基于半随机滤波-期望最大化算法的剩余寿命在线预测

《基于半随机滤波-期望最大化算法的剩余寿命在线预测》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、航空学报Feb．252015VDI．36No．2555．563AclaAeronauticaetAstronauticaSinicalSSN1000．6893CN11．1929／V===========================================一http：∥hkxb．buaa．edu．cnhkxb@buaa．edu．cn基于半随机滤波一期望最大化算法的剩余寿命在线预测冯磊1，王宏力1，司小胜1，杨晓君1，，王标标21．第二炮兵工程大学，西安7100252．96275部队，洛阳47l003摘要

2、：剩余寿命(RL)预测是设备预测维护的关键环节。准确在线预测能够为维护策略的实时安排提供更加精确的技术支持，有效避免失效的发生。工程实际中，反映设备退化过程的性能指标往往不能直接监测，为解决隐含退化过程的剩余寿命在线预测问题，提出一种基于半随机滤波～期望最大化(EM)算法的预测方法。首先以剩余寿命为隐含状态，构建状态空间模型描述直接监测数据与设备剩余寿命间的随机关系。为实现单个设备剩余寿命的在线预测，依据到当前时刻为止的监测数据，采用扩展卡尔曼滤波(EKF)与期望最大化算法相互协作的方法实时估计与更新模型未知参数

3、和剩余寿命分布。最后，将该方法用于惯性测量组合(IMU)剩余寿命在线预测问题，实验结果表明该方法能够提高预测的准确性并减少预测的不确定性。关键词：剩余寿命；预测；半随机滤波；期望最大化；扩展卡尔曼滤波中图分类号：V249．32+2；TP202+．1文献标识码：A文章编号：1000一6893(2015)02一0555一09随着状态监测技术的进步，依据设备退化状态的历史监测数据以及实时监测信息，对设备进行主动维护与更换的预测维护方式日益受到研究人员的重视。与被动维护和预防性维护不同，预测维护能够实现实时维护策略安排。

4、其中，准确实时预测剩余寿命(RL)是预测维护的关键环节，能够为后续的维护策略安排提供有力的决策支持。因此，剩余寿命预测成为当前预测维护的研究热点之一[川。工程实际中，随着设备复杂性的不断提高，有时难以对设备的退化过程进行直接监测，或者直接监测成本过高。设备的退化过程是隐含的，实际监测数据与隐含退化过程或者与设备的剩余寿命之间存在一定的随机关系。针对此种情况，研究人员提出了许多建模方法预测剩余寿命，如随机滤波模型‘引、协变量风险模型嘲、隐含马尔可夫模型[41等。其中，基于随机滤波的预测方法能够在Bayesian框架

5、下，通过构建观测方程和状态方程，自然地融入监测数据，使得预测的剩余寿命不仅能够依赖于当前的监测数据，而且能够依赖于整个历史监测信息，因而得到了比较广泛的关注与应用。但是传统的随机滤波方法需要预先设定隐含状态的失效阂值。由于退化状态是隐含的或部分可监测的，阈值选择是一个难点问题[1]，文献中通常利用经验知识确定。阈值选择不合理会增加剩余寿命预测的不确定性，降低预测精度，特别是新型设备，无法根据经验确定失效阈值。为了克服上述不足，文献[5]提出了一种半随收稿日期：2013．12—30；退修日期：2014—02—19；

6、录用日期：2014-09—15；网络出版时间：2014-09—1914：51网络出版地址：wwwcnki．net／kcms／detail／10．7527／S1000．6893．2014．0257．hlmI基金项目：国家自然科学基金(61174030．61304240。61374126，61473094)；中国博士后科学基金(2014M552589)*通讯作者T“：029—84741447E—ma．}：yxi029@163．∞m飘用格武tFengL．wangHL．sixs．ela

7、．Rea㈨meresimaI

8、lf

9、epredidionbasedonsemi—stochasticf．I{eranaexDedalionmax．m

10、zal

11、ona

12、gDri}flFn[J]．AcfaAeron8uti(甚etAslronau“casinica，2815．36(2)：555巧63．冯磊，王宏力．司小鞋．等．基于半随机滤波-期望最走彳艺算法的翻余寿命在线强藏￡JI．航空学报．2015。36(2)：555'563j556航空学报Feb．252015Vof．36No，z机滤波的剩余寿命预测模型，该模型指出直接监测信息与剩余寿命之间存在一定

13、的随机关系，并假设在一定的时间间隔内没有对设备进行维护操作，则设备剩余寿命的减少量即时间间隔的长度，通过将剩余寿命直接作为状态空间模型的状态变量，利用Bayesian滤波技术得到设备的条件剩余寿命分布，不需要预先设定失效阈值，有效克服了传统随机滤波方法的缺点。近年来，研究人员主要从4个方面对半随机滤波模型进行了拓展研究：考虑延迟时间模型[61；引入专家知识等主观信息[71