关键词：退化状态建模;;剩余寿命预测;;深度学习;;轴承;;涡轮发动机
摘 要：随着科学技术的发展,分析机械设备产生的海量数据进而为设备的自主健康管理、自主保障等提供有益的决策信息成为工业界的重要任务之一,其中对机械设备进行退化状态建模及剩余寿命(Remaining Useful Life,RUL)预测是核心内容。传统方法因过度依赖信号处理技术及专家经验,处理复杂时间序列预测精度待提高等问题,逐渐无法满足准确、高效的设备健康管理要求,因此寻找更优的机械设备退化状态建模及剩余寿命预测方法成为愈加重要的研究课题。深度学习作为近年来的新兴算法,以强大的高层特征提取能力及非线性函数映射能力在诸多领域取得了优异成果,但在机械设备的健康管理领域的研究仍待发掘。本文以解决传统方法中的问题为出发点,深入研究了基于深度学习的设备退化状态建模方法,并在获得退化曲线后进行剩余寿命预测方法的研究。本文从机械设备的一维和多维监测数据两种情况出发,分别以轴承和涡轮发动机为例,开展了数据驱动方式下的机械设备退化状态建模和剩余寿命预测研究。首先,以典型的轴承振动监测数据为研究对象,在对比现有深度学习模型优缺点的基础上,提出了基于堆叠去噪自编码器(Stacked denoising autoencoders,SDAE)和自组织映射(Self-organizing mapping,SOM)的轴承退化状态建模方法,并在PHM2012数据集上进行算法的性能验证。其次,本文以涡轮发动机多传感器监测数据为研究对象,提出了基于SDAE的涡轮发动机退化状态建模方法,并利用CMAPSS数据进行实验验证。最后,本文对比了已有的剩余寿命预测模型,最终选择了基于长短时记忆网络(Long Short-Term Memory,LSTM)的机械设备剩余寿命预测方法,并在已获得的轴承和涡轮发动机退化曲线的基础上进行实验验证。研究结果表明,与传统的机械设备退化状态建模方法相比,本文提出的基于深度学习的退化状态建模方法在一维和多维监测数据下均可以构建出更加平滑且噪声更小的性能退化曲线,具备更好的时间关联性和单调性。并且该方法较少地依赖人工参与,整个过程以无监督方式进行,通用性较好。在构建出退化曲线的基础上,LSTM预测模型将设备健康值直接映射到RUL值的方式在轴承和涡轮发动机上两种典型机械设备上取得了优异的RUL预测结果,进一步验证了退化状态建模的必要性和LSTM预测模型的有效性。
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