航空機電設備健康狀態預測技術探析范文

本站小編為你精心準備了航空機電設備健康狀態預測技術探析參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《航空維修與工程》2017年第2期

摘要：對于一些本身結構比較復雜和精密的設備，如航空機電設備，其故障呈現出漸發性的特點，而且一旦發生故障，將會帶來非常嚴重的后果。因此，做好設備健康狀態的評估和預測，及時對設備進行檢修維護，是保障設備安全穩定運行，防止安全事故發生的關鍵。本文以提出了基于多距離形態相似度評估（M-DSSE）以及相關向量機（EVM）的航空機電設備健康狀態預測方法，實踐證明，該方法得到的結果與實際情況相吻合。

0引言

在自動化、智能化技術飛速發展的帶動下，各類機電設備不斷涌現，在許多領域中發揮著重要作用，而這些機電設備本身相對復雜，為了保證其運行安全，需要做好設備的狀態監測和評估。健康狀態預測是指通過對設備運行狀態的評估，獲取相應的健康指數，借以分析設備健康狀態的變化趨勢，明確維修方案，以減少設備故障發生的幾率。

1健康狀態的評估和預測

1.1健康狀態評估健康指數

HI是健康評估的表示方式，其取值在0-1之間，數值越高，表明設備的越健康，反之，則表明設備存在功能性故障，需要及時進行維修和更換。就目前而言，健康狀態評估的一般方法有兩種，一是基于模型驅動的方法，需要在深入了解設備故障機理的前提下，經全面分析，確定可以體現設備性能退化的健康指標，在監測信息與設備性能退化之間，構建相應的關聯模型，實現對設備健康狀態的有效評估。這種方法不要求大量的監測數據，而且準確度較高，不過受設備故障模式差異以及性能退化進程隨機性的影響，并不能準確構建退化模型；二是基于數據驅動的方法，主要是構建檢測信息與設備性能退化之間的關系模型，適用于對設備全壽命周期健康狀態的評估，具體來講，包括有相似度評估法、組合賦值法等，以相似度評估法為例，主要是結合已有樣本和測試樣本，計算相似關聯度，歸化為健康指標，以完成對設備健康狀態的評估，在實際應用中，需要結合具體問題，選擇合適的關聯度計算方法。

1.2健康狀態預測設備

健康狀態預測的主要目的，是結合健康狀態評估得到的健康指數，預測未來一段時間內設備的健康狀態，判斷剩余壽命、設備運行風險和故障時間，從而為制定科學的維修決策提供參考。在當前的環境下，基于數據驅動的健康狀態預測方法包括神經網絡理論以及相關向量機RVM、時間序法、灰色數學法、專家系統法等，相比較而言，RVM是在支持向量機的基礎上進行的眼神，能夠有效解決設備健康預測中存在的各種問題，也因此備受關注。

2設備健康狀態預測模型

2.1基于M-DSSE的健康狀態評估

想要做好設備健康狀態的評估工作，需要首先進行信息的采集，確保其能夠準確反映設備的健康狀態，然后經數據整理和特征量提取，得到相應的狀態向量，將其與設備正常的狀態向量以及故障工況下的狀態向量進行相似關聯度計算，就可以評估設備當前健康狀態與正常狀態以及故障狀態的相似程序，結合歸一化處理，能夠得到設備當前的健康指數。為了保證采集到的監測信息的準確性，這里采用多信息源的監測信息，以向量相似度來進行多信息源健康指數的計算。首先，將多信息源條件下設備的健康指數向量定義為HI=（hi1，hi2，…，hin），由n個單信息源條件下獲取的健康指數構成，定義正常狀態下設備的健康指數向量為HI'g，則結合向量相似度，可以計算出設備的健康指數HI。

2.2基于RVM的健康狀態預測

在經健康狀態評估得到設備的健康指數后，可以運用RVM回歸模型，完成設備健康狀態預測，明確設備性能的退化趨勢。回歸模型可以在有監督的學習過程中，給出訓練樣本集，開展向尹的學習，建立起輸入向量xn與估計函數tn的關系模型，對新的輸入向量的位置目標進行預測。

3實例分析

以某航空機電設備為對象，驗證本文提出的基于M-DSSE和RVM的設備健康狀態預測的有有效性。監測數據選擇設備的電壓和電流信號，設置采樣頻率為6.4kHz，分別對設備正常狀態和故障狀態連續采樣3.2s，得到相應的樣本集，依照順序，對數據進行分割，形成20個數據段，每段細分為1024個采樣點。依照上述采樣頻率及時間，以等間隔的方式采集退化狀態信號，形成30組樣本數據。

3.1健康狀態評估

以電壓信號為例，對設備健康狀態評估的過程進行描述和分析。結合采集到的數據，運用時域分析法，可以得到相應的結果：脈沖因子值1.3502，峰值因子值4.1176，均方根值1.0163，峰峰值2.9517，波性因子1.0163。對于采集到的設備正常狀態信號，利用db6小波包進行分解，得到一個時間段內不同頻帶內信號重構圖在MATLAB上的仿真，繼而可以計算出各個頻帶內的能量歸一化數值。同理，可以計算電壓退化與故障狀態的時頻分析和時域分析特征向量，以及電流的相關數值。運用本文提出的方法，對得到的狀態特征向量進行計算，可以得出30個退化點的健康指數，依照1-30的觀測點標號，其相應的健康指數依次為0.876、0.863、0.854、0.839、0.802、0.812、0.821、0.783、0.792、0.736、0.769、0.745、0.721、0.759、0.660、0.613、0.707、0.627、0.684、0.530、0.562、0.578、0.513、0.590、0.401、0.436、0.484、0.354、0.466.

3.2健康狀態預測

在RVM模型中，核函數采用的組委常用的高斯徑向基核函數為K（x，xi）=exp{-x-xi22σ2}在公式中，σ表示核參數，xi表示核函數的中心。從RVM模型的性能考慮，必須做好核參數的選擇。從上述30個退化點中選擇1-20號觀測點的健康指數作為訓練樣本，構建完善的健康狀態預測模型，通過交叉驗證優化選擇，得到RVM的最優核參數為3.75。結合模型，預測21-30號退化狀態觀測點的健康指數，將得到的結果與實踐序列模型ARMA、SVM模型以及BP神經網絡模型進行對比分析。不同模型對于設備健康狀態預測的相對誤差為：觀測點為21時，RVM為0.1692，SVM為0.1692、BPNN為0.5247，ARMA為0.3385；觀測點為22時，RVM為0.5509，SVM為0.7464、BPNN為1.8482，ARMA為1.4750；觀測點為23時，RVM為0.3631，SVM為0.7086、BPNN為1.4352，ARMA為1.0721；觀測點為24時，RVM為1.0118，SVM為1.6151、BPNN為5.8571，ARMA為4.0474；觀測點為25時，RVM為1.7719，SVM為2.1489、BPNN為5.2968，ARMA為3.9208；觀測點為26時，RVM為1.1156，SVM為1.7807、BPNN為8.9251，ARMA為6.0287；觀測點為27時，RVM差為1.7120，SVM為2.1452、BPNN為8.3539，ARMA為5.5693；觀測點為28時，RVM為2.5854，SVM為4.1427、BPNN為15.0237，ARMA為11.9291；觀測點為29時，RVM為1.4220，SVM為2.6146、BPNN為11.1926，ARMA為7.8669；觀測點為30時，RVM為3.5028，SVM為5.8475、BPNN為20.5367，ARMA為16.7231。可以看出，在預測精確度上，本文提出的方法要超過其他三種預測模型，也就是說性能更加優越，這也證明了基于M-DSSE和RVM的復雜裝備健康狀態預測模型的合理性和可靠性。

4結語

本文提出了一種基于M-DSSE和RVM的復雜裝備健康狀態預測方法，經實踐驗證，該方法的預測精度高，可靠性強，可以對設備在未來一段時間內的健康狀態變化進行預測，從而為設備的預知維修提供必要的技術支持，在保障設備安全可靠運行，延長設備使用壽命等方面意義重大，希望能夠得到重視和推廣。

參考文獻：

[1]陳雄姿，于勁松，陸文高，李行善.基于綜合健康指數與RVM的系統級失效預測[J].系統工程與電子技術，2015，37（10）：2298-2305.

[2]鄧力，徐廷學，范庚，吳明輝.基于M-DSSE和RVM的復雜裝備健康狀態預測[J].計算機工程與設計，2014，35（11）：3997-4002.

[3]周建寶.基于RVM的鋰離子電池剩余壽命預測方法研究[D].哈爾濱工業大學，2013.

[4]王芳.基于健康狀態的重型裝備維修計劃決策與系統研發[D].哈爾濱工業大學，2015.

[5]范庚,馬登武.基于EMD和RVM-AR的航空發動機磨損故障預測模型[J].計算機測量與控制，2013，21（7）：25-28.

[6]柏駿，夏靖波，趙小歡.一種基于EMD和RVM的自相似網絡流量預測模型[J].計算機科學，2015，42（1）：122-125.•159•

作者：夏爽 單位：三亞航空旅游職業學院航空機電設備維修系