction of machinery performance degradation. Through analyzing the dynamic behavior and information complex of multi-sensor signals under complicated working conditions, this study proposes a local and nonlocal preserving projection manifold learning algorithm to extract and select the key health features in the feature layer. The dynamic and random changes of machine performance generally result in the nonlinear, multimodal and time-varying characteristics in the feature data distributions. This study proposes a dynamic and online modeling scheme based on hidden Markov model (HMM), Bayesian inference and adaptive learning method, and then a failure risk probability-based indication is further proposed to quantify the states of the machinery performance degradation. In order to provide the common techniques and methods for foretelling and prediction of machinery performance degradation, a state space model-based scheme is proposed for modeling the dynamic propagation of the machinery performance degradation, and the integration of logic regression and high-order particle filter model is further proposed to predict the remaining useful life of the machine online. Therefore, this study will extend the theories and methodes of machinery performance prognostics maintenance, and realize the machine health information fusion, uncertainty information dealing and early prediction of machinery performance degradation. Finally, this study will provide the effective theory and method supports for the highly effective and reliable running of machines.

本研究以机械设备预诊维护为研究对象，系统地将流形与统计学习方法引入到设备性能退化量化评估与预测系统。在分析复杂工况下多传感信号的动态行为与信息复杂性基础上，在特征层提出综合局部与非局部信息融合的流形学习算法，解决表征设备性能的特征提取与选择问题；针对机械设备性能状态动态随机变化引起的特征数据分布非线性、多模态和时变性特点，提出基于隐马尔科夫模型、贝叶斯推论和自适应学习的设备性能退化在线动态建模策略和量化评估指标，以失效风险概率方式度量设备性能劣化状态；为了提供设备性能退化趋势预示与预防的共性技术与方法，进行基于状态空间数学模型的设备性能退化演变的动态建模，通过集成逻辑回归和高阶粒子滤波模型解决设备剩余寿命在线预测问题。通过本研究，扩展和完善了设备智能预诊维护的理论与方法体系，实现设备健康信息的融合、不确定信息处理及性能退化的早期预示和预测，为机械设备高效和可靠运行提供有效的理论和技术。

智能预诊维护系统对设备性能退化状态（如机械部件的磨损、裂纹、点蚀、不平衡等）进行持续的监测、评估和预测，并按需制定维护计划，在防止设备失效的同时，可显著减少设备的全寿命维护成本。本项目系统地研究机械设备性能退化的流形特征建模和评估预测系统，解决系统预诊过程的多传感信息融合、特征提取、状态建模、量化评估和剩余寿命预测等关键性科学问题。主要的研究内容与结果包括：（1）提出了基于信号多尺度分析、形态滤波、信号稀疏性保持的设备早期故障特征提取与预示方法；（2）通过融合多传感信号处理、流形学习与统计学习在数据层建立数据降维和冗余信息消除的数据分析流程和方法，在保持局部和非局部最优信息条件下提取表征设备性能的有效特征信息，提高后续系统状态建模和系统预测能力；（3）研究基于自适应隐马尔科夫模型的设备性能状态的实时自适应建模方法，综合失效概率指标和可视化模型，提取设备性能状态的量化信息与可视化信息、性能退化决策信息等多种重要的设备健康信息，实现设备性能状态退化过程的主动性建模和量化评估；（4）通过研究基于状态空间数学模型、逻辑回归模型和高阶粒子滤波相融合的性能退化预测模型和和结果不确定性分析方法，提供机械设备剩余寿命预测与预诊结果信任度评估的共性技术与方法，确保设备与系统高效率和可靠运行的目的；（5）实施研究成果在关键机械设备和其他部件（如引擎、轴承、刀具、锂电池等）的实际应用，提升了关键机械装备的运作性能和效率，推进研究成果的应用示范效应。课题组共发表(或录用)学术论文34篇，其中SCI源期刊论文12篇（包括IEEE /ASME Transactions系列及MSSP期刊论文7篇）。通过本研究，扩展和完善了设备智能预诊维护的理论与方法体系，实现设备健康信息的融合、不确定信息理及性能退化的早期预示和预测，为机械设备高效和可靠运行提供有效的理论和技术。