基於半定量信息的複雜機電系統健康狀態評估與預測 張邦成 9787030769954 【台灣高等教育出版社】

內容簡介
複雜機電系統健康狀態評估與預測具有重要的理論研究意義及工程應用價值。《基於半定量信息的複雜機電系統健康狀態評估與預測》基於半定量信息 (包含定性知識和部分定量信息)，開展一類具有小樣本特徵的複雜機電系統健康狀態評估與預測建模方法研究，提出基於置信規則庫理論的複雜機電系統健康狀態評估與預測系列方法，為複雜機電系統的健康管理及*優維護提供決策依據。

目錄

目錄
前言
第1章 概述 1
1 1 複雜機電系統健康狀態評估及預測的特點 1
1 2 複雜機電系統健康狀態評估及預測方法分析 2
1 3 複雜機電系統健康狀態評估及預測存在的主要問題 13
1 4 本書的結構安排 15
第2章 基於半定量信息的置信規則庫模型 17
2 1 置信規則庫的基本概念 17
2 2 置信規則庫的推理 18
2 3 置信規則庫的應用與發展 20
2 4 本章小結 21
第3章 基於置信規則庫的複雜機電系統健康狀態評估 22
3 1 引言 22
3 2 基於置信規則庫的複雜機電系統健康狀態評估模型 23
3 3 複雜機電系統健康特徵量確定 25
3 4 模擬案例分析 32
3 4 1 置信規則庫健康狀態評估模型的建立 32
3 4 2 模擬分析 33
3 4 3 對比分析 39
3 5 本章小結 42
第4章 基於雙層置信規則庫的複雜機電系統健康狀態預測 43
4 1 引言 43
4 2 基於雙層置信規則庫的複雜機電系統健康狀態預測方法 44
4 2 1 基於置信規則庫的時間序列預測模型 45
4 2 2 基於置信規則庫的健康狀態預測模型 46
4 2 3 基於P-CMA-ES 的置信規則庫參數模型優化 46
4 3 基於雙層置信規則庫的航空發動機健康狀態預測 47
4 3 1 BRB_layer1 模型的建立 48
4 3 2 BRB_layer2 模型的建立 52
4 3 3 對比分析 55
4 4 本章小結 57
第5章 考慮特徵量監測誤差的複雜機電系統健康狀態預測 58
5 1 引言 58
5 2 特徵量監測誤差描述 59
5 3 考慮特徵量監測誤差的複雜機電系統健康狀態預測模型 60
5 3 1 基於距離的特徵量監測誤差計算 61
5 3 2 考慮特徵量監測誤差的雙層置信規則庫建模 61
5 3 3 融合特徵量監測誤差的置信規則庫推理 62
5 4 考慮特徵量監測誤差的航空發動機健康狀態預測 63
5 5 本章小結 69
第6章 考慮工況變化的複雜機電系統健康狀態預測 70
6 1 考慮工況變化的複雜機電系統健康狀態預測模型 70
6 2 模擬案例分析 72
6 2 1 基於時域特徵分析的航空發動機氣路系統健康狀態特徵量工況劃分 73
6 2 2 基於雙層置信規則庫的航空發動機氣路系統健康狀態預測 74
6 2 3 對比分析 82
6 3 本章小結 87
第7章 總結與展望 88
參考文獻 90

精彩書摘
第 1章 概述
1 1複雜機電系統健康狀態評估及預測的特點
隨著科學的發展和技術的進步，機電系統正朝著大規模、複雜化的方向發展。複雜機電系統的概念源於中南大學鍾掘院士等[1]的多篇論文。複雜機電系統一般指結構複雜，集機、電、液和控制於一體的大型動力裝備，如航空發動機、軌道車輛、精密數控機床及各類成套設備等 [2-5]。複雜機電系統是國民經濟與國家安全的重要基石，由於複雜機電系統設計和製造周期長、耗資巨大、使用和維護費用高，世界各工業發達國家都非常重視複雜機電系統各關鍵技術的研究與開發。受複雜機電系統機械結構的複雜性和其他各種因素的影響，潛伏的故障往往不可避免，一旦發生事故，造成的人員和財產損失是不可估量的。例如，「切爾諾貝利」核電站事故、「挑戰者」號太空梭的失事等都造成巨大的人員傷亡和財產損失。提高複雜機電系統的可靠性、安全性，以及維修經濟性對複雜機電系統的發展至關重要。隨著維修策略的轉變，複雜機電系統健康狀態評估及預測作為實現系統健康管理與優維護的基礎，受到企業和學者的廣泛關注 [6-8]。
《國家中長期科學和技術發展規劃綱要 (2006—2020年)》將重大產品、複雜工程系統和重大設施的可靠性、安全性和壽命預測技術列為重要研究內容。複雜機電系統的健康狀態評估及預測研究是提高複雜系統安全性、可靠性的有效手段，是實現智能製造的基礎，可以為實現《中國製造 2025》提供強有力的支撐。
複雜機電系統的健康狀態是其故障、退化狀態的綜合反映。準確有效地對複雜機電系統進行健康狀態評估及預測可以降低複雜機電系統停機時間、提高系統利用率、保證系統不間斷工作 [9，10]。複雜機電系統的緩變
2 基於半定量信息的複雜機電系統健康狀態評估與預測
故障或者突變故障的發生可能造成不可估量的損失，如航空發動機、高速列車、導彈等裝備，一旦發生故障，就會大概率地造成人員傷亡及複雜機電系統的毀壞。合理有效的健康狀態評估及預測可以輔助在複雜機電系統發生故障及性能退化前，採取相應的措施消除系統的安全隱患，降低事故的發生概率。有效的健康狀態評估及預測也可以為複雜機電系統的維護提供決策依據，降低企業的維護成本。
現有的複雜機電系統健康狀態評估及預測具有以下特點。
(1) 由於複雜機電系統的複雜性，在對其進行健康狀態評估及預測時，面臨特徵量數量多、相關性強，以及不確定性、雜訊干擾等問題。
(2) 在獲取複雜機電系統健康特徵量的過程中，傳感器自身屬性 (退化、硬故障、軟故障等 )及測量過程中的環境干擾會導致監測信息不可靠，極大地影響健康狀態評估及預測的精度。
(3)複雜機電系統測試次數的有限性和監測信息缺乏有效性導致健康狀態評估及預測可用樣本量少、種類匱乏。
1 2複雜機電系統健康狀態評估及預測方法分析
20世紀末，美軍在聯合戰鬥機 (joint strike fighter，JSF)計劃中提出故障預測與健康管理 (prognostics and health management，PHM)系統。PHM系統是實現 JSF綜合保障研究計劃的關鍵技術之一，能夠顯著降低維修、使用、保障費用，提高飛機的安全性和可靠性，實現大型複雜系統保障的經濟可承受性目標 [11，12]。隨著故障預測與健康管理技術的推廣與應用，健康狀態評估與預測作為健康管理的重要環節，得到各國學者的關注。下面從健康狀態評估和健康狀態預測兩方面介紹現有理論方法的發展和現狀。
目前，複雜機電系統健康狀態評估方法 (圖 1-1)主要可分為三類，即基於模型驅動的方法、基於數據驅動的方法、基於知識的方法 [13，14]。
圖 1-1複雜機電系統健康狀態評估方法分類
1 基於模型驅動的方法
基於模型驅動的複雜機電系統健康狀態評估方法又稱解析冗餘法。首先，需要已知系統的解析模型表達式，利用狀態觀測器、卡爾曼 (Kalman)濾波器、參數估計辨識、等價空間狀態方程等方法產生殘差。根據殘差的產生方式，細分為狀態觀測法、參數估計法、等價關係法等。然後，基於殘差分析，進行系統當前健康狀態的評估 [14]。近年來，主要的方法有卡爾曼濾波及其擴展方法、強跟蹤濾波器等。
1) 卡爾曼濾波及其擴展方法
卡爾曼濾波方法是一種的模型參數估計方法，由匈牙利數學家 Kalman提出[15]。卡爾曼濾波方法是從隨機過程的觀測量中通過線性最小方差估計準則提取系統參數和狀態估計值的一種濾波演算法。在實際應用中，卡爾曼濾波方法在系統解析模型的基礎上，結合採樣數據對模型參數進行估計，實現系統健康狀態的評估。隨後，為了在非線性系統中得到更好的應用效果，對非線性模型做泰勒展開，進行線性化，即擴展卡爾曼濾波器 (extended Kalman filter，EKF)[16，17]。近年來，許多學者又在這一方法的基礎上進行改進，並取得較好的應用 [18，19]。
文獻[20]提出一種基於強跟蹤擴展卡爾曼濾波器 (strong tracking extended Kalman filter，STEKF)的感應電動機速度估計方法，可以實現速度傳感器控制的優化。文獻 [21]提出一種基於無跡變換強跟蹤濾波器 (unscented transformation strong tracking filter，UTSTF)的發電機動態估計方法。該方法利用對稱採樣策略進行 Sigma點採樣，通過引入漸消因子修正預測協方差矩陣，在線調整增益矩陣，濾波得到動態過程中發電機狀態變數的估計值。算例結果表明， UTSTF無論在跟蹤速度、精度，還是對雜訊的魯棒性能上較無跡卡爾曼濾波器和強跟蹤濾波器均有所提高。魯峰等 [22]利用簡約卡爾曼濾波器對航空發動機氣路系統進行健康性能估計，並利用某型渦扇發動機氣路部件進行模擬實驗，驗證所提方法的有效性。文獻[23]利用 EKF解決航空發動機健康監測系統信息融合問題，實現了航空發動機的健康狀態評估及管理，並開發了可靠性監測與可靠性分析評估系統。 Abdelrahem等[24]利用 EKF對變速風力渦輪機系統中的雙饋感應電機進行健康狀態評估，對電機的電氣參數進行估計，描述雙饋感應電機的非線性狀態空間模型，提高評估精度。文獻 [25]提出一種利用自適應卡爾曼濾波器改進參數估計的方法。這種方法能夠對系統中不可測量的參數通過濾波器跟蹤突發變化。為了提高蓄電池利用率，保證其在全生命周期中的安全性和可擴展性，文獻 [26]使用雙卡爾曼濾波器對其健康狀態進行評估，並使用自回歸模型對參數進行在線估計，在保證評估精度的同時，提高評估效率。文獻 [27]基於平方根容積卡爾曼濾波器 (square root cubature Kalman filter，SCKF)，研究了一類非線性隨機動態系統的故障檢測與估計問題。該方法利用滑動時間窗口設計系統狀態方程殘差信號，可以有效地檢測故障的發生，通過構造增廣系統，實現對執行器健康狀態的估計，並通過模擬實驗分析驗證方法的精度和穩定性。文獻 [28]利用標準 EKF方法、小均方差和概率密度截斷的混合方法，提出一種渦噴發動機的帶約束非線性濾波健康狀態估計方法，解決渦噴發動機在不等式約束條件下的部件性能估計問題。通過模擬實驗分析，驗證健康狀態估計方法的精度和速度。
2) 強跟蹤濾波器
強跟蹤濾波器的概念是周東華等 [29]在 EKF的基礎上改進提出的。強跟蹤濾波器具有較好的魯棒性和敏感性，並且對突變狀態具有較強的跟蹤能力，相比傳統的濾波器，該方法可以降低計算的複雜性。近年來，強跟蹤濾波器在狀態估計和參數估計方面應用廣泛。
文獻[30]通過將強跟蹤濾波理論與多傳感器數據融合技術相結合，提出基於強跟蹤濾波器的多傳感器狀態與參數聯合估計方法。該方法可以初步解決卡爾曼濾波器中模型的不確定性造成估計誤差值偏大情況下的狀態融合估計問題，使多源信息融合理論得到補充和發展。文獻 [31]提出一種利用改進的強跟蹤無跡卡爾曼濾波器對不確定過程進行狀態估計的方法，不僅避免了狀態估計過程模型不確定性的發生，也提高了估計精度。文獻 [32]利用強跟蹤濾波器對電池系統的電荷狀態進行估計，通過實驗及對比分析驗證所提出方法的精度和魯棒性。文獻 [33]利用強跟蹤濾波器對火力發電機組狀態和參數進行聯合估計，獲得了較高的估計精度。
2 基於數據驅動的方法
基於數據驅動的複雜機電系統健康狀態評估方法根據獲取的複雜機電系統當前時間段內的監測數據，建立複雜機電系統的非線性健康狀態評估模型，通過可用確定性的失效閾值，或者健康程度等級定義系統的健康狀態，對設備當前的健康狀態進行評估。與基於模型驅動及基於知識的方法相比，這類方法對於系統的解析表達式和先驗知識沒有嚴格的要求，而是從系統大量的歷史數據和實時數據中得到系統變數間的關係。基於數據驅動的複雜機電系統健康狀態評估方法在化工、冶金、車輛、旋轉機械等多個領域都得到廣泛應用。基於數據驅動的定量分析方法可以分為統計方法和非統計方法。最有效的基於統計的健康狀態評估理論是基於多變數統計的動態數據監測診斷方法 [14]，如主成分分析 (principal component analysis， PCA)[34]、偏*小二乘法 (partial least square，PLS)[35]、典型變數分析 [36]、獨立成分分析 [37]、支持向量機 (support vector machine，SVM)[38]、隱馬爾可夫模型(hidden Markov model，HMM)[39]等。基於數據驅動的方法分類如圖 1-2所示。典型的基於非統計的定量分析法是神經網路 [14]。
1) 隱馬爾可夫模型和隱半馬爾可夫模型隱馬爾可夫模型作為一種統計分析模型，創立於 20世紀 70年代，是馬爾可夫隨機過程的一種，用來描述系統的隱含行為。隱馬爾可夫模型通過對大量實驗數據進行統計分析得到參數的估計值，具有較好的效果，但是對