夏爽

摘要：對于一些本身結(jié)構(gòu)比較復(fù)雜和精密的設(shè)備，如航空機(jī)電設(shè)備，其故障呈現(xiàn)出漸發(fā)性的特點(diǎn)，而且一旦發(fā)生故障，將會帶來非常嚴(yán)重的后果。因此，做好設(shè)備健康狀態(tài)的評估和預(yù)測，及時對設(shè)備進(jìn)行檢修維護(hù)，是保障設(shè)備安全穩(wěn)定運(yùn)行，防止安全事故發(fā)生的關(guān)鍵。本文以提出了基于多距離形態(tài)相似度評估（M-DSSE）以及相關(guān)向量機(jī)（EVM）的航空機(jī)電設(shè)備健康狀態(tài)預(yù)測方法，實(shí)踐證明，該方法得到的結(jié)果與實(shí)際情況相吻合。

Abstract： For some complex and sophisticated equipment， such as aeronautical electromechanical equipment， its failure is characterized by gradual development， and once failure occurs， it will bring very serious consequences. Therefore， to do a good job of equipment health assessment and forecast， and timely maintenance and repair of equipment is the key to ensure the safe and stable operation of equipment to prevent the occurrence of security accidents. In this paper， we propose a method to forecast the health status of aeronautical electromechanical equipment based on multi-distance morphological similarity assessment （M-DSSE） and correlation vector machine （EVM）. The results show that the method is consistent with the actual situation.

關(guān)鍵詞：M-DSSE；RVM；航空機(jī)電設(shè)備健康狀態(tài)預(yù)測

Key words： M-DSSE；RVM；aviation mechanical and electrical equipment health status prediction

中圖分類號：TV734 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2017）11-0158-02

0 引言

在自動化、智能化技術(shù)飛速發(fā)展的帶動下，各類機(jī)電設(shè)備不斷涌現(xiàn)，在許多領(lǐng)域中發(fā)揮著重要作用，而這些機(jī)電設(shè)備本身相對復(fù)雜，為了保證其運(yùn)行安全，需要做好設(shè)備的狀態(tài)監(jiān)測和評估。健康狀態(tài)預(yù)測是指通過對設(shè)備運(yùn)行狀態(tài)的評估，獲取相應(yīng)的健康指數(shù)，借以分析設(shè)備健康狀態(tài)的變化趨勢，明確維修方案，以減少設(shè)備故障發(fā)生的幾率。

1 健康狀態(tài)的評估和預(yù)測

1.1 健康狀態(tài)評估

健康指數(shù)HI是健康評估的表示方式，其取值在0-1之間，數(shù)值越高，表明設(shè)備的越健康，反之，則表明設(shè)備存在功能性故障，需要及時進(jìn)行維修和更換。就目前而言，健康狀態(tài)評估的一般方法有兩種，一是基于模型驅(qū)動的方法，需要在深入了解設(shè)備故障機(jī)理的前提下，經(jīng)全面分析，確定可以體現(xiàn)設(shè)備性能退化的健康指標(biāo)，在監(jiān)測信息與設(shè)備性能退化之間，構(gòu)建相應(yīng)的關(guān)聯(lián)模型，實(shí)現(xiàn)對設(shè)備健康狀態(tài)的有效評估。這種方法不要求大量的監(jiān)測數(shù)據(jù)，而且準(zhǔn)確度較高，不過受設(shè)備故障模式差異以及性能退化進(jìn)程隨機(jī)性的影響，并不能準(zhǔn)確構(gòu)建退化模型；二是基于數(shù)據(jù)驅(qū)動的方法，主要是構(gòu)建檢測信息與設(shè)備性能退化之間的關(guān)系模型，適用于對設(shè)備全壽命周期健康狀態(tài)的評估，具體來講，包括有相似度評估法、組合賦值法等，以相似度評估法為例，主要是結(jié)合已有樣本和測試樣本，計(jì)算相似關(guān)聯(lián)度，歸化為健康指標(biāo)，以完成對設(shè)備健康狀態(tài)的評估，在實(shí)際應(yīng)用中，需要結(jié)合具體問題，選擇合適的關(guān)聯(lián)度計(jì)算方法[1]。

1.2 健康狀態(tài)預(yù)測

設(shè)備健康狀態(tài)預(yù)測的主要目的，是結(jié)合健康狀態(tài)評估得到的健康指數(shù)，預(yù)測未來一段時間內(nèi)設(shè)備的健康狀態(tài)，判斷剩余壽命、設(shè)備運(yùn)行風(fēng)險和故障時間，從而為制定科學(xué)的維修決策提供參考。在當(dāng)前的環(huán)境下，基于數(shù)據(jù)驅(qū)動的健康狀態(tài)預(yù)測方法包括神經(jīng)網(wǎng)絡(luò)理論以及相關(guān)向量機(jī)RVM、時間序法、灰色數(shù)學(xué)法、專家系統(tǒng)法等，相比較而言，RVM是在支持向量機(jī)的基礎(chǔ)上進(jìn)行的眼神，能夠有效解決設(shè)備健康預(yù)測中存在的各種問題，也因此備受關(guān)注。

2 設(shè)備健康狀態(tài)預(yù)測模型

2.1 基于M-DSSE的健康狀態(tài)評估

想要做好設(shè)備健康狀態(tài)的評估工作，需要首先進(jìn)行信息的采集，確保其能夠準(zhǔn)確反映設(shè)備的健康狀態(tài)，然后經(jīng)數(shù)據(jù)整理和特征量提取，得到相應(yīng)的狀態(tài)向量，將其與設(shè)備正常的狀態(tài)向量以及故障工況下的狀態(tài)向量進(jìn)行相似關(guān)聯(lián)度計(jì)算，就可以評估設(shè)備當(dāng)前健康狀態(tài)與正常狀態(tài)以及故障狀態(tài)的相似程序，結(jié)合歸一化處理，能夠得到設(shè)備當(dāng)前的健康指數(shù)[2]。

為了保證采集到的監(jiān)測信息的準(zhǔn)確性，這里采用多信息源的監(jiān)測信息，以向量相似度來進(jìn)行多信息源健康指數(shù)的計(jì)算[3]。首先，將多信息源條件下設(shè)備的健康指數(shù)向量定義為HI=（hi1，hi2，…，hin），由n個單信息源條件下獲取的健康指數(shù)構(gòu)成，定義正常狀態(tài)下設(shè)備的健康指數(shù)向量為HI'g，則結(jié)合向量相似度，可以計(jì)算出設(shè)備的健康指數(shù)HI，有

2.2 基于RVM的健康狀態(tài)預(yù)測

在經(jīng)健康狀態(tài)評估得到設(shè)備的健康指數(shù)后，可以運(yùn)用RVM回歸模型，完成設(shè)備健康狀態(tài)預(yù)測，明確設(shè)備性能的退化趨勢?；貧w模型可以在有監(jiān)督的學(xué)習(xí)過程中，給出訓(xùn)練樣本集，開展向尹的學(xué)習(xí)，建立起輸入向量xn與估計(jì)函數(shù)tn的關(guān)系模型，對新的輸入向量的位置目標(biāo)進(jìn)行預(yù)測。這里定義tn為觀測點(diǎn)n的健康指數(shù)，xn=[tn-1，tn-2，…，tn-t]。預(yù)測函數(shù)f可以通過定義在輸入空間內(nèi)的核函數(shù)的線性組合來實(shí)現(xiàn)[4]，有y（x；ω3 實(shí)例分析

以某航空機(jī)電設(shè)備為對象，驗(yàn)證本文提出的基于M-DSSE和RVM的設(shè)備健康狀態(tài)預(yù)測的有有效性。監(jiān)測數(shù)據(jù)選擇設(shè)備的電壓和電流信號，設(shè)置采樣頻率為6.4kHz，分別對設(shè)備正常狀態(tài)和故障狀態(tài)連續(xù)采樣3.2s，得到相應(yīng)的樣本集，依照順序，對數(shù)據(jù)進(jìn)行分割，形成20個數(shù)據(jù)段，每段細(xì)分為1024個采樣點(diǎn)。依照上述采樣頻率及時間，以等間隔的方式采集退化狀態(tài)信號，形成30組樣本數(shù)據(jù)。

3.1 健康狀態(tài)評估

以電壓信號為例，對設(shè)備健康狀態(tài)評估的過程進(jìn)行描述和分析。結(jié)合采集到的數(shù)據(jù)，運(yùn)用時域分析法，可以得到相應(yīng)的結(jié)果：脈沖因子值1.3502，峰值因子值4.1176，均方根值1.0163，峰峰值2.9517，波性因子1.0163。對于采集到的設(shè)備正常狀態(tài)信號，利用db6小波包進(jìn)行分解，得到一個時間段內(nèi)不同頻帶內(nèi)信號重構(gòu)圖在MATLAB上的仿真，繼而可以計(jì)算出各個頻帶內(nèi)的能量歸一化數(shù)值。同理，可以計(jì)算電壓退化與故障狀態(tài)的時頻分析和時域分析特征向量，以及電流的相關(guān)數(shù)值。運(yùn)用本文提出的方法，對得到的狀態(tài)特征向量進(jìn)行計(jì)算，可以得出30個退化點(diǎn)的健康指數(shù)[6]，依照1-30的觀測點(diǎn)標(biāo)號，其相應(yīng)的健康指數(shù)依次為0.876、0.863、0.854、0.839、0.802、0.812、0.821、0.783、0.792、0.736、0.769、0.745、0.721、0.759、0.660、0.613、0.707、0.627、0.684、0.530、0.562、0.578、0.513、0.590、0.401、0.436、0.484、0.354、0.466.

3.2 健康狀態(tài)預(yù)測

在公式中，σ表示核參數(shù)，xi表示核函數(shù)的中心。從RVM模型的性能考慮，必須做好核參數(shù)的選擇。

從上述30個退化點(diǎn)中選擇1-20號觀測點(diǎn)的健康指數(shù)作為訓(xùn)練樣本，構(gòu)建完善的健康狀態(tài)預(yù)測模型，通過交叉驗(yàn)證優(yōu)化選擇，得到RVM的最優(yōu)核參數(shù)為3.75。結(jié)合模型，預(yù)測21-30號退化狀態(tài)觀測點(diǎn)的健康指數(shù)，將得到的結(jié)果與實(shí)踐序列模型ARMA、SVM模型以及BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比分析。不同模型對于設(shè)備健康狀態(tài)預(yù)測的相對誤差為：觀測點(diǎn)為21時，RVM為0.1692，SVM為0.1692、BPNN為0.5247，ARMA為0.3385；觀測點(diǎn)為22時，RVM為0.5509，SVM為0.7464、BPNN為1.8482，ARMA為1.4750；觀測點(diǎn)為23時，RVM為0.3631，SVM為0.7086、BPNN為1.4352，ARMA為1.0721；觀測點(diǎn)為24時，RVM為1.0118，SVM為1.6151、BPNN為5.8571，ARMA為4.0474；觀測點(diǎn)為25時，RVM為1.7719，SVM為2.1489、BPNN為5.2968，ARMA為3.9208；觀測點(diǎn)為26時，RVM為1.1156，SVM為1.7807、BPNN為8.9251，ARMA為6.0287；觀測點(diǎn)為27時，RVM差為1.7120，SVM為2.1452、BPNN為8.3539，ARMA為5.5693；觀測點(diǎn)為28時，RVM為2.5854，SVM為4.1427、BPNN為15.0237，ARMA為11.9291；觀測點(diǎn)為29時，RVM為1.4220，SVM為2.6146、BPNN為11.1926，ARMA為7.8669；觀測點(diǎn)為30時，RVM為3.5028，SVM為5.8475、BPNN為20.5367，ARMA為16.7231。

可以看出，在預(yù)測精確度上，本文提出的方法要超過其他三種預(yù)測模型，也就是說性能更加優(yōu)越，這也證明了基于M-DSSE和RVM的復(fù)雜裝備健康狀態(tài)預(yù)測模型的合理性和可靠性。

4 結(jié)語

本文提出了一種基于M-DSSE和RVM的復(fù)雜裝備健康狀態(tài)預(yù)測方法，經(jīng)實(shí)踐驗(yàn)證，該方法的預(yù)測精度高，可靠性強(qiáng)，可以對設(shè)備在未來一段時間內(nèi)的健康狀態(tài)變化進(jìn)行預(yù)測，從而為設(shè)備的預(yù)知維修提供必要的技術(shù)支持，在保障設(shè)備安全可靠運(yùn)行，延長設(shè)備使用壽命等方面意義重大，希望能夠得到重視和推廣。

參考文獻(xiàn)：

[1]陳雄姿，于勁松，陸文高，李行善.基于綜合健康指數(shù)與RVM的系統(tǒng)級失效預(yù)測[J].系統(tǒng)工程與電子技術(shù)，2015，37（10）：2298-2305.

[2]鄧力，徐廷學(xué)，范庚，吳明輝.基于M-DSSE和RVM的復(fù)雜裝備健康狀態(tài)預(yù)測[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（11）：3997-4002.

[3]周建寶.基于RVM的鋰離子電池剩余壽命預(yù)測方法研究[D].哈爾濱工業(yè)大學(xué)，2013.

[4]王芳.基于健康狀態(tài)的重型裝備維修計(jì)劃決策與系統(tǒng)研發(fā)[D].哈爾濱工業(yè)大學(xué)，2015.

[5]范庚，馬登武.基于EMD和RVM-AR的航空發(fā)動機(jī)磨損故障預(yù)測模型[J].計(jì)算機(jī)測量與控制，2013，21（7）：25-28.

[6]柏駿，夏靖波，趙小歡.一種基于EMD和RVM的自相似網(wǎng)絡(luò)流量預(yù)測模型[J].計(jì)算機(jī)科學(xué)，2015，42（1）：122-125.