基于深度学习的设备关键子系统健康状态评估研究.pdfVIP

中文摘要 摘 要 在当前智能制造的发展趋势下，工业界对现代工业设备的可靠性管理及其智 能化水平的要求进一步提高，实现设备健康状态智能评估是解决这一挑战的关键 一环。复杂机械设备部件众多，结构复杂，而隶属同一子系统的部件耦合度高，故 航空发动机、齿轮箱等关键子系统的健康状态对复杂装备整体质量和可靠性具有 重要影响。机械大数据作为物理世界和信息世界的纽带，蕴含着海量全面的、能够 反映设备状态的信息，因此使用深度学习算法进行机械大数据挖掘对复杂装备关 键子系统的健康状态智能评估意义重大。 本文首先综述了机械大数据为健康状态评估带来的机遇与挑战；接着分析了 深度学习算法的优势及应用可行性；随后，以数据挖掘和多源信息融合为切入点， 从健康状态识别和剩余使用寿命（RUL ）预测两个方面建立了基于监测数据的深度 学习模型，来对设备关键子系统的健康状态进行识别和预测，提升了整体流程的智 能化水平及结果的准确性。本研究探索了机械大数据下航空发动机等设备关键子 系统健康评估方法，得到的结果可为后续维护提供可靠而准确的依据。本文主要研 究内容如下： ① 机械大数据下传统识别方法面临模型处理数据能力不足、智能化程度较低、 证据间存在较大冲突等三个挑战，而将深度学习算法与改进证据理论相结合能较 好解决这些问题。本文首先基于深度稀疏自编码神经网络和支持向量分类算法构 建了开放识别框架来提供相应证据，接着基于证据信息量和证据间冲突衡量提出 了冲突证据修正方法，并结合D-S 合成规则进一步提出了基于信息量的开放框架 证据融合模型（IE-OFET ）来进行健康状态识别。最后通过案例应用证明了该方法 在较好处理冲突证据的同时还提高了健康状态识别的准确率。 ② 传统数据驱动的 RUL 预测方法通常先构造健康指标，再判定其是否达到 预设阈值来估计 RUL ，在提取特征时人为因素影响较大，且无法处理海量多维的 监测数据。因此本文提出了一种基于深度自正则卷积神经网络（DSCNN）的设备 关键子系统RUL 预测方法。该方法无需专家知识和预设阈值，可自学习特征并直 接建立其与RUL 的映射。此外在构建模型时使用比例指数线性单元（Selu ），提高 了模型的抗噪性，降低了训练难度。在案例分析时DSCNN 的预测结果准确性较其 他数据驱动方法有显著提升，预测效率也更有竞争力。 关键词：机械大数据；状态评估；深度学习；改进证据理论；剩余使用寿命 I 英文摘要 ABSTRACT With the development tendency of intelligent manufacturing, the requirement of reliability and intelligent maintenance for modern industrial equipment is further improving. To meet this challenge, assessing equipment health condition through artificial intelligence is the key solution. Large machinery equipments usually have complex structure with many components, and the components of the same subsystem are highly coupled. Therefore, the health condition of key subsystems has an important impact on the quality and reliability of complex equipment. As the bridge between the physics and information, industrial big data contains a wealth of