5348
浏览机电系统健康管理的数据处理方法及健康预测方法研究
摘要:随着现代科技的发展,航空航天、机械化工等各个领域的系统日渐复杂。其复杂性、综合性、集成性、和智能程度不断地提高,使得这些系统中的机电设备的生产开发,尤其是维护保障成本逐渐升高。同时,部件复杂性的增长必然导致其失效的几率增大,因此,复杂系统的故障诊断与维护逐渐被纳入系统设计者的考虑范畴。故障预测与健康管理(Prognostic and Health Management,PHM)技术利用系统的监测数据对系统的健康状态进行评估决策,避免系统故障造成的影响,保障系统安全运行的同时降低系统维护的开销。因此,深入研究与机电设备有关的PHM技术具有十分重要的理论与实践意义。本文围绕机电作动器的PHM方法,开展监测数据生成、监测数据筛选、设备故障诊断、剩余寿命预测等研究,主要研究内容如下:(1)针对机载机电作动器缺乏退化数据的情况,采用结合卷积神经网络与长短时记忆网络的生成对抗网络进行监测数据生成,扩充样本库,为后续研究提供样本数量保障。(2)为避免由于判别器效果不佳而导致出现生成样本与真实样本偏差较大的可能,采用支持向量数据描述对生成的监测数据进行筛选。在通过支持向量数据描述分别对其他类别样本进行分类检验,验证分类器有效性后,对样本进行筛选,保证了生成样本的有效性。同时利用上述支持向量数据描述对监测数据进行逐个单分类,综合分类结果得到设备的故障诊断结果。(3)采用粒子群算法解决高斯过程回归中核函数超参数确定问题,结合机电作动器卡塞故障下的温升特性,利用高斯过程回归方法进行机电作动器剩余寿命预测。并结合生成数据,利用生成数据拼接得到的生成全寿命序列得到粒子群算法的迭代初值,提高迭代收敛速度。
关键词:机电作动器;故障预测与健康管理;生成对抗网络;支持向量数据描述;高斯过程回归;
摘要
Abstract
第1章 绪论
1.1 课题背景及意义
1.2 国内外研究现状
1.2.1 PHM研究现状
1.2.2 时间序列数据生成方法
1.2.3 剩余寿命预测方法
1.3 本文主要研究内容和结构安排
第2章 机电设备监测数据样本生成
2.1 引言
2.2 基于RCCGAN的数据生成方法
2.2.1 生成对抗网络
2.2.2 卷积神经网络
2.2.3 长短时记忆网络
2.2.4 RCCGAN
2.3 仿真实验
2.3.1 FLEA数据集介绍
2.3.2 网络参数
2.3.3 生成结果
2.4 本章小结
第3章 生成数据筛选与故障诊断
3.1 引言
3.2 支持向量机
3.3 基于支持向量数据描述的数据筛选与故障诊断
3.4 仿真实验
3.5 本章小结
第4章 基于粒子群优化的高斯过程回归剩余寿命预测
4.1 引言
4.2 高斯过程回归
4.3 粒子群算法
4.4 基于粒子群算法的高斯过程回归剩余寿命预测参数优化
4.5 仿真实验
4.6 本章小结
结论
参考文献
致谢