基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测方法研究.pdf

《基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测方法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、振动与冲击第33卷第8期JOURNALOFVIBRATIONANDSHOCK基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测方法研究张星辉，康建设，赵劲松，肖雷，曹端超，刘浩(1．军械工程学院，石家庄050003；2．军事交通学院，天津300161；3．重庆大学重庆400030)摘要：提出了基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测新方法，将变量消元和期望最大化算法相结合对模型进行推理，应用聚类评价指标对状态数进行优化，通过计算待识别特征向量的概率值来确定设备当

2、前的退化状态，在退化状态识别的基础上，提出了剩余使用寿命预测方法。最后，分别应用50组轴承全寿命仿真数据和3组轴承全寿命实验数据对模型进行验证。结果表明，该模型可有效地识别设备的退化状态并对剩余使用寿命进行预测。关键词：混合高斯输出贝叶斯信念网络模型；退化状态识别；剩余使用寿命预测；轴承中图分类号：TH165．3文献标志码：ADOI：10．13465／j．cnki．jVS．2014．08．030Equipmentdegradationstateidentificationandresiduallifepredi

3、ctionbasedonMoG-BBNZHANGXing．hui，KANGJianshe，ZHAOJin—song，XIAOLei，CAODuan—chao，Hao(1．OrdnanceEngineeringCollege，Shijiazhuang050003，China；2．MilitaryTransportationCollege，Tianjin300161，China；3．ChongqingUniversity，Chongqing400030，China)Abstract：Anewapproachfore

4、quipmenthealthstateidentificationandresiduallifepredictionbasedonmixtureofGaussianBayesianbeliefnetwork(MoG·BBN)waspresented．Theinferencealgorithmwasestablishedbasedonvariableelimination(VE)andexpectationmaximization(EM)．Statenumberwasoptimizedbasedoncluster

5、validityindexes．Theequipmentdegradationstatewasdeterminedthroughcalculatingtheprobabilityofeigenvectorstobeidentified．Then，theresiduallifepredictionmethodwaspresentedbasedonidentifyingthedegradationstate．Finally，50bearingswholelifesimulationdataand3beatingsw

6、holelifetestdatawereusedtodemonstratetheproposedmethods．Theresultsshowedthattheproposedmethodcanbeusedtoidentifydegradationstatesofanequipmentandpredictitsresiduallifeeffectively．Keywords：mixtureofGaussianBayesianbeliefnetwork；healthstateidentification；resid

7、uallifeprediction；bearing基于状态的维修(ConditionBasedMaintenance，建立有效的物理模型对RUL进行预测。而基于数据驱CBM)是指由安装在设备外部的传感器获取设备运行动的方法则可以直接利用状态监测数据对RUL进行预时的状态信息后，通过对状态信息进行分析，判断设备测。其主要方法有：人工神经网络(ArtificialNeural当前所处的退化状态并对设备的剩余使用寿命(Re．Network，ANN)-4、隐马尔可夫族模型(HiddenMark．mainingUsefu

8、lLife，RUL)进行预测，在此基础上对设备OVModels，HMM)、支持向量机(SupportVectorMa—的维修活动进行规划。目前，RUL预测方法主要有两chine，SVM)¨、比例风险模型(ProportionalHazards种：基于物理模型的方法和基于数据驱动的方法。Model，PHM)¨”和状态空间模型(StateSpaceModel，Bechhoefer等⋯应用P