退化数据驱动的设备剩余寿命预测研究

《退化数据驱动的设备剩余寿命预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TP206学校代号：1〇1〇9密级：公开TaiyuanUniversityofScience&Technology硕士学位论文THESISOFMASTERDEGREE(学术型）退化数据驱动的设备剩余论文题目:寿命预测研究____________________研翅生名:史华洁__________________________指导教师：薛颂东副教授__________________学科专业：系统工程________________________学习年限：2012年9月一2015年7月

2、论文独创性声明本人郑重声明：所呈交的论文，是本人在导师指导下，独立进行研究所取得的成果。除文中特别加以标注和致谢的地方外，论文中不包含其他个人或集体己经发表或撰写的研究成果。对本研究所做的任何贡献的个人或集体均己在论文中作了明确的说明并表示了谢意。本声明产生的法律责任由本人承担。论文作者签名：^B期:201S乂1分类号：TP206学校代码：10109密级：公开太原科技大学硕士学位论文（学术型）学位论文题目：退化数据驱动的设备剩余寿命预测研究研究生姓名：史华洁导师姓名及职称：薛颂东副教授培养单位：

3、电子信息工程学院学科专业：系统工程论文提交日期：2015年5月论文答辩日期：2015年6月5日答辩委员会主席：韩焱教授摘要设备预测与健康管理，是利用设备状态监测数据预测剩余寿命、确定维修策略，以实现维修保障费用和设备失效风险最小化。显然，设备剩余寿命预测是设备维修决策的前提。对于具有“小样本、贫信息”失效数据特性的高可靠、长寿命复杂设备，利用实时状态监测数据预测设备剩余寿命是一种有效方法。因此，研究退化数据驱动的设备剩余寿命预测，具有理论意义和应用价值。典型的数据驱动剩余寿命预测方法分为基于计算

4、智能的剩余寿命预测和基于概率统计的剩余寿命预测等两类，本文围绕两类方法分别进行研究。针对一种故障可表征为多种特征信号，即设备剩余寿命与多个性能参数相关的情形，研究了多变量灰色系统预测模型。首先，对原始数据序列进行一次累加，并采用非齐次指数函数对其拟合，进而重构背景值计算公式，建立背景值优化的多变量灰色系统预测模型，得到原始数据序列的初始预测值。然后，利用神经网络建立残差序列与原始数据序列之间的映射关系，训练RBF神经网络；最后，将改进的模型和RBF神经网络集成，建立多变量灰色误差神经网络预测模型

5、。以某型继电器为对象，对表征其寿命特征的三个性能退化参数预测的结果表明，该法能够有效提高预测精度。针对设备运行环境、负载等动态变化，造成同类设备的退化存在差异，单台设备的剩余寿命具有随机性的特点，提出一种融合先验退化数据和设备自身现场退化数据的剩余寿命预测方法。首先，建立符合非线性Wiener过程描述的设备退化模型，确定设备的剩余寿命分布。然后，采用极大似然法估计模型中的未知参数，并使用贝叶斯方法融合新增的现场退化数据实时更新模型参数，对设备实时剩余寿命进行评估。数值仿真和激光发生器实例仿真的结

6、果表明，该法能够较好地体现设备的个体差异，显著降低剩余寿命分布的不确定性。关键词：剩余寿命；数据驱动；退化；非线性维纳过程；多变量灰色模型ABSTRACTPrognosticandHealthManagement(PHM)basedtechnologiesfocusonpredictingequipments’remaininglifeandondeterminingmaintenancestrategytomakeexpensesofmaintenanceandsupportaswellasr

7、iskoffailureminimized,byusingequipmentconditionmonitoringdata.Apparently,maintenancedecisionmakingforequipmentisbasedonremaininglifetime(RUL)prediction.Asforspecialequipmentwithcharacteristicofhigh-reliabilityandlong-lifebutsmallsample-andpoorinforma

8、tion-typedata,aneffectivemethodofRULpredictionishowtomakeuseofreal-timestatusmonitoringdata.Therefore,researchingRULpredictionwithdegradationdata-drivenhasboththeoreticalsignificanceandapplicationvalue.TakingclassificationofequipmentsRULpredictioninm