0 引言
“智能制造”与“中国制造 2025”发展战略在制造业领域的落地过程中,各种仪器设备的应用和推广是
其中的关键和核心
[1]
.但由于设备的使用环境复杂多变,加之一些难以避免的人为因素,造成了设备的磨
损、腐蚀、碰撞或疲劳,进而产生设备零部件的退化和失效,从而引发事故,带来经济财产损失,甚至引
发人员伤亡
[2]
.因此,对于设备的健康诊断与寿命预测研究对实现智能制造具有重要意义
[1]
.
国外学者在对设备寿命与健康诊断的研究焦点主要集中在设备退化模型的建立方法以及模型的参数
估计方法上,总结出了一套设备寿命预测理论体系,如 Si 等
[3]
对维纳退化过程进行了深入的研究,针对模
型中具有的 3 个随机参数:时间、个体间差异性和测量误差分别进行了理论推导和验证,为后来的研究奠
定了深厚的理论基础,但问题是,该模型尚未考虑误差间的相关关系.后来,随着理论研究的不断深入,Li
等
[4]
在 Si 的研究之上提出了一种带有一阶自回归随机误差的维纳退化模型,探讨了误差间的相关关系,解
决了因存在相关关系而影响寿命预测精度的问题,但不足之处在于尚未考虑设备退化多阶段的问题.针对
这一问题,Zhang 等
[5]
第一次对两阶段维纳过程的一般形式进行了研究,得出了利用两阶段维纳模型解决
多阶段退化过程的一般形式.基于此,Wang 等
[6]
构建了针对有机发光二极管的两阶段维纳退化模型,并运
用贝叶斯理论进行了模型求解.在其研究基础之上 Gao 等
[7]
对其进行了扩展,提出了一种多阶段维纳退化
模型,为具有两阶段以上退化过程设备的寿命估计提供了解决思路.
在我国,众多学者的研究主要集中于退化模型的实践应用方面.比如:吴晓辉等
[8]
提出了一种加速线
性维纳退化模型,实现了对激光发生器寿命的预测.寇海霞等在文
[9]
中建立了风力机叶片的逆高斯过程退化
模型,实现了对风力发动机寿命的预测.以上两人在研究中都基于单一退化表征参数,但对于较为复杂的
设备而言单一参数并不能很好地代表设备的退化趋势,需要融合多个参数从而构建退化指示量
[10-12]
.赵申
坤等
[10]
提出了一种基于主成分分析和贝叶斯理论相结合的维纳退化模型,利用主成分分析法融合多源退化
表征参数,构建了航空发动机退化表征向量.赵广社等
[11]
建立了基于马氏距离的航空发动机退化指示量.但
这两位学者在研究中忽略了航空发动机退化的多阶段性.黄亮等
[12]
建立了针对航空发动机的多阶段非线性
维纳退化模型,与一阶段线性维纳过程相比精确性有了很大的提高,但其在研究中忽略了多参数的问题.
通过文献回顾发现国内外学者关于设备寿命预测这一主题的研究主要集中在退化模型的建立、模型
的多阶段性与多源数据融合等方面.主要解决了基于多源数据融合的多阶段维纳退化模型的建立.但学者们
在研究中多采用线性融合方法,未能充分考虑监测参数间的非线性关系,且在对多阶段退化模型的研究
中,学者们都假设设备不同阶段的分段阈值是由工程师们凭借自身经验来指定
[11]
或由设备的退化曲线观察
而来的
[14]
,针对设备的退化过程究竟是在何处发生趋势变化缺少理论研究.
近年来,随着计算机计算能力的提高,深度学习得到越来越多的关注
[15]
.其中,神经网络理论中的降
噪自编码(Denoising AutoEncoder,DAE)由于其优秀的自学习能力在可靠性领域内得到了广泛的研究和
使用
[16]
,如 Jia 等
[17]
首次利用 DAE 进行了机械设备的位移不变特征提取,并实现了对设备健康状态的识
别. Meng
[18]
和王丽华
[19]
分别利用降噪自编码(Denoising AutoEncoder,DAE)对不同健康状态下的滚动轴
承和切割机床刀具的监测数据进行了融合,实现了对不同故障种类的识别.谷丛丛等
[20]
则从理论角度对基
于 DAE 的组合特征提取进行了科学系统的论证,为后续的研究提供了理论基础.
基于此,利用神经网络与断点分析理论对设备的监测数据进行研究,提出了一种基于非线性数据融
合和 CUSUM 变点分析的多阶段维纳退化模型.
评论0
最新资源