论文部分内容阅读
近年来,工业设备地大型化、复杂化愈发明显,海量的反映运行过程机理和运行状态的数据也随之产生,如何利用这些海量数据来满足口益提高的系统可靠性要求已经成为亟待解决的问题,其中数据驱动的故障预测方法成为重要的解决手段,近年来愈发得到人们的重视。但数据驱动方法往往受限于历史数据,一旦实际运行环境发生变化,其预测性能也随之波动;随着物联网、信息通信等技术的不断发展,利用相关技术和标准,可以消除设备全生命周期各阶段间的信息“壁垒”,形成产品设备全生命周期信息流和知识流的闭环管理,闭环全生命周期管理(Closed-loop Lifecycle Management,CL2M)为解决该问题开辟了新的途径。本文通过对数据驱动故障预测方法与CL2M系统中关键问题的研究,设计出CL2M系统中故障预测维护架构,提出动态建模算法,实现了具体的子系统层解决方案。论文的主要工作内容如下:1、分析了 CL2M系统中产品设备使用阶段数据的特点,设计出故障预测维护架构。首先概述了 CL2M系统架构及研究内容;然后分析CL2M系统中数据的特点和数据驱动故障预测方法在实际应用时的不足,在此基础上分析两者的结合点,强调数据驱动故障预测方法在CL2M系统中应用的必要性;最后设计出CL2M系统中故障预测维护架构。2、研究了数据驱动故障预测流程。介绍了经典的支持向量回归机(Support Vector Regression,SVR)算法和新颖的梯度提升树算法XGBoost,为验证CL2M故障预测维护架构的通用性奠定基础;为提高预测模型性能,引入了人工鱼群粒子群(Artificial Fish Swarm-Particle Swarm Optimization,AFS-PSO)混合优化算法。3、在CL2M系统中故障预测架构的基础上,突破adaboost算法仅能应用于自身训练数据的限制,提出CL2M系统动态建模方法,完成预测模型更新环节,实现CL2M动态建模,进而设计出子系统层的故障预测实现方案;在数据驱动方法建模流程的基础上,分别考虑故障诊断和故障预测的不同场景,实现了CL2M故障诊断动态建模与CL2M故障预测动态建模。4、对CL2M系统中故障预测架构子系统层的故障预测进行实验测试。引入了 IEEE PHM 2015 Prognostic Challenge 数据集和 NASA Ames 锂电池数据集,分别基于SVR和XGBoost算法,及AFS-PSO优化算法,具体实现了 CL2M故障预测动态建模;最后与其余4种建模方案进行对比,两个实验的结果均表明了本文提出的CL2M动态建模方法的优越性。