关键词：隐马尔科夫模型;;支持向量回归;;深度学习;;集成学习;;服役可靠性评估
摘 要：随着中国由制造大国向制造强国发展,国产机械装备在各个方面均有很大提升,但高端机械装备的技术水平与国际先进水平还存在较大差距。其中,机械装备的可靠性是制约高端机械装备行业发展的重大共性和关键性工程问题之一。机械装备服役可靠性的评估,作为一种对机械装备可靠性进行定量控制的必要手段,其主要任务是衡量机械装备在服役过程中是否达到设计及使用要求,实时评估机械装备可靠性状态,保证装备高效可靠运行。经典的基于概率统计的可靠性评估方法对失效数据样本量有着苛刻的要求,同时这些方法也不适用于对单台机械装备可靠性和实时可靠性的评估。因此,本文从性能退化的角度出发,研究机械装备服役可靠性的评估方法,主要内容如下:(1)分析机械装备的性能退化现象,采用隐马尔科夫模型(Hidden Markov Model,HMM)描述性能退化过程与机械装备运行状态之间的隐含关系。考虑到传统HMM可靠性评估方法时间离散的性质难以准确表示机械装备性能退化过程随时间连续变化的特点,提出一种改进的连续时间变换HMM可靠性评估方法。该方法通过连续时间变换得到其状态转移强度,并求解柯尔莫戈洛夫微分方程计算其可靠度。滑动导轨算例表明,该方法能利用离散的性能退化数据实现对服役可靠性的连续评估,并验证了该方法较传统HMM方法具有更高的计算精度。以某型数控铣床性能退化数据为例,进一步验证了该方法的有效性和实用性。(2)针对机械装备性能退化数据难以采集的问题,考虑到振动信号也可以间接地反映了装备的可靠性状态,所以,本文以较易获取的振动信号作为数据源,提出一种基于经验模式分解(Empirical Mode Decomposition,EMD)样本熵的机械装备服役可靠性评估方法。该方法通过EMD算法对振动信号进行分解,并计算各固有模态分量的样本熵值作为其特征;结合Markov可靠性计算方法,并引入支持向量回归模型建立特征值与可靠度之间的映射关系,进而实现机械装备服役可靠性的评估。结果表明,该方法能有效地提取振动信号中的性能退化特征,实现从振动信号直接到服役可靠性的评估。最后,以某型数控铣床为对象验证了该方法是行之有效的。(3)对目前服役可靠性评估方法需要掌握大量信号处理技术和工程实践经验来提取状态特征的问题,提出一种基于深度特征学习的机械装备服役可靠性评估方法。该方法以机械频域信号作为输入来训练堆栈式自动编码器(Stacked Auto-Encoder,SAE)实现无监督地提取机械装备性能退化过程中的深度特征;考虑机械装备性能退化的特点,引入相关性评价和单调性评价构成特征评价指标(Cri指标)对特征进行评价;提出一种基于状态特征空间距离的服役可靠性计算方法,实现机械装备服役可靠性的动态评估。轴承评估实例表明,该方法摆脱了复杂的信号处理技术和专家经验,实现了性能退化特征的无监督、自适应提取,评估结果能较好的反映其性能退化过程。(4)机械装备服役可靠性的变化是一种多因素耦合的复杂性能退化现象,单一SAE从某一方面提取的深度特征不足以全面地描述机械装备的性能退化过程。因此,本文利用集成学习“分而治之、优势互补”的思想,提出一种基于深度特征集成提取的机械装备服役可靠性评估方法。该方法通过初始化多组不同的SAE超参数组合(网络层数和网络节点个数),分别从不同的角度来学习机械装备的性能退化特征;对特征进行聚类,并筛选出与聚类中心相关性较高的特征构成多元集成特征集合;结合内容(3)中提出的服役可靠性计算方法对机械装备服役可靠性进行评估。轴承实例分析结果表明,该方法有效地利用了不同超参数组合的多个SAE之间的独立性和互补性,实现深度特征的集成提取,从而更加全面地反映机械装备的性能退化特性。此外,该方法所提取的性能退化特征优于各单一SAE所提取的特征,并且具有很好的泛化能力。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取